智能制造與先進數控技術

黃筱調，夏長久，孫守利

(1. 南京工業大學 機械與動力工程學院，江蘇 南京 211816； 2. 重慶大學 機械工程學院，重慶 400044)

0 引言

新世紀個性化小批量精密制造需求推動制造業朝著高端化、細分化、自動化、智能化方向發展。目前，德國“工業4.0”、美國“先進制造業國家戰略計劃”、“中國制造2025”、歐盟“IMS 2020計劃”以及日本“智能制造系統國際合作”等[1]全球性的制造業振興戰略計劃正積極推動著第四次工業革命的蓬勃發展，智能制造作為技術核心，引起了世界各國的廣泛關注。而數控技術是現代制造系統的動力源泉[2]，集機械制造、自動化控制、微電子、信息處理等技術于一身，在實現制造自動化、集成化、網絡化的過程中占據著舉足輕重的地位。在全球性智能制造的大環境影響下，數控技術也逐漸從專用封閉式開環控制模式向通用開放式全閉環控制模式發展，硬軟件系統及控制方式也日趨智能化。因此，智能制造影響下的先進數控技術發展已成為現代智能化高端裝備領域的一大研究熱點。

1 面向智能制造的關鍵先進數控技術

1.1 智能制造的主要內容

智能制造是基于新一代信息通信技術與先進制造技術深度融合，貫穿于設計、生產、管理、服務等制造活動的各個環節，具有自感知、自學習、自決策、自執行、自適應等功能的新型生產方式，是“中國制造2025”的主攻方向，也是“互聯網+制造”的制高點[3-4]。中國智能制造工程[5]為實現數字化制造普及、智能化制造示范，需要重點聚焦攻克五類關鍵技術裝備，夯實智能制造三大基礎，培育推廣五種智能制造新模式，推進十大重點領域智能制造成套裝備集成應用，其主要內容的領域細分見圖1。

圖1 智能制造主要內容的領域細分

智能制造的本質是信息技術與制造技術的深度融合，中國智能制造的戰略目標則是躋身于世界制造強國行列，故而其發展偏重于生產要素與互聯網化，以實現制造業的智能轉型，推進制造產業邁向中高端。智能制造實現的前提是高端制造裝備及控制的智能化。而高端智能制造裝備[6]實質上是一種人機一體化智能系統，主要由智能機器和人類專家系統組成，在制造全生命周期過程中可進行分析、推理、判斷、構思和決策等智能化行為。它是先進制造技術、新一代信息通訊技術以及人工智能技術在制造裝備上的集成和深度融合，主要包括高端數控機床、工業機器人、智能測控裝置、3D打印設備、柔性自動化生產線等。其中，高檔數控機床作為國家戰略級高端裝備以及智能制造工程五類關鍵技術裝備與十大重點集成應用領域之一，其核心數控技術的創新與突破已然成為完成智能制造工程的重要保障。

1.2 智能制造環境下的關鍵先進數控技術

在智能制造環境的影響下，先進數控技術朝著開放智能化方向邁進，而高檔數控機床作為數控技術的物質載體，其典型功能一般包括智能測量、實時補償、加工優化、工具管理、遠程監控與診斷等。高檔數控機床作為集成制造系統的獨立制造單元，在通用標準接口與網絡互聯、人工智能技術以及先進制造技術等驅動下，也推動著集成化智能制造系統(integrated intelligent manufacturing system, IIMS)的發展；而具有零部件、產品集成特點的集成化智能制造系統，如智能車間與智能工廠的迅猛發展，自然標志著智能制造示范工程的順利完成。智能制造與先進數控技術的基本邏輯關系如圖2所示。

圖2 智能制造與先進數控技術的基本邏輯關系

先進數控技術表征著高檔數控機床的核心競爭力，主要具備兩大典型特征——開放化與智能化[7-8]，此外還包括功能復合化、綠色化、集成化、數字化等重要特征。開放化主要指數控系統配備標準化基礎平臺，提供標準接口和互聯網絡，允許開發商不同軟硬件模塊介入，具有模塊化、可移植性、可擴展性以及可互換性等功能；智能化主要指數控機床與數控系統具備智能加工、智能監測、智能維護、智能管理、智能決策等智能功能。高檔數控機床是數控技術的重要集成應用裝備，相關先進數控技術主要涉及智能編程、多軸聯動、高速高精控制、機床誤差補償、工藝參數自優化、自適應控制、在線診斷和遠程維護、智能生產管理、機床聯網群控管理等。基于高檔數控機床開放智能化的特征，本文概述了部分關鍵先進數控技術的研究進展(圖3)，包括高速高精聯動控制技術、機床多源誤差補償技術以及智能化控制技術三大方面。

圖3 面向智能制造的關鍵先進數控技術

2 高速高精聯動控制技術

數控機床與普通機床的本質區別在于能否進行多軸聯動控制加工，而在高速高加速的多軸聯動工況下，由于各伺服軸處于頻繁加減速狀態，并且各軸運動性能和運動狀態也存在固有差異。因此多軸聯動實時精確控制往往顯得困難，導致加工實際輪廓軌跡與理想輪廓軌跡存在較大偏差。高速高精聯動控制[9]作為高檔數控機床必須攻克的重難點技術，其子技術主要包括信息實時交互式現場總線技術與多軸聯動同步控制技術。

2.1 信息實時交互式現場總線技術

為實現高速高精運動控制，數控設備和數控系統間實現實時同步、高效可靠的通訊必不可少。然而，傳統的“脈沖式”或“模擬式”接口早已不能滿足高速高精的控制需求，因此國內外的數控公司紛紛采用數字通訊的方式以求實現信息的實時交互，即現場總線技術[10]。信息實時交互式現場總線技術自問世以來，已形成多種總線并存的局面。國外現場總線技術起步較早，目前處于行業標準前沿，主要有國際標準組織-基金會的Foundation Fieldbus[11]，德國Siemens的PROFIBUS[12]，RoberBosch的CANBUS[13]，日本FANC的FSSB總線[14]等；而國內總線技術尚處于起步階段，目前已較為成熟的主要有華中數控的NCUC-Bus[15]以及大連光洋的Glink總線[16]等。隨著高速高精加工過程中信息傳輸量的不斷增加，現場總線必將會與傳輸速率更高、帶寬更大、通信協議更開放的以太網或因特網結合，此外尋求統一的現場總線國際標準也是總線技術發展的必然趨勢[17]。

2.2 多軸聯動同步控制技術

在實現數控設備與數控系統信息實時交互的前提下，多軸聯動同步誤差直接影響最終運動輪廓誤差，因此保證伺服控制的精確同步至關重要。針對單伺服軸的精確運動較易實現，多伺服軸的高速高精同步控制仍存在較大偏差等問題，國內外研究聚焦在控制策略和控制算法兩方面。

在控制策略方面，研究主要趨向基于網絡的同步控制方案設計，以提高聯動的實時同步性能與穩定控制精度。王寶仁等[18]提出了一種級聯式運動控制方案，實現了驅動器網絡化控制，并提出了相應的多軸同步補償策略，有效克服了傳輸延時的不良影響；朱曉楓等[19]將Ethernet Powerlink技術引入到多軸伺服控制系統中，解決了高速網絡同步協調以及網絡控制過程中產生的數據傳輸時延、數據包丟失、時序錯亂等問題；X. Xu[20]等針對多軸同步控制過程中的信息調度和實時網絡延遲，提出了一種分散式多軸同步控制方法，構建了實時以太網通信專家平臺，通過智能網絡控制關鍵節點運動，實現了良好的位置同步性能。

在控制算法方面，目前廣泛采用基于智能算法的PID反饋控制，實現多軸高速高精同步控制，具有強魯棒性和強抗干擾能力等優點。曹春平等[21]針對四電機同步驅動系統，利用神經網絡算法優化PID控制器，與偏差耦合控制器結合，能夠有效克服外部擾動和參數變化引起的同步誤差；程文雅等[22]針對多軸系統控制復雜非線性問題，提出了反演模糊滑模控制算法，將復雜系統分解為簡單子系統，并將耦合誤差定義為各軸位置誤差平均值與同步誤差的線性化差值，最終在三軸系統上進行仿真驗證。智能算法使得同步控制的穩定性和抗干擾能力顯著增強，但由于智能算法計算量大，運行時間長，實際工程應用仍需深入研究。

總之，高速高加速工況下的多軸聯動同步控制技術至今已有較大發展，但由于伺服電機結構復雜、伺服軸運動性能存在差異以及負載擾動等因素耦合作用，同步控制技術的工程應用仍需進一步研究。未來的研究將更加關注多伺服電機協同控制結構優化、多軸之間動態性能匹配、同步控制算法的優化、多軸負載及不確定干擾影響下的系統控制策略等方面，以減小多軸聯動實際廓形誤差，達到同步誤差低、信號抖動少的理想效果。

3 機床多源誤差補償技術

數控機床多軸聯動加工精度受多方面因素耦合影響，誤差來源主要包括機床各零部件原始制造、安裝或磨損引起的幾何誤差、相對運動部件間的運動誤差、各運動軸的伺服控制誤差、機床部件或旋轉主軸熱誤差、切削力致變形誤差、運動部件或整機振動誤差等。而具有經濟高效、操作可控等優點的機床多源誤差補償技術則是目前機床企業廣泛采用的一種加工精度提升方法。機床多源誤差補償技術[23]是指通過測量、分析、統計等方法分析機床多源誤差的特點和規律，通過建立誤差數學模型，預設新誤差量抵消或減小加工過程誤差的技術，包括幾何誤差補償技術、熱誤差補償技術、力誤差補償技術、振動主動抑制技術等。

3.1 幾何誤差補償技術

機床幾何誤差是由機床零部件原始制造、安裝或磨損引起的系統性誤差，是數控機床誤差中最重要的誤差源。機床幾何誤差補償方法主要包括誤差模型解耦分離補償法以及輪廓精度反饋控制補償法。

解耦分離補償法根據機床幾何誤差模型將空間誤差解耦分離到各運動軸，求得相應的補償量，然后采用實際運動后再疊加補償或在實際運動前直接修改數控代碼實現精確運動的方式進行誤差補償。任永強等[24]采用微分法求解幾何誤差運動的逆運動，解耦得到五軸機床各運動軸誤差補償運動量；張宏韜等[25]根據理想刀尖位姿和實際刀尖位姿模型，解耦分離得到五軸理想位移量和實際位移量，按先姿態后位置的次序分步進行補償；B.C. Zhou等[26]計算了各運動軸的微分運動矩陣并且構造了雅可比矩陣來補償砂輪的綜合誤差分量；S. Ding等[27-28]基于實際逆向運動學算法獲得了五軸修正NC代碼與幾何誤差間的映射關系，顯著提高了補償實時效率。輪廓精度反饋控制補償法則通過計算實際輪廓誤差，對加工輪廓軌跡進行反饋控制以達到理想精度。黃東兆等[29]進行了輪廓精度的宏觀和微觀同步控制，首先將已加工的部分與指令輪廓相匹配進行宏觀控制，解決累積誤差，然后進行誤差預報與補償實現微觀控制，減小局部誤差；趙國勇等[30]計算了直線軸與旋轉軸聯動的輪廓誤差，然后結合單軸跟隨誤差，與輪廓誤差耦合進行PID反饋控制。解耦分離補償法具有高精但低效的特征，而輪廓精度反饋控制補償法具有補償實時的優點，但控制參數難整定，系統抗擾動能力較弱。此外，當前的幾何誤差補償技術研究大多還停留在完全離線或在加工間隙補償的層面，如何實現動態實時的幾何誤差在線補償仍是一大技術難題，也將是幾何誤差補償技術未來的重點攻克方向。

3.2 熱誤差補償技術

在機床幾何誤差補償后，表征機床溫度變化引起的零部件相對位置和形狀變化的熱變形誤差成為了制約精密數控機床加工精度的關鍵因素，一般認為可達總誤差源的40%～70%。熱誤差具有時滯時變、多向耦合以及復雜非線性等特征，有效補償的前提是建立準確的熱誤差模型。常用的熱誤差建模方法包括原理性建模方法，項四通等[31]基于熱變形機理，結合熱特性基本單元試驗，建立了主軸熱誤差的高精預測模型，N.S. Mian等[32]提出一種環境溫度影響下機床熱誤差離線有限元模擬方法以及實證建模方法，減少了熱誤差測定時間；王時龍等[33]針對大型磨齒機，采用模糊聚類與多元線性回歸算法建立了滾刀與工件主軸中心距熱誤差模型，Y.F. Zhao等[34]利用思維進化算法優化BP神經網絡，建立了五軸機床溫度變化與熱誤差的精確關系模型。熱誤差原理性建模技術受到數值分析邊界條件難以確定、熱傳導精確仿真困難等限制，發展相對緩慢，而以人工智能技術為代表的熱誤差實證建模方法發展則較為迅猛，提高了機床功能部件及整體熱誤差的預測精度。

基于可靠的熱誤差模型，熱誤差補償技術的實施一般采用反饋攔截積分法和原點平移法。反饋攔截積分法是通過攔截位置傳感元件反饋信號，由外部補償裝置疊加熱誤差的補償量后再返回給數控系統，將其視為當前機床的實際位置與指令位置的偏差進行校正，實現對熱誤差的補償。K. D. Kim等[35]采用反饋攔截方式的外掛集成方法，實現了熱誤差在數控系統的補償。原點平移法則是將熱誤差模型修正后的數控指令值通過I/O口送至CNC控制器，平移控制系統的參考原點實現熱誤差補償的。J.G.Yang等[36]將實時測得的機床位置數據和關鍵測點溫度代入熱誤差模型求得補償值，通過將補償信號傳入位置環，平移參考坐標系原點以實現熱誤差實時補償。反饋攔截積分法不改變CNC控制軟件，但需要添加特定的外部電子位置疊加裝置，補償信號易與原信號發生干涉；原點平移法補償過程對NC程序執行無影響，但需要修改PLC單元以便接入熱誤差補償值。兩種熱誤差補償方法都能實現熱誤差的實時補償，但均需要增添外部補償器，既影響機床整機性能，也容易干擾或遲滯數控加工任務。因此，無需硬件修改的熱誤差補償模塊系統的嵌入仍需深入研究。同時新型熱誤差補償技術，如基于傳函的熱誤差補償技術、熱親和補償技術、基于大數據思維的誤差補償技術等[37]，也成為熱誤差補償技術的發展方向。

3.3 其他誤差補償技術

除幾何誤差和熱誤差補償技術外，力誤差補償技術也是一大研究熱點。力誤差屬于加工時變誤差，來源包括加工切削力、機床部件夾緊力、慣性力等，其中切削力引起的零件變形是影響力誤差的關鍵要素。國內外現有研究也大多集中于切削力致變形誤差補償。此外，機床振動的主動抑制技術也廣受關注，如利用神經網絡、模糊邏輯等智能方法監測主軸、絲杠、軸承等關鍵部件的振動信號，然后進行高速主軸、切削顫振抑制等[38]。

機床多源誤差補償技術最終都需要統一集成到數控機床與數控系統中，才能真正地實現數控機床加工精度的提升。因此機床多源誤差的耦合映射機理、加工多源誤差與加工精度的實時動態監測、時變非線性耦合誤差的一體式補償方法、多源誤差補償模塊的嵌入式集成等，勢必成為智能制造驅動下機床誤差實時補償的研究重點。

4 智能化控制技術

在智能制造大環境的影響下，智能化控制技術已成為高端數控機床最為突出的典型特征之一。智能化控制技術主要指一種以大數據采集為基礎，通過建立數控機床的加工信息“數字雙胞胎”模型，利用數據挖掘相關智能算法，對數控機床進行動態數據采集和實時監控，實現數控加工流程與工藝參數在線優化、狀態實時監測與診斷控制等功能的技術。在智能化控制技術的支持下，數控機床能夠感知自身加工狀態和加工過程，根據機床狀態進行自學習、自控制、自維護等行為。對于數控機床的智能化控制而言，制造大數據實時采集是底層基礎，數據有效挖掘是中間手段，而根據挖掘的有效信息進行實時的工藝流程及工藝參數優化、機床狀態監測及診斷控制則是最終目標。

4.1 制造工藝大數據實時采集

制造工藝數據是實現智能化制造的重要基礎，也是高精數控加工的必要保證。在具有相同加工條件的情況下，零件加工的工藝流程和工藝參數直接決定了零件加工的質量和效率，制造工藝數據的重要性不言而喻。然而，制造工藝數據具有復雜異構、多維海量等典型特征，為實時采集制造工藝數據，葉佩青等[39]提出基于先進互聯網技術，建立制造工藝數據收集激勵機制和甄別平臺，通過研發工藝數據收集APP并激勵一線工人上傳工藝數據，實現工藝數據的收集、管理、控制等功能，為工藝優化奠定基礎；王軍等[40]設計了一種大數據管理模型，實施各個工序的數據采集與遷移，并對數據進行了分析及可視化處理；W. Wang等[41]提出了一種針對五軸基于對象鏈接和嵌入過程協議的新數據采集方法，并基于西門子840D系統開發了客戶端。

4.2 加工流程及工藝參數優化

在對數據進行實時采集后，通常采用智能算法對數據進行分析和標注以挖掘、提煉有效信息，應用于新工件的加工過程中，而新產生的加工數據又會實時上傳到數據收集平臺，通過對數據類型、加工效果的多維度比較分析，以機器學習方式總結經驗，對加工流程及工藝參數進行優化并指導下一次加工。包洋等[42]根據已有工藝數據利用決策樹分類器和神經網絡模型，預測了相應的加工工藝參數并通過磨削實驗進行了驗證；Y. Xiong等[43]提出一種針對重型機床可持續制造的多目標規劃網格優化算法以優化工藝參數；劉恒麗等[44]提出了一種以切削效率和刀具耐用度為優化目標，基于Pareto遺傳算法與TRIZ理論相結合的數控裝備加工參數優化算法。此外，單就加工流程規劃而言，目前最典型的方法是基于STEP-NC數據模型進行規劃，它側重于描述加工目標特征和零件技術要求。例如劉日良等[45]基于STEP-NC將加工流程規劃分為離線規劃、在線規劃、實時規劃三類，并給出了工步級銑削用量的優化、特征級工藝路線的篩選和基于啟發式算法的工步排序的在線規劃流程。總之，基于大數據采集的信息流挖掘與學習，會對數控機床加工流程及工藝參數優化起到先驗指導作用，也是數控機床智能化的技術前提。

4.3 機床狀態實時監測與診斷控制

狀態實時監控與診斷控制對于提高機床運行可靠性具有極其重要的意義[46]。它是一種在制造大數據實時采集的基礎上，借助數據挖掘、機器學習等分析技術對機床狀態信息進行評估與診斷，并在必要時發出指令控制機床行為的技術。國內外對狀態實時監測與診斷控制的研究主要集中在實時監測與診斷系統架構、智能診斷方法、故障自修復等領域。

在監測與診斷系統架構研究方面，研究者大多著力于構建CPS基本結構框架以實現實時監控與診斷。如黎小華等[47]提出了一種基于服務的涵蓋感控層、網絡通信層、資源服務層與決策應用層的四層數控機床智能監控CPS體系框架；畢筱雪等[48]則構建了一個基于“感知-分析-決策-控制-反饋”的閉環監控CPS架構，并運用于藍天數控網絡化平臺，有效提高了數控機床的實時監控水平。在智能診斷方法研究方面，大多將智能算法與故障診斷結合，以增強故障診斷的可靠性和高效性。如楊東民等[49]針對數控機床故障多源、多變量、強耦合等特點，提出了一種融合KPCA與PSO-RBF的數控機床故障診斷方法，并針對伺服系統7種常見故障進行仿真驗證；王春暖等[50]針對數控機床隱蔽性和復雜性特征，提出了基于改進PSO優化模糊神經網絡的故障診斷技術，實現了主軸伺服系統故障的準確辨識。此外，機床故障自修復則是在故障精確診斷的基礎上，判斷故障原因并準確定位故障產生位置，采用相應手段進行自修復的技術。例如，通過對加工時的噪聲和實際位置偏移判斷出刀具的磨損情況，若磨損嚴重則自動換刀，否則可根據刀具誤差模型，進行誤差插補運動以達到理想加工精度；如判斷機床振動超過一定標準，可通過減小進給量或調整主軸轉速抑制振動。

目前機床狀態實時監測與診斷控制技術的研究及應用仍然存在許多的不足，如數控機床冗雜異構信息的知識表達和有效獲取仍然困難，監測系統界面可視化存在短板，診斷系統的診斷規則和控制策略不夠靈活，故障信號處理方法和故障學習機制不夠完善，故障排除與自修復能力依然薄弱等[51]。因此，機床狀態監測與控制技術仍將是機床企業及相關研究機構未來長期關注的熱點領域。

5 國內智能化高檔數控裝備的發展

在智能制造驅動下，先進數控技術發展迅速，除上面提及的高速高精聯動控制技術、機床誤差補償技術以及智能化控制技術等典型技術外，智能編程技術、智能數控管理技術、智能化人機界面等也被廣泛關注。數控機床是數控技術的物質載體，先進數控技術的進步自然也推動著智能化高檔數控機床的研發進程，并且儼然成為智能制造下高檔數控裝備領域的研究重點。在國內，按以高檔數控機床為核心的智能制造裝備產業集群劃分，裝備研發和生產企業主要分布在環渤海地區、長三角地區、珠江三角洲及西北地區；而單就智能化高檔數控裝備的制造企業而言，最典型的數控企業則包括華中數控、廣州數控、沈陽機床、普什寧江、秦川機床、大連機床、齊重數控等。

目前，國內智能化高檔數控系統及機床的發展已有較大的進步，高速高精、多軸聯動控制、機床多源誤差補償等先進數控技術與國際先進水平差距進一步縮小。高檔數控系統研究方面，在國家04科技專項的支持下，華中數控、廣州數控、大連光洋、沈陽高精和航天數控等數控企業均攻克一批高檔數控系統關鍵技術，研制出了全數字總線式高檔數控系統產品[52]。例如華中數控的華中8型智能數控系統(iNC)，攻克了高速高精控制、多軸多通道聯動等關鍵技術，已在航空、船舶、發電、汽車、特種裝備等領域獲得批量應用，并與大連機床集團、武重集團、漢川機床集團、普什寧江等數十家國內主要主機廠實現了批量配套及改造，典型案例如圖4所示。

圖4 華中8型智能數控系統與國內主機廠的批量配套及改造

在高檔數控機床研制方面，國內機床企業正著力于將智能化先進數控技術有效集成應用到高檔數控機床上，已研制的產品包括云南CY集團的CY-HTC系列高速高精數控臥式車床、齊重數控的Q1-190數控立式專用車鏜床、沈機集團昆明機床的TGK46100高精度坐標鏜床、科德數控的五軸銑車復合立式加工中心等。智能化先進數控技術在高檔數控機床上的具體應用，以高檔數控制齒裝備為例，普什寧江的YK3603數控臥式滾齒機，采用了寧江核心技術制造的滑動導軌和人機電一體化布局，并配置了FANUC 0i MF數控系統，可實現八軸四聯動高速高精滾齒加工；秦川機床的YKZ7230數控蝸桿砂輪磨齒機，采用全新雙工件主軸結構和高精度雙主軸直接驅動技術，提供智能磨削軟件，可實現自動裝卡、自動對刀、自動磨削及修正砂輪自動控制，并配置壓力、振動、位置、溫度傳感器實時監控機床狀態，使得制齒效率和精度顯著提升。

雖然國內數控系統和數控機床的智能化進程加快，部分先進數控技術已初步在數控裝備上推廣應用，但在開放式硬軟件系統及平臺架構、智能化加工技術、機床狀態實時監測與診斷控制、可視智能化人機界面開發、機床精度保持和可靠性等方面仍與國外存在一定差距。國內僅在中低檔數控機床需求方面可以基本做到自給自足，但軍工、航天、醫療等專業領域所需的高端數控機床缺口依然巨大，高檔數控系統的市場占有率僅約3%。國內先進數控技術發展所面臨的壓力和挑戰仍十分嚴峻。幸而，國內不少數控企業與科研院所已正視這一問題，正憑借不斷創新的智能化先進數控技術和豐富的實際生產經驗，積極對接智能制造，助推中國工業轉型升級，以期扭轉不利局面，實現“中國智造”。

6 結語

在全球化智能制造浪潮的推動下，先進數控技術作為制造業發展進步的重要標志，已成為國內外數控企業及相關科研機構的重點關注對象。高速高精聯動控制技術、機床多源誤差補償技術以及智能化控制技術等一批關鍵數控技術得到了廣泛研究與發展。同時，隨著物聯網技術、網絡互聯技術、人工智能技術、大數據挖掘等先進技術的推動，先進數控技術未來也必將朝著開放網絡化、高速高精高效化、工藝集成復合化、模塊柔性化、實時智能化等方向飛速發展。在目前國內先進數控技術基礎相對薄弱的情況下，了解關鍵先進數控技術的研究現狀，掌握未來數控技術開放智能化的發展趨勢，有助于我國在智能化高檔數控裝備的研制過程中實現關鍵先進數控技術的重點突破，切實提升我國完全自主高檔數控裝備的國內市場占有率以及國際市場競爭力，真正實現“中國制造2025”的宏偉目標，助力我國邁入世界制造強國行列。

[1] 崔日明，張婷玉. 美國“再工業化”戰略與中國制造業轉型研究[J]. 經濟社會體制比較，2013(6): 21-30.

[2] 張俊，魏紅根. 數控技術發展趨勢——智能化數控系統[J]. 制造技術與機床，2000(4): 7-9.

[3] 周濟. 智能制造——“中國制造2025”的主攻方向[J]. 中國機械工程，2015(17): 2273-2284.

[4] 中華人民共和國工業和信息化部，財政部. 智能制造發展規劃(2016-2020年)[R]. 北京：2016.

[5] 中華人民共和國工業和信息化部，發展改革委，科技部，等. 智能制造工程實施指南(2016-2020)[R]. 北京：2016.

[6] 趙升噸，賈先. 智能制造及其核心信息設備的研究進展及趨勢[J]. 機械科學與技術， 2017(1): 1-16.

[7] 張曙. 工業4.0和智能制造[J]. 機械設計與制造工程，2014(8): 1-5.

[8] 傅建中. 智能制造裝備的發展現狀與趨勢[J]. 機電工程，2014(8): 959-962.

[9] 趙萬華，張星，呂盾，等. 國產數控機床的技術現狀與對策[J]. 航空制造技術，2016(9): 16-22.

[10] Thomesse J P. Fieldbus Technology in Industrial Automation[J]. Proceedings of the IEEE, 2005, 93(6): 1073-1101.

[11] Persechini M A M, Jota F G. Centralized and distributed control architectures under Foundation Fieldbus network[J]. ISA Transactions, 2013, 52(1): 149-161.

[12] Wang T, Wang L, Liu Q. A three-ply reconfigurable CNC system based on FPGA and field-bus[J]. The International Journal of Advanced Manufacturing Technology, 2011, 57(5-8): 671-682.

[13] Zongyu C, Wang L F, Li C X, et al. The study of configuration-style CNC system based on CANBUS[J]. The International Journal of Advanced Manufacturing Technology, 2006, 28(11/12): 1129-1135.

[14] 劉江. FANUC 0iC數控系統FSSB總線的參數設定[J]. 制造技術與機床，2009(3): 157-159.

[15] 劉慧雙，宋寶，周向東，等. 嵌入式數控系統NCUC-Bus現場總線設備驅動研究與開發[J]. 組合機床與自動化加工技術，2012(8): 62-65.

[16] 張贊秋，吳超，江世琳，等. 基于FPGA的PCI-GLINK總線協議芯片實現[J]. 制造技術與機床，2011(12): 104-106.

[17] Huang Z, Hu T, Peng C, et al. Research and development of industrial real-time Ethernet performance testing system used for CNC system[J]. The International Journal of Advanced Manufacturing Technology, 2015, 83(5): 1199-1207.

[18] 王寶仁，王婕，韓文強，等. 級聯式多軸運動控制系統及其同步策略研究[J]. 計算機集成制造系統，2017: 1-14.

[19] 朱曉楓，甘屹，陶益民. 基于Ethernet Powerlink多軸伺服運動控制系統的同步性能研究[J]. 現代制造工程，2014(11): 64-68.

[20] Xu X, Gu G Y, Xiong Z, et al. Development of a decentralized multi-axis synchronous control approach for real-time networks.[J]. ISA Trans. 2017, 68: 116-126.

[21] 曹春平，王波，胥小勇，等. 基于神經網絡多電機偏差耦合同步控制研究[J]. 控制工程，2013(3): 415-418.

[22] 程文雅，羅亮，劉知貴. 改進偏差耦合補償的反演同步控制算法的研究[J]. 機械設計與制造，2016(2): 41-44.

[23] 沈金華. 數控機床誤差補償關鍵技術及其應用[D]. 上海：上海交通大學, 2008.

[24] 任永強，楊建國，羅磊，等. 基于外部機床坐標系偏移的熱誤差實時補償[J]. 中國機械工程，2003(14): 79-81.

[25] 張宏韜，楊建國，姜輝，等. 雙轉臺五軸數控機床誤差實時補償[J]. 機械工程學報，2010, 46(21): 143-148.

[26] Zhou B, Wang S, Fang C, et al. Geometric error modeling and compensation for five-axis CNC gear profile grinding machine tools[J]. The International Journal of Advanced Manufacturing Technology，2017, 92(5-8): 2639-2652.

[27] Ding S, Huang X, Yu C, et al. Actual inverse kinematics for position-independent and position-dependent geometric error compensation of five-axis machine tools[J]. International Journal of Machine Tools and Manufacture，2016, 111: 55-62.

[28] Ding S, Huang X, Yu C, et al. Identification of different geometric error models and definitions for the rotary axis of five-axis machine tools[J]. International Journal of Machine Tools and Manufacture，2016, 100: 1-6.

[29] 黃東兆，周會成，李斌，等. 面向輪廓精度控制的誤差補償方法[J]. 華中科技大學學報(自然科學版)，2008(2): 13-16.

[30] 趙國勇，趙玉剛，王士軍. 直線軸和旋轉軸聯動時的輪廓誤差耦合控制方法[J]. 計算機集成制造系統，2013(11): 2819-2823.

[31] 項四通，楊建國，張毅. 基于機理分析和熱特性基本單元試驗的機床主軸熱誤差建模[J]. 機械工程學報，2014(11): 144-152.

[32] Mian N S, Fletcher S, Longstaff A P, et al. Efficient estimation by FEA of machine tool distortion due to environmental temperature perturbations[J]. Precision Engineering. 2013, 37(2): 372-379.

[33] 王時龍，楊勇，周杰，等. 大型數控滾齒機熱誤差補償建模[J]. 中南大學學報(自然科學版)，2011(10): 3066-3072.

[34] Zhao Y, Ren X, Hu Y, et al. CNC Thermal Compensation Based on Mind Evolutionary Algorithm Optimized BP Neural Network[J]. World Journal of Engineering and Technology, 2016, 4(1): 38-44.

[35] Kim K D, Kim M S, Chung S C. Real-time compensatory control of thermal errors for high-speed machine tools[J]. Proceedings of the Institution of Mechanical Engineers Part B Journal of Engineering Manufacture，2004, 218(8): 913-924.

[36] Jianguo Y, Jingxia Y, Jun N. Thermal error mode analysis and robust modeling for error compensation on a CNC turning center[J]. International Journal of Machine Tools and Manufacture, 1999, 39(9): 1367-1381.

[37] 郭云霞，葉文華，梁睿君，等. 智能機床的誤差補償技術[J]. 航空制造技術，2016(18): 40-45.

[38] 富宏亞，金鴻宇，韓振宇. 智能加工技術在切削顫振在線抑制中的應用[J]. 航空制造技術，2016(7): 16-21.

[39] 葉佩青，張勇，張輝. 數控技術發展狀況及策略綜述[J]. 機械工程學報，2015(21): 113-120.

[40] 王軍，王晶. 大數據處理技術在生產質量跟蹤中的應用[J]. 制造業自動化，2015(8): 28-32.

[41] Wang W, Li H, Huang P, et al. Data acquisition and data mining in the manufacturing process of computer numerical control machine tools[J]. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 2017: 2073-2078.

[42] 包洋，李蓓智，楊建國. 基于數據挖掘的工藝參數優化研究[J]. 微計算機信息，2006(27): 245-247.

[43] Xiong Y, Wu J, Deng C, et al. Machining process parameters optimization for heavy-duty CNC machine tools in sustainable manufacturing[J]. The International Journal of Advanced Manufacturing Technology, 2013, 87(5-8): 1237-1246.

[44] 劉恒麗，董靖川，于治強. 基于Pareto遺傳算法和TRIZ理論的數控裝備加工參數智能優化[J]. 天津大學學報(自然科學與工程技術版)，2017(2): 121-127.

[45] 劉日良，張承瑞，張元才，等. 面向STEP-NC控制器的數控加工工藝規劃模型[J]. 中國機械工程，2004(4): 45-49.

[46] 馬軍旭，趙萬華，張根保. 國產數控機床精度保持性分析及研究現狀[J]. 中國機械工程，2015(22): 3108-3115.

[47] 黎小華，曾國平，燕繼明，等. 數控機床智能監控CPS構建技術研究[J]. 航空制造技術，2015(8): 53-58.

[48] 畢筱雪，于東，胡毅，等. 面向CPS架構的數控機床智能監控系統的設計[J]. 組合機床與自動化加工技術，2017(3): 121-124.

[49] 楊東民，陳敏，吳慶朝. 融合KPCA與PSO-RBF的數控機床故障診斷研究[J]. 機械設計與制造，2016(3): 167-170.

[50] 王春暖，李文卿，吳慶朝. 基于改進PSO優化模糊神經網絡的數控機床故障診斷技術研究[J]. 機床與液壓，2016(3): 192-197.

[51] 王家海，黃江濤，沈斌，等. 數控機床智能故障診斷技術的研究現狀與展望[J]. 機械制造，2014(5): 30-32.

[52] 邵欽作. 機床行業“智能制造”的發展與展望[J]. 世界制造技術與裝備市場，2016(6): 42-44.