黄筱调，夏长久，孙守利

(1. 南京工业大学 机械与动力工程学院，江苏 南京 211816； 2. 重庆大学 机械工程学院，重庆 400044)

0 引言

新世纪个性化小批量精密制造需求推动制造业朝着高端化、细分化、自动化、智能化方向发展。目前，德国“工业4.0”、美国“先进制造业国家战略计划”、“中国制造2025”、欧盟“IMS 2020计划”以及日本“智能制造系统国际合作”等[1]全球性的制造业振兴战略计划正积极推动着第四次工业革命的蓬勃发展，智能制造作为技术核心，引起了世界各国的广泛关注。而数控技术是现代制造系统的动力源泉[2]，集机械制造、自动化控制、微电子、信息处理等技术于一身，在实现制造自动化、集成化、网络化的过程中占据着举足轻重的地位。在全球性智能制造的大环境影响下，数控技术也逐渐从专用封闭式开环控制模式向通用开放式全闭环控制模式发展，硬软件系统及控制方式也日趋智能化。因此，智能制造影响下的先进数控技术发展已成为现代智能化高端装备领域的一大研究热点。

1 面向智能制造的关键先进数控技术

1.1 智能制造的主要内容

智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式，是“中国制造2025”的主攻方向，也是“互联网+制造”的制高点[3-4]。中国智能制造工程[5]为实现数字化制造普及、智能化制造示范，需要重点聚焦攻克五类关键技术装备，夯实智能制造三大基础，培育推广五种智能制造新模式，推进十大重点领域智能制造成套装备集成应用，其主要内容的领域细分见图1。

图1 智能制造主要内容的领域细分

智能制造的本质是信息技术与制造技术的深度融合，中国智能制造的战略目标则是跻身于世界制造强国行列，故而其发展偏重于生产要素与互联网化，以实现制造业的智能转型，推进制造产业迈向中高端。智能制造实现的前提是高端制造装备及控制的智能化。而高端智能制造装备[6]实质上是一种人机一体化智能系统，主要由智能机器和人类专家系统组成，在制造全生命周期过程中可进行分析、推理、判断、构思和决策等智能化行为。它是先进制造技术、新一代信息通讯技术以及人工智能技术在制造装备上的集成和深度融合，主要包括高端数控机床、工业机器人、智能测控装置、3D打印设备、柔性自动化生产线等。其中，高档数控机床作为国家战略级高端装备以及智能制造工程五类关键技术装备与十大重点集成应用领域之一，其核心数控技术的创新与突破已然成为完成智能制造工程的重要保障。

1.2 智能制造环境下的关键先进数控技术

在智能制造环境的影响下，先进数控技术朝着开放智能化方向迈进，而高档数控机床作为数控技术的物质载体，其典型功能一般包括智能测量、实时补偿、加工优化、工具管理、远程监控与诊断等。高档数控机床作为集成制造系统的独立制造单元，在通用标准接口与网络互联、人工智能技术以及先进制造技术等驱动下，也推动着集成化智能制造系统(integrated intelligent manufacturing system, IIMS)的发展；而具有零部件、产品集成特点的集成化智能制造系统，如智能车间与智能工厂的迅猛发展，自然标志着智能制造示范工程的顺利完成。智能制造与先进数控技术的基本逻辑关系如图2所示。

图2 智能制造与先进数控技术的基本逻辑关系

先进数控技术表征着高档数控机床的核心竞争力，主要具备两大典型特征——开放化与智能化[7-8]，此外还包括功能复合化、绿色化、集成化、数字化等重要特征。开放化主要指数控系统配备标准化基础平台，提供标准接口和互联网络，允许开发商不同软硬件模块介入，具有模块化、可移植性、可扩展性以及可互换性等功能；智能化主要指数控机床与数控系统具备智能加工、智能监测、智能维护、智能管理、智能决策等智能功能。高档数控机床是数控技术的重要集成应用装备，相关先进数控技术主要涉及智能编程、多轴联动、高速高精控制、机床误差补偿、工艺参数自优化、自适应控制、在线诊断和远程维护、智能生产管理、机床联网群控管理等。基于高档数控机床开放智能化的特征，本文概述了部分关键先进数控技术的研究进展(图3)，包括高速高精联动控制技术、机床多源误差补偿技术以及智能化控制技术三大方面。

图3 面向智能制造的关键先进数控技术

2 高速高精联动控制技术

数控机床与普通机床的本质区别在于能否进行多轴联动控制加工，而在高速高加速的多轴联动工况下，由于各伺服轴处于频繁加减速状态，并且各轴运动性能和运动状态也存在固有差异。因此多轴联动实时精确控制往往显得困难，导致加工实际轮廓轨迹与理想轮廓轨迹存在较大偏差。高速高精联动控制[9]作为高档数控机床必须攻克的重难点技术，其子技术主要包括信息实时交互式现场总线技术与多轴联动同步控制技术。

2.1 信息实时交互式现场总线技术

为实现高速高精运动控制，数控设备和数控系统间实现实时同步、高效可靠的通讯必不可少。然而，传统的“脉冲式”或“模拟式”接口早已不能满足高速高精的控制需求，因此国内外的数控公司纷纷采用数字通讯的方式以求实现信息的实时交互，即现场总线技术[10]。信息实时交互式现场总线技术自问世以来，已形成多种总线并存的局面。国外现场总线技术起步较早，目前处于行业标准前沿，主要有国际标准组织-基金会的Foundation Fieldbus[11]，德国Siemens的PROFIBUS[12]，RoberBosch的CANBUS[13]，日本FANC的FSSB总线[14]等；而国内总线技术尚处于起步阶段，目前已较为成熟的主要有华中数控的NCUC-Bus[15]以及大连光洋的Glink总线[16]等。随着高速高精加工过程中信息传输量的不断增加，现场总线必将会与传输速率更高、带宽更大、通信协议更开放的以太网或因特网结合，此外寻求统一的现场总线国际标准也是总线技术发展的必然趋势[17]。

2.2 多轴联动同步控制技术

在实现数控设备与数控系统信息实时交互的前提下，多轴联动同步误差直接影响最终运动轮廓误差，因此保证伺服控制的精确同步至关重要。针对单伺服轴的精确运动较易实现，多伺服轴的高速高精同步控制仍存在较大偏差等问题，国内外研究聚焦在控制策略和控制算法两方面。

在控制策略方面，研究主要趋向基于网络的同步控制方案设计，以提高联动的实时同步性能与稳定控制精度。王宝仁等[18]提出了一种级联式运动控制方案，实现了驱动器网络化控制，并提出了相应的多轴同步补偿策略，有效克服了传输延时的不良影响；朱晓枫等[19]将Ethernet Powerlink技术引入到多轴伺服控制系统中，解决了高速网络同步协调以及网络控制过程中产生的数据传输时延、数据包丢失、时序错乱等问题；X. Xu[20]等针对多轴同步控制过程中的信息调度和实时网络延迟，提出了一种分散式多轴同步控制方法，构建了实时以太网通信专家平台，通过智能网络控制关键节点运动，实现了良好的位置同步性能。

在控制算法方面，目前广泛采用基于智能算法的PID反馈控制，实现多轴高速高精同步控制，具有强鲁棒性和强抗干扰能力等优点。曹春平等[21]针对四电机同步驱动系统，利用神经网络算法优化PID控制器，与偏差耦合控制器结合，能够有效克服外部扰动和参数变化引起的同步误差；程文雅等[22]针对多轴系统控制复杂非线性问题，提出了反演模糊滑模控制算法，将复杂系统分解为简单子系统，并将耦合误差定义为各轴位置误差平均值与同步误差的线性化差值，最终在三轴系统上进行仿真验证。智能算法使得同步控制的稳定性和抗干扰能力显著增强，但由于智能算法计算量大，运行时间长，实际工程应用仍需深入研究。

总之，高速高加速工况下的多轴联动同步控制技术至今已有较大发展，但由于伺服电机结构复杂、伺服轴运动性能存在差异以及负载扰动等因素耦合作用，同步控制技术的工程应用仍需进一步研究。未来的研究将更加关注多伺服电机协同控制结构优化、多轴之间动态性能匹配、同步控制算法的优化、多轴负载及不确定干扰影响下的系统控制策略等方面，以减小多轴联动实际廓形误差，达到同步误差低、信号抖动少的理想效果。

3 机床多源误差补偿技术

数控机床多轴联动加工精度受多方面因素耦合影响，误差来源主要包括机床各零部件原始制造、安装或磨损引起的几何误差、相对运动部件间的运动误差、各运动轴的伺服控制误差、机床部件或旋转主轴热误差、切削力致变形误差、运动部件或整机振动误差等。而具有经济高效、操作可控等优点的机床多源误差补偿技术则是目前机床企业广泛采用的一种加工精度提升方法。机床多源误差补偿技术[23]是指通过测量、分析、统计等方法分析机床多源误差的特点和规律，通过建立误差数学模型，预设新误差量抵消或减小加工过程误差的技术，包括几何误差补偿技术、热误差补偿技术、力误差补偿技术、振动主动抑制技术等。

3.1 几何误差补偿技术

机床几何误差是由机床零部件原始制造、安装或磨损引起的系统性误差，是数控机床误差中最重要的误差源。机床几何误差补偿方法主要包括误差模型解耦分离补偿法以及轮廓精度反馈控制补偿法。

解耦分离补偿法根据机床几何误差模型将空间误差解耦分离到各运动轴，求得相应的补偿量，然后采用实际运动后再叠加补偿或在实际运动前直接修改数控代码实现精确运动的方式进行误差补偿。任永强等[24]采用微分法求解几何误差运动的逆运动，解耦得到五轴机床各运动轴误差补偿运动量；张宏韬等[25]根据理想刀尖位姿和实际刀尖位姿模型，解耦分离得到五轴理想位移量和实际位移量，按先姿态后位置的次序分步进行补偿；B.C. Zhou等[26]计算了各运动轴的微分运动矩阵并且构造了雅可比矩阵来补偿砂轮的综合误差分量；S. Ding等[27-28]基于实际逆向运动学算法获得了五轴修正NC代码与几何误差间的映射关系，显著提高了补偿实时效率。轮廓精度反馈控制补偿法则通过计算实际轮廓误差，对加工轮廓轨迹进行反馈控制以达到理想精度。黄东兆等[29]进行了轮廓精度的宏观和微观同步控制，首先将已加工的部分与指令轮廓相匹配进行宏观控制，解决累积误差，然后进行误差预报与补偿实现微观控制，减小局部误差；赵国勇等[30]计算了直线轴与旋转轴联动的轮廓误差，然后结合单轴跟随误差，与轮廓误差耦合进行PID反馈控制。解耦分离补偿法具有高精但低效的特征，而轮廓精度反馈控制补偿法具有补偿实时的优点，但控制参数难整定，系统抗扰动能力较弱。此外，当前的几何误差补偿技术研究大多还停留在完全离线或在加工间隙补偿的层面，如何实现动态实时的几何误差在线补偿仍是一大技术难题，也将是几何误差补偿技术未来的重点攻克方向。

3.2 热误差补偿技术

在机床几何误差补偿后，表征机床温度变化引起的零部件相对位置和形状变化的热变形误差成为了制约精密数控机床加工精度的关键因素，一般认为可达总误差源的40%～70%。热误差具有时滞时变、多向耦合以及复杂非线性等特征，有效补偿的前提是建立准确的热误差模型。常用的热误差建模方法包括原理性建模方法，项四通等[31]基于热变形机理，结合热特性基本单元试验，建立了主轴热误差的高精预测模型，N.S. Mian等[32]提出一种环境温度影响下机床热误差离线有限元模拟方法以及实证建模方法，减少了热误差测定时间；王时龙等[33]针对大型磨齿机，采用模糊聚类与多元线性回归算法建立了滚刀与工件主轴中心距热误差模型，Y.F. Zhao等[34]利用思维进化算法优化BP神经网络，建立了五轴机床温度变化与热误差的精确关系模型。热误差原理性建模技术受到数值分析边界条件难以确定、热传导精确仿真困难等限制，发展相对缓慢，而以人工智能技术为代表的热误差实证建模方法发展则较为迅猛，提高了机床功能部件及整体热误差的预测精度。

基于可靠的热误差模型，热误差补偿技术的实施一般采用反馈拦截积分法和原点平移法。反馈拦截积分法是通过拦截位置传感元件反馈信号，由外部补偿装置叠加热误差的补偿量后再返回给数控系统，将其视为当前机床的实际位置与指令位置的偏差进行校正，实现对热误差的补偿。K. D. Kim等[35]采用反馈拦截方式的外挂集成方法，实现了热误差在数控系统的补偿。原点平移法则是将热误差模型修正后的数控指令值通过I/O口送至CNC控制器，平移控制系统的参考原点实现热误差补偿的。J.G.Yang等[36]将实时测得的机床位置数据和关键测点温度代入热误差模型求得补偿值，通过将补偿信号传入位置环，平移参考坐标系原点以实现热误差实时补偿。反馈拦截积分法不改变CNC控制软件，但需要添加特定的外部电子位置叠加装置，补偿信号易与原信号发生干涉；原点平移法补偿过程对NC程序执行无影响，但需要修改PLC单元以便接入热误差补偿值。两种热误差补偿方法都能实现热误差的实时补偿，但均需要增添外部补偿器，既影响机床整机性能，也容易干扰或迟滞数控加工任务。因此，无需硬件修改的热误差补偿模块系统的嵌入仍需深入研究。同时新型热误差补偿技术，如基于传函的热误差补偿技术、热亲和补偿技术、基于大数据思维的误差补偿技术等[37]，也成为热误差补偿技术的发展方向。

3.3 其他误差补偿技术

除几何误差和热误差补偿技术外，力误差补偿技术也是一大研究热点。力误差属于加工时变误差，来源包括加工切削力、机床部件夹紧力、惯性力等，其中切削力引起的零件变形是影响力误差的关键要素。国内外现有研究也大多集中于切削力致变形误差补偿。此外，机床振动的主动抑制技术也广受关注，如利用神经网络、模糊逻辑等智能方法监测主轴、丝杠、轴承等关键部件的振动信号，然后进行高速主轴、切削颤振抑制等[38]。

机床多源误差补偿技术最终都需要统一集成到数控机床与数控系统中，才能真正地实现数控机床加工精度的提升。因此机床多源误差的耦合映射机理、加工多源误差与加工精度的实时动态监测、时变非线性耦合误差的一体式补偿方法、多源误差补偿模块的嵌入式集成等，势必成为智能制造驱动下机床误差实时补偿的研究重点。

4 智能化控制技术

在智能制造大环境的影响下，智能化控制技术已成为高端数控机床最为突出的典型特征之一。智能化控制技术主要指一种以大数据采集为基础，通过建立数控机床的加工信息“数字双胞胎”模型，利用数据挖掘相关智能算法，对数控机床进行动态数据采集和实时监控，实现数控加工流程与工艺参数在线优化、状态实时监测与诊断控制等功能的技术。在智能化控制技术的支持下，数控机床能够感知自身加工状态和加工过程，根据机床状态进行自学习、自控制、自维护等行为。对于数控机床的智能化控制而言，制造大数据实时采集是底层基础，数据有效挖掘是中间手段，而根据挖掘的有效信息进行实时的工艺流程及工艺参数优化、机床状态监测及诊断控制则是最终目标。

4.1 制造工艺大数据实时采集

制造工艺数据是实现智能化制造的重要基础，也是高精数控加工的必要保证。在具有相同加工条件的情况下，零件加工的工艺流程和工艺参数直接决定了零件加工的质量和效率，制造工艺数据的重要性不言而喻。然而，制造工艺数据具有复杂异构、多维海量等典型特征，为实时采集制造工艺数据，叶佩青等[39]提出基于先进互联网技术，建立制造工艺数据收集激励机制和甄别平台，通过研发工艺数据收集APP并激励一线工人上传工艺数据，实现工艺数据的收集、管理、控制等功能，为工艺优化奠定基础；王军等[40]设计了一种大数据管理模型，实施各个工序的数据采集与迁移，并对数据进行了分析及可视化处理；W. Wang等[41]提出了一种针对五轴基于对象链接和嵌入过程协议的新数据采集方法，并基于西门子840D系统开发了客户端。

4.2 加工流程及工艺参数优化

在对数据进行实时采集后，通常采用智能算法对数据进行分析和标注以挖掘、提炼有效信息，应用于新工件的加工过程中，而新产生的加工数据又会实时上传到数据收集平台，通过对数据类型、加工效果的多维度比较分析，以机器学习方式总结经验，对加工流程及工艺参数进行优化并指导下一次加工。包洋等[42]根据已有工艺数据利用决策树分类器和神经网络模型，预测了相应的加工工艺参数并通过磨削实验进行了验证；Y. Xiong等[43]提出一种针对重型机床可持续制造的多目标规划网格优化算法以优化工艺参数；刘恒丽等[44]提出了一种以切削效率和刀具耐用度为优化目标，基于Pareto遗传算法与TRIZ理论相结合的数控装备加工参数优化算法。此外，单就加工流程规划而言，目前最典型的方法是基于STEP-NC数据模型进行规划，它侧重于描述加工目标特征和零件技术要求。例如刘日良等[45]基于STEP-NC将加工流程规划分为离线规划、在线规划、实时规划三类，并给出了工步级铣削用量的优化、特征级工艺路线的筛选和基于启发式算法的工步排序的在线规划流程。总之，基于大数据采集的信息流挖掘与学习，会对数控机床加工流程及工艺参数优化起到先验指导作用，也是数控机床智能化的技术前提。

4.3 机床状态实时监测与诊断控制

状态实时监控与诊断控制对于提高机床运行可靠性具有极其重要的意义[46]。它是一种在制造大数据实时采集的基础上，借助数据挖掘、机器学习等分析技术对机床状态信息进行评估与诊断，并在必要时发出指令控制机床行为的技术。国内外对状态实时监测与诊断控制的研究主要集中在实时监测与诊断系统架构、智能诊断方法、故障自修复等领域。

在监测与诊断系统架构研究方面，研究者大多着力于构建CPS基本结构框架以实现实时监控与诊断。如黎小华等[47]提出了一种基于服务的涵盖感控层、网络通信层、资源服务层与决策应用层的四层数控机床智能监控CPS体系框架；毕筱雪等[48]则构建了一个基于“感知-分析-决策-控制-反馈”的闭环监控CPS架构，并运用于蓝天数控网络化平台，有效提高了数控机床的实时监控水平。在智能诊断方法研究方面，大多将智能算法与故障诊断结合，以增强故障诊断的可靠性和高效性。如杨东民等[49]针对数控机床故障多源、多变量、强耦合等特点，提出了一种融合KPCA与PSO-RBF的数控机床故障诊断方法，并针对伺服系统7种常见故障进行仿真验证；王春暖等[50]针对数控机床隐蔽性和复杂性特征，提出了基于改进PSO优化模糊神经网络的故障诊断技术，实现了主轴伺服系统故障的准确辨识。此外，机床故障自修复则是在故障精确诊断的基础上，判断故障原因并准确定位故障产生位置，采用相应手段进行自修复的技术。例如，通过对加工时的噪声和实际位置偏移判断出刀具的磨损情况，若磨损严重则自动换刀，否则可根据刀具误差模型，进行误差插补运动以达到理想加工精度；如判断机床振动超过一定标准，可通过减小进给量或调整主轴转速抑制振动。

目前机床状态实时监测与诊断控制技术的研究及应用仍然存在许多的不足，如数控机床冗杂异构信息的知识表达和有效获取仍然困难，监测系统界面可视化存在短板，诊断系统的诊断规则和控制策略不够灵活，故障信号处理方法和故障学习机制不够完善，故障排除与自修复能力依然薄弱等[51]。因此，机床状态监测与控制技术仍将是机床企业及相关研究机构未来长期关注的热点领域。

5 国内智能化高档数控装备的发展

在智能制造驱动下，先进数控技术发展迅速，除上面提及的高速高精联动控制技术、机床误差补偿技术以及智能化控制技术等典型技术外，智能编程技术、智能数控管理技术、智能化人机界面等也被广泛关注。数控机床是数控技术的物质载体，先进数控技术的进步自然也推动着智能化高档数控机床的研发进程，并且俨然成为智能制造下高档数控装备领域的研究重点。在国内，按以高档数控机床为核心的智能制造装备产业集群划分，装备研发和生产企业主要分布在环渤海地区、长三角地区、珠江三角洲及西北地区；而单就智能化高档数控装备的制造企业而言，最典型的数控企业则包括华中数控、广州数控、沈阳机床、普什宁江、秦川机床、大连机床、齐重数控等。

目前，国内智能化高档数控系统及机床的发展已有较大的进步，高速高精、多轴联动控制、机床多源误差补偿等先进数控技术与国际先进水平差距进一步缩小。高档数控系统研究方面，在国家04科技专项的支持下，华中数控、广州数控、大连光洋、沈阳高精和航天数控等数控企业均攻克一批高档数控系统关键技术，研制出了全数字总线式高档数控系统产品[52]。例如华中数控的华中8型智能数控系统(iNC)，攻克了高速高精控制、多轴多通道联动等关键技术，已在航空、船舶、发电、汽车、特种装备等领域获得批量应用，并与大连机床集团、武重集团、汉川机床集团、普什宁江等数十家国内主要主机厂实现了批量配套及改造，典型案例如图4所示。

图4 华中8型智能数控系统与国内主机厂的批量配套及改造

在高档数控机床研制方面，国内机床企业正着力于将智能化先进数控技术有效集成应用到高档数控机床上，已研制的产品包括云南CY集团的CY-HTC系列高速高精数控卧式车床、齐重数控的Q1-190数控立式专用车镗床、沈机集团昆明机床的TGK46100高精度坐标镗床、科德数控的五轴铣车复合立式加工中心等。智能化先进数控技术在高档数控机床上的具体应用，以高档数控制齿装备为例，普什宁江的YK3603数控卧式滚齿机，采用了宁江核心技术制造的滑动导轨和人机电一体化布局，并配置了FANUC 0i MF数控系统，可实现八轴四联动高速高精滚齿加工；秦川机床的YKZ7230数控蜗杆砂轮磨齿机，采用全新双工件主轴结构和高精度双主轴直接驱动技术，提供智能磨削软件，可实现自动装卡、自动对刀、自动磨削及修正砂轮自动控制，并配置压力、振动、位置、温度传感器实时监控机床状态，使得制齿效率和精度显著提升。

虽然国内数控系统和数控机床的智能化进程加快，部分先进数控技术已初步在数控装备上推广应用，但在开放式硬软件系统及平台架构、智能化加工技术、机床状态实时监测与诊断控制、可视智能化人机界面开发、机床精度保持和可靠性等方面仍与国外存在一定差距。国内仅在中低档数控机床需求方面可以基本做到自给自足，但军工、航天、医疗等专业领域所需的高端数控机床缺口依然巨大，高档数控系统的市场占有率仅约3%。国内先进数控技术发展所面临的压力和挑战仍十分严峻。幸而，国内不少数控企业与科研院所已正视这一问题，正凭借不断创新的智能化先进数控技术和丰富的实际生产经验，积极对接智能制造，助推中国工业转型升级，以期扭转不利局面，实现“中国智造”。

6 结语

在全球化智能制造浪潮的推动下，先进数控技术作为制造业发展进步的重要标志，已成为国内外数控企业及相关科研机构的重点关注对象。高速高精联动控制技术、机床多源误差补偿技术以及智能化控制技术等一批关键数控技术得到了广泛研究与发展。同时，随着物联网技术、网络互联技术、人工智能技术、大数据挖掘等先进技术的推动，先进数控技术未来也必将朝着开放网络化、高速高精高效化、工艺集成复合化、模块柔性化、实时智能化等方向飞速发展。在目前国内先进数控技术基础相对薄弱的情况下，了解关键先进数控技术的研究现状，掌握未来数控技术开放智能化的发展趋势，有助于我国在智能化高档数控装备的研制过程中实现关键先进数控技术的重点突破，切实提升我国完全自主高档数控装备的国内市场占有率以及国际市场竞争力，真正实现“中国制造2025”的宏伟目标，助力我国迈入世界制造强国行列。

[1] 崔日明，张婷玉. 美国“再工业化”战略与中国制造业转型研究[J]. 经济社会体制比较，2013(6): 21-30.

[2] 张俊，魏红根. 数控技术发展趋势——智能化数控系统[J]. 制造技术与机床，2000(4): 7-9.

[3] 周济. 智能制造——“中国制造2025”的主攻方向[J]. 中国机械工程，2015(17): 2273-2284.

[4] 中华人民共和国工业和信息化部，财政部. 智能制造发展规划(2016-2020年)[R]. 北京：2016.

[5] 中华人民共和国工业和信息化部，发展改革委，科技部，等. 智能制造工程实施指南(2016-2020)[R]. 北京：2016.

[6] 赵升吨，贾先. 智能制造及其核心信息设备的研究进展及趋势[J]. 机械科学与技术， 2017(1): 1-16.

[7] 张曙. 工业4.0和智能制造[J]. 机械设计与制造工程，2014(8): 1-5.

[8] 傅建中. 智能制造装备的发展现状与趋势[J]. 机电工程，2014(8): 959-962.

[9] 赵万华，张星，吕盾，等. 国产数控机床的技术现状与对策[J]. 航空制造技术，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] 刘江. FANUC 0iC数控系统FSSB总线的参数设定[J]. 制造技术与机床，2009(3): 157-159.

[15] 刘慧双，宋宝，周向东，等. 嵌入式数控系统NCUC-Bus现场总线设备驱动研究与开发[J]. 组合机床与自动化加工技术，2012(8): 62-65.

[16] 张赞秋，吴超，江世琳，等. 基于FPGA的PCI-GLINK总线协议芯片实现[J]. 制造技术与机床，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] 王宝仁，王婕，韩文强，等. 级联式多轴运动控制系统及其同步策略研究[J]. 计算机集成制造系统，2017: 1-14.

[19] 朱晓枫，甘屹，陶益民. 基于Ethernet Powerlink多轴伺服运动控制系统的同步性能研究[J]. 现代制造工程，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. 基于神经网络多电机偏差耦合同步控制研究[J]. 控制工程，2013(3): 415-418.

[22] 程文雅，罗亮，刘知贵. 改进偏差耦合补偿的反演同步控制算法的研究[J]. 机械设计与制造，2016(2): 41-44.

[23] 沈金华. 数控机床误差补偿关键技术及其应用[D]. 上海：上海交通大学, 2008.

[24] 任永强，杨建国，罗磊，等. 基于外部机床坐标系偏移的热误差实时补偿[J]. 中国机械工程，2003(14): 79-81.

[25] 张宏韬，杨建国，姜辉，等. 双转台五轴数控机床误差实时补偿[J]. 机械工程学报，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] 黄东兆，周会成，李斌，等. 面向轮廓精度控制的误差补偿方法[J]. 华中科技大学学报(自然科学版)，2008(2): 13-16.

[30] 赵国勇，赵玉刚，王士军. 直线轴和旋转轴联动时的轮廓误差耦合控制方法[J]. 计算机集成制造系统，2013(11): 2819-2823.

[31] 项四通，杨建国，张毅. 基于机理分析和热特性基本单元试验的机床主轴热误差建模[J]. 机械工程学报，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] 王时龙，杨勇，周杰，等. 大型数控滚齿机热误差补偿建模[J]. 中南大学学报(自然科学版)，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，叶文华，梁睿君，等. 智能机床的误差补偿技术[J]. 航空制造技术，2016(18): 40-45.

[38] 富宏亚，金鸿宇，韩振宇. 智能加工技术在切削颤振在线抑制中的应用[J]. 航空制造技术，2016(7): 16-21.

[39] 叶佩青，张勇，张辉. 数控技术发展状况及策略综述[J]. 机械工程学报，2015(21): 113-120.

[40] 王军，王晶. 大数据处理技术在生产质量跟踪中的应用[J]. 制造业自动化，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，杨建国. 基于数据挖掘的工艺参数优化研究[J]. 微计算机信息，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] 刘恒丽，董靖川，于治强. 基于Pareto遗传算法和TRIZ理论的数控装备加工参数智能优化[J]. 天津大学学报(自然科学与工程技术版)，2017(2): 121-127.

[45] 刘日良，张承瑞，张元才，等. 面向STEP-NC控制器的数控加工工艺规划模型[J]. 中国机械工程，2004(4): 45-49.

[46] 马军旭，赵万华，张根保. 国产数控机床精度保持性分析及研究现状[J]. 中国机械工程，2015(22): 3108-3115.

[47] 黎小华，曾国平，燕继明，等. 数控机床智能监控CPS构建技术研究[J]. 航空制造技术，2015(8): 53-58.

[48] 毕筱雪，于东，胡毅，等. 面向CPS架构的数控机床智能监控系统的设计[J]. 组合机床与自动化加工技术，2017(3): 121-124.

[49] 杨东民，陈敏，吴庆朝. 融合KPCA与PSO-RBF的数控机床故障诊断研究[J]. 机械设计与制造，2016(3): 167-170.

[50] 王春暖，李文卿，吴庆朝. 基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究[J]. 机床与液压，2016(3): 192-197.

[51] 王家海，黄江涛，沈斌，等. 数控机床智能故障诊断技术的研究现状与展望[J]. 机械制造，2014(5): 30-32.

[52] 邵钦作. 机床行业“智能制造”的发展与展望[J]. 世界制造技术与装备市场，2016(6): 42-44.