具体实施方式

现在将参考附图描述与系统和方法相关的各种技术，其中相同的附图标记始终代表相同的元件。下面讨论的附图以及在本专利文件中用于描述本公开的原理的各种实施例仅仅是说明性的，而不应该以任何方式解释为限制本公开的范围。本领域技术人员将理解，本公开的原理可在任何适当布置的设备中实施。应当理解，被描述为由某些系统元件执行的功能可由多个元件来执行。类似地，例如，元件可被配置成执行被描述为由多个元件执行的功能。将参考示例性非限制性实施例描述本申请的许多创新教导。

此外，应当理解，本文使用的单词或短语应当被广义地解释，除非在一些示例中明确限制。例如，术语“包含”、“具有”和“包括”以及它们的派生词意味着包括但不限于此。单数形式“一”、“一个”和“所述”旨在也包括复数形式，除非上下文另有明确指示。另外，本文使用的术语“和/或”指代并且包括相关联的列出项目中的一个或多个的任何和所有可以的组合。术语“或”为包括性的，意思是和/或，除非上下文另有明确指示。短语“与……相关联”和“与此相关联”以及其派生词可意味着包括、被包括在……内、与……相互连接、含有、被含于……内、连接到或与……连接、或联接到或与……联接、与……可通信、与……协作、交错、并置、接近、结合到或与……结合、具有、具有……的属性等。

此外，尽管术语“第一”、“第二”、“第三”等在本文中可用于指代各种元件、信息、功能或动作，但是这些元件、信息、功能或动作不应受这些术语的限制。相反，这些数字形容词用于彼此区分不同的元件、信息、功能或动作。例如，第一元件、信息、功能或动作可被称为第二元件、信息、功能或动作，并且类似地，第二元件、信息、功能或动作可被称为第一元件、信息、功能或动作，而不脱离本公开的范围。

此外，术语“邻近”可意味着：一个元件相对靠近另外的元件但不与其接触；或者该元件与另外的部分接触，除非上下文另有明确指示。另外，短语“基于”旨在意味着“至少部分基于”，除非另有明确说明。术语“约”或“基本上”或类似术语旨在涵盖在该尺寸的正常工业制造公差范围内的值的变化。如果没有可用的行业标准，那么20％的变化将属于这些术语的意义范围，除非另有说明。

以下描述参考具有不同水平轴控制的机床10(在图1中示出)。这些机床10通常被称为2.5轴机床、3轴机床、3.5轴机床、4轴机床等。出于以下描述的目的，这些机床10应该理解为完全控制小数点之前识别的轴数量，并且如果小数点之后有一个数字(典型地为“5”)，那么至少部分控制一个额外的轴。完全控制意味着受控轴的加速度、速度和方向可根据需要同时改变和控制。部分受控的轴可移动和控制，但通常不可与其它轴一起移动和控制。因此，被识别为2.5轴机器的机器将能够在X和Y方向(或X和Z或Y和Z)上完全受控、同时移动和加速，而在Z方向(或Y或X)上的移动为可能的但不能与其它两个轴一起完全受控。3轴机器将能够在X、Y和Z方向上完全受控、同时移动和加速，但不包括任何旋转移动。3.5轴机器将添加旋转能力(例如，旋转支撑台)，但这种旋转不像在X、Y和Z方向上的移动那样为集成的和能够完全控制的。4轴机器添加对旋转移动以及X、Y和Z移动的完全控制。

零件的设计和制造已经成为一个集成的过程，其中零件为使用计算机辅助设计(CAD)工具设计的，其通常生成待制造零件或装置的3D模型。计算机辅助制造模块(CAM)，通常为CAD系统的一部分，然后用于确定如何最好地制造零件。虽然一些特征的加工步骤可自动生成，但这些预编程步骤通常由CAM系统提供商提供，并且通常是非常通用和有限的。有经验的用户需要调整任何自动生成的参数并且添加大多数应用程序不可自动生成的参数。

图3-5示出计算机实施的增强设计系统15，其利用先进的人工智能(AI)来增强刚刚描述的设计过程，以减少浪费的时间，增加工程生产率，并且产生优异质量的设计和制造计划。

本发明的软件方面可被存储在几乎任何计算机可读介质上，包括本地磁盘驱动系统、远程服务器、互联网或基于云的存储位置。此外，根据需要，方面可存储在便携式装置或存储装置上。计算机通常包括输入/输出装置(其允许访问软件，而不管软件存储在哪里)、一个或多个处理器、存储装置、用户输入装置以及输出装置诸如监视器、打印机等。

处理器可包括标准的微处理器，或者可包括人工智能加速器或处理器，它们被专门设计用于执行人工智能应用，诸如人工神经网络、机器视觉和机器学习。典型的应用包括机器人、物联网和其它数据密集型或传感器驱动任务的算法。AI加速器通常为多核设计并且通常专注于低精度算法、新颖的数据流架构或内存计算能力。在再其它应用中，处理器可包括图形处理单元(GPU)，其被设计成用于图像的操纵和局部图像属性的计算。神经网络和图像操纵的数学基础相似，导致GPU对机器学习任务特别有用。当然，如果需要，那么可采用其它处理器或布置。其它选项包括但不限于现场可编程门阵列(FPGA)、专用集成电路(ASIC)等。

计算机还包括通信装置，该通信装置可允许其它计算机或计算机网络之间的通信，以及与诸如机床、工作站、致动器、控制器、传感器等的其它装置的通信。

图1包括通常用于制造零件20(在图2中示出)或部件的多轴机床10的示例。示出的机床10为竖直铣削中心，其它的机床包括水平铣削中心、车床等。示出的机床10为三轴机床，其包括切割头25、零件支撑件30、计算机35和多个致动器(未示出)。切割头25包括允许切割头25接合和利用多个刀具的卡盘或其它安装装置。刀具可包括许多切割刀具，包括端铣刀、钻头、铰刀、丝锥等。切割头25可沿竖直或“Y”轴移动，以将被支撑的刀具朝向或远离零件支撑件30移动。

零件支撑件30包括工作台45，该工作台被布置成将被加工的材料固定地保持在适当的位置。夹紧装置、磁铁或其它约束装置可被用于将零件20约束在工作台45上。包括工作台45的零件支撑件30可在两个方向(“X”和“Z”)上移动，以在正交于竖直或“Y”轴的平面中移动被加工的材料。

通常为变速电动机形式的致动器(未示出)被定位在机床10的壳体50内，每个致动器可操作以控制沿三个轴X、Y、Z中的一个的移动。两个致动器移动零件支撑件30，以在X方向或Z方向上以在零与最大行进速率之间的任何速度、在沿轴的任何方向上，以及在任何设定的行进极限之间来移动被加工的材料。第三致动器可操作以沿Y轴竖直地移动切割头25。同样，致动器能够沿轴在任一方向上，以在零与最大速度之间的任何速度，以及在建立的任何停止处之间移动。因此，所描述的三个致动器能够使用三个致动器将刀具定位在空间中的任何期望位置。如果图1的机床10为四轴机器，那么它也将允许被加工的材料或切割头25围绕三个主轴中的一个旋转。例如，零件支撑件30可围绕X轴或Z轴旋转，以相对于切割头25重新定向被加工的材料。

计算机35被耦接到致动器中的每一个并且包括遵循制造计划46(在图6中示出)的程序，以控制致动器并且由被加工的材料来制造零件20。制造计划46可被认为是待以特定顺序加工的特征75的列表，并且每个特征75包括需要执行以完成该特征75的步骤80的列表。各种参数85(例如刀具直径、步进类型和长度、切割深度和切割类型、切割模式、进给速率、主轴速度、坯料类型和刀具材料类型等)被分配给每个步骤80，以确保零件20的正确制造。

例如，为了制造图2所说明的零件20，制造计划46可包括待加工的特征75，诸如平坦顶部表面50、第一、第二和第三开口凹穴55、封闭凹穴60、五个大通孔65、四个小通孔70和两个螺纹孔73。特征75以对整个加工过程有效的顺序布置。

如图6所说明，每个特征75然后可具有多个步骤80，每个步骤具有不同的参数85。步骤80可被认为是形成表面或特征75所需的不同操作。步骤80可由所采用的刀具限定，但是也可包括作为步骤80的粗加工、作为另一步骤80的半精加工以及作为另一步骤80的精加工。参数85可包括任何可控制的并且影响加工过程的变量。此外，一些特征75可被制造为三个单独的特征75，其中第一特征75为特征75的粗加工，第二特征75为半精加工，并且最终特征75为特征75的精加工。使用这种安排，零件20的每个特征75可以特定的顺序进行粗加工，对于每个特征75重复该顺序，以半精加工和精加工零件20。常用参数85包括但不限于所使用的刀具类型、进给速率、旋转速度、刀具尺寸、切割深度、步进长度、切割模式等。

例如，图2的零件20的加工计划中的第一特征75可为加工顶部平坦表面50。完成此特征75所涉及的步骤80包括表面50的粗加工。这可使用具有高进给速率和大切割深度(参数85)的大型端铣刀。切割模式和步进长度几乎没有重叠，以确保可能最快的加工。然而，并不期望表面光洁度和精度。第二步80可为半精加工表面50。较慢的进给速率、较短的步进长度和额外重叠的切割模式(参数85)极大地改进表面光洁度和精度。最终步骤80可为对表面50进行精加工。然而，此步骤80可在制造结束时执行，以确保最佳质量的表面。

待形成的下一个特征75可为开口凹穴55或封闭凹穴60中的一个。对于封闭凹穴60，第一步80可为允许端铣刀进入的柱塞孔。同样，可采用粗加工，然后是半精加工和精加工。

虽然图2中所示出的零件20与许多其它零件(例如涡轮叶片)相比简单，但是更复杂的零件可包括需要数百个步骤80的许多特征75。选择参数85和执行每个步骤80的顺序可为具有挑战性的并且通常需要高水平的技能和经验。

为了辅助工程师，本文中所说明的增强设计系统15包括图3和4中所示的机器学习模块90，其能够生成包括每个步骤80和每个步骤80的参数85的完整制造计划46。

机床提供商以及CAD/CAM(计算机辅助设计/计算机辅助制造)提供商通常提供制造规则字典，该字典提供用于制造或形成某些特征75的刀具链和刀具参数。然而，这些规则通常非常简单并且限于使用常用材料的简单或常用特征75。因此，熟练的用户仍然通常需要优化特定应用的规则中所提供的步骤80和参数85。

虽然这些制造规则字典为使用来自制造专家的知识和用户反馈所生成的，但用户仍然会基于他们的制造经验来调整和修改用于定制目的的即用规则字典。然而，这些词典通常非常有限，因为它们只包括有限数量的特征75和材料。此外，制造计划46中涉及的参数85的数量随着受控轴的数量增加而急剧增加，使得这些字典对于包括多于2.5个受控轴的系统的价值有限。

为了缓解这一问题，机器学习模块90学习客户的偏好并且自动调整和修改客户的制造规则字典。机器学习模块90为优选包括神经网络100的基于计算机的系统。使用已知特征95的现有制造计划来训练神经网络100。例如，供应商提供的字典可作为教导的来源。

在优选的构造中，深度学习方法，并且尤其是强化学习技术被用于教导神经网络100如何从可用的简单规则来形成复杂的制造计划46。

神经网络100可与强化学习算法组合来创建准备的机器学习模型。强化学习指代面向目标的算法，它学习如何通过许多步骤沿特定维度来实现复杂的目的(目标)或最大化；例如，通过多次移动来最大化游戏中赢得的点数。这些算法在他们做出错误决策时受到惩罚并且在他们做出正确决策时得到奖励。

图3说明用于训练和使用机器学习模块90的一个可能的序列，机器学习模块90包括使用强化学习来预测CAD/CAM规划和加工所需的设计参数序列的神经网络100。具体地，图3示出包括深度Q学习网络(DQN)和剩余网络的深度学习网络(DNN)100的训练和使用。诸如CNN、DQN或剩余网络的DNN可另外包括机器学习(ML)模型诸如随机森林或类似预测算法。

已知3D几何形状的数据库95被用于训练DQN 100，其学习预测从3D数据提取的特征75的刀具和参数85的序列。已知3D几何形状的数据库95可包括由最终用户提供的特定于该用户的过程的数据以及由其它来源提供的数据。只要数据包括待制造零件或部件的3D模型和已知合适的制造计划，就可用于训练。

参考图3，初始训练105开始于从提供的3D模型95中提取特征。在此阶段，通用3D模型95(非用户特定的)被提供给特征提取算法110，其用于提取或检测被用于训练的零件的各个面。典型地，使用拓扑图匹配算法来分析CAD表示(零件文件)，以识别制造特征75，诸如凹穴、孔、槽等。探索代理115分析各种特征75并且使用DQN 100为每个特征75制定制造计划46。制造计划46包括刀具类型、刀具步骤、切割深度、切割模式等。此计划46可被模拟或与特定特征75的已知制造计划95进行比较以确定所选择的制造计划46的质量。当使用强化学习时，此步骤包括奖励评估116。然后更新DQN 100并且根据需要采取额外的行动。如果预测的制造计划46与已知计划95不匹配，那么额外的行动可为使用修正的DQN 100重新预测制造计划46。重复此迭代过程，直到预测的制造计划46与已知制造计划95匹配。

一旦DQN 100被正确训练，它就可被用户使用。用户向包括DQN 100的计算机提供新的3D模型或3D几何形状120。如同训练一样，特征提取算法110提取待制造零件20的或装置的特征75。DQN 100被用于制定制造计划46并且为制造计划中的每个步骤80选择各种参数85。然后运行制造模拟来验证选择。用户能够更新参数85，改变或添加步骤80，或者鉴于模拟来识别DQN 100在制造计划46中遗漏的特征75，并且这些更新被反馈到DQN 100以进一步训练DQN 100来改进下一次使用的参数选择。

通用3D几何形状和制造计划95(即，不是用户特定的)的使用通常导致选择需要重大调整的特征75、步骤80和参数85。例如，如果DQN 100的训练主要基于使用钢或其它金属的制造，那么塑料制造商可以能够使用比由DQN 100预测的显著更高的刀具速度和进给速率。

图4示出另一种构造，其中初始训练105用于如图3所示初始训练DQN 100，随后是进一步训练DQN 100的设置阶段125，随后是类似于关于图3所描述的使用阶段130。

如图4所示出，DQN 100使用在图3的构造中使用的相同3D模型和已知制造计划95来初始训练。训练如关于图3描述的那样进行，使得在完成初始训练105时，图4的DQN 100将与图3的DQN 100相同或基本上相同。

然而，图4的构造包括额外的训练阶段，称为设置阶段125。设置阶段125以类似于初始训练阶段105的方式进行，但是使用用户特定的3D模型和制造计划135。这允许基于实际用户体验定制DQN 100。为了允许对个性化的持续定制和改进，可在模块90的使用期间通过结合用户对预测做出的改变来继续学习。其总体目标是作为多轴加工问题的决策支持系统，并且改进设计者和其他用户的效率。一旦设置阶段125完成，用户就可使用如关于图3描述的DQN 100。

图5为示出初始训练阶段105、设置阶段125和使用阶段130的流程图。不管使用什么，初始训练阶段105都应该被执行以改进仅依赖于由软件提供商提供的制造规则字典的系统的操作。在初始训练阶段105，已知3D模型和制造计划95被提供给增强设计系统15。在步骤205提取模型特征。在步骤210增强设计系统的DQN或神经网络100然后预测制造计划，并且在步骤215将该计划与已知计划95进行比较。在步骤220基于在步骤215的比较而更新DQN 100。同样，强化学习技术的使用迅速改进由DQN 100所做的预测。使用期望数量的可用已知模型和制造计划95重复此过程，以完成初始训练阶段105。

接下来，决策是否需要设置阶段125。如果没有执行设置阶段125，那么用户进入使用阶段130。然而，如果执行设置阶段，那么它会遵循与初始训练阶段105相同的步骤，但是使用特定于特定用户的已知模型和制造计划。此步骤极大地改进由增强设计系统15提供的预测制造计划46。

在使用阶段130，在步骤225用户向增强设计系统15提供3D模型120，并且在步骤230特征提取算法110提取特征75。然后，在步骤235，DQN100预测这些特征的制造计划46。在步骤240可模拟制造计划46，并且在步骤245更新制造计划。在步骤250任何更新可被反馈到DQN以改进由DQN做出的未来预测，同时将制造计划46同时输出到一个或多个机床(步骤255)，以促进零件的制造。应当理解，图5中所示出的许多步骤可省略并且可需要额外的步骤来适当地实施增强设计系统15的某些安排。因此，图5的步骤都不应该被认为是必需的，并且不应该排除额外的步骤。

尽管已经详细描述本公开的示例性实施例，但是本领域技术人员将理解，在不脱离本公开最广泛形式的精神和范围的情况下，可进行本文公开的各种改变、替换、变化和改进。

本申请中的描述都不应该被理解为暗示任何特定的元件、步骤、动作或功能是必须被包括在权利要求范围内的基本元件：专利主题的范围仅由允许的权利要求来定义。此外，这些权利要求都不是旨在产生装置加功能权利要求构造，除非确切的单词“用于……的装置”后面带有分词。