数控加工能耗预测方法、装置、电子设备及存储介质

技术领域

本发明涉及数控组合加工技术领域，尤其涉及数控加工能耗预测方法、装置、电子设备及存储介质。

背景技术

复杂的数控加工机床，例如五轴机床，可以实现五轴方向的运动切削，实现复杂曲面的加工，在执行多轴运动切削进行曲面加工的过程中，零件特征、刀具轨迹以及机床的运行状态环境均十分复杂，而现有的机床能耗预测方法仅仅是面向平面加工和轴类加工等运动形式简单的机械加工过程，没有面向曲面的加工能耗预测方法。

发明内容

本发明提供数控加工能耗预测方法、装置、电子设备及存储介质，用以解决现有技术中没有面向曲面的加工能耗预测方法的缺陷，实现对曲面加工的能耗预测。

本发明提供一种数控加工能耗预测方法，包括：

获取加工机床的运行转速信息，所述运行转速信息反映所述加工机床加工工件的过程中主轴转速的变化情况，将所述运行转速信息输入至第一特征提取网络以提取所述加工机床的主轴转速变化特征，获取所述第一特征提取网络输出的第一特征；

获取所述工件的三维模型，对所述三维模型进行栅格化处理，得到所述三维模型的各个三维格，获取所述工件的加工工艺参数，根据所述加工工艺参数在所述三维格中添加对应的切削信息，得到体素模型，所述切削信息反映当加工刀具运动至所述三维格中进行切削时的切削量；

将所述体素模型输入至已训练的第二特征提取网络以提取所述体素模型的特征，获取所述体素模型特征提取网络输出的第二特征；

将所述第一特征和所述第二特征输入至已训练的能耗预测网络，获取所述能耗预测网络输出的所述工件的加工能耗预测结果，所述能耗预测网络基于多组包括加工能耗标签的数据训练得到。

根据本发明提供的一种数控加工能耗预测方法，所述能耗预测网络包括融合模块、修正模块以及输出模块；所述将所述第一特征和所述第二特征输入至已训练的能耗预测网络，获取所述能耗预测网络输出的所述工件的加工能耗预测结果，包括：

将所述第一特征和所述第二特征输入至所述融合模块以融合所述第一特征和所述第二特征，获取所述融合模块输出的第一预测特征；

获取所述加工机床在加工所述工件时的加工资源状态信息，所述加工资源状态信息反映所述加工机床在实际加工所述工件时的加工资源的状态，将所述加工资源状态信息输入至所述修正模块以提取反映加工资源状态对能耗的影响的特征，获取所述修正模块输出的修正特征；

基于所述修正特征对所述第一预测特征进行修正，得到第二预测特征；

将所述第二预测特征输入至所述输出模块，获取所述输出模块输出的所述加工能耗预测结果。

根据本发明提供的一种数控加工能耗预测方法，所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络基于多组训练数据训练得到，每组所述训练数据中包括样本工件对应的样本运行转速信息、样本体素模型、样本加工资源状态信息以及所述样本工件对应的加工能耗标签；所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的训练过程包括：

获取多组所述训练数据组成第一训练批次，基于所述第一训练批次中的每组所述训练数据分别更新所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数；

在基于所述第一训练批次中的最后一组所述训练数据更新所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数后，在所述第一训练批次中选取多个所述训练数据组成第二训练批次，基于所述第二训练批次中的每组所述训练数据更新所述能耗预测网络中所述修正模块的参数，其中，所述第二训练批次中的每组所述训练数据对应的所述样本工件的加工工艺文件相同；

重新执行所述获取多组所述训练数据组成第一训练批次的步骤，直至所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数收敛。

根据本发明提供的一种数控加工能耗预测方法，所述加工资源包括所述加工机床和所述加工刀具，所述加工资源状态信息反映所述加工机床和所述加工刀具在加工过程中的热变形程度、以及所述加工刀具的磨损程度。

根据本发明提供的一种数控加工能耗预测方法，所述获取所述加工机床在加工所述工件时的加工资源状态信息，包括：

获取加工所述工件时所述加工机床的温度场信号；

获取加工所述工件时所述加工刀具的振动信号；

组合所述温度场信号和所述振动信号，得到所述加工资源状态信息。

根据本发明提供的一种数控加工能耗预测方法，所述获取加工机床的运行转速信息，包括：

获取所述工件的加工工艺文件，基于所述加工工艺文件获取所述加工机床的运行转速信息。

根据本发明提供的一种数控加工能耗预测方法，所述切削信息包括所述加工刀具的进刀量和运动轨迹。

本发明还提供一种数控加工能耗预测装置，包括：

第一特征提取模块，所述第一特征提取模块用于获取加工机床的运行转速信息，所述运行转速信息反映所述加工机床加工工件的过程中主轴转速的变化情况，将所述运行转速信息输入至第一特征提取网络以提取所述加工机床的主轴转速变化特征，获取所述第一特征提取网络输出的第一特征；

体素模型生成模块，所述体素模型生成模块用于获取所述工件的三维模型，对所述三维模型进行栅格化处理，得到所述三维模型的各个三维格，获取所述工件的加工工艺参数，根据所述加工工艺参数在所述三维格中添加对应的切削信息，得到体素模型，所述切削信息反映当加工刀具运动至所述三维格中进行切削时的切削量；

第二特征提取模块，所述第二特征提取模块用于将所述体素模型输入至已训练的第二特征提取网络以提取所述体素模型的特征，获取所述体素模型特征提取网络输出的第二特征；

能耗预测模块，所述能耗预测模块用于将所述第一特征和所述第二特征输入至已训练的能耗预测网络，获取所述能耗预测网络输出的所述工件的加工能耗预测结果，所述能耗预测网络基于多组包括加工能耗标签的数据训练得到。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述数控加工能耗预测方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述数控加工能耗预测方法。

本发明提供的数控加工能耗预测方法、装置、电子设备及存储介质，将加工的工件的三维模型处理为体素模型，在体素模型的每个三维格中关联反映刀具切削三维格时的切削量的切削信息，这样可以将曲面加工过程中刀具的复杂运动情况划分为细粒度的信息，从而可以采用第二特征提取网络提取出反映出刀具运动信息的第二特征，并将与能耗有关的机床的运行转速信息输入至第一特征提取网络提出反映主轴转速变化的第一特征，将第一特征和第二特征输入至已训练的能耗预测网络以进行加工能耗预测，实现了面向曲面的加工能耗预测。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的数控加工能耗预测方法的流程示意图；

图2是本发明提供的数控加工能耗预测装置的结构示意图；

图3是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

发明人发现，现有的机床加工能耗预测，都是面向简单的平面加工或轴类加工，这种运动形式简单的机械加工过程中，刀具的运行轨迹简单。但是，对于面向曲面的机床加工（例如五轴机床，可以实现五轴方向的运动切削，加工出复杂曲面），加工过程中刀具的运动形式复杂，现有的机床加工能耗预测方法不适用面向曲面的机床加工。针对这一缺陷，本发明提供一种数控加工能耗预测方法，将加工的工件的三维模型处理为体素模型，在体素模型的每个三维格中关联反映刀具切削三维格时的切削量的切削信息，这样可以将曲面加工过程中刀具的复杂运动情况划分为细粒度的信息，从而可以采用第二特征提取网络提取出反映出刀具运动信息的第二特征，并将与能耗有关的机床的运行转速信息输入至第一特征提取网络提出反映主轴转速变化的第一特征，将第一特征和第二特征输入至已训练的能耗预测网络以进行加工能耗预测，实现了面向曲面的加工能耗预测。

如图1所示，本发明提供的数控加工能耗预测方法，包括步骤：

S100、获取加工机床的运行转速信息，所述运行转速信息反映所述加工机床加工工件的过程中主轴转速的变化情况，将所述运行转速信息输入至第一特征提取网络以提取所述加工机床的主轴转速变化特征，获取所述第一特征提取网络输出的第一特征；

S200、获取所述工件的三维模型，对所述三维模型进行栅格化处理，得到所述三维模型的各个三维格，获取所述工件的加工工件参数，根据所述加工工艺参数在所述三维格中添加对应的切削信息，得到体素模型，所述切削信息反映当加工刀具运动至所述三维格中进行切削时的切削量。

经过发明人研究发现，在面向复杂曲面的加工过程中，机床能耗与多个因素有关，主要包括机床主轴转速、加工刀具的切削量。但是在复杂曲面加工过程中，由于运行轨迹比较复杂，在运行轨迹的各个阶段，运行轨迹的方向和进刀量，这就很难实现对切削量对能耗的影响的分析。本实施例提供的方法中，除了对加工机床的运行转速信息提取特征用于进行能耗预测之外，还将工件的三维模型划分为多个三维格，在每个三维格中关联加工刀具运动至所述三维格中进行切削时的切削量，形成体素模型后，提取所述体素模型的特征。这样，将在加工过程中变化复杂的切削量划分为细粒度的信息，可以采用特征提取网络进行特征提取。

在实际生产中，在数控加工机床加工所述工件时，是先编制好所述工件的加工文件，加工文件输入至加工机床，所述加工机床基于所述加工文件进行加工。可以从所述加工文件中读取所述工件的加工过程中加工机床的主轴运行转速，得到所述运行转速信息。即，所述获取加工机床的运行转速信息，包括：

获取所述工件的加工工艺文件，基于所述加工工艺文件获取所述加工机床的运行转速信息。

从预先编制到的加工工艺文件中获取所述加工机床的运行转速信息，可以实现所述运行转速信息的自动化提取，并且，对于共用同一张加工图纸的工件，可以只需要提取一次所述运行转速信息并进行处理，降低获取加工能耗预测结果过程中的计算量，提升能耗预测的实时性。

得到所述运行转速信息后，将所述运行转速信息输入至第一特征提取网络，所述第一特征提取网络提取所述加工机床加工所述工件时的主轴转速变化特征，将所述第一特征提取网络提取到的特征作为所述第一特征。所述第一特征提取网络可以采用现有的特征提取网络的结构。

对所述工件的三维模型进行栅格化处理，可以采用现有的三维栅格化处理方式实现。所述加工工艺参数包括所述加工刀具的加工轨迹，以及所述加工刀具在所述加工轨迹上各个段的进刀量，所述加工工艺参数可以从预先编写的所述工件的加工工艺文件中提取。根据加工轨迹和进刀量，可以计算出较为准确的切削量。在一种可能的实现方式中，所述切削信息可以是所述加工刀具在所述三维格中运动进行切削时的切削量。但是由于轨迹可能为曲线，计算准确的切削量会导致较大的计算量。本发明提供的方法中，所述切削信息包括所述加工刀具的进刀量和运动轨迹。也就是说，本发明提供的方法中不直接计算准确的切削量，而是采用可以反映切削量的运动轨迹和进刀量，关联至对所述工件的三维模型进行栅格化得到的各个三维格中，得到所述工件对应的体素模型。这样，可以不需要计算准确的切削量，降低运算量，提升机床能耗预测实时性。

在获取到所述工件的所述体素模型后，本发明提供的数控加工能耗预测方法，还包括步骤：

S300、将所述体素模型输入至已训练的第二特征提取网络以提取所述体素模型的特征，获取所述体素模型特征提取网络输出的第二特征。

将所述工件的三维模型进行栅格化并关联所述切削信息后，可以采用所述第二特征提取网络进行特征提取，得到所述第二特征。所述第二特征提取网络可以基于现有的用于提取体素模型特征的网络的结构进行改进后得到，现有的用于提取体素模型特征的网络基本上都是用于输出模型的抓取点。和本发明提供的方法中，所述第二特征提取网络用于输出后续继续处理的特征不同。在一种可能的实现方式中，所述第二特征提取网络是对VGN（Volumetric Grasping Network，抓取检测点生成网络）的结构进行修改后得到，具体地，VGN的输出单元是一个3-handed单元，即，VGN有三个输出端，在本发明提供的方法中，将原始VGN网络的3-handed输出单元修改为一个MLP（多层感知器）架构，实现输出一个特征矩阵。

S400、将所述第一特征和所述第二特征输入至已训练的能耗预测网络，获取所述能耗预测网络输出的所述工件的加工能耗预测结果，所述能耗预测网络基于多组包括加工能耗标签的数据训练得到。

正如前文所说明的，所述第一特征反映了所述加工机床的主轴转速变化，所述第二特征反映了所述加工机床在加工所述工件时的切削量。主轴转速和切削量均会影响所述加工机床的能耗，本发明提供的方法，将所述第一特征和所述第二特征共同用于所述加工机床的能耗预测。

具体地，所述能耗预测网络包括融合模块、修正模块以及输出模块。所述将所述第一特征和所述敌人特征输入至已训练的能耗预测网络，获取所述能耗预测网络输出的所述工件的加工能耗预测结果，包括：

将所述第一特征和所述第二特征输入至所述融合模块以融合所述第一特征和所述第二特征，获取所述融合模块输出的第一预测特征；

获取所述加工机床在加工所述工件时的加工资源状态信息，所述加工资源状态信息反映所述加工机床在实际加工所述工件时的加工资源的状态，将所述加工资源状态信息输入至所述修正模块以提取反映加工资源状态对能耗的影响的特征，获取所述修正模块输出的修正特征；

基于所述修正特征对所述第一预测特征进行修正，得到第二预测特征；

将所述第二预测特征输入至所述输出模块，获取所述输出模块输出的所述加工能耗预测结果。

从前文的说明中可以看出，所述第一特征和所述第二特征都是基于预先编写的所述工件的加工工艺文件获取的，也就是说，所述第一特征反映的是所述加工机床在加工所述工件时理论上的主轴转速，所述第二特征反映的是所述加工机床在加工所述工件时理论上的切削量。在实际生产中，主轴转速和切削量会受到加工资源状态的影响。因此，为了使得加工能耗预测结果更准确，本发明提供的数控加工能耗预测方法中，在获取到所述第一特征和所述第二特征后，先对所述第一特征和所述第二特征进行融合，得到所述第一预测特征，之后根据所述工件的实际加工过程中的加工资源状态信息对所述第一预测特征进行修正，得到所述第二预测特征，基于所述第二预测特征输出所述加工能耗预测结果，可以提升能耗预测的准确性。

进一步地，由于所述第一特征和所述第二特征都是基于预先编写的所述工件的加工工艺文件获取的，而对于相同尺寸、相同加工要求的工件，实际上是可以共用加工工艺文件，也就是说，对于加工工艺文件相同的工件，可以只计算一次所述第一特征和所述第二特征，只需要计算每个工件实际加工时对应的所述修正特征，然后得到所述第二预测特征进行预测即可。即在获取到所述第一预测特征后，将所述第一预测特征以及所述第一预测特征对应的加工工艺工件存储至预设存储空间中，在所述加工机床进行下一个工件的加工时，读取所述下一个工件对应的加工工艺文件，若所述预设存储空间中存在与所述下一个工件对应的加工工艺文件相同的加工工艺文件，则从所述预设存储空间中读取该加工工艺文件对应的所述第一预测特征，复用所述预设存储空间中存储的所述第一预测特征进行所述下一个工件的加工能耗预测。这样可以大大降低运算量，从而实现在加工过程中的实时能耗预测。

具体地，所述加工资源包括所述加工机床和所述加工刀具，所述加工资源状态信息反映所述加工机床和所述加工刀具在加工过程中的热变形程度、以及所述加工刀具的磨损程度。所述获取所述加工机床在加工所述工件时的加工资源状态信息，包括：

获取加工所述工件时所述加工机床的温度场信号；

获取加工所述工件时所述加工刀具的振动信号；

组合所述温度场信号和所述振动信号，得到所述加工资源状态信息。

所述温度场信号可以基于预先设置的温度传感器采集得到，在进行数控加工时，所述加工刀具安装在所述加工机床上，即所述加工机床的温度场信号可以反映所述加工机床的发热情况以及所述加工刀具的发热情况。所述振动信号可以通过设置在所述刀具或者所述刀具的安装装置上的振动传感器采集得到。在加工刀具产生磨损时，相对于无磨损的状态，会在加工过程中产生较大的振动，因此所述振动信号可以反映所述加工刀具的磨损程度。所述加工机床在加工过程中发热可能会导致主轴和其他传动器件变形，导致传输效率的降低，从而能耗增大，所述加工刀具在加工过程中的发热以及磨损可能会导致切削能力的降低，切削过程中需要主轴提供更大的扭矩，导致能耗增大。本发明提供的方法中，采集所述温度场信号和所述振动信号，组合得到的所述加工资源状态信息可以反映实际加工过程中加工资源对能耗的影响，基于所述加工资源状态信息得到所述修正特征，再根据所述修正特征对基于理论文件得到的所述第一特征和所述第二特征的融合结果进行修正，可以在降低能耗预测过程中的计算量，实现能耗的实时预测的基础上，考虑了实际加工过程中加工资源的发热以及道具磨损的影响，保证能耗预测结果的准确性。

所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络基于多组训练数据训练得到，每组所述训练数据中包括样本工件对应的样本运行转速信息、样本体素模型、样本加工资源状态信息以及所述样本工件对应的加工能耗标签；所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的训练过程包括：

获取多组所述训练数据组成第一训练批次，基于所述第一训练批次中的每组所述训练数据分别更新所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数；

在基于所述第一训练批次中的最后一组所述训练数据更新所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数后，在所述第一训练批次中选取多个所述训练数据组成第二训练批次，基于所述第二训练批次中的每组所述训练数据更新所述能耗预测网络中所述修正模块的参数，其中，所述第二训练批次中的每组所述训练数据对应的所述样本工件的加工工艺文件相同；

重新执行所述获取多组所述训练数据组成第一训练批次的步骤，直至所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数收敛。

在本发明提供的方法中，所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络共同训练。而正如前面所说明的，对于加工工艺文件相同的多个工件，由于所述第一特征和所述第二特征是采用同样的加工工艺文件中提取的参数输入至同样的网络中提取的特征，因此对于加工工艺文件相同的多个工件，其能耗预测结果的差异实际上只取决于所述能耗预测网络中的修正过程。为了提升所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的训练效率，基于所述能耗预测网络中的修正过程的特性，在本发明提供的方法中，在进行网络训练时，在采用一批所述训练数据更新所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数后，再固定其他网络参数，基于一批相同加工工艺文件的样本工件对应的所述训练数据只更新所述能耗预测网络中的所述修正模块的参数，可以实现对所述修正模型的高效训练，进而提升所有网络参数的训练效率。

所述基于所述第一训练批次中的每组所述训练数据分别更新所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数，包括：

基于所述第一训练批次中的一组所述训练数据中的样本运行转速信息、样本体素模型、样本加工资源状态信息，获取所述能耗预测网络输出的样本能耗预测结果，再基于所述样本能耗预测结果和该组所述训练数据中的加工能耗标签之间的差异获取损失函数，基于所述损失函数更新所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数；

重新执行所述基于所述第一训练批次中的一组所述训练数据中的样本运行转速信息、样本体素模型、样本加工资源状态信息，获取所述能耗预测网络输出的样本能耗预测结果的步骤，直至所述第一训练批次中的每组所述训练数据均被用于更新所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数，或者所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络的参数收敛。

所述基于所述第二训练批次中的每组所述训练数据更新所述能耗预测网络中所述修正模块的参数，包括：

基于所述第二训练批次中的一组所述训练数据中的样本运行转速信息、样本体素模型、样本加工资源状态信息，获取所述能耗预测网络输出的样本能耗预测结果，再基于所述样本能耗预测结果和该组所述训练数据中的加工能耗标签之间的差异获取损失函数，基于所述损失函数更新所述修正模块的参数；

重新执行所述基于所述第二训练批次中的一组所述训练数据中的样本运行转速信息、样本体素模型、样本加工资源状态信息，获取所述能耗预测网络输出的样本能耗预测结果的步骤，直至所述第二训练批次中的每组所述训练数据均被用于更新所述修正模块的参数或者所述修正模块的参数收敛。

在所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络训练完成后，基于训练后的所述第一特征提取网络、所述第二特征提取网络和所述能耗预测网络执行前述的步骤S100-S400，实现数控加工能耗预测。

下面对本发明提供的数控加工能耗预测装置进行描述，下文描述的数控加工能耗预测装置与上文描述的数控加工能耗预测方法可相互对应参照。如图2所示，本发明提供的数控加工能耗预测装置，包括：第一特征提取模块201、体素模型生成模块202、第二特征提取模块203和能耗预测模块204。

所述第一特征提取模块201用于获取加工机床的运行转速信息，所述运行转速信息反映所述加工机床加工工件的过程中主轴转速的变化情况，将所述运行转速信息输入至第一特征提取网络以提取所述加工机床的主轴转速变化特征，获取所述第一特征提取网络输出的第一特征。

所述体素模型生成模块202用于获取所述工件的三维模型，对所述三维模型进行栅格化处理，得到所述三维模型的各个三维格，获取所述工件的加工工艺参数，根据所述加工工艺参数在所述三维格中添加对应的切削信息，得到体素模型，所述切削信息反映当加工刀具运动至所述三维格中进行切削时的切削量；

所述第二特征提取模块203用于将所述体素模型输入至已训练的第二特征提取网络以提取所述体素模型的特征，获取所述体素模型特征提取网络输出的第二特征；

所述能耗预测模块204用于将所述第一特征和所述第二特征输入至已训练的能耗预测网络，获取所述能耗预测网络输出的所述工件的加工能耗预测结果，所述能耗预测网络基于多组包括加工能耗标签的数据训练得到。

图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行一种数控加工能耗预测方法，该方法包括：获取加工机床的运行转速信息，所述运行转速信息反映所述加工机床加工工件的过程中主轴转速的变化情况，将所述运行转速信息输入至第一特征提取网络以提取所述加工机床的主轴转速变化特征，获取所述第一特征提取网络输出的第一特征；

获取所述工件的三维模型，对所述三维模型进行栅格化处理，得到所述三维模型的各个三维格，获取所述工件的加工工艺参数，根据所述加工工艺参数在所述三维格中添加对应的切削信息，得到体素模型，所述切削信息反映当加工刀具运动至所述三维格中进行切削时的切削量；

将所述体素模型输入至已训练的第二特征提取网络以提取所述体素模型的特征，获取所述体素模型特征提取网络输出的第二特征；

将所述第一特征和所述第二特征输入至已训练的能耗预测网络，获取所述能耗预测网络输出的所述工件的加工能耗预测结果，所述能耗预测网络基于多组包括加工能耗标签的数据训练得到。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的数控加工能耗预测方法，该方法包括：获取加工机床的运行转速信息，所述运行转速信息反映所述加工机床加工工件的过程中主轴转速的变化情况，将所述运行转速信息输入至第一特征提取网络以提取所述加工机床的主轴转速变化特征，获取所述第一特征提取网络输出的第一特征；

获取所述工件的三维模型，对所述三维模型进行栅格化处理，得到所述三维模型的各个三维格，获取所述工件的加工工艺参数，根据所述加工工艺参数在所述三维格中添加对应的切削信息，得到体素模型，所述切削信息反映当加工刀具运动至所述三维格中进行切削时的切削量；

将所述体素模型输入至已训练的第二特征提取网络以提取所述体素模型的特征，获取所述体素模型特征提取网络输出的第二特征；

将所述第一特征和所述第二特征输入至已训练的能耗预测网络，获取所述能耗预测网络输出的所述工件的加工能耗预测结果，所述能耗预测网络基于多组包括加工能耗标签的数据训练得到。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。