CN118951884B - 一种刀具切削参数的优化推荐方法和装置 - Google Patents

Abstract

本申请提供一种刀具切削参数的优化推荐方法和装置。本申请提供的方法，包括：采集刀具切削参数基础关联数据，基于基础关联数据构建基础数据信息库；采集实时刀具切削信息；基于实时完成的刀具切削信息和基础数据信息库构建刀具切削参数推荐模型，刀具切削参数推荐模型基于实时待切削的工作状态信息预测最佳切削参数；根据最佳切削参数进行切削作业；基于刀具切削力预训练大模型和最佳切削参数预测目标切削力，监测切削作业的实时切削力，基于目标切削力和实时切削力之间的差距，调整最佳切削参数。本申请提供的刀具切削参数的优化推荐方法和装置，用于准确地进行刀具切削参数的获取和更新。

Description

一种刀具切削参数的优化推荐方法和装置

技术领域

本申请涉及刀具切削技术领域，尤其涉及一种刀具切削参数的优化推荐方法和装置。

背景技术

在机械加工领域，刀具切削参数的合理设置是确保加工效率、加工质量和刀具寿命的关键因素。随着现代制造业的发展，对加工精度和效率的要求越来越高，切削参数的优化变得尤为重要。切削参数直接影响切削过程的效果，进而影响整个生产流程的效率、成本及安全性。

现有的刀具切削参数的设置主要依赖于操作人员的经验、直觉以及手册，缺乏科学的数据支持和精准的计算，并且一旦参数设置完成，往往是在出现问题后才会进行调整。参数设置不当可能导致刀具过快磨损、工件表面质量不佳或者机床过载等问题。严重情况下会导致工件表面粗糙度增加，影响工件的最终质量和外观，尺寸精度不达标，也会造成刀具崩刃或断裂，同时刀具崩刃或断裂也可能会引发安全事故，对操作人员造成伤害，导致意外情况发生，并且刀具崩刃或断裂后会进行刀具更换，而频繁更换刀具还会影响加工效率，此外切削参数设置不合适还会造成机床负荷增加影响机床的精度和稳定性同时加速机床的磨损和老化。

近年来，通过切削参数软件设置切削参数时，虽然可以一定程度上避免人工设置的误差问题，但这些团建更多地考虑如何完成切削任务，而对刀具磨损和机床性能的考虑相对较少。在追求加工效率的同时，无法保障加工质量和切削安全性问题。

发明内容

有鉴于此，本申请提供一种刀具切削参数的优化推荐方法和装置，用于准确地进行刀具切削参数的获取和更新。

具体地，本申请是通过如下技术方案实现的：

本申请第一方面提供一种刀具切削参数的优化推荐方法，所述方法包括：

采集刀具切削参数基础关联数据，基于所述基础关联数据构建基础数据信息库，所述基础数据信息库用于表征各个基础关联数据之间的组合关系，所述基础关联数据为刀具切削作业多个维度的影响因素，所述基础数据信息库包括每个维度的影响因素之间的第一关联关系和所述多个维度中各个维度各个影响因素之间的第二关联关系；

采集实时刀具切削信息，所述实时刀具切削信息至少包括实时待切削的工作状态信息和实时完成的刀具切削信息；

基于所述实时完成的刀具切削信息和所述基础数据信息库构建刀具切削参数推荐模型，所述刀具切削参数推荐模型基于所述实时待切削的工作状态信息预测最佳切削参数；

根据所述最佳切削参数进行切削作业；

基于刀具切削力预训练大模型和所述最佳切削参数预测目标切削力，监测切削作业的实时切削力，所述刀具切削力预训练大模型基于所述目标切削力和实时切削力之间的差距，调整所述最佳切削参数。

本申请第二方面提供一种刀具切削参数的优化推荐装置，所述装置包括构建模块、采集模块、处理模块和调整模块；其中；

所述构建模块，用于采集刀具切削参数基础关联数据，基于所述基础关联数据构建基础数据信息库，所述基础数据信息库用于表征各个基础关联数据之间的组合关系，所述基础关联数据为刀具切削作业多个维度的影响因素，所述基础数据信息库包括每个维度的影响因素之间的第一关联关系和所述多个维度中各个维度各个影响因素之间的第二关联关系；

所述采集模块，用于采集实时刀具切削信息，所述实时刀具切削信息至少包括实时待切削的工作状态信息和实时完成的刀具切削信息；

所述构建模块，还用于基于所述实时完成的刀具切削信息和所述基础数据信息库构建刀具切削参数推荐模型，所述刀具切削参数推荐模型基于所述实时待切削的工作状态信息预测最佳切削参数；

所述处理模块，用于根据所述最佳切削参数进行切削作业；

所述调整模块，用于基于刀具切削力预训练大模型和所述最佳切削参数预测目标切削力，监测切削作业的实时切削力，所述刀具切削力预训练大模型基于所述目标切削力和实时切削力之间的差距，调整所述最佳切削参数。

本申请提供的刀具切削参数的优化推荐方法和装置，首先采集刀具切削参数基础关联数据，基于基础关联数据构建基础数据信息库，基础数据信息库用于表征各个基础关联数据之间的组合关系，基础关联数据为刀具切削作业多个维度的影响因素，基础数据信息库包括每个维度的影响因素之间的第一关联关系和多个维度中各个维度各个影响因素之间的第二关联关系，进而采集实时刀具切削信息，实时刀具切削信息至少包括实时待切削的工作状态信息和实时完成的刀具切削信息，然后基于实时完成的刀具切削信息和基础数据信息库构建刀具切削参数推荐模型，刀具切削参数推荐模型基于实时待切削的工作状态信息预测最佳切削参数，进而根据最佳切削参数进行切削作业，最后基于刀具切削力预训练大模型和最佳切削参数预测目标切削力，监测切削作业的实时切削力，刀具切削力预训练大模型基于目标切削力和实时切削力之间的差距，调整最佳切削参数。第一，通过第一关联关系和第二关联关系的建立，使得各个切削参数的影响因子关联关系直接固定，无需模型进行反复学习预测，提高了后期模型预测的效率和准确性。第二，通过多个维度的基础数据信息库，基于刀具切削参数推荐模型和刀具切削力预训练大模型实现了的切削参数推荐，相比传统依赖经验和直觉的设置方式，更加科学精准，具体来说，第一个模型用于预测最优的切削参数，然而在实际过程中，切削参数指令的下达不能完成精准控制，此时通过实际切削力的监测可以对控制指令执行不准确的情况进行再次调整，确保最优切削参数想达到的预期效果能够准确实施，提高了切削控制的准确性。进一步的，通过基础数据信息库涵盖多个维度的详细数据，确保了数据的全面性和准确性。同时，基础数据信息库为切削参数推荐模型和切削力预训练大模型提供了坚实的数据支撑，通过深入分析基础数据信息库中的组合关系，为优化切削过程提供科学依据。进一步的，通过刀具切削参数推荐模型对多个维度的实时刀具切削信息进行分析，能够精准地预测和推荐最佳切削参数。进一步的，通过切削力预训练大模型实时监测切削过程中的切削力，获取实时的切削力数据，并动态调整最佳切削参数，以优化切削过程，确保切削力的稳定和安全。这样，通过基础数据信息库、刀具切削参数推荐模型和具切削力预训练大模型，可以实现切削参数的智能推荐和切削过程的智能控制，保证了切削参数的准确性和可靠性。

附图说明

图1为本申请提供的刀具切削参数的优化推荐方法实施例一的流程图；

图2为本申请提供的基础数据信息库实施例一的局部示意图；

图3为本申请刀具切削参数的优化推荐装置所在刀具切削参数的优化推荐设备的一种硬件结构图；

图4为本申请提供的刀具切削参数的优化推荐装置实施例一的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本申请提供一种刀具切削参数的优化推荐方法和装置，用于准确地进行刀具切削参数的获取和更新。

下面给出具体的实施例，用以详细介绍本申请的技术方案。

图1为本申请提供的刀具切削参数的优化推荐方法实施例一的流程图。请参照图1，本实施例提供的方法，可以包括：

S101、采集刀具切削参数基础关联数据，基于所述基础关联数据构建基础数据信息库，所述基础数据信息库用于表征各个基础关联数据之间的组合关系，所述基础关联数据为刀具切削作业多个维度的影响因素，所述基础数据信息库包括每个维度的影响因素之间的第一关联关系和所述多个维度中各个维度各个影响因素之间的第二关联关系。

具体的，基础关联数据是影响刀具切削过程的一系列基础数据，只要是和切削过程相关的对象的数据，都可以作为基础关联数据。具体实现时，可以获取历史储存的刀具切削参数基础关联数据。

需要说明的是，刀具切削参数基础关联数据的具体维度是根据实际需要确定的，本实施例中，不对此进行限定。具体实现时，刀具切削参数基础关联数据的维度可以包括机床维度、刀柄维度、刀具维度、刀具切削参数维度、加工工件材料维度、加工工艺维度等。维度是指基础关联数据的对象，例如被加工的刀具，加工机床等。与之对应的，基础数据信息库可以包括机床基础数据信息库、刀柄基础数据信息库、刀具基础数据信息库、刀具切削参数基础数据信息库、加工工件材料基础数据信息库和加工工艺数据基础数据信息库等。

进一步的，构建机床基础数据信息库，数据属性包括生产制造商、型号、最大转速、主轴接口类型、主轴直径、主轴转速、主轴定位精度、电机功率、控制系统的品牌和型号、进给轴数量、控制方式、工作台尺寸、行程范围、最大加工长度、重复定位精度、直线度、平行度、维护周期、上次维护时间、冷却系统、润滑系统、附加轴、自动换刀系统、尾座、使用历史。

进一步的，构建刀柄基础数据信息库，数据属性包括型号、制造商、生产年份、序列号、刀柄的序列号、刀柄类型、刀柄直径、刀柄长度、刀柄宽度、夹持长度、锥度、材料、硬度、密度、接口类型、最大扭矩、夹紧方式、最大承载重量、最大转速、平衡等级、传感器类型、电源要求、冷却液接口、润滑方式、刀柄表面处理工艺、刀柄经过的热处理工艺、上次维护时间、维护周期、使用历史。

进一步的，构建刀具基础数据信息库，数据属性包括型号、制造商、序列号、直径、长度、有效长度、刃长、柄径、锥度、刀具材料、硬度、涂层、刃数、螺旋角、前角、后角、刃倾角、刃形、寿命、磨损状态、使用次数、维护周期、连接类型、连接精度、夹紧力、刀具表面的处理工艺、具经过的热处理工艺、生产批次、生产日期、保修期限，使用历史。

进一步的，构建刀具切削参数基础数据信息库，数据属性包括切削速度、进给率、切削深度、切削宽度。

进一步的，构建加工工件材料基础数据信息库，数据属性包括工件材料名称、工件材料长度、工件材料宽度、工件材料高度、工件材料材质、工件材料硬度、工件材料强度、工件材料韧性、工件材料导热性、工件材料热膨胀系数、工件材料孔洞直径、工件材料重量、工件材料表面粗糙度、工件材料使用历史。

进一步的，构建加工工艺数据基础数据信息库，数据属性包括车削、铣削、钻削、镗削、磨削、攻丝、滚压。

需要说明的是，刀具切削参数基础关联数据可以是通过多维度的使用历史中获取的。具体实现时，可以通过机床使用历史、刀柄的使用历史、刀具材料、刀具使用历史、工件材料材质、工件材料使用历史获取刀具切削参数基础关联数据。进一步的，机床使用历史包括组配过的刀柄、刀具，以及加工过的工件材料以及数量；刀柄的使用历史包括组配过的机床、刀具以及加工过的工件材料以及数量；刀具材料包括高速钢、硬质合金、陶瓷、金刚石、立方氮化硼、聚晶金刚石、聚晶立方氮化硼；刀具使用历史包括组配过的刀柄以及加工过的工件材料以及数量；工件材料材质包括有碳素钢、合金钢、不锈钢、铝、钛、金、银、铝合金、钛合金、镍合金、镁合金、聚乙烯、聚丙烯、聚氯乙烯、聚碳酸醋、尼龙、氧化铝陶瓷、氮化硅陶瓷、复合材料；工件材料使用历史进一步包括加工使用的机床、刀柄、刀具、刀具切削以及加工要求的加工工艺。

进一步的，基础数据信息库中的数据之间具有组合关系。具体实现时，可以根据刀具切削时数据的实际配合关系与影响关系确定组合关系。

需要说明的是，基础关联数据包含的所有数据均为切削作业中的影响因素。

进一步的，基础关联数据中每个维度内，例如刀具维度，各个数据之间的关系为第一关联关系，例如刀具下的几何参数与钻头之间的关系。图2为本申请提供的基础数据信息库实施例一的局部示意图。请参照图2，图中仅示出刀具几何参数维度中，影响因素之间的第一关联关系，两个具有影响因素之间的影响因素之间通过短线连接，表征其对应的影响因素之间的第一关联关系。

进一步的，在不同的维度之间，每个影响因素之间包含的关系为第二关联关系。例如，一实施例中，刀具几何参数维度内的影响因素：刀齿数量，和加工工件材料维度内的影响因素：非金属材料之间的关系，为第二关联关系。

进一步的，刀具切削参数基础关联数据可以来源于有机加工产品相关的标准、专利、工艺/装配手册、切削手册、生产制造商标准技术手册，用户手册、生产制造商技术支持、评测报告、行业分析报告、发展趋势报告、技术分析报告、学术期刊、论文、杂志书籍、在线网络平台，日常实操经验、日常维护维修报告文件。

S102、采集实时刀具切削信息，所述实时刀具切削信息至少包括实时待切削的工作状态信息和实时完成的刀具切削信息。

具体的，实时刀具切削信息指在切削过程中，实时获取和记录的与刀具切削状态直接相关的信息。需要说明的是，通过实时刀具切削信息能够反映当前切削作业的实际情况。

进一步的，实时刀具切削信息的数据类型可以包括机加工场景相关的结构化文本、半结构化文本、非结构化文本、表格、文献、图片、音视频。进一步的，实时刀具切削信息的数据源可以包括机床、刀具、工件、材料及刀具制造商的技术数据。进一步的，实时刀具切削信息的数据采集方式可以包括数据采集、系统对接、人工导入和/或录入等。

进一步的，采集到实时刀具切削信息后可以对其进行数据处理。具体实现时，可以删除实时刀具切削信息中的重复记录，确保实时刀具切削信息的唯一性。

进一步的，对于包含缺失值的实时刀具切削信息，缺失值较少的，可以直接删除含有缺失值的记录，对于缺失值较多且对分析至关重要的数据，可以采用均值插补、建模预测、多重插补等方法来填补缺失值。

进一步的，可以通过统计方法（Z-score、IQR）识别并处理数据中的异常值，删除或替换为合理值。还可以将实时刀具切削信息中非数值型数据（文本、分类数据）转换为数值型数据。

进一步的，在获取实时刀具切削信息后，可以从实时刀具切削信息中提取与刀具切削参数及其影响因素相关的关键特征：材料的硬度、刀具的材质和形状、机床的功率等。

进一步的，实时待切削的工作状态信息指还未进行切削操作的状态，各个部分所处的具体工作的状态信息，此时工作状态信息下切削参数是未知的，是需要通过本发明提供的模型进行预测，并基于预训练大模型调整的。

进一步的，实时完成的刀具切削信息指在邻近时间内，刚刚完成的切削作业，刀具在已完成当前切削操作后所反馈的信息，此时切削参数是已知的，用该类参数校正基础数据信息库，以便提高数据库和关联关系的准确性，同时提高模型预测切削力的准确性。具体实现时，实时完成的刀具切削信息可以包括切削过程中刀具的实际切削参数、切削效果、刀具磨损情况以及切削过程中可能出现的异常情况。

本步骤具体实现时，可以根据切削需求和机床特性，在机床和刀具上安装传感器，准确捕捉实时刀具切削信息。

可选的，所述实时完成的刀具切削信息包括切削作业过程中各个环节各个对象的数据，不同环节不同对象的数据长度不同和数据表达形式不同；

所述采集实时刀具切削信息之后，还包括：

（1）基于相关性分析从所述实时完成的刀具切削信息中提取与切削参数关联的目标特征。

具体的，切削作业过程中各个环节各个对象的数据可以是加工的不同阶段、刀具的不同使用状态、材料的不同切削状态等阶段中提取的数据。

可以理解的是，由于切削作业不同的阶段的持续时间与工作内容不同，不同环节不同对象的数据长度不同和数据表达形式也不同。

需要说明的是，可以基于传统的相关性分析方法提取目标特征，也可以采用神经网络的相关性分析方法提取目标特征，本步骤中，不对此进行限定。具体实现时，将切削参数有关的数据提取出来，获取这些数据的特征，将其确定为目标特征。

具体实现时，可以使用相关性分析、主成分分析（简称PCA）方法，选择对实时完成的刀具切削信息有显著影响的特征。通过主成分分析方法将实时刀具切削信息从原始特征空间转换到新的低维空间，保留实时刀具切削信息中的主要变化方向，同时减少数据的复杂性。

（2）将各个目标特征进行分段，得到所有目标特征的数据段集合，所述数据段集合中各个数据段的长度相同。

具体的，各个数据段的具体长度是根据实际需要确定的，本实施例中，不对此进行限定。具体实现时，将目标特征按照确定好的长度进行划分，得到多段数据段。

进一步的，将所有数据段组合得到数据段集合。

（3）根据所述目标特征所属加工阶段和对应刀具状态对各个数据段进行标记。

具体的，根据切削作业过程中各个环节确定加工的阶段。

进一步的，根据数据段对应的获取时间，确定每个数据点对应的加工阶段和对应刀具状态，将属于同一类加工阶段和同一类刀具状态进行归置，并用加工阶段和刀具状态标记分类号的数据段。

本实施例提供的刀具切削参数的优化推荐方法，首先基于相关性分析从实时完成的刀具切削信息中提取与切削参数关联的目标特征，进而将各个目标特征进行分段，得到所有目标特征的数据段集合，数据段集合中各个数据段的长度相同，最后根据目标特征所属加工阶段和对应刀具状态对各个数据段进行标记。这样，通过加工阶段和对应刀具状态对实时完成的刀具切削信息进行分段处理，可以更加精确地分析各个阶段和状态下的切削特性和参数变化。这样，有助于捕捉更加细致的数据特征和变化趋势，从而提高数据分析的准确性和有效性。进一步的，通过为每段数据添加相应的标签完成标记，有助于快速识别和分类数据中的异常情况，并及时采取相应措施进行调整。这样，通过分段处理和标记处理，形成一个统一的数据集，有助于消除数据孤岛问题，提高实时完成的刀具切削信息的可靠性，为切削参数的优化提供更加全面的数据支持。

下面给出一具体的实施例，用以详细介绍基础数据信息库的修正过程：

（1）基于所述实时完成的刀具切削信息识别各个参数之间的实时关联。

具体实现时，可以通过获取实时完成的刀具切削信息时得到的属性信息，确定实时完成的刀具切削信息中不同数据的对应关系，利用数据分析工具和技术分析这些对应关系，识别各个参数之间的实时关联。

需要说明的是，由于不同的切削条件下数据的关联关系可能会有所不同，因此需要实时获取当前的实时关联。

（2）基于各个参数定位所述基础数据信息库中对应的第一关联关系和第二关联关系。

具体实现时，根据实时完成的刀具切削信息与基础数据信息库中数据的对应关系，将相同数据类型的数据确定为互相对应。将互相对应的数据之间的第一关联关系和第二关联关系也确定为对应。例如，一实施例中，基础数据信息库中的钻头直径数据和钻头数据具有第一关联关系，将实时完成的刀具切削信息中的钻头直径数据和钻头数据与基础数据信息库这两个数据确定为互相对应。

（3）根据所述实时关联对所述第一关联关系和所述第二关联关系进行修正。

具体实现时，可以直接将实时关系替换对应的第一关联关系和第二关联关系，得到新的第一关联关系和第二关联关系。当实时关系没有对应的第一关联关系和第二关联关系时，可以直接将实时关系填充仅基础数据信息库中，得到新的第一关联关系和第二关联关系。

本实施例提供的刀具切削参数的优化推荐方法，首先基于实时完成的刀具切削信息识别各个参数之间的实时关联，进而基于各个参数定位基础数据信息库中对应的第一关联关系和第二关联关系，最后根据实时关联对第一关联关系和第二关联关系进行修正。这样，通过实时完成的刀具切削信息的反馈和动态修正，基础数据信息库中的组合关系更加贴近实际切削过程，从而提高了切削参数推荐的准确性。进一步的，随着加工条件和切削状态的变化，基础数据信息库能够实时更新和调整组合关系，这种动态修正机制使得基础数据信息库能够更好地适应多样化的加工需求，提高系统的适应性和灵活性。

S103、基于所述实时完成的刀具切削信息和所述基础数据信息库构建刀具切削参数推荐模型，所述刀具切削参数推荐模型基于所述实时待切削的工作状态信息预测最佳切削参数。

具体的，刀具切削参数推荐模型用于根据实时完成的刀具切削信息和基础数据信息库中的数据，预测和推荐最佳的切削参数。

具体实现时，刀具切削参数推荐模型包含刀具切削参数和基础数据信息库内数据的对应关系，因此可以根据实时完成的刀具切削信息寻找到最佳切削参数。

下面给出一具体的实施例，用以详细介绍刀具切削参数推荐模型的训练过程：

（1）将所述实时刀具切削参数结构化，抽取实体和关系信息。

具体的，对实时刀具切削参数进行结构化处理，可以采用传统的结构化处理方法处理实时刀具切削参数，也可以采用神经网络的结构化处理处理实时刀具切削参数，本实施例中，不对此进行限定。

具体实现时，可以对实时刀具切削参数进行数据清洗、格式转换、归一化，确保数据的质量和一致性，得到结构化数据。

进一步的，在结构化数据中确定数据对应的实体，以及不同实体之间对应的关系信息。

（2）根据所述基础数据信息库查找与所述实时刀具切削参数对应的参数位置。

具体的，将实时刀具切削参数输入基础数据信息库中，获取计划处数据信息库中与实时刀具切削参数对应的参数的位置。

需要说明的是，通过参数位置可以将各个基础关联数据之间的组合关系确定为实时刀具切削参数之间的组合关系。

（3）基于抽取到的实体和关系信息实例化查找到的参数位置，以完成所述基础数据信息库的实例化，根据实例化后的所述基础数据信息库训练所述刀具切削参数推荐模型。

具体实现时，本步骤中，将实体填充进基础数据信息库中，通过基础数据信息库中保存的组合关系为实体完成实例化。

需要说明的是，实例化后的基础数据信息库不但包含各个维度的参数值，还包含各个维度参数值对应的第一关联关系和第二关联关系。

进一步的，基于实例化后的基础数据信息库训练基准模型，得到训练好的刀具切削参数推荐模型。

具体实现时，本实施例中，可以基于实例化后的基础数据信息库，提取与机床、刀柄、刀具、刀具切削参数、加工工件材料、加工工艺相关的数据，以实时刀具切削参数作为目标标签，通过SGD算法调整基准模型的权重来完成对刀具切削参数推荐模型的模型训练。

本实施例提供的刀具切削参数的优化推荐方法，首先将所述实时刀具切削参数结构化，抽取实体和关系信息，进而根据所述基础数据信息库查找与所述实时刀具切削参数对应的参数位置，再基于抽取到的实体和关系信息实例化查找到的参数位置，以完成所述基础数据信息库的实例化，根据实例化后的所述基础数据信息库训练所述刀具切削参数推荐模型。这样，通过实时刀具切削参数与基础数据信息库进行对应，并进行实例化，刀具切削参数推荐模型能够学习到切削参数之间的复杂关系。进一步的，随着加工条件和切削需求的不断变化，通过实时刀具切削参数训练刀具切削参数推荐模型，使其能够适应多样化的加工场景和材料变化，提高生产过程的灵活性和响应速度。

下面给出另一具体的实施例，用以详细介绍训练所述刀具切削参数推荐模型的过程：

（1）从实例化后的所述基础数据信息库定位切削参数节点位置。

具体的，切削参数节点可以为切削作业相关的重要的数据类型。具体实现时，可以将基础数据信息库中完成实例化的所有数据均确定为切削参数节点，并获取其切削参数节点位置。

（2）基于实例化后的第一关联关系和第二关联关系定位与切削参数节点位置相对应的切削工作状态信息。

具体实现时，可以通过切削工作状态信息与切削参数节点位置的对应关系获取切削工作状态信息。

（3）将切削参数作为输出、切削工作状态信息作为输入，输入与输出之间的关联关系为辅助信息，构建第一训练样本。

具体的，第一训练样本中包含切削参数、切削工作状态信息以及关联关系的辅助数据。

（4）基于第一训练样本训练所述刀具切削参数推荐模型，所述刀具切削参数推荐模型用于预测刀具切削参数及各个参数值对切削力的影响程度。

具体实现时，将第一训练样本输入基准模型中，学习切削参数和切削工作状态信息之间的关联关系，得到训练好的刀具切削参数推荐模型。

本实施例提供的刀具切削参数的优化推荐方法，首先从实例化后的基础数据信息库定位切削参数节点位置，进而基于实例化后的第一关联关系和第二关联关系定位与切削参数节点位置相对应的切削工作状态信息，然后将切削参数作为输出、切削工作状态信息作为输入，输入与输出之间的关联关系为辅助信息，构建第一训练样本，最后基于第一训练样本训练刀具切削参数推荐模型，刀具切削参数推荐模型用于预测刀具切削参数及各个参数值对切削力的影响程度。这样，基于精心构建的第一训练样本，对刀具切削参数推荐模型进行训练。在训练过程中，模型能够学习到切削参数与切削工作状态之间的复杂关系，从而提升模型在预测切削参数及其对切削力影响程度时的精度。有助于在实际切削过程中获得更加合理的切削参数设置，进而得到准确的最佳切削参数。

下面给出一具体的实施例，用以详细介绍刀具切削参数推荐模型的使用过程：

（1）提取所述实时待切削的工作状态信息中各个维度的特征信息。

具体的，可以基于传统的特征提取方法获取实时待切削的工作状态信息中各个维度的特征信息，也可以基于神经网络的特征提取方法获取实时待切削的工作状态信息中各个维度的特征信息，本实施例中，不对此进行限定。

进一步的，可以对实时待切削的工作状态信息进行预处理后，进行特征提取。

（2）将各个维度的特征信息输入至预训练后的所述刀具切削参数推荐模型。

具体实现时，将提取出的特征向量作为输入数据，传递给训练好的刀具切削参数推荐模型。

（3）所述刀具切削参数推荐模型识别各个维度的特征信息与切削参数之间关联关系，预测最佳切削参数及各个切削参数对切削力的影响程度。

具体实现时，刀具切削参数推荐模型基于输入的特征信息与切削参数之间的潜在关联关系，预测出在当前切削状态下最佳的切削参数组合。

本实施例提供的刀具切削参数的优化推荐方法，首先提取实时待切削的工作状态信息中各个维度的特征信息，然后将各个维度的特征信息输入至预训练后的刀具切削参数推荐模型，进而刀具切削参数推荐模型识别各个维度的特征信息与切削参数之间关联关系，预测最佳切削参数及各个切削参数对切削力的影响程度。这样，通过实时提取实时待切削的工作状态信息，能够迅速响应切削环境的变化，确保切削参数的调整始终基于最新的实时待切削的工作状态信息。进一步的，刀具切削参数推荐模型通过分析各个维度的特征信息，能够将基于这些特征信息与切削参数之间的复杂关联关系预测出在当前切削条件下最佳切削参数。这样，可以得到可靠性高、准确性好的最佳切削参数。

S104、根据所述最佳切削参数进行切削作业。

具体的，切削作业是使用刀具对工件进行切削加工的操作过程。

具体实现时，根据最佳切削参数对机床进行相应的参数设置。例如，一实施例中，根据最佳切削参数调整切削速度、进给率、切削深度等参数，使机床按照推荐的最佳参数进行切削作业。

S105、基于刀具切削力预训练大模型和所述最佳切削参数预测目标切削力，监测切削作业的实时切削力，所述刀具切削力预训练大模型基于所述目标切削力和实时切削力之间的差距，调整所述最佳切削参数。

具体的，刀具切削力预训练大模型用于预测和模拟切削过程中产生的切削力。需要说明的是，该模型通过大量的历史切削数据和切削力数据训练而成，能够较为准确地预测在给定切削参数下可能产生的切削力。

进一步的，目标切削力是通过最佳切削参数预测得到的机床可能产生的切削力。

进一步的，实时切削力可以通过机床上安装的传感器进行实时采集。

可选的，所述基于刀具切削力预训练大模型和所述最佳切削参数预测目标切削力之前，还包括：

（1）基于所述基础数据信息库和所述实时完成的刀具切削信息确定与切削力相关程度大于预设阈值的目标特征信息。

具体的，基于基础数据信息库中的静态数据和实时完成的刀具切削信息，使用特征选择方法对基础数据信息库中的信息进行评估，得到每个特征数据对应的相关度值。

进一步的，预设阈值的具体数值是根据实际需要确定的，本实施例中，不对此进行限定。

进一步的，将相关度值与预设阈值进行对比，将大于预设阈值的相关度值对应的特征数据确定为目标特征信息。

（2）将所述目标特征信息和对应的切削力作为训练样本，训练刀具切削力预训练大模型，确定各个切削参数与切削力之间的目标关联关系。

具体实现时，将筛选出的目标特征信息和对应的切削力数据作为训练样本输入到基准模型中，使用神经网络等机器学习算法对模型进行训练，通过调整模型参数和学习率等超参数来优化模型的预测性能。可以理解的是，在训练过程中，模型会逐渐学习到各个切削参数与切削力之间的复杂关联关系，并能够在新的切削条件下进行准确的切削力预测。

具体实现时，可以使用交叉验证技术对刀具切削力预训练大模型进行评估，以确保刀具切削力预训练大模型的泛化能力和稳定性。同时，可以通过网格搜索、随机搜索或贝叶斯优化等方法，对刀具切削力预训练大模型的超参数进行调优，以进一步提升刀具切削力预训练大模型的预测性能。进一步的，可以使用梯度提升树集成学习方法对多个训练好的单一的刀具切削力预训练大模型进行融合来提高预测的准确性和稳定性。

本实施例提供的刀具切削参数的优化推荐方法，基于基础数据信息库和实时完成的刀具切削信息确定与切削力相关程度大于预设阈值的目标特征信息；将目标特征信息和对应的切削力作为训练样本，训练刀具切削力预训练大模型，确定各个切削参数与切削力之间的目标关联关系。这样，通过筛选出与切削力相关程度大于预设阈值的目标特征信息，确保了训练样本的高相关性和代表性，从而提高了刀具切削力预训练大模型的预测准确性。

下面给出一具体的实施例，用以详细介绍刀具切削力预训练大模型的使用过程：

（1）确定所述目标切削力和实时切削力之间的差距。

具体实现时，监测系统实时采集切削过程中的切削力数据，得到实时切削力，将实时切削力与目标切削力进行比较，计算出两者之间的差距。这个差距反映了当前切削参数设置与目标状态之间的偏离程度。需要说明的是，可以通过作差等方法，获取目标切削力和实时切削力之间的差距。

（2）基于所述刀具切削力预训练大模型和所述差距确定候选调整方案集。

具体的，利用刀具切削力预训练大模型，对不同的切削参数组合进行预测，评估它们对切削力的潜在影响。

具体实现时，将实时切削力与目标切削力之间的差距输入刀具切削力预训练大模型中，生成一系列候选的切削参数调整方案，形成候选调整方案集。

（3）基于所述刀具切削参数推荐模型从所述候选调整方案集中筛选目标调整方案。

具体实现时，将候选调整方案集中的每个方案输入到刀具切削参数推荐模型中，通过综合考虑切削效率、刀具寿命和加工质量等因素，对候选方案进行评估和排序。

进一步的，刀具切削参数推荐模型筛选出最优的目标调整方案。可以理解的是，目标调整方案在平衡切削效率、刀具寿命和加工质量方面具有最佳表现。

（4）按照所述目标调整方案对各个切削参数进行调整，调整后实时切削力与所述目标切削力的差距缩小。

具体的，按照目标调整方案对切削参数进行调整。

需要说明的是，调整后实时切削力与所述目标切削力的差距缩小。

本实施例提供的刀具切削参数的优化推荐方法，首先确定目标切削力和实时切削力之间的差距，进而基于刀具切削力预训练大模型和差距确定候选调整方案集，进而基于刀具切削参数推荐模型从候选调整方案集中筛选目标调整方案，最后按照目标调整方案对各个切削参数进行调整，调整后实时切削力与目标切削力的差距缩小。这样，通过实时监测切削过程中的实时切削力，并与目标切削力进行比较，能够立即发现切削过程中的偏差，可以及时调整切削参数，确保切削过程始终处于最优状态。进一步的，利用刀具切削力预训练大模型和刀具切削参数推荐模型，实现了切削参数的智能化调整，这两个模型通过机器学习算法对大量历史数据进行分析和学习，能够自动推荐和调整切削参数，减少了人工干预，提高了调整的准确性和效率。这样，通过不断缩小实时切削力与目标切削力之间的差距，能够确保切削过程始终接近理想状态，有助于提高工件的加工精度和表面质量。

下面给出一具体的实施例，用以详细介绍目标调整方案的获取过程：

（1）基于所述刀具切削力预训练大模型确定的各个切削参数与切削力之间的目标关联关系。

具体的，利用刀具切削力预训练大模型，分析并确定切削参数与切削力之间的目标关联关系。具体实现时，刀具切削力预训练大模型通过切削参数与切削力的关联，生成目标关联关系。

（2）基于所述差距和所述目标关联关系确定候选调整方案集。

具体实现时，根据实时切削力与目标切削力之间的差距，以及通过预训练大模型得到的目标关联关系，生成一系列可能的切削参数调整方案，形成候选调整方案集。

需要说明的是，刀具切削力预训练大模型分析造成差距的原因，并基于此更改切削参数，得到候选调整方案集。

（3）基于所述刀具切削参数推荐模型确定各个切削参数对所述切削力的影响程度。

具体的，利用刀具切削参数推荐模型，对候选调整方案集中的每个方案进行分析，量化不同切削参数对切削力变化的具体影响程度。需要说明的是，通过刀具切削参数推荐模型可以评估各方案效果、筛选最优方案。

（4）基于所述影响程度从所述候选调整方案集中筛选目标调整方案。

具体实现时，基于切削参数对切削力的影响程度分析，从候选调整方案集中筛选出最优的目标调整方案。可以理解的是，目标调整方案能在满足加工要求的前提下，最大限度地缩小实时切削力与目标切削力之间的差距，同时考虑切削效率、刀具寿命和加工质量等多个因素。

本实施例提供的刀具切削参数的优化推荐方法，首先基于刀具切削力预训练大模型确定的各个切削参数与切削力之间的目标关联关系，进而基于差距和目标关联关系确定候选调整方案集，然后基于刀具切削参数推荐模型确定各个切削参数对切削力的影响程度，最后基于影响程度从候选调整方案集中筛选目标调整方案。这样，通过刀具切削力预训练大模型能够准确地建立切削参数与切削力之间的目标关联关系，能够更精确地反映实际切削过程中各参数对切削力的影响。进一步的，在实时切削过程中，通过不断监测实时切削力与目标切削力之间的差距，并基于这个差距和目标关联关系，自动生成一系列候选调整方案集。这样，通过刀具切削参数推荐模型量化不同候选调整方案集中切削参数对切削力的影响程度，最终筛选出的目标调整方案不仅考虑了缩小切削力差距的需求，还综合了切削效率、刀具寿命和加工质量等多个因素，可以得到准确、可靠的目标调整方案。

本实施例提供的刀具切削参数的优化推荐方法和装置，首先采集刀具切削参数基础关联数据，基于基础关联数据构建基础数据信息库，基础数据信息库用于表征各个基础关联数据之间的组合关系，基础关联数据为刀具切削作业多个维度的影响因素，基础数据信息库包括每个维度的影响因素之间的第一关联关系和多个维度中各个维度各个影响因素之间的第二关联关系，进而采集实时刀具切削信息，实时刀具切削信息至少包括实时待切削的工作状态信息和实时完成的刀具切削信息，然后基于实时完成的刀具切削信息和基础数据信息库构建刀具切削参数推荐模型，刀具切削参数推荐模型基于实时待切削的工作状态信息预测最佳切削参数，进而根据最佳切削参数进行切削作业，最后基于刀具切削力预训练大模型和最佳切削参数预测目标切削力，监测切削作业的实时切削力，刀具切削力预训练大模型基于目标切削力和实时切削力之间的差距，调整最佳切削参数。这样，通过多个维度的基础数据信息库，基于刀具切削参数推荐模型和刀具切削力预训练大模型实现了的切削参数推荐，相比传统依赖经验和直觉的设置方式，更加科学精准。进一步的，通过基础数据信息库涵盖多个维度的详细数据，确保了数据的全面性和准确性。同时，基础数据信息库为切削参数推荐模型和切削力预训练大模型提供了坚实的数据支撑，通过深入分析基础数据信息库中的组合关系，为优化切削过程提供科学依据。进一步的，通过刀具切削参数推荐模型对多个维度的实时刀具切削信息进行分析，能够精准地预测和推荐最佳切削参数。进一步的，刀具切削力预训练大模型，能够实时监测切削力并与预设目标进行对比分析，当发现切削力与目标存在差距时，基于切削力与切削参数之间的目标关联关系，生成候选调整方案集，并通过刀具切削参数推荐模型进一步分析各切削参数对切削力的影响程度，最终筛选出最优的调整方案。这种动态调整机制确保了切削过程始终处于最优状态，有效提升了加工效率和加工质量。这样，通过智能化确定最合适的切削参数，可以提高生产效率和加工质量。

与前述一种刀具切削参数的优化推荐方法的实施例相对应，本申请还提供了一种刀具切削参数的优化推荐装置的实施例。

本申请一种刀具切削参数的优化推荐装置的实施例可以应用在刀具切削参数的优化推荐设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在刀具切削参数的优化推荐设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本申请刀具切削参数的优化推荐装置所在刀具切削参数的优化推荐设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的刀具切削参数的优化推荐设备通常根据该刀具切削参数的优化推荐装置的实际功能，还可以包括其他硬件，对此不再赘述。

图4为本申请提供的刀具切削参数的优化推荐装置实施例一的结构示意图。请参照图4，本实施例提供的装置，包括构建模块410、采集模块420、处理模块430和调整模块440；其中；

所述构建模块410，用于采集刀具切削参数基础关联数据，基于所述基础关联数据构建基础数据信息库，所述基础数据信息库用于表征各个基础关联数据之间的组合关系，所述基础关联数据为刀具切削作业多个维度的影响因素，所述基础数据信息库包括每个维度的影响因素之间的第一关联关系和所述多个维度中各个维度各个影响因素之间的第二关联关系；

所述采集模块420，用于采集实时刀具切削信息，所述实时刀具切削信息至少包括实时待切削的工作状态信息和实时完成的刀具切削信息；

所述构建模块410，还用于基于所述实时完成的刀具切削信息和所述基础数据信息库构建刀具切削参数推荐模型，所述刀具切削参数推荐模型基于所述实时待切削的工作状态信息预测最佳切削参数；

所述处理模块430，用于根据所述最佳切削参数进行切削作业；

所述调整模块440，用于基于刀具切削力预训练大模型和所述最佳切削参数预测目标切削力，监测切削作业的实时切削力，所述刀具切削力预训练大模型基于所述目标切削力和实时切削力之间的差距，调整所述最佳切削参数。

本实施例的装置，可用于执行图1所示方法实施例的步骤，具体实现原理和实现过程类似，此处不再赘述。

可选的，所述构建模块410，具体用于基于相关性分析从所述实时完成的刀具切削信息中提取与切削参数关联的目标特征；

所述构建模块410，还具体用于将各个目标特征进行分段，得到所有目标特征的数据段集合，所述数据段集合中各个数据段的长度相同；

所述构建模块410，还具体用于根据所述目标特征所属加工阶段和对应刀具状态对各个数据段进行标记。

可选的，所述采集模块420，具体用于基于所述实时完成的刀具切削信息识别各个参数之间的实时关联；

所述采集模块420，还具体用于基于各个参数定位所述基础数据信息库中对应的第一关联关系和第二关联关系；

所述采集模块420，还具体用于根据所述实时关联对所述第一关联关系和所述第二关联关系进行修正。

可选的，所述构建模块410，还具体用于将所述实时刀具切削参数结构化，抽取实体和关系信息；

所述构建模块410，还具体用于根据所述基础数据信息库查找与所述实时刀具切削参数对应的参数位置；

所述构建模块410，还具体用于基于抽取到的实体和关系信息实例化查找到的参数位置，以完成所述基础数据信息库的实例化，根据实例化后的所述基础数据信息库训练所述刀具切削参数推荐模型。

可选的，所述构建模块410，还具体用于从实例化后的所述基础数据信息库定位切削参数节点位置；

所述构建模块410，还具体用于基于实例化后的第一关联关系和第二关联关系定位与切削参数节点位置相对应的切削工作状态信息；

所述构建模块410，还具体用于将切削参数作为输出、切削工作状态信息作为输入，输入与输出之间的关联关系为辅助信息，构建第一训练样本；

所述构建模块410，还具体用于基于第一训练样本训练所述刀具切削参数推荐模型，所述刀具切削参数推荐模型用于预测刀具切削参数及各个参数值对切削力的影响程度。

可选的，所述构建模块410，还具体用于提取所述实时待切削的工作状态信息中各个维度的特征信息；

所述构建模块410，还具体用于将各个维度的特征信息输入至预训练后的所述刀具切削参数推荐模型；

所述构建模块410，还具体用于所述刀具切削参数推荐模型识别各个维度的特征信息与切削参数之间关联关系，预测最佳切削参数及各个切削参数对切削力的影响程度。

可选的，所述构建模块410，还具体用于基于所述基础数据信息库和所述实时完成的刀具切削信息确定与切削力相关程度大于预设阈值的目标特征信息；

所述构建模块410，还具体用于将所述目标特征信息和对应的切削力作为训练样本，训练刀具切削力预训练大模型，确定各个切削参数与切削力之间的目标关联关系。

可选的，所述调整模块440，具体用于确定所述目标切削力和实时切削力之间的差距；

所述调整模块440，还具体用于基于所述刀具切削力预训练大模型和所述差距确定候选调整方案集；

所述调整模块440，还具体用于基于所述刀具切削参数推荐模型从所述候选调整方案集中筛选目标调整方案；

所述调整模块440，还具体用于按照所述目标调整方案对各个切削参数进行调整，调整后实时切削力与所述目标切削力的差距缩小。

可选的，所述调整模块440，还具体用于基于所述刀具切削力预训练大模型确定的各个切削参数与切削力之间的目标关联关系；

所述调整模块440，还具体用于基于所述差距和所述目标关联关系确定候选调整方案集；

所述调整模块440，还具体用于基于所述刀具切削参数推荐模型确定各个切削参数对所述切削力的影响程度；

所述调整模块440，还具体用于基于所述影响程度从所述候选调整方案集中筛选目标调整方案。

请继续参照图3，本申请还提供一种刀具切削参数的优化推荐设备，包括存储器、处理器及存储在所述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本申请第一方面提供的任一项所述方法的步骤。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本申请提供的任一项所述方法的步骤。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种刀具切削参数的优化推荐方法，其特征在于，所述方法包括：

采集刀具切削参数基础关联数据，基于所述基础关联数据构建基础数据信息库，所述基础数据信息库用于表征各个基础关联数据之间的组合关系，所述基础关联数据为刀具切削作业多个维度的影响因素，所述基础数据信息库包括每个维度的影响因素之间的第一关联关系和所述多个维度中各个维度各个影响因素之间的第二关联关系；

采集实时刀具切削信息，所述实时刀具切削信息至少包括实时待切削的工作状态信息和实时完成的刀具切削信息；

基于所述实时完成的刀具切削信息和所述基础数据信息库构建刀具切削参数推荐模型，所述刀具切削参数推荐模型基于所述实时待切削的工作状态信息预测最佳切削参数；

根据所述最佳切削参数进行切削作业；

基于刀具切削力预训练大模型和所述最佳切削参数预测目标切削力，监测切削作业的实时切削力，所述刀具切削力预训练大模型基于所述目标切削力和实时切削力之间的差距，调整所述最佳切削参数。

2.根据权利要求1所述的方法，其特征在于，所述实时完成的刀具切削信息包括切削作业过程中各个环节各个对象的数据，不同环节不同对象的数据长度不同和数据表达形式不同；

所述采集实时刀具切削信息之后，还包括：

基于相关性分析从所述实时完成的刀具切削信息中提取与切削参数关联的目标特征；

将各个目标特征进行分段，得到所有目标特征的数据段集合，所述数据段集合中各个数据段的长度相同；

根据所述目标特征所属加工阶段和对应刀具状态对各个数据段进行标记。

3.根据权利要求1所述的方法，其特征在于，所述采集实时刀具切削信息之后，所述方法还包括：

基于所述实时完成的刀具切削信息识别各个参数之间的实时关联；

基于各个参数定位所述基础数据信息库中对应的第一关联关系和第二关联关系；

根据所述实时关联对所述第一关联关系和所述第二关联关系进行修正。

4.根据权利要求1所述的方法，其特征在于，所述基于所述实时完成的刀具切削信息和所述基础数据信息库构建刀具切削参数推荐模型，包括：

将实时刀具切削参数结构化，抽取实体和关系信息；

根据所述基础数据信息库查找与所述实时刀具切削参数对应的参数位置；

基于抽取到的实体和关系信息实例化查找到的参数位置，以完成所述基础数据信息库的实例化，根据实例化后的所述基础数据信息库训练所述刀具切削参数推荐模型。

5.根据权利要求4所述的方法，其特征在于，所述根据实例化后的所述基础数据信息库训练所述刀具切削参数推荐模型，包括：

从实例化后的所述基础数据信息库定位切削参数节点位置；

基于实例化后的第一关联关系和第二关联关系定位与切削参数节点位置相对应的切削工作状态信息；

将切削参数作为输出、切削工作状态信息作为输入，输入与输出之间的关联关系为辅助信息，构建第一训练样本；

基于第一训练样本训练所述刀具切削参数推荐模型，所述刀具切削参数推荐模型用于预测刀具切削参数及各个参数值对切削力的影响程度。

6.根据权利要求4所述的方法，其特征在于，所述刀具切削参数推荐模型基于所述实时待切削的工作状态信息预测最佳切削参数，包括：

提取所述实时待切削的工作状态信息中各个维度的特征信息；

将各个维度的特征信息输入至预训练后的所述刀具切削参数推荐模型；

所述刀具切削参数推荐模型识别各个维度的特征信息与切削参数之间关联关系，预测最佳切削参数及各个切削参数对切削力的影响程度。

7.根据权利要求1所述的方法，其特征在于，所述基于刀具切削力预训练大模型和所述最佳切削参数预测目标切削力之前，还包括：

基于所述基础数据信息库和所述实时完成的刀具切削信息确定与切削力相关程度大于预设阈值的目标特征信息；

将所述目标特征信息和对应的切削力作为训练样本，训练刀具切削力预训练大模型，确定各个切削参数与切削力之间的目标关联关系。

8.根据权利要求1所述的方法，其特征在于，所述刀具切削力预训练大模型基于所述目标切削力和实时切削力之间的差距，调整所述最佳切削参数，包括：

确定所述目标切削力和实时切削力之间的差距；

基于所述刀具切削力预训练大模型和所述差距确定候选调整方案集；

基于所述刀具切削参数推荐模型从所述候选调整方案集中筛选目标调整方案；

按照所述目标调整方案对各个切削参数进行调整，调整后实时切削力与所述目标切削力的差距缩小。

9.根据权利要求8所述的方法，其特征在于，所述基于所述刀具切削参数推荐模型从所述候选调整方案集中筛选目标调整方案，包括：

基于所述刀具切削力预训练大模型确定的各个切削参数与切削力之间的目标关联关系；

基于所述差距和所述目标关联关系确定候选调整方案集；

基于所述刀具切削参数推荐模型确定各个切削参数对所述切削力的影响程度；

基于所述影响程度从所述候选调整方案集中筛选目标调整方案。

10.一种刀具切削参数的优化推荐装置，其特征在于，所述装置包括构建模块、采集模块、处理模块和调整模块；其中，

所述构建模块，用于采集刀具切削参数基础关联数据，基于所述基础关联数据构建基础数据信息库，所述基础数据信息库用于表征各个基础关联数据之间的组合关系，所述基础关联数据为刀具切削作业多个维度的影响因素，所述基础数据信息库包括每个维度的影响因素之间的第一关联关系和所述多个维度中各个维度各个影响因素之间的第二关联关系；

所述采集模块，用于采集实时刀具切削信息，所述实时刀具切削信息至少包括实时待切削的工作状态信息和实时完成的刀具切削信息；

所述构建模块，还用于基于所述实时完成的刀具切削信息和所述基础数据信息库构建刀具切削参数推荐模型，所述刀具切削参数推荐模型基于所述实时待切削的工作状态信息预测最佳切削参数；

所述处理模块，用于根据所述最佳切削参数进行切削作业；

所述调整模块，用于基于刀具切削力预训练大模型和所述最佳切削参数预测目标切削力，监测切削作业的实时切削力，所述刀具切削力预训练大模型基于所述目标切削力和实时切削力之间的差距，调整所述最佳切削参数。