★感知与互联：通过的“指令域”大数据汇聚方法，按毫秒级采样周期汇集数控系统内部电控数据、插补数据，以及温度、振动、视觉等外部传感器数据，形成数控加工指令域“心电图”和“色谱图”。伺服驱动系统既是“执行器”，又是“感知器”。实现了数控加工过程的状态信息和工况信息的自主感知。
★学习与建模：从机床和工件模型建立指令与响应的“因果关系”，从指令域大数据中分析“关联关系”，两者结合，应用新一代人工智能技术，进行自主学习，获得数控加工智能化控制知识，通过开放的技术平台，实现智能控制策略、知识的积累和共享，建立了数控机床的全生命周期“数字双胞胎”（Digital Twins）和“人-信息-物理系统”（Human-Cyber-Physical Systems， HCPS）。
★优化与决策：新的加工任务和工艺，先在机床的数字双胞胎模型中仿真、优化，形成与本机床响应特性关联的前馈和补偿指令，实现自主优化与决策，形成多目标优化加工的智能控制“i-代码”。
★控制与执行：加工程序（G代码）和与本机床响应特性及特定优化目标关联的优化、补偿代码（i代码）同时执行，双码联控，实现数控加工的优质、高效、可靠、安全和低耗。

应用新一代人工智能技术的智能应用APP1、Cyber-Milling：自生长切削加工工艺知识库与工艺参数优化
● 切削加工工艺参数提取功能
● 机床加工过程指令域大数据可视化功能
● 切削加工稳态数据样本提取功能
● 基于深度神经网络的机床工艺系统响应建模功能
● 切削加工工艺知识库自生长功能
● 机床工艺系统响应预测功能
● 切削加工工艺参数优化功能

Cyber-Feeding：自生长机床数字双胞胎与动态响应优化
● 机床三维几何模型及参数导入功能
● 机床运动过程指令域大数据分析
● 进给系统的动力学模型及大数据模型建模
● 深度学习参数辨识功能
● 几何层面的干涉检查、防碰撞及三维加工可视化
● 物理层面的虚拟动态响应仿真、及空间轮廓误差分析功能
● 大数据分析的轮廓误差补偿功能
● 机床数字双胞胎模型自生长