★感知與互聯：通過的“指令域"大數據匯聚方法，按毫秒級采樣周期匯集數控系統內部電控數據、插補數據，以及溫度、振動、視覺等外部傳感器數據，形成數控加工指令域“心電圖"和“色譜圖"。伺服驅動系統既是“執行器"，又是“感知器"。實現了數控加工過程的狀態信息和工況信息的自主感知。
★學習與建模：從機床和工件模型建立指令與響應的“因果關系"，從指令域大數據中分析“關聯關系"，兩者結合，應用新一代人工智能技術，進行自主學習，獲得數控加工智能化控制知識，通過開放的技術平臺，實現智能控制策略、知識的積累和共享，建立了數控機床的全生命周期“數字雙胞胎"（Digital Twins）和“人-信息-物理系統"（Human-Cyber-Physical Systems， HCPS）。
★優化與決策：新的加工任務和工藝，先在機床的數字雙胞胎模型中仿真、優化，形成與本機床響應特性關聯的前饋和補償指令，實現自主優化與決策，形成多目標優化加工的智能控制“i-代碼"。
★控制與執行：加工程序（G代碼）和與本機床響應特性及特定優化目標關聯的優化、補償代碼（i代碼）同時執行，雙碼聯控，實現數控加工的優質、高效、可靠、安全和低耗。

應用新一代人工智能技術的智能應用APP1、Cyber-Milling：自生長切削加工工藝知識庫與工藝參數優化
● 切削加工工藝參數提取功能
● 機床加工過程指令域大數據可視化功能
● 切削加工穩態數據樣本提取功能
● 基于深度神經網絡的機床工藝系統響應建模功能
● 切削加工工藝知識庫自生長功能
● 機床工藝系統響應預測功能
● 切削加工工藝參數優化功能

Cyber-Feeding：自生長機床數字雙胞胎與動態響應優化
● 機床三維幾何模型及參數導入功能
● 機床運動過程指令域大數據分析
● 進給系統的動力學模型及大數據模型建模
● 深度學習參數辨識功能
● 幾何層面的干涉檢查、防碰撞及三維加工可視化
● 物理層面的虛擬動態響應仿真、及空間輪廓誤差分析功能
● 大數據分析的輪廓誤差補償功能
● 機床數字雙胞胎模型自生長