高速高精是数控加工中重要的发展方向。在高速精加工的过程中,刀具相对于工件的频繁加减速会导致进给速度在刀具轨迹横向上不一致,进而导致加工零件的表面缺陷。产生上述问题的主要原因是数控系统在进给速度规划时刀具轨迹特征点识别不准确,进而导致限速区间划分出现偏差。因此准确且全面的识别出刀具轨迹中的特征点是必要的。针对现有刀具轨迹特征点识别算法中阈值敏感,难以利用历史样本,依赖于专家经验等问题,本文提出了基于数据驱动的刀具轨迹特征点识别方法,具体内容如下。首先提出了一种基于卷积神经网络模型Feature CNN的刀具轨迹特征点识别方法,通过G01程序点几何参数图像编码算法将刀具轨迹编码为多通道图像集,通过输入G01程序点几何参数图像到特征点历史样本训练后的Feature CNN模型中输出特征点标签。实验结果表明本文提出的方法在测试集上识别精度与特征点查全率都要高于现有特征点识别方法。进一步的,针对上述方法中缺乏刀具轨迹横向信息,在复杂曲面上特征点查全率差,不支持特征点分类的问题,提出了一种基于空域图神经网络模型Feature GNN的刀具轨迹特征点识别分类方法。首先将刀具轨迹转化为图数据结构CL Graph,CL Graph融合了刀具进给方向及横向的几何特征信息,针对CL Graph设计了一种空域卷积算法并以此设计了图神经网络模型Feature GNN。在给定测试集上的结果表明,Feature GNN模型在复杂刀具轨迹中的性能表现要高于传统算法与Feature CNN模型。最后将上述特征点识别方法应用在数控系统的进给速度优化中,在进给方向速度优化的基础上提出了一种刀具轨迹横向速度优化方法,保证了进给速度的横向一致性。通过仿真及加工实验表明,基于特征点的进给速度优化算法能够平滑进给速度曲线,缓解进给速度横向不一致的问题,提高加工零件的表面质量。