切削加工响应规律自学习旨在从数控机床日常加工所产生的数据中提炼、抽象响应信号（如切削力、主轴功率等）关于工况的模型。响应规律自学习对于实现数控机床的智能化具有重要的意义。然而,实际切削加工产生的数据不能直接用作响应规律的自学习,需要从中提取出样本数据,并实现样本数据的高效可靠存储与更新。针对上述问题,本文提出了数控加工工艺系统响应规律自学习流程,并面向该流程提出了数据存储、样本提取与样本更新方案。本文将数控加工工艺系统响应规律自学习的流程划分为数据采集、样本提取、样本管理、响应规律学习和响应规律管理5个阶段。为了实现该流程中样本数据与响应规律的高效存取,本文针对结构化的样本数据与半结构化的响应规律,制定不同的存储方案,并实现了工艺系统、样本数据和响应规律三者之间的关联。切削加工响应规律的自学习需要样本数据,为了从数控机床日常加工所产生的数据中提取出用于响应规律自学习的数据,结合工况和冗余度两方面因素定义有效样本,并设计有效样本预定位方法。为了实现有效样本的工况数据与响应数据的匹配,设计算法提取有效样本的主轴功率。针对有效样本主轴功率可能存在的异常数据段,设计基于动态时间弯曲距离和层次聚类算法的检测算法。以粗铣加工实验数据为例,按有效样本预定位、有效样本主轴功率提取、有效样本主轴功率异常波段检测的顺序完成有效样本提取流程,得到了高质量的样本数据。工艺系统的响应特性会随着服役时间的延长而发生改变,这就决定了响应规律具有时效性。为了避免陈旧的训练样本对响应规律自学习效果的负面影响,以主轴功率的BP神经网络模型为例,推导训练样本对检验误差的影响,并以此为基础设计基于检验误差的训练样本选择策略,并通过实验验证该策略的有效性。根据对粗铣加工主轴功率响应规律自学习流程的设计,开发自学习软件系统。设计该软件部分模块的框架,基于C++和C#语言完成部分模块的开发,实现了数据可视化、有效样本提取等功能。