切削加工技术的迅速发展和计算机技术的广泛普及使得切削数据库在当今制造产业中的地位越来越重要,好的切削数据库系统可存储大量的相关切削数据,并在此基础上实现数字化管理和制造资源的充分利用。本文从现代制造业的生产特点与产业需求出发,建立了面向该产业的切削数据库系统,主要从数据库系统的建立、神经网络切削力预测模型的建立方法和预测模型的优化方法与策略三方面展开了研究。切削数据库系统的建立包括数据库的设计和应用程序的开发两方面的内容,本课题在数据库的功能需求与数据需求的基础上,设计了数据库的概念结构和逻辑结构。并在收集了切削加工相关的材料与刀具等相关数据后,完成了数据库的建立工作。本课题使用C++和Python编程语言完成了应用程序的开发工作,应用程序与数据库系统的各项交互功能由C++语言实现,切削力等重要工艺参数的预测功能由Python语言完成,两者共同开发完成了整个数据库系统。本文从减少神经网络预测模型对数据量的需求的角度出发,研究了神经网络预测模型的训练方法。结合迁移学习的相关理念和方法,提出以仿真数据中的知识来帮助提高神经网络预测模型在真实的切削数据中的预测性能,进而使得达到同样的误差率时,能够使用较少的数据量。本课题结合Fine-tuning方法与多核MMD距离两种策略,建立了一种在仿真数据基础上,同时使用真实的切削数据共同训练神经网络的方法,并通过开展实验,对该方法的性能进行了测试。实验结果表明,在合适的范围内,在相同的训练样本数量下,相比传统的BP神经网络,该方法能够有效的降低网络的预测误差率。本课题还通过结合迁移学习方法与切削实验的设计,研究了预测模型的优化策略。为研究不同迁移方法对网络性能的影响,本课题在Fine-tuning与多核MMD距离两种方法的基础上,引入了策略机制,即在网络的训练过程,根据输入样本的不同,动态地决定网络的Fine-tuning层数,同时使用Gumbel Softmax采样方法解决离散变量的求导问题。切削实验的设计从不同刀具-工件材料组合的角度出发,设计了多组切削实验,按照加工条件的差异逐渐增大的原则将其划分为三个对照组,每个对照组包括两组切削实验,其中工件材料包括铝合金、铝锂合金和钛合金,刀具包括3刃硬质合金刀具和4刃硬质合金涂层刀具。将划分后的对照组均分为源域-目标域的组合,保证三组对照组的源域均为同一实验组。对实验所得的各对照组的源域-目标域组合的数据集计算MMD距离,验证了对照组数据集之间差异的不同。使用实验所得的三组数据集,由少到多的设置训练集的样本数量,分别训练了 FNN、Fine-tuning 和 Policy Fine-tuning 三种网络,其中 FNN 为传统的 BP 神经网络,后两者为两种不同的迁移网络方法。通过对比两种迁移网络与FNN网络的预测误差率,总结了在加工条件差异不同的情况下,迁移学习方法对网络预测性能的影响,并根据实验结果,以加工条件差异的大小为分类原则,总结了神经网络预测模型的优化方法与策略。