在铣削加工中,规划G代码时往往会选择相对保守的进给速度。这种基于工艺人员经验或工艺手册的进给速度选取策略可以保证一定的加工质量及效率,却无法发挥出工艺系统的最佳性能。在目前的三轴铣削粗加工进给速度优化的研究及实施中仍存在加工过程所产生的工艺数据未被便捷地应用到建模及工艺优化中的问题。加工过程数据具有数据量大、加工场景日常以及与工艺系统的特性相关等特点,其中,日常的加工场景又对加工过程数据使用的简捷程度及使用成本提出了更高的要求。针对上述问题的特点及要求,本文对加工过程主轴功率进行建模并对三轴铣削粗加工进给速度优化进行了研究。该方法在特定的工艺系统（固定的机床、刀具及毛坯材料等）中应用加工过程数据建立主轴功率预测模型进而对该系统中的加工任务进行多目标进给速度优化。具体内容如下:1.基于加工过程数据生成建模及预测所需的数据集。应用Z-map及扫描包络法构建刀具-工件切削模型并计算刀位点的工艺参数。计算精度为当刀位点间隔为1mm,Z-map网格间距为0.5mm时,误差在3%以内。提出了一种面邻域搜索方法使得不规则毛坯建模时的单点计算时间复杂度由O（N）降至O（1）。进一步地,基于指令域分析的手段提出了一种数据融合方法,实现了加工过程主轴功率与工艺参数的对齐融合并生成用于模型训练测试的样本集。2.基于特定工艺系统的主轴功率神经网络建模。以所提出的工艺参数提取方法及基于指令域的数据融合方法生成用于模型训练测试的样本集,以BP神经网络作为建模手段。选取对主轴功率有影响的众多工艺因素中的进给速度、主轴转速、切宽及切深作为模型的输入,将其它对主轴功率有影响的机床、刀具及毛坯材料等因素隐式地拟合至模型当中,从而建立了基于特定工艺系统（固定的机床、刀具以及毛坯材料）的主轴功率预测模型。针对于数据量过大而导致的训练时间较长的问题,应用小批量随机梯度下降及学习率衰减策略缩短了训练时间。通过实验验证,所训练模型预测的平均误差为4.91%。3.基于改进的MOEA/D实现三轴铣削粗加工进给速度优化。应用所提出的工艺参数提取算法以及所训练好的基于特定工艺系统的主轴功率预测模型,针对特定工艺系统（即用于建模的工艺系统）中的加工任务,以加工效率及负载波动为优化目标,以经典MOEA/D作为优化框架,改进了其父代选取策略、切比雪夫聚合策略、邻域更新策略以及邻域个数确定策略从而提高了算法的适用性及优化效果。经“HUST”优化案例（加工轨迹为HUST字母形状）的实验验证,优化效率及负载波动都被明显改善。上述的数据生成方法使得建模及预测所需输入数据的获取足够便捷;采用主轴功率而非铣削力作为模型的输出降低了响应数据采集的成本及难度;BP神经网络的应用亦适用于加工过程的大数据场景;而针对特定工艺系统内的建模及优化则充分考虑了工艺系统对加工过程建模及优化的影响。综上,针对于加工过程数据的特点,实现了将加工过程数据应用于建模及优化的全流程。