1.一种基于大数据的数控机床控制系统，其特征在于，包括：数据采集模块：采集数控机床生产时刀具磨损量，机床在加工过程中的负载信息，工件加工的加工精度误差及加工精度误差变化率；

进刀量调节范围确定模块：通过模糊自适应控制确定进刀量调节范围；

进刀量方案生成和确定模块：在进刀量调节范围确定模块给定的进刀量调节范围内，生成包含所有可能进刀量的方案集合，进刀量调节范围内的每一个进刀量值都对应一个独立的进刀量方案；

设定适应度函数，包含所有可能进刀量的方案集合中，选择适应度函数最高的进刀量方案；

进刀量修正调整模块：在适应度函数最高的进刀量方案加工过程中，当实际加工尺寸大于标准尺寸且超出允许范围，或是实际加工尺寸小于标准尺寸且超出允许范围时，对适应度函数最高的进刀量方案的进刀量进行实时修正；

并持续监测加工精度，不断调整进刀量。

2.根据权利要求1所述的基于大数据的数控机床控制系统，其特征在于，进刀量调节范围确定模块中，模糊自适应控制确定进刀量调节范围，如下：以刀具磨损量、当前加工精度误差和加工精度误差变化率作为模糊自适应控制的输入变量，进刀量调节值作为输出变量；

对输入变量进行模糊化处理，划分模糊子集，并确定各子集对应的隶属度函数；

模糊子集包括负大、负中、负小、零、正小、正中、正大；

通过决策树算法，生成制定进刀量调节值的模糊规则；

决策树算法输出变量输出的进刀量调节值为负大、负中、负小、零、正小、正中、正大；

采用Mamdani推理法进行模糊推理，计算输出变量的模糊集合；

通过模糊关系合成运算，根据输入变量的模糊值和模糊规则，确定进刀量调节值的模糊输出；

运用重心法对模糊输出进行解模糊，将其转化为精确的进刀量调节范围。

3.根据权利要求2所述的基于大数据的数控机床控制系统，其特征在于，通过决策树算法，生成制定进刀量调节值的模糊规则，如下：根据输入变量刀具磨损量、当前加工精度误差、加工精度误差变化率和输出变量进刀量调节值之间的关系构建决策树模型，通过对决策树模型训练，通过决策树模型自动划分不同输入变量的输入组合所对应的输出类别，从而生成模糊规则。

4.根据权利要求3所述的基于大数据的数控机床控制系统，其特征在于，进刀量方案生成和确定模块中，适应度函数如下：对于每个进刀量方案，在模拟加工时，计算出相应的模拟刀具磨损量、模拟加工精度误差和模拟加工精度误差变化率；

将模拟刀具磨损量、模拟加工精度误差和模拟加工精度误差变化率进行量化和归一化处理；

设刀具磨损量的权重为w1，模拟加工精度误差的权重为w2，模拟加工精度误差变化率的权重为w3；

设量化和归一化处理后的刀具磨损量为T，模拟加工精度误差为E，模拟加工精度误差变化率为ΔE；

适应度函数F为：

其中，∈为避免分母为零的正数；

包含所有可能进刀量的方案集合中，选择适应度函数最高的进刀量方案。

5.根据权利要求4所述的基于大数据的数控机床控制系统，其特征在于，w1的取值范围为0.2-0.3，w2的取值范围为0.4-0.5，w3的取值范围为0.2-0.3。

6.根据权利要求5所述的基于大数据的数控机床控制系统，其特征在于，进刀量修正调整模块中，在适应度函数最高的进刀量方案加工过程中，设适应度函数最高的进刀量方案中，确定的初始进刀量为D初始；

允许的精度偏差范围为E允许偏差；

在线测量系统实时监测得到的工件实际尺寸为X实际，预设的工件标准尺寸为X标准；

实时精度偏差为E实时偏差，E实时偏差＝X实际-X标准；

设经过实时修正后的进刀量为D修正；

修正系数为k，用于控制进刀量调整的幅度；

当E实时偏差＞E允许偏差时，即实际加工尺寸大于标准尺寸且超出允许范围，此时当E实时偏差＜-E允许偏差时，即实际加工尺寸小于标准尺寸且超出允许范围，此时若-E允许偏差≤E实时偏差≤E允许偏差，即实际加工尺寸与标准尺寸的偏差在允许范围内，此时进刀量无需修正，即D修正＝D初始。

7.使用权利要求1-6任一项所述的基于大数据的数控机床控制方法，其特征在于，包括以下步骤：S1、采集数控机床生产时刀具磨损量，机床在加工过程中的负载信息，工件加工的加工精度误差及加工精度误差变化率；

S2、通过模糊自适应控制确定进刀量调节范围；

S3、在S2给定的进刀量调节范围内，生成包含所有可能进刀量的方案集合，进刀量调节范围内的每一个进刀量值都对应一个独立的进刀量方案；

设定适应度函数，包含所有可能进刀量的方案集合中，选择适应度函数最高的进刀量方案；

S4、在适应度函数最高的进刀量方案加工过程中，当实际加工尺寸大于标准尺寸且超出允许范围，或是实际加工尺寸小于标准尺寸且超出允许范围时，对适应度函数最高的进刀量方案的进刀量进行实时修正；

并持续监测加工精度，不断调整进刀量。