1.一种智能数控机床功率预测方法，其特征在于，包括以下步骤：

步骤S1：对智能数控机床进行历史运行记录采集，得到集成历史运行记录数据集；基于集成历史运行记录数据集对智能数控机床进行功率消耗模式识别，得到功率消耗模式数据集；步骤S1包括以下步骤：步骤S11：对智能数控机床进行历史运行记录采集，得到集成历史运行记录数据集；

步骤S12：对集成历史运行记录数据集进行设备ID提取，得到机器人设备ID数据集；

步骤S13：对集成历史运行记录数据集进行使用时间统计，得到机器人使用时间数据表；

步骤S14：对退役智能数控机床进行使用寿命采集，得到机器人使用寿命数据集；

步骤S15：根据机器人使用寿命数据集与机器人使用时间数据表对智能数控机床进行使用阶段划分，得到使用阶段数据；步骤S15包括以下步骤：步骤S151：对退役智能数控机床进行历史故障记录采集，得到故障记录数据集；

步骤S152：对故障记录数据集进行重大故障检测，得到重大故障检测结果数据；

步骤S153：若重大故障检测结果数据显示不存在重大故障记录，则将机器人使用寿命数据集作为最终有效使用寿命数据集，若重大故障检测结果数据显示存在重大故障记录，则对故障记录数据集进行重大故障机器人ID提取，得到故障机器人ID数据集，其中，故障机器人ID数据集中至少存在一个或以上故障机器人ID数据；

步骤S154：根据故障机器人ID数据集对机器人使用寿命数据集进行对应寿命数据提取并剔除，得到重大故障使用寿命数据集与初始有效使用寿命数据集，其中，重大故障使用寿命数据集中至少存在一个或以上重大故障使用寿命数据；

步骤S155：对初始有效使用寿命数据集进行平均寿命计算，得到平均使用寿命数据；

步骤S156：对重大故障使用寿命数据集与平均使用寿命数据进行偏差计算，得到寿命偏差数据集，其中，寿命偏差数据集中至少存在一个或以上寿命偏差数据；

步骤S157：将寿命偏差数据集中大于或等于预设的寿命偏差阈值对应的重大故障使用寿命数据进行丢弃，将寿命偏差数据集中小于预设的寿命偏差阈值对应的重大故障使用寿命数据存储至初始有效使用寿命数据集，得到最终有效使用寿命数据集；

步骤S158：按照预设的阶段划分比例对最终有效使用寿命数据集进行使用阶段划分，得到使用阶段划分数据；

步骤S159：根据使用阶段划分数据与机器人使用时间数据表对智能数控机床进行使用阶段划分，得到使用阶段数据；

步骤S16：基于机器人设备ID数据集与机器人使用时间数据表根据使用阶段数据对集成历史运行记录数据集进行使用阶段标注并划分，得到若干个阶段历史运行记录数据集；

步骤S17：基于若干个阶段历史运行记录数据集对智能数控机床进行功率消耗模式识别，得到功率消耗模式数据集；步骤S17包括以下步骤：步骤S171：对阶段历史运行记录数据集中每条运行记录进行任务信息提取，得到历史任务数据集；

步骤S172：对历史任务数据集进行任务特征提取，得到任务负重数据集与任务移动路径数据集；

步骤S173：根据预设的负重分段阈值对任务负重数据集进行负重分段，得到负重分段数据；

步骤S174：对任务移动路径数据集进行路径聚类，得到任务路径分类数据；

步骤S175：根据负重分段数据对阶段历史运行记录数据集进行负重分段划分，得到负重分段历史运行记录数据集；

步骤S176：根据任务路径分类数据对负重分段历史运行记录数据集进行同类路径划分，得到负重路径划分记录数据集；

步骤S177：对负重路径划分记录数据集进行功耗模式嵌入，得到功耗模式嵌入数据，并对功耗模式嵌入数据进行功率消耗模式识别，得到功率消耗模式数据，当遍历完若干个阶段历史运行记录数据集，即得到功率消耗模式数据集；

步骤S2：根据功率消耗模式数据集对集成历史运行记录数据集进行数据集划分，得到若干组历史运行记录数据集；对各组历史运行记录数据集进行工作任务特征挖掘，得到各个工作任务特征数据；

步骤S3：基于功率消耗模式数据集、若干组历史运行记录数据集与各个工作任务特征数据对智能数控机床进行自适应模型构建，得到机器人功率预测模型；

步骤S4：根据集成历史运行记录数据集对智能数控机床进行工作虚拟环境构建，得到机器人工作虚拟环境；基于机器人工作虚拟环境对机器人功率预测模型进行强化训练，得到优化机器人功率预测模型；步骤S4包括以下步骤：步骤S41：对集成历史运行记录数据集进行机理模型提取，得到机器人工作机理模型集；

步骤S42：对智能数控机床进行环境场景提取，得到静态环境场景数据集和动态环境场景数据集；

步骤S43：利用静态环境场景数据集和动态环境场景数据集对机器人工作机理模型集进行虚拟环境构建，得到机器人工作虚拟环境；

步骤S44：对集成历史运行记录数据集进行工艺流程提取，得到机器人工艺流程数据集；

步骤S45：基于机器人工作虚拟环境根据机器人工艺流程数据集对机器人功率预测模型进行强化训练，得到优化机器人功率预测模型；步骤S45包括以下步骤：步骤S451：基于机器人工作虚拟环境与机器人工艺流程数据集进行虚拟环境模拟器构建，得到工作虚拟环境模拟器；

步骤S452：对机器人功率预测模型进行神经策略网络初始化，得到初始化策略网络模型；

步骤S453：根据机器人工艺流程数据集对初始化策略网络模型进行功率效率奖励函数设计，得到策略网络奖励函数模型；

步骤S454：基于工作虚拟环境模拟器对智能数控机床进行工作仿真模拟，并根据策略网络奖励函数模型对虚拟仿真环境模拟器中当前机器人状态进行策略梯度采样，得到策略梯度采样数据集；

步骤S455：将策略梯度采样数据集存储至预设的经验回放池中，并从预设的经验回放池中进行数据批次采样，得到策略优化训练数据集，利用策略优化训练数据集对策略网络奖励函数模型进行策略网络参数优化，得到优化策略网络模型；

步骤S456：根据优化策略网络模型对机器人功率预测模型进行模型参数迁移与微调，得到优化机器人功率预测模型；

步骤S5：基于预设的联邦学习框架将优化机器人功率预测模型部署至目标工厂的若干个边缘设备上，得到分布式机器人功率预测模型集；获取机器人实时任务数据流；基于分布式机器人功率预测模型集根据机器人实际任务数据对智能数控机床进行功率预测，得到机器人预测功率数据集。

2.根据权利要求1所述的智能数控机床功率预测方法，其特征在于，步骤S2包括以下步骤：步骤S21：根据功率消耗模式数据集对集成历史运行记录数据集中每条运行记录进行对应功率消耗模式标签赋予，得到功率消耗模式标签集；

步骤S22：根据功率消耗模式标签集对集成历史运行记录数据集进行数据集划分，得到若干组历史运行记录数据集，其中，一组历史运行记录数据集对应一种功率消耗模式；

步骤S23：按照预设的时间窗口对各组历史运行记录数据集进行时序切分，得到若干个历史运行片段数据集；

步骤S24：对各个历史运行片段数据集进行运动语义特征提取，得到各个运动语义特征数据集；

步骤S25：对运动语义特征数据集进行任务聚类，得到工作任务簇集；

步骤S26：基于运动语义特征数据集对工作任务簇集进行任务特征表征，得到各个工作任务特征数据。

3.根据权利要求1所述的智能数控机床功率预测方法，其特征在于，步骤S5包括以下步骤：步骤S51：基于预设的联邦学习框架将优化机器人功率预测模型通过预设的模型分发机制分发至目标工厂的多个边缘节点设备上，并在每个边缘节点设备上构建本地化模型实例，得到分布式机器人功率预测模型集；

步骤S52：对智能数控机床进行实时任务数据采集，得到机器人实时任务数据流；

步骤S53：根据预设的边缘节点任务分配策略对机器人实时任务数据流进行分片切分，得到分片机器人实时任务数据集；

步骤S54：将分片机器人实时任务数据集按预设的任务分发规则逐个分发至分布式机器人功率预测模型集中各个机器人功率预测模型中，并利用机器人功率预测模型通过结合对应分片机器人实时任务数据对智能数控机床进行功率预测计算，得到机器人预测功率数据集。

4.一种智能数控机床功率预测系统，其特征在于，用于执行如权利要求1所述的智能数控机床功率预测方法，该智能数控机床功率预测系统包括：功耗模式识别模块，用于对智能数控机床进行历史运行记录采集，得到集成历史运行记录数据集；基于集成历史运行记录数据集对智能数控机床进行功率消耗模式识别，得到功率消耗模式数据集；

工作任务特征挖掘模块，用于根据功率消耗模式数据集对集成历史运行记录数据集进行数据集划分，得到若干组历史运行记录数据集；对各组历史运行记录数据集进行工作任务特征挖掘，得到各个工作任务特征数据；

预测模型构建模块，用于基于功率消耗模式数据集、若干组历史运行记录数据集与各个工作任务特征数据对智能数控机床进行自适应模型构建，得到机器人功率预测模型；

模型强化训练模块，用于根据集成历史运行记录数据集对智能数控机床进行工作虚拟环境构建，得到机器人工作虚拟环境；基于机器人工作虚拟环境对机器人功率预测模型进行强化训练，得到优化机器人功率预测模型；

功率预测模块，用于基于预设的联邦学习框架将优化机器人功率预测模型部署至目标工厂的若干个边缘设备上，得到分布式机器人功率预测模型集；获取机器人实时任务数据流；基于分布式机器人功率预测模型集根据机器人实际任务数据对智能数控机床进行功率预测，得到机器人预测功率数据集。