1.一种双向铣削力预测方法，其特征在于：包括以下步骤：

实验获取同一个工件在两种或两种以上不同转速下铣削作业时刀具主轴电流和铣削力数据集；其中电流和铣削力数据集包括等效直流电Irms、双向铣削力Fx和Fy，其中Fx和Fy由指向瞬时切削方向的切削力Ft分解得到，且Fx和Fy的方向分别沿着铣削进给方向和垂直于铣削进给方向；所述工件由两种不同材料拼接构成；获取电流和铣削力数据集的步骤如下：刀具首先在工件的一侧空转，然后刀具沿着工件长度的方向移动并先后铣削两种不同的材料；

使刀具以不同的转速进行前述铣削作业；

同一转速的铣削作业重复多次，同一转速的铣削作业获得的电流和铣削力数据构成一个数据组；

不同转速下获得的所有数据组构成电流和铣削力数据集；

提取电流和铣削力数据集中电流信号的时域、频域和时频域特征，依据电流特征的稳定性、电流特征对转速的敏感性、电流特征与铣削力的相关性，筛选出符合预设条件的电流特征构成目标特征矩阵；其中提取电流和铣削力数据集中电流信号的时域、频域和时频域特征包括每个Irms分别在空转状态、铣削碳钢状态和铣削铝合金状态下的多个特征；所述多个特征包括最大值、最小值、平均值、峰峰值、绝对均值、方差、标准差、均方根值、方根幅值、偏态指标、峭度指标、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差以及8层小波分解，提取的所有特征构成电流信号特征MC0；

其中电流特征的稳定性以铣削状态和铣削转速为变量，以电流信号特征MC0为评价指标，稳定性的计算公式和筛选方式如下：分别求解各个数据组的实验特征离散系数cv，计算公式如下：

cv＝σfea/μfea

其中，σfea和μfea分别为同一个特征在同一转速的多次铣削中的标准差和均值，根据计算的实验特征离散系数cv结果，设定阈值，将实验特征离散系数cv低于阈值的特征构建成特征矩阵MC1；

其中电流特征对转速的敏感性用于表征特征电流信号特征MC0对转速变化的响应，敏感性Vari的计算公式和筛选方式如下：其中，μi为第i个数据组的特征平均值；ni为第i个数据组的转速；

将对铣削力的变化高度敏感的特征记为特征矩阵MC2；

电流特征与铣削力的相关性的筛选方式如下：

取特征矩阵MC1和特征矩阵MC2的交点，构成特征矩阵MC3；

分别计算Fx和Fy的平均值，对特征矩阵MC3与Fx的平均值和Fy的平均值进行Pearson相关分析，将MC3中铣削力Fx和Fy中相关性大于0.8的特征记为目标特征矩阵；

构建基于CNN‑ResNet深度学习算法的神经网络模型；其中神经网络模型包括CNN的卷积层和ResNet残差块；

将目标特征矩阵包含的数据划分为训练集和验证集，用训练集对神经网络模型进行训练得到初步模型；导入验证集，使用初步模型，计算损失值，然后进行反向传播和参数更新，直至损失函数值最小并趋于稳定，迭代停止，得到最终的用于预测双向铣削力的预测模型；

获取待监测铣削力的刀具主轴电流的目标特征矩阵并输入预测模型，预测得到双向铣削力。

2.根据权利要求1所述的双向铣削力预测方法，其特征在于：提取电流信号的时域、频域和时频域特征之前，对电流和铣削力数据集中的电流信号对电流数据进行小波去噪，对电流和铣削力数据集中的铣削力数据，去除切入切出部分，保留稳定铣削阶段的信号数据。

3.一种根据权利要求1或2所述的双向铣削力预测方法的预测系统，其特征在于：包括，数据获取模块，用于获取同一个工件在两种或两种以上不同转速下铣削作业时刀具主轴电流和铣削力数据集；

预处理模块，用于对电流和铣削力数据集中的电流信号进行小波去噪处理，对电流和铣削力数据集中的铣削力数据，去除切入切出部分，保留稳定铣削阶段的信号数据；

特征提取模块，用于提取电流和铣削力数据集中电流信号的时域、频域和时频域特征；

特征筛选模块，依据电流特征的稳定性、电流特征对转速的敏感性、电流特征与铣削力的相关性，筛选出符合预设条件的电流特征构成目标特征矩阵；

初始模块，用于构建基于CNN‑ResNet深度学习算法的神经网络模型；

训练模块，将目标特征矩阵包含的数据划分为训练集和验证集，用训练集对神经网络模型进行训练得到初步模型；导入验证集，使用初步模型，计算损失值，然后进行反向传播和参数更新，直至损失函数值最小并趋于稳定，迭代停止，获得最终的用于预测双向铣削力的预测模型；

输入模块，用于将待监测铣削力的刀具主轴电流的目标特征矩阵输入预测模型；

输出模块，用于输出预测模型预测得到的双向铣削力。