1.一种基于PCA与CNN的三维CAD实体模型制造特征识别方法，其特征在于，包括：
CNN制造特征识别器训练过程：
步骤A，在标准三维CAD实体模型的表面均匀采集16372个标准实体模型点云，并根据椭球曲面的拟合方法计算每个标准实体模型点云对应的两个主曲率，然后选取每个标准实体模型点云的三维坐标值及两个主曲率作为代表该标准实体模型点云的五个特征，从而获得标准实体模型五维点云数据组；
步骤B，利用主元分析PCA方法将所述标准实体模型五维点云数据组降维至二维，从而获得标准实体模型二维点云数据组，通过该标准实体模型二维点云数据组来代表对应的所述标准三维CAD实体模型；
步骤C，人工找出所述标准三维CAD实体模型的所有制造特征，并对其对应的标准实体模型二维点云数据组进行标定，构成一组已标定训练数据；
步骤D，对15000个不同形状的标准三维CAD实体模型重复步骤A至C，获得15000组已标定训练数据，从该15000组所述已标定训练数据中随机选取14800组构成训练集P，剩余的
200组构成测试集S，通过所述训练集P和所述测试集S对CNN制造特征识别器进行训练，直至所述CNN制造特征识别器训练成功为止；
待识别三维CAD实体模型的制造特征识别过程：
步骤E，在待识别三维CAD实体模型的表面均匀采集其16372个待识别实体模型点云，并根据椭球曲面的拟合方法计算每个待识别实体模型点云对应的两个主曲率，然后选取每个待识别实体模型点云的三维坐标值及两个主曲率作为代表该待识别实体模型点云的五个特征，从而获得待识别实体模型五维点云数据组；
步骤F，利用主元分析PCA方法将所述待识别实体模型五维点云数据组降维至二维，从而获得待识别实体模型二维点云数据组，通过该待识别实体模型二维点云数据组来代表对应的所述待识别三维CAD实体模型，并将该待识别实体模型二维点云数据组构成一组待识别实体模型数据；
步骤G，将步骤F获得的所述待识别实体模型数据输入已训练成功的所述CNN制造特征识别器中，所述CNN制造特征识别器输出所述待识别三维CAD实体模型的所有制造特征。
2.根据权利要求1所述的基于PCA与CNN的三维CAD实体模型制造特征识别方法，其特征在于，所有制造特征包括：圆柱通孔、螺纹通孔、方形通孔、锥孔、平底孔、带圆角平底孔、球底孔、圆锥底孔、沉头孔、埋头孔、一般平面、台阶面、圆柱面、圆锥面、圆环面、球面、齿形面、花键轴、V型槽、T型槽、U型槽、环型槽、方槽、圆槽、键槽、花键槽、倒圆和倒角。
3.根据权利要求1所述的基于PCA与CNN的三维CAD实体模型制造特征识别方法，其特征在于，所述CNN制造特征识别器训练方法包括：
首先，对15000个不同形状的标准三维CAD实体模型重复步骤A至C，获得15000组已标定训练数据，从该15000组所述已标定训练数据中随机选取14800组构成所述训练集P，剩余的
200组构成所述测试集S；
然后，创建CNN制造特征识别器的CNN模型，所述CNN模型采用LENET结构并且最后3层使用MLP，所述CNN模型中所有激活函数采用ReLU函数；随机初始化CNN模型中所有权值和阈值，学习率初始化为0.01，批量训练样本数目设置为50，最小误差Nm设置为0.0001；
接着，对所述训练集P中各组已标定训练数据进行归一化处理，并从所述训练集P中从上至下依次选取一组已标定训练数据输入到所述CNN模型，按照前向传播的公式计算相应的模型输出；按照误差公式计算出该组已标定训练数据输入到CNN模型后模型输出和人工标定的标签之间的误差，并按照反向传播算法调节CNN模型所有权值和阈值；
一次训练完成后，计算整体误差N，若整体误差N<最小误差Nm，则所述CNN模型训练结束，否则按照上述CNN模型训练步骤继续训练所述CNN模型，直至整体误差N<最小误差Nm结束训练；
最后，将所述测试集S进行归一化处理，并从该测试集S中从上至下依次选取一组已标定训练数据输入到已完成训练的所述CNN模型中，按照前向传播的公式计算相应的模型输出，并与对应人工标定的标签进行对比，计算所述测试集S的整体错误率M，若所述整体错误率M满足要求，则该CNN模型训练成功，否则该CNN模型训练失败，需再次不断循环重复步骤A至步骤C以增加所述训练集P的已标定训练数据组数，按照上述CNN模型训练步骤继续训练网络，直至所述整体错误率M满足要求。
4.根据权利要求3所述的基于PCA与CNN的三维CAD实体模型制造特征识别方法，其特征在于，所述步骤G的制造特征识别方法包括：
将步骤F获得的所述待识别实体模型数据进行归一化处理，并输入到已训练成功的CNN模型；
按照前向传播的公式计算该组待识别实体模型数据在该已训练成功的CNN模型相应的模型输出；
所述CNN模型输出层有28个神经元，依次代表28个制造特征，即圆柱通孔、螺纹通孔、方形通孔、锥孔、平底孔、带圆角平底孔、球底孔、圆锥底孔、沉头孔、埋头孔、一般平面、台阶面、圆柱面、圆锥面、圆环面、球面、齿形面、花键轴、V型槽、T型槽、U型槽、环型槽、方槽、圆槽、键槽、花键槽、倒圆和倒角；
所述CNN模型输出层各神经元输出结果表示意义：
若对应的神经元输出为1，则表示该待识别三维CAD实体模型具有该神经元所对应的制造特征，若该对应的神经元输出为0，则表示该待识别三维CAD实体模型不具有所述神经元所对应的制造特征。
5.根据权利要求1所述的基于PCA与CNN的三维CAD实体模型制造特征识别方法，其特征在于，标准实体模型五维点云定义方法包括：
定义每个标准实体模型五维点云的第一特征为x轴坐标值，第二特征为y轴坐标值，第三特征为z轴坐标值，第四特征为两个主曲率中的最大曲率r1，第五特征为两个主曲率中的最小曲率r2。
6.根据权利要求1所述的基于PCA与CNN的三维CAD实体模型制造特征识别方法，其特征在于，所述步骤C中利用主元分析PCA方法将所述标准实体模型五维点云数据组降维至二维包括：
首先，分别对所述标准实体模型五维点云数据组求解每一维上的均值和方差，并对所述标准实体模型五维点云数据组中每个标准实体模型点云分别减去对应维数上的均值，组成行数等于所述标准实体模型五维点云数据组中点云数量、列数等于维数的标准实体模型样本矩阵Q；
接着，求解所述标准实体模型五维点云数据组的标准实体模型五维协方差矩阵K，即：
求解所述标准实体模型五维协方差矩阵K的5个特征值γ1、γ2、γ3、γ4、γ5，并由大到小排序获得其中最大值特征值δ1和次大特征值δ2，并求解所述标准实体模型五维协方差矩阵K对应δ1的特征向量β1和对应δ2的特征向量β2，所述特征向量β1和特征向量β2为单位化的五维列向量，并组成标准实体模型映射矩阵T＝[β1,β2]；
然后，将所述标准实体模型样本矩阵Q和标准实体模型映射矩阵T相乘获得标准实体模型二维点云矩阵Y，所述标准实体模型二维点云矩阵Y中的每一行即为标准实体模型五维点云数据组降维至二维的一个标准实体模型点云，从而获得所述标准实体模型二维点云数据组。
7.根据权利要求1所述的基于PCA与CNN的三维CAD实体模型制造特征识别方法，其特征在于，待识别实体模型五维点云定义方法包括：
定义每个待识别实体五维模型点云的第一特征为x轴坐标值，第二特征为y轴坐标值，第三特征为z轴坐标值，第四特征为两个主曲率中的最大曲率r1，第五特征为两个主曲率中的最小曲率r2。
8.根据权利要求1所述的基于PCA与CNN的三维CAD实体模型制造特征识别方法，其特征在于，所述步骤F中利用主元分析PCA方法将所述待识别实体模型五维点云数据组降维至二维包括：
首先，分别对所述待识别实体模型五维点云数据组求解每一维上的均值和方差，并对所述待识别实体模型五维点云数据组中每个待识别实体模型点云分别减去对应维数上的均值，组成行数等于待识别实体模型五维点云数据组中点云数量、列数等于维数的待识别实体模型样本矩阵Q'；
接着，求解所述待识别实体模型五维点云数据组的待识别实体模型五维协方差矩阵K'，即：
求解所述待识别实体模型五维协方差矩阵K'的5个特征值γ1'、γ2'、γ3'、γ4'、γ
5'，并由大到小排序获得其中最大值特征值δ1'和次大特征值δ2'，并求解所述待识别实体模型五维协方差矩阵K'对应δ1'的特征向量β1'和对应δ2'的特征向量β2'，所述特征向量β
1'和特征向量β2'为单位化的五维列向量，并组成待识别实体模型映射矩阵T'＝[β1',β
2']；
然后，将所述待识别实体模型样本矩阵Q'和待识别实体模型映射矩阵T'相乘获得待识别实体模型二维点云矩阵Y'，所述待识别实体模型二维点云矩阵Y'中的每一行即为待识别实体模型五维点云数据组降维至二维的一个待识别实体模型点云，从而获得所述待识别实体模型二维点云数据组。