1.一种基于声振及纹理特征预测表面粗糙度的方法，其特征在于，包括：S1：搭建铣削噪声、铣削振动、工件表面纹理和粗糙度采集系统；

S2：通过采集系统获取铣削过程中噪声和振动的时域信号及工件表面粗糙度和纹理图像，从铣削噪声和三向铣削振动加速度的时域信号中提取出声压级均方根和降维振动加速度均方根作为特征值，利用Tamura纹理特征从工件表面纹理图像获得粗糙度、对比度和方向性作为特征值；

S3：通过粒子群优化最小支持向量机建立多维特征预测模型，以步骤S2获得的声压级均方根、三向加速度均方根、粗糙度、对比度和方向性作为模型输入参数，粗糙度作为模型输出参数，对粗糙度进行预测。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：利用声级计和三向振动加速度传感器得到铣削过程中噪声和振动的时域信号，利用接触式粗糙度测量仪和工业相机得到铣削过程中工件表面粗糙度和纹理图像；从铣削噪声和三向铣削振动加速度的时域信号中提取出声压级均方根和降维振动加速度均方根作为特征值；利用Tamura纹理特征从工件表面纹理图像获得粗糙度、对比度和方向性作为特征值。

3.根据权利要求2所述的方法，其特征在于，所述步骤S2包括：通过声级计和三向振动加速度传感器将各时刻实际测量的声压级均方根LpRMS作为噪声信号的特征值，利用主成分分析法对三向振动加速度均方根进行降维，三向振动加速度均方根包括轴向aRMS‑x、径向aRMS‑y和切向aRMS‑z，方法如下：首先根据对三向振动加速度均方根aRMS‑x，aRMS‑y，aRMS‑z的数据进行标准化，公式如下：式中 n是试验次数，m是主成分变量个数，m＝3；

再根据标准化后的数据计算相关系数矩阵，利用雅克比法求解相关系数矩阵，得到相关系数矩阵的特征值及对应的特征向量，按特征值从大到小排列，根据公式(2)求解各个特征值对应的主成分贡献率及累计贡献率：：式中ei是主成分贡献率； 是累计贡献率；降维后振动加速度adRMS为累计贡献值大于

90％的特征值对应的特征向量乘以三向振动加速度均方根：adRMS＝α*aRMS‑x+β*aRMS‑y+γ*aRMS‑z                  (3)式中，α，β，γ是对应三向振动加速度均方根的累计贡献值大于90％时的主成分特征值对应的特征向量，adRMS是主成分处理后的降维后振动加速度；选择主成分处理后的降维后振动加速度adRMS作为三向振动加速度特征值；

利用Tamura纹理特征提取灰色工件纹理图像的特征值，灰色工件纹理图像的特征值包括粗糙度、对比度和方向性，方法如下：k k

1)粗糙度的获取方法包括：首先计算图像中大小为2×2 (k＝0,1,2,3,4,5)个像素的活动窗口中像素的灰度平均值，如公式(4):k k

式中，Ak(x,y)为以(x,y)为中心的2 ×2领域局部像素的灰度平均值，f(x,y)为灰色图像对应像素(x,y)的灰度值；

对于特定窗口内的每个像素，分别计算在水平和垂直方向上互不重叠的窗口之间的平均灰度差，其如水平方向公式(5)和垂直方向公式(6)：k‑1 k‑1

Ek,h(x,y)＝|Ak(x+2 ,y)‑Ak(x‑2 ,y)|                (5)k‑1 k‑1

Ek,v(x,y)＝|Ak(x,y+2 )‑Ak(x,y‑2 )|                (6)之后寻找无方向性平均灰度差E达到最大的k值，以可确定窗口最佳尺寸：k

Sbest(x,y)＝2                         (7)粗糙度通过计算整幅图像的Sbest的平均值得到，公式如下所示：式中，Fcrs为粗糙度特征值，m，n为高和宽的分辨率；

2)对比度的获取方法包括：通过对像素强度分布情况统计得到的，计算公式如下所示：式中，Fcon为对比度特征值，σ为标准差，μ4为图像的四阶均值，n一般取0.25的幂；

3)方向度的获取方法包括：首先对每个像素进行梯度G计算，计算公式如下所示：|ΔG|＝(|ΔH|+|ΔV|)/2                      (10)式中，ΔV是垂直差分，ΔH是水平差分，当所有的像素梯度向量都被计算出来后，使用直方图HD表达θ的值，并将其值域离散化：式中，HD为分布直方图，n为方向角度的量化等级，Nθ(k)为当|ΔG|大于给定阈值，(2k‑

1)π/2n≤θ≤(2k+1)π/2n为像素的数量，方向度公式如下所示：：式中，Fdir为方向度特征值，p为直方图中的峰值，np为直方图中峰值总数，ωp为该峰值包含量化值范围， 为最大直方图值中的量化数值，为峰值中心位置。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：选择一维特征及二维特征作为输入参数，粗糙度作为输出参数，基于粒子群优化最小二乘支持向量机建立多维预测模型，一维特征包括声压级均方根和降维振动加速度均方根，二维特征包括粗糙度、对比度和方向性，具体方法如下：对于记录了输入参数xi和输出参数yi的样本群U＝{(xi,yi)|i＝1,2,3,...,n}，使用从输入空间到输出空间的非线性映射 构建最小二乘支持向量机的回归函数：式中，w为高维特征空间采用的权值向量，b为预设的偏置常数。采用公式(14)求解上述回归函数的最小值，有：

其中，γ为惩罚因子，ei为输出量与回归函数结果间的误差；通过Lagrange函数将公式(14)转化更易求解的对偶空间优化模型：：式中，ai∈R为Lagrange乘子；选取RBF函数为最小二乘支持向量机的核函数，设核函数宽度系数为σ，将其表达为：

对公式(15)求偏导，消除其它待求变量，并通过公式(16)进行简化，得针对ai和b的求解函数：：

粒子群算法优化最小二乘支持向量机的方法包括：(1)调用最小二乘支持向量机工具箱并导入数据样本；

(2)初始化粒子群算法PSO和最小二乘支持向量机LSSVM的参数，包括：粒子种群数N、迭代次数T、正则化参数γ和核函数宽度值σ取值范围；

(3)按设定比例划分好训练集与测试集；训练数据导入模型进行训练，同时将(γ,σ)作为粒子种群，用(γ,σ)预测值与实际测量的粗糙度的差值作为适应度值Fit[i]；

(4)对每个粒子(γ,σ)，用它的适应值Fit[i]和个体极值pbest(i)比较，如果Fit[i]

(5)对每个粒子(γ,σ)，用它的适应值Fit[i]和全局极值gbest(i)比较，如果Fit[i]

(6)更新各粒子的速度和位置，并计算惯性权重 (7)更新个体最优解pbest与全局最优解gbest；

(8)设置的迭代次数运行结束后所得LSSVM模型的最优参数(γ,σ)用最优参数LSSVM进行模型训练，得到最优LSSVM模型；

(9)将测试集导入最优LSSVM模型进行粗糙度预测，得出预测结果。