1.一种基于优化广义回归神经网络预测工件表面质量的方法，其特征在于，包括以下步骤：

S1、搭建铣削力、铣削振动、工件表面纹理和粗糙度采集系统，该系统包括三向测力仪、三向加速度传感器、接触式粗糙测量仪和工业相机；

S2、通过步骤S1搭建的系统获取铣削过程中三向铣削力和三向铣削振动加速度的时域信号以及工件表面粗糙度和纹理图像，从三向铣削力和三向铣削振动加速度的时域信号中提取出降维铣削力均方根和降维铣削振动加速度均方根作为特征值，利用灰色共生矩阵从工件表面纹理图像获得能量、对比度、相关性、同质性和熵作为特征值；

S3、通过粒子群优化广义回归神经网络建立多维特征预测模型，以步骤S2获得的铣削参数、降维三向铣削力均方根、降维三向振动加速度均方根、能量、对比度、相关性、同质性、和熵作为模型输入参数，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所述一种基于优化广义回归神经网络预测工件表面质量的方法，其特征在于，所述步骤S2中，利用三向测力仪和三向振动加速度传感器分别得到铣削过程中三向铣削力和三向铣削振动加速度的时域信号，利用接触式粗糙度测量仪和工业相机分别得到铣削过程中工件表面粗糙度和纹理图像。

3.根据权利要求2所述一种基于优化广义回归神经网络预测工件表面质量的方法，其特征在于，所述步骤S2中，通过三向测力仪测量各时刻的三向铣削力，并从采集的三向铣削力数据中得到各时刻实际测量的三向铣削力均方根，记为轴向FRMS‑x、径向FRMS‑y和切向FRMS‑z；通过三向振动加速度传感器测量各时刻的三向铣削振动加速度，并从采集的三向铣削振动加速度数据中得到各时刻实际测量的三向铣削振动加速度均方根，记为轴向aRMS‑x、径向aRMS‑y和切向aRMS‑z；

利用主成分分析法对三向铣削力均方根和三向铣削振动加速度均方根分别进行降维，具体操作如下：

首先，对三向铣削力均方根或三向铣削振动加速度均方根的数据进行标准化处理，公式如下：

式中，Zij为原始铣削力或铣削振动信号数据归一化后的数据，xij为单向铣削力均方根或单向铣削振动加速度均方根， n是试验次数，m是主成分变量个数；

其次，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；

然后，相关系数矩阵的特征值按从大到小排列，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，λi是主成分变量对于特征值；

降维后三向铣削力均方根FdRMS或降维后三向铣削振动加速度均方根adRMS为累计贡献值大于90％的特征值所对应的特征向量乘以三向铣削力均方根或三向铣削振动加速度均方根，即：

FdRMS＝α*FRMS‑x+β*FRMS‑y+γ*FRMS‑z                   (3)adRMS＝α1*aRMS‑x+β1*aRMS‑y+γ1*aRMS‑z                  (4)式中，α，β，γ分别是对应三向铣削力均方根的累计贡献值大于90％时的主成分特征值所对应的特征向量，FdRMS是主成分处理后的降维后三向铣削力均方根；α1，β1，γ1分别是对应三向铣削振动加速度均方根的累计贡献值大于90％时的主成分特征值所对应的特征向量，adRMS是主成分处理后的降维后三向铣削振动加速度均方根。

4.根据权利要求3所述一种基于优化广义回归神经网络预测工件表面质量的方法，其特征在于，所述步骤S2中，利用灰色共生矩阵提取工件表面灰色纹理图像的特征值，工件表面灰色纹理图像的特征值包括能量、对比度、相关性、同质性和熵，方法如下：(1)能量

式中，ASM为工件表面灰色纹理图像的能量，f1、f2均为图片像素坐标位置，p为灰色共生矩阵；

(2)对比度

k＝f1‑f2                               (7)式中，CON为工件表面灰色纹理图像的对比度；

(3)相关性

式中，COR为工件表面灰色纹理图像的相关性；

(4)同质性

式中，IMD为工件表面灰色纹理图像的同质性；

(5)熵

式中，ENT为工件表面灰色纹理图像的熵。

5.根据权利要求4所述一种基于优化广义回归神经网络预测工件表面质量的方法，其特征在于，所述步骤S3中，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，基于粒子群优化广义回归神经网络建立多维预测模型，一维特征包括铣削参数，降维铣削力均方根和降维铣削振动加速度均方根，二维特征包括能量、对比度、相关性、同质性和熵。

6.根据权利要求5所述一种基于优化广义回归神经网络预测工件表面质量的方法，其特征在于，所述步骤S3中，利用广义回归神经网络建立多维预测模型的具体方法如下：(1)建立广义回归神经网络

设随机变量为x和y，已知x的观测值为X，则函数y相对于X的回归，联合概率密度函数表示为f(X,y)，其数学期望 由下式计算获得，式中，E(y/X)为预测公式；

通常联合概率密度函数f(X,y)可由训练样本集近似估计出来，选用高斯核函数进行估计，

其中，Xi为随机变量x的样本观测值，Yi为随机变量y的样本观测值，n为样本容量，p为随机变量x的维度，σ为光滑因子；

用 代替f(X,y)代入到公式(13)中，整理得到广义回归神经网络的基本公式，式中， 为预测值；

(2)通过粒子群算法对广义回归神经网络中的参数光滑因子σ进行寻优假设在一个D维的目标搜索空间中，有N个粒子组成一个群落，其中第i个粒子表示为一个D维的向量，即Xi＝(xi1,xi2,…,xiD)，第i个粒子的“飞行”速度也是一个D维的向量，记为Vi＝(vi1,vi2,…,viD)，第i个粒子迄今为止搜索到的最优位置称为个体极值，记为pbest＝(pi1,pi2,…,piD)，整个粒子群迄今为止搜索到的最优位置为全局极值，记为gbest＝(pg1,pg2,…,pgD)；

在找到上述两个最优值时，粒子根据如下的公式(17)和(18)来更新自己的速度和位置：

其中， 是更新速度， 是更新前速度， 为是更新前位置， 为第i个粒子在t时刻搜索到的最优位置， 为整个粒子群在t时刻搜索到的最优位置，c1和c2均为学习因子，为惯性权重，r1和r2均为[0，1]范围内的均匀随机数；f为粒子实时的目标函数值，fmin和favg分别为当前所有粒子的最小目标值和平均目标值，ωmax和ωmin分别为惯性权重最大值和最小值；

(3)粒子群算法优化广义回归神经网络①调用步骤(2)中的广义回归神经网络并导入数据样本；

②初始化粒子群的参数：粒子种群数N、迭代次数T；

③按设定比例划分好训练集与测试集；输入参数为主轴转速n、进给速度vf、铣削深度ap、降维铣削力均方根FdRMS、降维振动加速度均方根adRMS、能量ASM、对比度CON、相关性COR、同质性IMD及熵ENT，输出参数为粗糙度，将训练集中数据导入广义回归神经网络模型进行训练，同时将光滑因子σ作为粒子种群，用σ训练时预测出的粗糙度与实际测量的粗糙度的差值作为适应度值Fit[i]；

④寻找粒子中最小适应度值Fit[i]，记为个体极值pbest；

⑤设置的迭代次数运行结束后，所获得广义回归神经网络模型的最优参数σ，采用最优参数广义回归神经网络进行模型训练，得到最优广义回归神经网络模型；

⑥将测试集数据导入最优广义回归神经网络模型进行预测，得出粗糙度预测结果，并将粗糙度预测结果与实际测量的粗糙度值进行比较，以检验预测模型的预测精度。