数控机床铣削加工过程中,加工工件的表面质量直接反映了产品质量,工件表面质量的实时检测对提高产品质量和生产效率具有重要意义。表面粗糙度是工件表面质量的主要评价参数之一,若能在铣削过程中实现表面粗糙度的在线预测,便可以有效控制零件的加工质量,减少原料的浪费,提高生产效率。为提高表面粗糙度预测的准确性,本文针对表面粗糙度预测建模过程中,多个参数难以同步优化和人工经验调优误差较大的问题,提出了一种基于遗传算法(GA)的信号特征识别和表面粗糙度预测的优化算法。(1)在6061铝合金的铣削加工过程中,采集振动信号和测量工件表面粗糙度。在振动信号分析方法和表面粗糙度形成的理论基础上,根据不同铣削条件设计正交实验,使用加速度传感器和轮廓仪获取实验数据。(2)为提取具有表征性的振动信号特征,利用时频域分析方法中的小波包分解(WPT)和经验模态分解(EMD)对信号去噪,并提取分解子信号的多个统计特征向量,将其作为表面粗糙度预测模型的输入量。(3)将表面粗糙度作为极限学习机(ELM)神经网络的输出量,分别建立WPT-ELM、EMD-ELM预测模型,结合经验法对预测模型调优,完成振动信号的特征提取和表面粗糙度的预测。(4)建立基于GA优化的WPT-ELM表面粗糙度预测模型。利用GA优化WPT的母小波和信号的特征向量,同时GA对ELM隐含层的神经元个数优化选取,确定最佳预测模型GA-WPT-ELM并进行测试。(5)通过对比WPT-ELM、EMD-ELM模型预测结果,并对GA-WPT-ELM模型做相关性分析。结果表明,GA-WPT-ELM优化模型实现了信号特征有效识别和预测建模的多变量同步优化,提高了建模效率和表面粗糙度的预测精度。