钛合金是一种应用广泛的结构金属,其性能优良,被应用于汽车模具、武器、航空航天等领域。但是钛合金材料必须经过一定的加工工序,将原材料转换为所需规格形状的零部件才能更好地使用。近年来随着科技的发展,对零件的精度要求越来越高,被加工工件的表面粗糙度会直接影响各零件之间的配合,而表面粗糙度的难以预测阻碍了原材料利用率和加工效率的提高,对钛合金的进一步推广应用产生了一定的限制作用。伴随着钛合金等材料应用范围和规模的扩大,能够采用最简单有效的方式精准预测出被加工工件的表面粗糙度对于提高生产效率和推进钛合金的广泛应用具有重要的价值和意义。结合实际的加工需求以及试验条件,本文采用无心车床对钛合金材料进行车削加工。利用车削加工过程中采集的无心车床不同方位的振动信号,结合基于传统的机器学习方法（BP神经网络和支持向量机）和深度学习方法（Alex Net、Goog Le Net和Res Net）构建的表面粗糙度预测模型,较好地实现了被加工工件表面粗糙度的预测。本文主要研究内容包括:（1）搭建了无心车床车削钛合金线材材料的试验平台,对加工过程中的试验数据进行采集。根据不同的车削条件设计试验方案,将振动信号作为预测模型的输入信号,采集加工过程中无心车床不同方位的振动信号,并测量加工后钛合金工件的表面粗糙度,获得试验数据。（2）基于BP和SVM传统机器学习模型,提出了钛合金表面粗糙度的实时预测方法。融合多个通道的振动信号,通过时域分析和小波包分解技术分别提取信号数据的特征,结合皮尔逊相关系数法进行特征选择,实现特征组的构建。利用遗传算法对BP预测模型中参数的设置进行优化,利用网格搜索法对SVM中参数的设置进行优化,实现基于机器学习模型的表面粗糙度预测。（3）基于小波包变换完成了深度学习模型输入的构建,同时建立了深度学习模型框架用于表面粗糙度的预测。利用小波包变换技术将振动信号转换为小波包系数矩阵,分析Alex Net和Goog Le Net两种常见深层网络模型,将小波包系数矩阵作为深层网络模型的输入实现特征的自适应提取,进而实现表面粗糙度的预测。探究了深度网络模型的预测性能,为深度模型在表面粗糙度的应用奠定了基础。（4）基于残差神经网络构建了表面粗糙度的预测模型,提出了小波包变换-残差网络的表面粗糙度预测方法。利用小波包变换分解无心车床不同方位的振动信号获得各频段的小波包系数,对各频段小波包系数进行叠加作为残差神经网络的输入,设计合适的模型结构实现表面粗糙度的精准预测,预测精度为:RMSE为0.0150,MAPE为0.0210,R~2为0.9389,避免了由于深度学习模型层数过深而产生的梯度消亡问题,明显提高了利用振动信号实现表面粗糙度预测的精度。