碳化硅陶瓷作为一种典型的硬脆材料,由于其高硬度、高耐磨性等优良的物理化学特性而广泛应用于航空航天、电子通讯等领域。但是碳化硅材料必须经过加工,成为具有一定形状和尺寸精度的零件才能发挥其优良的物理特性。近年来陶瓷业的不断发展对碳化硅陶瓷表面加工质量提出了更严格的要求,表面质量的难以预测制约了加工效率的进一步提高,限制了碳化硅陶瓷的进一步推广应用。伴随着碳化硅等硬脆材料在各个领域的推广和应用,实时预测碳化硅磨削加工过程中的表面质量,建立一套切实可行的预测方法对于提高表面质量和促进碳化硅的进一步推广应用有着重要的意义。本文针对目前表面粗糙度预测模型的不足,提出了一种考虑磨削过程时变特性的碳化硅表面粗糙度预测方法。基于磨削过程中采集得到的力信号和振动信号,借助传统的机器学习方法—BP神经网络和长短期记忆网络分别实现了表面粗糙度的实时和超前预测。本文的主要研究内容如下:(1)考虑磨削过程时变特性对表面粗糙度预测的重要意义,研究持续加工过程中砂轮状态对工件表面粗糙度的影响。将磨削力信号和振动信号确定为磨削表面粗糙度预测的监测信号,搭建了碳化硅加工的试验与表面粗糙度监测平台。(2)基于采集到的力信号和振动信号,提出了一种多传感器信号的融合方案。在信号的时域、频域和时频域上共提取得到186个特征,通过单调性分析剔除了随着磨削过程变化波动较大的指标,并利用主成分分析法提出了一种信号融合的方案,最终得到5个能够反映磨削加工过程的特征。(3)基于BP神经网络,构建了磨削表面粗糙度的实时预测模型。分别以单一力信号、单一振动信号以及融合后的信号分别作为BP网络的输入参数,探究了网络的预测性能,均方误差MSE结果分别为:0.416、0.800和0.002。结果验证了本文信号融合方案的有效性,并且说明了本文提出的BP网络模型可实现磨削表面粗糙度的高精度实时预测。(4)基于长短期记忆网络(LSTM),构建了磨削表面粗糙度的超前预测模型。研究结果表明:将融合后的信号作为网络的输入,可实现磨削表面粗糙度的超前预测。此外,考虑到数据获取的难度和模型训练的效率,重点探究了输入模型数据量和预测精度之间的关系。研究结果有效减少了数据获取的难度,提升了模型的训练效率。此外,结果中预测精度的变化能反映砂轮和机床状态的变化,对于砂轮和机床状态的识别同样具有指导意义。