1.一种基于高密度水基泡沫切削液提高铣削工件表面质量的方法，其特征在于，包括以下步骤：S1、基于铣削三要素拟定铣削试验方案，搭建包含铣削力和铣削振动信号采集在内的干湿铣削试验平台；

S2、通过步骤S1设计的试验方案和干湿铣削试验平台，完成TC4钛合金在不同切削条件下的铣削试验，在试验过程中，同步采集铣削力、铣削噪声和铣削振动数据，并在试验结束后对试验工件表面进行粗糙度测量得到工件表面粗糙度；

S3、对步骤S2采集的试验数据进行特征值提取，对提取后的数据通过灰色关联度进行对比分析；

S4、对铣削力和铣削振动进行主成分分析，提取其特征值，然后基于试验数据和粒子群优化广义回归神经网络建立以一维特征及二维特征值为输入参数，粗糙度为输出结果的多维特征预测模型，最后将三个组合预测模型进行对比分析。

2.根据权利要求1所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法，其特征在于，所述干湿铣削试验平台包括干湿铣削系统、铣削力测量系统、铣削噪声和振动测量系统以及粗糙度采集系统四部分；所述干湿铣削系统由试件、刀具、数控铣床以及液体喷淋系统组成；所述铣削力测量系统采用压电式三向测力仪；所述铣削噪声和振动测量系统由压电式三向加速度传感器、电荷放大器、数据采集仪以及安装有声学与振动分析软件的计算机组成；所述粗糙度采集系统包括接触式粗糙度测量仪。

3.根据权利要求2所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法，其特征在于，所述步骤S1中，利用压电式三向测力仪在铣削过程对铣削力信号分三个方向中进行同步实时测量；所述铣削噪声和振动测量系统通过数据线连接后，在铣削过程中对铣削噪声实时测量以及对铣削振动信号分三个方向进行同步实时测量。

4.根据权利要求3所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法，其特征在于，所述液体喷淋系统为外加切削液装置或泡沫发生装置，所述传统切削液系统包括切削液容器、出液管和喷嘴，所述切削液容器通过出液管与喷嘴相连，所述喷嘴朝向刀具和被加工工件所在的切削区布置；所述泡沫发生装置包括压缩空气储罐、泡沫液储罐、储水罐和发泡喷头，所述泡沫液储罐、储水罐与混合管路连接，所述混合管路、压缩空气储罐与发泡喷头相连，所述发泡喷头朝向被刀具和加工工件所在的切削区布置。

5.根据权利要求1所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法，其特征在于，所述步骤S2中，不同切削条件下的铣削试验是指在同一加工设备及加工环境条件下采用不同冷却方式的铣削试验，包括干式铣削试验、基于传统切削液的湿铣削试验和基于高密度水基泡沫切削液的铣削试验。

6.根据权利要求5所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法，其特征在于，干式铣削试验不使用任何具有冷却润滑功能的介质，基于传统切削液的湿铣削试验使用切削液浇注装置将切削液浇注至刀具与工件切削区；基于高密度水基泡沫切削液的铣削试验通过泡沫发生装置将泡沫喷射至切削区。

7.根据权利要求1所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法，其特征在于，所述步骤3中，对处理后的试验数据采用灰色关联度进行对比分析，分别分析干铣削、湿铣削和泡沫铣削中力、振动及噪声关于加工参数的相关性。

8.根据权利要求1所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法，其特征在于，所述步骤S4中，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，FRMS‑x、FRMS‑y、FRMS‑z分别是x、y、z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，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，aRMS‑x、aRMS‑y、aRMS‑z分别是x、y、z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，adRMS是主成分处理后的降维后三向铣削振动加速度均方根；

从同步采集的铣削噪声数据中选取声压级均方根值Lp作为铣削噪声特征值。

9.根据权利要求8所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法，其特征在于，所述步骤S4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，o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(8)和(9)来更新自己的速度和位置：其中， 是更新位置， 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、铣削深度、降维铣削力均方根、降维振动加速度均方根及声压级均方根值，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，同时将光滑因子作为粒子种群，用光滑因子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，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。

10.根据权利要求1所述基于高密度水基泡沫切削液提高铣削工件表面质量的方法，其特征在于，所述高密度水基泡沫切削液采用泡沫发生剂与水按照1:100～120的比例混合配制而成。