制造业在世界范围内竞争异常激烈,产品质量与生产效率是制造企业发展的关键,因此,如何实现高质量、高生产效率已成为各企业、高校的重点研究问题。表面粗糙度严重影响着产品的表面硬度、耐磨度、疲劳强度等,常作为关键评价指标权衡机械产品的质量,研究数控铣削的表面粗糙度的预测与优化问题意义重大。传感器技术、通讯技术、云平台制造技术等取得许多突破,这为数控铣削多源异构数据的获取提供了强力支撑,通过挖掘数控铣削的多源异构数据可拟合精确的表面粗糙度预测模型,进而有效地实现表面粗糙度的优化。因此,本文开展多源异构数据驱动的数控铣削表面粗糙度预测建模方法与综合考虑表面粗糙度与加工时间的数控铣削多目标优化方法的研究。首先,在变工艺条件下采集数控铣削加工过程中的工艺参数、工件材料与刀具直径等静态数据与振动信号、力信号及功率等信号等动态数据,对原始的多源异构数据开展预处理,为建立表面粗糙度预测模型提供准备。其次,通过卷积神经网络自动提取动态数据的特征,并对静态数据通过人工提取特征的方式进行特征提取。运用高斯过程回归融合动、静态数据特征建立变工艺条件下的数控铣削表面粗糙度预测模型。采用粒子群算法优化卷积神经网络的网络参数以提高模型预测精度,并通过决定系数、均方根误差、平均绝对百分比误差、平均绝对值误差四个指标来评价模型的预测性能。然后,以数控铣削加工的工件表面粗糙度与加工时间为优化目标,以主轴转速、进给速度、切削深度以及切削宽度为决策变量建立多目标优化模型;运用禁忌搜索算法对该优化模型进行求解,得到使表面粗糙度最小与加工时间最短的工艺参数组合。最后,通过数控铣削实验分别对本文所提出的多源异构数据驱动的数控铣削表面粗糙度预测与优化方法进行了案例分析,验证了本文所提方法能够有效地用于数控铣削的表面粗糙度预测与优化且具有较强的优势。