机械加工质量预测对于实现智能制造具有重要意义，其旨在基于机床状态信息监测和预测机械加工质量，而机床状态信息可以通过其关键部件来反映。

       机械加工质量预测的发展趋势为：

　　(1)材料切削机制研究：机械加工过程中切削速度正飞速增长。类似于摩尔定律，随着高速机床和超硬切削工具的发展，切削速度和相关材料去除率每两年增加约 100%。与此同时，金属基、陶瓷基复合材料等新型工程材料也不断涌现，并逐步应用于工业。切削速度的不断提高和新的工程材料的应用，必然会产生不同的材料去除机制(如韧脆转变)，这值得在未来进行更多的研究。而目前对机械加工过程中材料去除机理的研究主要局限于二维切削模式。在实际切削中，广泛使用的三维材料的去除机制缺乏足够的研究。相应地，工件材料在高应变率和更复杂应力状态下的动态变形和断裂行为需要进一步探索。因此，适用于三维机械加工的材料切削模型亟需开发。

　　(2)数据质量评估方法：由于智能化监测应用的大量落地应用测试，制造现场产生了规模庞大的监测数据。但这些数据由于信号来源多样、采样形式多变、各类传感器干扰来源差异化，因而监测数据呈现出明显的碎片化、分布差异化等特点。因而，研究实际工业现场环境下多传感器数据融合的诊断与预测应用， 建议开展下列研究： 研究多源数据的清洗、质量提升方法与标准，充分考量数据的时效性、精确性和完整性; 研究多源信号的重采样、尺度配准，提升对机械设备每个时刻的加工状态描述的精准性。

　　(3)面向工业现场的数据库构建的标准：建立合理的通用化现场数据获取、存储与传输标准，构建具有一定隐私保护性的企业间工业大数据分享模式，提升数据的商品属性与流通性。数据类型上着重收集较为完备的全寿命周期范围的完整退化过程质量监测信息，并提供尽可能多的零级级别监测信息，且监测信息应包含多种且互不相同的类型(如：机器视觉方法、多通道传感器监测信号等)，从而充分提升设备部件的剩余寿命利用率。

　　（4）质量预测信息的智能表征与可视化：机械设备质量监测信息具有稀疏性与类间不平衡性等特点，探索稀疏表达方法与过采样、欠采样手段，有效表征潜藏在海量监测数据中的设备退化信息与能够表征工件加工质量的信息，从而实现准确、鲁棒的机械设备加工质量预测。在可视化方面，可视化的水平决定了工业软件与现场工程师的交互有效性，是保障质量监测算法充分发挥效能的关键环节。以提取特征、预测指标的充分可视化以及识别、预测结果的可视化为主要框架，利用多通道、异步采样的多源传感器信号， 从多个维度、多层次、多角度的完整描述整个生产周期内机械设备加工质量预测的实时情况。

来源：《机械加工质量预测研究现状与发展趋势》