在航天复杂结构件的数控精加工过程中对加工质量要求很高,因工件尺寸精度不合格而造成工件报废的情况时有发生,加工质量的保持性和稳定性亟待提高。加工质量与数控机床刀具的过度磨损有着必然联系,但这种存在于工件质量与刀具磨损值之间的关联关系尚不明确,无法对加工过程起到指导作用。因此,探索工件尺寸精度与刀具磨损量之间的关联规律,对于提升加工质量具有重要意义。在数控机床精加工过程中,工件尺寸的波动规律尚不清晰,尺寸波动范围的分析与尺寸检测阈值的设置主要依赖传统方法,缺乏基于大数据对各类工件尺寸进行分析与异常波动检测的方法,所以,需要探索一种运用大数据分析的深度学习方法,对加工过程中的工件质量进行分析与检测,以此提高工件的加工质量。本文以航天数控精加工过程中加工的复杂结构件为研究对象,针对上述问题,对以下内容展开了研究:（1）工件质量预测模型的建立。首先,针对工件质量数据建立单变量和多变量的长短记忆神经网络（LSTM）预测模型对工件尺寸进行实时预测。然后,为了提高模型预测精度提出了LSTM预测模型的改进方法,并将模型的预测结果进行对比。最后,选出预测精度高的模型作为最终的预测模型。通过该模型对工件质量进行在线实时预测,能及时修订异常加工过程保持加工质量的稳定性。（2）工件质量与相应刀补值的关联分析模型的建立。首先,基于数控机床生产过程中产生的工件质量数据、刀具补偿值数据或其它能反应刀具磨损的数据,建立它们之间的关联分析模型。然后,通过关联分析模型建立工件尺寸与刀补值之间的近似匹配关系,并提取工件尺寸与刀补值之间具有匹配关系的关联知识进行存储。最后,对得到的关联知识做进一步的优化,得到最优的关联知识组合方式。通过上述结果可以对刀补值和最优刀补值的组合加工方式进行推荐。同时关联分析结果也可以通过分析刀补值与LSTM预测模型的预测结果之间的关联关系,修正预测结果,提高工件质量的监控准确度。（3）基于SPC和机器学习算法对工件质量数据建立状态判别模型并设置预警阈值。首先,建立分类模型对每种刀补值下的加工质量区间和加工的工件数量区间进行分析。然后,采用SPC质量控制过程对工件质量进行区间划分以及区间标记,并建立分类模型对工件质量状态进行分类判断。最后,将工件数据划分为正常值与异常值,并基于上述划分对工件质量进行异常值判断,依据异常值分类结果及SPC质量控制线为工件尺寸的加工精度设置合理的阈值,进而辅助质量预警。通过工件质量预测、质量与刀补值的关联分析、工件质量状态分析以及预警阈值的设置共同为工件加工过程中的质量提高提供参考。