弱刚性零件广泛应用于航空发动机整体叶环、叶片以及航轴等核心动力部件,加工形面精度影响发动机气动性能;在数控加工中,为控制零件变形,需要借助工艺模型进行工艺参数优化和调控。然而,工艺机理模型与实际加工工况必然存在偏差,切削力、零件结构特性等物理量的预测误差导致加工振动与变形预测不准确,使得基于工艺机理模型的参数优化和调控策略在实际应用中具有较大的局限性。以XX15压气机静子叶环叶片加工为例,由于单个叶片的刚度会受到附近叶片材料去除的影响,因而难以通过机理建模的方式准确预测叶片加工误差,叶片形面精度很难保证。数据驱动模型不依赖人为假设,采用端到端的学习方式,借助原位感知获取物理量预测加工过程稳定性、表面形貌以及加工误差等。纯数据驱动的模型通常需要海量数据学习和表征复杂工况下的加工工艺规律,然而对于中小批量航发曲面零件加工而言,工艺数据部分来源于重复加工过程,数据量相对较少,因此需要研究小样本数据与模型融合驱动的加工稳定性、表面形貌以及加工误差的学习预测方法,为航发曲面零件工艺自适应调控提供新的研究思路。围绕这一研究思路,本论文研究的重点和成果如下:1.为了研究切削参数与加工振动稳定性间的关联关系,针对刀具偏心、受迫振动及变形等多因素耦合作用的影响,提出了多因素耦合的切削参数-切削力关联模型,建立了铣削加工动力学的非线性多时滞微分方程,发展了铣削加工振动响应和稳定性判别的高效高精数值求解方法。数值仿真表明,本论文所提出的派生节点法能有效加速稳定性判别误差的收敛。2.发展了早期微弱颤振信号的增强处理和阈值检测方法,实现真实切削工况下早期临界颤振的自动识别与诊断。依据第一章动力学建模方法生成仿真样本,提出基于仿真-真实样本的加工稳定切削参数域的增量融合学习方法,利用支持向量机学习加工稳定性边界。结果表明,颤振信号增强处理有助于及早发现过渡阶段的临界颤振状态。此外,当真实样本量有限时,正确标签的仿真样本有助于提高稳定性边界的泛化精度。3.为了进一步学习加工参数、切削力、加工振动与加工表面形貌的关联关系,建立了加工表面形貌端到端的深度卷积网络预测模型,通过优化网络结构改善了表面形貌的小样本学习精度,采用对抗学习策略避免了表面形貌高频弱特征的丢失。实验表明,所提出的深度卷积网络模型能兼顾表面形貌不同尺度特征的学习,预测与实测的表面形貌结果高度相似,为加工表面形貌的可视化原位监测提供高效计算模型。4.纯数据驱动的回归模型在小样本限制下往往泛化精度不足,为此,提出了模型-数据融合驱动的加工变形误差回归建模方法,根据机理先验构造经验字典映射函数拟合加工变形误差,采用稀疏贝叶斯学习策略挖掘加工变形误差与切削参数、切削力、切削位置间最优稀疏映射。结果表明,模型-数据融合驱动的回归模型比纯数据驱动的回归模型具有更好的预测精度和泛化性能。该方法已成功应用于XX15型压气机静子叶环叶片形面误差的原位监测和补偿加工。