1.基于改进型LSTM网络的表面粗糙度预测方法，其特征在于：包括如下步骤：S1将不同切削参数条件下所产生的振动信号作为输入，将不同切削参数下所对应的粗糙度值作为标签数据，建立不同切削参数下振动信号与所对应的粗糙度值的大数据集；

S2采用步骤S1中的大数据集对CNN网络层进行训练以获得CNN筛选特征集；

S3对步骤S1中的大数据进行人工筛选特征获得人工筛选特征集；

人工筛选特征集为manmade_feature＝[a,b,c,d]，其中a是CNN网络层的输入信号的均值、b是CNN网络层的输入信号的方差、c是CNN网络层的输入信号的峰值、d是CNN网络层的输入信号的峭度值；

S4将步骤S2中的CNN筛选特征集和步骤S3中的人工筛选特征集作为输入门的特征数据对LSTM网络层进行训练获得全特征集，以保证特征提取的稳定性；

所述的LSTM网络层包括若干单元组，每个单元组包括遗忘门、输出门和输入门；

其中，遗忘门计算如公式1所示：

ft＝σ(Wf·[h't‑1,xt]+bf)(1)

其中，ft为遗忘门向量，Wf是待训练的参数，h't‑1为改进后上一时刻的单元输出，xt是CNN网络层的输出，bf是遗忘门的偏置项，σ为激活函数sigmoid；

输入门计算如公式2，3所示：

it＝σ(Wi·[h't‑1,xt]+bi)(2)

其中σ为激活函数sigmoid、tanh为激活函数tanh，Wi、WC为待训练的参数，h't‑1为改进后上一时刻的单元输出，bi、bC为偏置项，it为输入门向量， 为当前输入的单元状态向量，xt为当前时刻网络的输入向量；

输出门计算如公式4,5所示

ot＝σ(Wo[h't‑1,xt]+bo)(4)

ht＝ot*tanh(Ct)(5)

其中，σ为激活函数sigmoid，Wo为待训练参数，h't‑1为改进后上一时刻的单元输出，bo为偏置项，ot为输出门向量，ht为此时刻的单元输出，xt为当前时刻网络的输入向量，Ct为当前时刻的单元状态向量；

S5采用一个FCN网络对全特征集进行训练，以获得振动信号与粗糙度值相对应的预测模型；

S6在S5的预测模型中输入待测粗糙度的振动信号以获得表面粗糙度值。

2.根据权利要求1所述的基于改进型LSTM网络的表面粗糙度预测方法，其特征在于：所述步骤S1中的过程如下：S11将不同铣削参数设定下的振动信号作为实验数据；铣削参数下所对应的工件表面粗糙度值作为模型的标签数据；大数据集内所对应的数据采集不低于1000组；

S12对S11中的原始振动信号进行预处理，预处理部分包括信号上采样、数据切割和数字滤波；预处理后得到数据集XX＝[xx1,xx2,…,xx1000]，XF＝[xf1,xf2,…,xf1000]，XX为预处理后的振动信号数据集，XF为提取的特征集，xxi为单条信号的数据矩阵，xfi为单条信号的特征矩阵。

3.根据权利要求1所述的基于改进型LSTM网络的表面粗糙度预测方法，其特征在于：所述步骤S2中的CNN网络层包括5层，分别为：第一层中卷积层filters数量为15，卷积核尺寸为131*131，激活函数为Relu；最大池化层中pool_size为2；

第二层中卷积层filters数量为17，卷积核尺寸为73*73，激活函数为Relu；最大池化层中pool_size为2；

第三层中卷积层filters数量为21，卷积核尺寸为29*29，激活函数为Relu；最大池化层中pool_size为2；

第四层中卷积层filters数量为27，卷积核尺寸为21*21，激活函数为Relu；最大池化层中pool_size为2；

第五层中卷积层filters数量为34，卷积核尺寸为15*15，激活函数为Relu；最大池化层中pool_size为2。

4.根据权利要求1所述的基于改进型LSTM网络的表面粗糙度预测方法，其特征在于：所述步骤S5中的全连接层的节点数为30，激活函数为linear；输入数据用xxi＝{x1,x2,…,xn}表示，其中n为单条输入信号长度，xi为单条输入信号第i采样点数值；训练时的模型参数为：损失函数为mean_squared_error，优化器为adam，学习率为0.001，迭代次数epoch为

300。