1.一种基于可解释机器学习的铣削几何参数在线识别方法，其特征在于：包括以下几个步骤：S1：基于铣削瞬时机械力模型，建立任意时刻沿进给方向铣削力Fx、垂直于进给方向铣削力Fy以及在垂直于刀具轴线平面上的合力Ftot的显示表达式；

S2：由信号时域、频域分析获取的参数构成的特征矩阵MF0对铣削力信号进行量化表征，通过敏感性分析方法，筛选出对切向切削力系数Ktc、径向切削力系数Krc、主轴转速n、进给速度vf这 4个变量不敏感而对径向切削深度ae和轴向切削深度ap敏感的特征矩阵MF2；

S3：基于铣削瞬时机械力模型建立仿真大数据样本集Adata，其中每个数据样本的标签包括ae和ap，构建特征矩阵为MF2；

S4：采用可解释机器学习方法，建立特征矩阵MF2与ae和ap的映射关系；可解释机器学习方法包括决策树或K邻近回归中的任意一种；

S5：利用力传感器采集加工过程中的多方向铣削力信号，并与步骤1中建立的铣削瞬时机械力模型仿真信号对比，验证铣削力机理模型精确性；

S6：基于可解释机器学习方法进行ae和ap智能识别，并根据预测输出结果对铣削几何参数进行合理性评价。

2.根据权利要求1所述的基于可解释机器学习的铣削几何参数在线识别方法，其特征在于所述S1具体为：S1.1、对刀具进行数学表示，建立刀具笛卡尔坐标系XTYTZTOT；

其中，ZT轴与刀具轴线重合且正方向指向刀柄方向，XT‑YT平面与刀尖组成的平面相重合，YT轴与刀尖点重合，刀刃依次编号为i=N，N为刀具刃数，编号顺序为绕Z轴正方向逆时针旋转，且编号i=1的刀刃与YT轴相交；

刀刃沿其轴线方向进行离散，离散单元采用二维编号方式：

PEdge_i,j =[i, j]={ [1,1]，[1,2]…}，其中，i表示刀刃，j表示刀刃沿ZT轴正方向的离散单元序号，[i, j]=[1,1]表示第i=1个刀刃上对应的第j=1个离散点，标记为PEdge_1,1。

3.根据权利要求2所述的基于可解释机器学习的铣削几何参数在线识别方法，其特征在于所述S1具体为：S1.2、建立工件坐标系XWYWZWOW，

其中，XW轴正方向指向刀具进给方向，YW轴正方向指向材料外，ZW轴正方向指向工作台方向，设点PEdge_1,1在Y轴正方向为t0时刻，则在任意时刻t，点PEdge_i,j对应的角度Φi,j为：；

其中，Φi,j为点PEdge_i,j由YW轴开始绕ZW轴旋转的方向角，取值范围为[0°, 360°]，ω为刀具旋转角速度（rad/s），β为刀具螺旋角，D为刀具直径，dz为刀刃沿其轴线方向离散间距；

点PEdge_i,j对应的瞬时切削厚度表示为：

；

其中，ft为每齿进给速度，单位为mm/齿，

切入角 可表示为：

。

4.根据权利要求3所述的基于可解释机器学习的铣削几何参数在线识别方法，其特征在于所述S1具体为：S1.3、采用微元切削力瞬时机械力模型，任一时刻t下切削刃微元对应的铣削力表示为：；

其中，dFt为刀刃微元切向力，其方向与瞬时切削速度方向重合； 为刀刃微元径向力，其方向垂直于 且指向工件，Ktc和Krc分别为切向力系数和径向力系数；

进一步，将切向力、径向力通过坐标变换转化为工件坐标系中沿进给方向的力Fx和垂直于进给方向的力Fy以及两者合力Ftot，变换公式为：；

；     (5)

；

考虑铣刀螺旋角及多刃切削，建立铣削力时域信号表达式：

；

；        （6）

；

；

式中，为刀具沿ZT轴进行离散后的切削刃微元数，ɡ[Φi,j] 表示单位阶跃函数用于表示当前切削刃微元是否参与切削，式(6)为铣削力机理模型。

5.根据权利要求1所述的基于可解释机器学习的铣削几何参数在线识别方法，其特征在于所述S2具体为：S2.1、对刀具旋转周期的整数倍时域信号进行特征提取，建立铣削力定量表征特征矩阵，分别提取Fx、Fy、Ftot三个力信号的时域及频域共19个特征，具体为：最大值、最小值、平均值、峰‑峰值、绝对值的平均值、方差、标准差、均方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差以及频率标准差，针对每组铣削参数提取57个原始特征，构成特征矩阵MF0。

6.根据权利要求5所述的基于可解释机器学习的铣削几何参数在线识别方法，其特征在于所述S2具体为：S2.2、以变异系数为评价指标，以铣削力系数Ktc和Krc为不确定因素，基于特征敏感性分析，分析铣削力系数变动对铣削力信号特征的影响规律，从特征矩阵MF0中寻找铣削力合力信号无量纲特征对铣削力系数变动不敏感，将所得特征构成的特征矩阵记为MF1={ Fea_tot_9、Fea_tot_10、Fea_tot_11、Fea_tot_12、Fea_tot_13、Fea_tot_14}，设计以Ktc和Krc为变量的铣削力仿真试验，为分析特征对铣削力系数的敏感性，求解试验特征的变异系数： ；       （8）

其中，σfea和μfea分别为同一个特征在试验中求解数据的标准差和均值，对57个特征对应的变异系数求解结果进行筛选可得，峭度、偏度、波形因子、峰值因子、脉冲因子以及裕度因子的铣削力合力信号无量纲特征对铣削力系数变动不敏感，将上述6个特征构成的特征矩阵记为MF1={ Fea_tot_9、Fea_tot_10、Fea_tot_11、Fea_tot_12、Fea_tot_13、Fea_tot_14}。

7.根据权利要求5所述的基于可解释机器学习的铣削几何参数在线识别方法，其特征在于所述S2具体为：S2.3、以特征MF1为评价指标，以ae、ap、n、vf铣削参数为不确定因素，采用单因素敏感性分析方法，分析铣削参数变动对铣削力信号特征的影响规律，设计以参数ae、ap、n、vf为变量的铣削力仿真试验，4个参数的取值范围分别为n=[1000,

10000]；vf=[100,1000]；ae=[0.25,2.5]； ap=[0.5,5]，每个参数按均匀分布取10个值，通过对铣削力仿真试验数据进行筛选可得，波形因子峰值因子、脉冲因子、裕度因子4个特征与ae 和ap存在近似单调的关系，基于此，筛选出特征矩阵MF2={ Fea_tot_11、Fea_tot_12、Fea_tot_13、Fea_tot_14}用于求解铣削几何参数ae 和ap。

8.根据权利要求1所述的基于可解释机器学习的铣削几何参数在线识别方法，其特征在于所述S4具体为：采用具有可解释性的多输出回归机器学习方法，建立特征矩阵MF2与求解目标ae和ap之间的定量关系模型，具有可解释性的多输出回归机器学习方法包括K邻近、决策树、随机深林中的任意一种；

以切削深度和切削宽度为变量，基于铣削力机理模型，获取理论样本集，抽取理论样本集中的80%为训练集，其中20%为测试集，采用平均绝对百分比误差作为评价标准，通过机器学习模型进行求解，获得求解误差，机器学习模型包括K邻近、决策树、随机深林中的任意一种。

9.根据权利要求1所述的基于可解释机器学习的铣削几何参数在线识别方法，其特征在于所述S5具体为：设计进行钛合金铣削试验，首先将采集的铣削力信号删除切入切出部分，然后将稳定阶段的铣削力信号截取20段，其中每段包含1800个数据，最后对20段数据对齐并取平均值，获得铣削力时域监测信号，采用平均铣削力系数标定法标定铣削力系数，带入；

；        （6）

；

；

中获得铣削力信号理论样本，铣削力信号理论样本与钛合金铣削试验数据进行对比，获取铣削力机理模型反应真实值的准确度。

10.根据权利要求1所述的基于可解释机器学习的铣削几何参数在线识别方法，其特征在于所述S6具体为：对试验所得铣削力信号进行低通滤波处理，提取特征包括，铣削力合力的波形因子、峰值因子、脉冲因子和裕度因子，输入建立的K邻近回归模型，获得预测结果，并根据预测结果对铣削几何参数进行合理性评价。