1.基于多源数据融合的微球研抛过程中压力参数优化方法，其特征在于，具体包括以下步骤：步骤一，先通过多个传感器采集微球研磨抛光过程中的振动信号以及非振动信号；再对采集到的振动信号进行处理，提取出主要特征，用于区分不同加工阶段的振动信号差异；

然后，将提取出的振动信号特征与非振动信号进行整合，确保数据维度一致；

步骤二，将整合后的数据输入到DAE‑MMR预测模型中，预测出当前加工状态下的最优压力值；所述预测模型基于自动编码器和BP神经网络构建，并通过多个传感器采集到的多源数据的历史数据训练得到；训练的具体过程如下：a.将多个传感器采集到的振动信号和非振动信号，按照时段划分为粗抛阶段和精抛阶段，并进一步分割为训练集和测试集；b.使用训练集数据训练自动编码器，并提取自动编码器的编码部分，使用BP神经网络进行回归预测训练，直到损失函数收敛或者达到预定的训练次数；c.将测试集中的数据输入训练后的预测模型中，并输出预测结果，然后根据公式 计算平均绝对误差MAE，对预测模型的性能进行评估；其中，yi为真实压力值，y′i为预测压力值，N表示样本个数；若MAE不大于设定阈值，则训练完成，反之，则重复步骤b；

步骤三，将预测的压力值输入控制系统中，由控制系统对研磨抛光过程中的压力进行调节，实现对压力参数的精准优化。

2.根据权利要求1所述的基于多源数据融合的微球研抛过程中压力参数优化方法，其特征在于：所述自动编码器包括多个神经网络隐藏层，每一层的计算如下：h＝σ(Wx+b)；式中，x为输入数据，W为编码权重矩阵，b为编码偏置矩阵，σ为激活函数，h为隐藏层输出矩阵；

所述自动编码器的解码公式为：x′＝σ'(W′x+b′)，式中，x'为重建输出，W'为解码权重矩阵，b'为解码偏置矩阵，σ′为激活函数；所述训练步骤b中，自动编码器训练的具体过程如下：首先，初始化编码器和解码器的权重矩阵W和W'以及偏置矩阵b和b'；然后，输入数据x计算出隐藏层h，再通过解码公式计算重建输出x'；最后，使用均方误差作为损失函数：训练自动编码器，直至输入数据x和重建输出x'之间的误差

最小化。

3.根据权利要求2所述的基于多源数据融合的微球研抛过程中压力参数优化方法，其特征在于：所述训练步骤b中，回归预测训练的具体过程如下：首先，初始化BP神经网络的权1

重矩阵和偏置向量；然后，计算隐藏层和输出层的输出；以第一层为例，隐藏层的输出为：z

1 1 1 1 1

＝Wx+b，a＝f(z)，其中，x是输入特征向量，W是第一个隐藏层的权重矩阵，f是激活函数，

1 1 o L

a是第一个隐藏层的激活输出，b是第一个隐藏层的偏置向量；输出层的输出为：y'＝Wa +o o o Lb，其中，W 是输出层的权重矩阵，b 是输出层的偏置向量，a 是最后一个隐藏层的激活输出，y′是压力预测值；最后，通过反向传播计算误差梯度来调整BP神经网络的权重，以优化预测模型的预测能力。

4.根据权利要求3所述的基于多源数据融合的微球研抛过程中压力参数优化方法，其特征在于：所述BP神经网络的权重的具体调整过程如下：首先，计算输出层和隐藏层的误o l差；输出层的误差为：δ ＝y′‑y，其中，y为压力实际值；以第l层为例，隐藏层的误差为：δ ＝l+1 T (l+1) l(W ) δ ⊙f′(z)，其中，f'是激活函数的导数，⊙表示逐元素相乘；然后，根据误差函数相对于BP神经网络中各层权重的梯度计算偏导数： 最后，根据更新公式： 更新权重和偏置，其中，η为学习

速率。

5.根据权利要求4所述的基于多源数据融合的微球研抛过程中压力参数优化方法，其特征在于：在回归预测训练过程中，使用GA对BP神经网络的超参数进行调优。

6.根据权利要求1所述的基于多源数据融合的微球研抛过程中压力参数优化方法，其特征在于：所述步骤一中，通过快速傅里叶变换提取振动信号数据的主要频域特征，具体为：先使用低通滤波器得到所需频域范围的信号，再通过信号截断和周期延拓，减少频谱泄漏以提取更加精准的频域特征，并在此基础上采用窗函数的方式，减少边界效应对频域特征提取的影响。

7.根据权利要求6所述的基于多源数据融合的微球研抛过程中压力参数优化方法，其特征在于：所述步骤一中，采用巴特沃斯低通滤波器去除信号中的高频噪声和低频漂移，保留信号的主要频率成分，所述巴特沃斯低通滤波器的传递函数为 其中，n为阶数，fc为截止频率，ωC＝2πfc是截止频率的角频率；截断后的信号表示为：其中，x[n]为给定的离散信号，n0为截断开始的样本点

索引，n1为截断结束的样本点索引；周期延拓信号表示为：xextended[n]＝x[n mod N]，其中，n mod N为取模运算，是信号在长度为xcut[n]上的周期性重复；窗函数的数学表达式为：其中，ω[n]是窗函数的值，n是窗函数的样本索引点，N为窗函

数的样本数量，α和β用于平衡主瓣宽度和旁瓣衰减；快速傅里叶变换的计算公式为：X[k]＝FFT(xextended[n])，其中，X[k]是频域信号的第k个频率成分。

8.根据权利要求1所述的基于多源数据融合的微球研抛过程中压力参数优化方法，其特征在于：该方法采用确定性抛光装置对微球进行研磨抛光；所述确定性抛光装置包括工作台(8)，以及设于工作台(8)上的抛光槽(2)；所述抛光槽(2)内设有抛光盘(1)，所述抛光槽(2)的上方设有抛光头(3)；所述抛光盘(1)由伺服电机驱动转动；所述抛光头(3)与DD电机(4)相连接，由DD电机(4)驱动转动；所述DD电机(4)与气缸(6)相连接，由气缸(6)驱动上下移动；所述DD电机(4)与气缸(6)之间设有压力传感器(5)；研磨抛光过程中，将待抛光的微球安装于抛光盘(1)上，并向抛光槽(2)内装入抛光液，使微球完全浸没于抛光液中；再通过气缸(6)驱动抛光头(3)向下移动，直至抛光头(3)以一定的压力压在微球上；然后，启动伺服电机驱动抛光盘(1)旋转，同时启动DD电机(4)驱动抛光头(3)旋转，对微球进行研磨抛光。

9.根据权利要求8所述的基于多源数据融合的微球研抛过程中压力参数优化方法，其特征在于：所述步骤一中，采集的振动信号包括抛光盘(1)的振动信号和抛光头(3)的振动信号。

10.根据权利要求9所述的基于多源数据融合的微球研抛过程中压力参数优化方法，其特征在于：所述抛光盘(1)和抛光头(3)上设有信号滑环；所述信号滑环上设有加速度传感器，用于将采集到的振动信号分为X、Y、Z轴三个方向传入信号采集仪。