基于机器学习与拓扑数据分析的车削颤振分类
机器学习
2018-11-30 v1 计算几何
机器学习
摘要
加工过程中的颤振识别与检测在过去二十年中一直是活跃的研究领域。研究颤振的部分挑战在于描述其发生的加工方程通常为非线性时滞微分方程。现有颤振识别工具大多依赖于定义一个捕捉颤振特征的度量以及指示其发生的阈值。利用机器学习技术可一定程度上缓解这些参数选择的困难。然而，即便拥有成功的分类算法，典型机器学习方法从一个数据集到另一个数据集的可迁移性仍非常有限。本文中我们将监督机器学习与拓扑数据分析(TDA)相结合，以获得可检测颤振的工艺描述符。我们所用的特征源自通过 Takens 嵌入从时间序列重构的吸引子的持续图。我们使用确定性与随机车削模型测试该方法，其中随机性通过切削系数项引入。我们的结果显示，在由谱元法获得的稳定性图标注的确定性模型上分类成功率达 97%。从确定性模型提取的特征随后被用于表征分析方法极为有限的随机车削模型中的颤振。
引用
@article{arxiv.1804.02261,
title = {Chatter Classification in Turning Using Machine Learning and Topological Data Analysis},
author = {Firas A. Khasawneh and Elizabeth Munch and Jose A. Perea},
journal= {arXiv preprint arXiv:1804.02261},
year = {2018}
}