基于机器学习与动态时间规整时间序列相似性度量的车削颤振检测
信号处理
2019-08-06 v1 机器学习
机器学习
摘要
从传感器信号进行颤振检测一直是一个活跃的研究领域。虽然使用若干特征化工具和机器学习算法已有一些成功报道,现有方法存在若干缺点,如手动预处理以及需要大数据集。在本文中,我们提出一种基于K近邻(kNN)分类算法和动态时间规整(DTW)作为时间序列相似性度量的颤振检测替代方法。所使用的时间序列是在一系列车削实验中从刀架获取的加速度信号。我们的结果表明,该方法在大多数情况下取得的检测精度优于现有方法。我们将我们的结果基于小波包变换(WPT)和集成经验模态分解(EEMD)的传统方法以及较近的基于拓扑数据分析(TDA)的方法进行比较。我们展示在四种切削配置中的三种下,我们基于DTW的方法达到了最高的平均分类率,在一种情况下高达99%的精度。我们的方法不需要特征提取,能够跨不同切削配置复用分类器,并且使用合理大小的训练集。尽管我们方法产生的高精度伴随高计算成本,但这特定于我们所用的DTW实现。具体而言,我们强调可用的、非常快速的DTW实现甚至可以部署在小型消费电子产品上。因此,进一步的代码优化和实现阶段显著降低的计算工作量使我们的方法成为在加工过程中颤振检测的可行选项。
引用
@article{arxiv.1908.01678,
title = {Chatter Detection in Turning Using Machine Learning and Similarity Measures of Time Series via Dynamic Time Warping},
author = {Melih C. Yesilli and Firas A. Khasawneh and Andreas Otto},
journal= {arXiv preprint arXiv:1908.01678},
year = {2019}
}