基于监督学习与拓扑特征向量的铣削颤振诊断
信号处理
2020-03-03 v1 计算几何
机器学习
机器学习
摘要
颤振检测因其对切削刀具寿命、表面光洁度及机床主轴的影响而成为一个备受关注的课题。颤振检测文献中的现有方法大多基于信号处理和信号分解。在本研究中，我们利用模拟切削刀具振动数据的拓扑特征，结合四种监督机器学习算法来诊断铣削过程中的颤振。持久图作为一种表示拓扑特征的方法，在机器学习中不易直接使用，因此必须将其转换为更易处理的形式。具体而言，我们将聚焦于两种对持久图进行特征化的不同方法：Carlsson 坐标与模板函数。本文给出了针对来自不同切削配置（包括逆铣和顺铣）的模拟数据以及加入一定噪声的相同数据的分类结果。我们的结果表明，Carlsson 坐标与模板函数分别取得了高达 96% 和 95% 的准确率。我们还提供证据表明这些拓扑方法是对颤振检测具有噪声鲁棒性的描述子。
引用
@article{arxiv.1910.12359,
title = {Chatter Diagnosis in Milling Using Supervised Learning and Topological Features Vector},
author = {Melih C. Yesilli and Sarah Tymochko and Firas A. Khasawneh and Elizabeth Munch},
journal= {arXiv preprint arXiv:1910.12359},
year = {2020}
}