车削中传统频域与时域特征的迁移学习研究
信号处理
2021-01-19 v1 机器学习
摘要
在离散制造过程的颤振预测与诊断中，利用机器学习工具的兴趣日益增长。研究颤振的一些最常见特征包括传统信号处理工具，如快速傅里叶变换（FFT）、功率谱密度（PSD）和自相关函数（ACF）。在本研究中，我们在监督学习设置中使用这些工具来识别从车削实验获得的加速度计信号中的颤振。实验使用四种不同的刀具悬伸长度，并改变切削速度与切深进行。然后我们检查所得信号并将其标记为有颤振或无颤振。标记后的信号用于训练分类器。分类方法包括最常见的算法：支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）和梯度提升（GB）。我们的结果表明，当在同一切削配置上训练和测试分类器时，从傅里叶谱提取的特征最具信息性，准确率高达 96%。然而，当在具有不同结构本征频率的两种不同配置上训练和测试时，准确率显著下降。因此，我们得出结论：虽然这些传统特征可高度调谐于特定过程，其迁移学习能力有限。我们还将我们的结果与文献中日益流行的另外两种方法进行比较：小波包变换（WPT）和集成经验模态分解（EEMD）。后两种方法，尤其是 EEMD，对我们的数据集显示出更好的迁移学习能力。
引用
@article{arxiv.2008.12691,
title = {On Transfer Learning of Traditional Frequency and Time Domain Features in Turning},
author = {Melih C. Yesilli and Firas A. Khasawneh},
journal= {arXiv preprint arXiv:2008.12691},
year = {2021}
}