基于Parsimonious Ensemble+的在线刀具状态监测

由于工件材料的不均匀性、为适应生产需求的非平稳加工设置，以及被测变量与刀具磨损之间的非线性关系，金属车削过程中刀具磨损的准确诊断对科学家与工业从业者仍是一项开放挑战。刀具状态监测的常用方法仍依赖批处理途径，无法应对金属切削过程的快速采样率。此外，在处理新的一组加工参数时，它们需要从头完成重新训练过程。本文提出一种基于Parsimonious Ensemble+（pENsemble+）的在线刀具状态监测方法。pENsemble+的独特之处在于其高度灵活的原理：集成结构与基分类器结构均可基于数据流特征自动在线增长与缩减。此外，集成了在线特征选择场景以主动采样相关输入属性。本文展示了新开发的集成学习算法pENsemble+的进展，其中融入了在线主动学习场景以减少操作员标注负担。提出了集成合并场景，可在保持多样性的同时降低集成复杂度。利用真实制造数据流进行了实验研究并与知名算法比较。此外，使用基准概念漂移数据流检验了pENsemble的效能。已发现pENsemble+具有较低结构复杂度，并显著减少了操作员标注负担。