用于车削过程颤振检测的拓扑特征向量
摘要
加工过程最准确地描述为包含非线性、时滞和随机效应的复杂动力系统。由于这些模型的性质以及包括时变参数在内的实际挑战，从加工的数值/解析建模过渡到真实切削信号的分析仍然具有挑战性。一些研究专注于使用机器学习算法研究切削过程的时间序列，目的是识别和预测加工中称为颤振的不期望振动。这些工具通常使用小波包变换（WPT）或集合经验模态分解（EEMD）对信号进行分解。然而，这些方法在训练分类器之前需要大量开销来识别特征向量。在本研究中，我们提出了一种基于利用切削过程时间序列的拓扑特征进行特征化的替代方法。我们首先使用Takens嵌入将时间序列嵌入为点云。然后利用支持向量机、逻辑回归、随机森林和梯度提升分类器，结合源自持续图的持久同调工具的特征向量，以编码颤振的区分特征。我们给出了若干种拓扑特征向量的结果，并使用实验车削数据将我们的结果与WPT和EEMD方法进行比较。我们的结果表明，在四种切削配置中的两种里，基于TDA的特征达到了高达97%的准确率。我们还表明，结合贝塞尔曲线近似方法和并行计算可将单个时间序列的持续图计算运行时间减少到不到一秒，从而使我们的方法适用于在线颤振检测。
引用
@article{arxiv.1905.08671,
title = {Topological Feature Vectors for Chatter Detection in Turning Processes},
author = {Melih C. Yesilli and Firas A. Khasawneh and Andreas Otto},
journal= {arXiv preprint arXiv:1905.08671},
year = {2022}
}
备注
Implementations of parallel computing and Bezier curve approximation for persistence diagram computation are added into the manuscript. Abstract and results section are updated with respect to the results obtained from persistence diagrams computed with Bezier approximation