面向加工过程自主颤振检测的迁移学习
信号处理
2023-03-15 v1 机器学习
摘要
大振幅颤振振动是加工过程中最重要的现象之一。它在切削操作中通常是有害的，会导致表面质量差和刀具寿命降低。因此，基于机器学习的颤振检测在过去十年中一直是一个活跃的研究领域。在工业界大规模应用机器学习进行颤振检测可识别出三大挑战：对不同工艺间颤振特征普适性的理解不足、对特征提取自动化的需求，以及每种特定工件-机床组合数据有限。这三大挑战可统归为迁移学习。本文通过评估主流及新型颤振检测方法的迁移学习来研究颤振检测的自动化。我们利用不同切削配置下车削和铣削实验提取的多种特征，研究颤振分类准确率。所研究的方法包括快速傅里叶变换（FFT）、功率谱密度（PSD）、自相关函数（ACF）、小波包变换（WPT）和集成经验模态分解（EEMD）。我们还考察了基于拓扑数据分析（TDA）和基于离散时间规整（DTW）的时间序列相似性度量的较新方法。我们通过在车削和铣削数据集内部及跨数据集进行训练与测试，评估每种方法的迁移学习潜力。结果表明，精心选择的时间-频率特征可带来高分类准确率，但代价是需要人工预处理和专家用户标注。另一方面，我们发现 TDA 和 DTW 方法可在无需人工预处理的情况下，提供与时间-频率方法相当的准确率和 F1 分数。
引用
@article{arxiv.2204.05400,
title = {Transfer Learning for Autonomous Chatter Detection in Machining},
author = {Melih C. Yesilli and Firas A. Khasawneh and Brian Mann},
journal= {arXiv preprint arXiv:2204.05400},
year = {2023}
}