[논문 리뷰] Chatter Detection in Turning Using Machine Learning and Similarity Measures of Time Series via Dynamic Time Warping

Melih C. Yesilli, Firas A. Khasawneh외 1명|arXiv (Cornell University)|2019. 08. 05.

Time Series Analysis and Forecasting인용 수 6

한 줄 요약

이 논문은 원시 가속도 신호를 대상으로 Dynamic Time Warping (DTW)를 유사도 측정 기준으로 사용하고 K-Nearest Neighbor (kNN) 분류를 결합하여 turning 공정에서의 채터 감지 방법을 제안한다. 이 방법은 네 가지 도구 지지 길이 설정에서 최대 99%의 정확도를 달성하며, Wavelet Packet Transform (WPT), EEMD, 그리고 Topological Data Analysis (TDA) 방법들을 능가한다. 수동 전처리를 제거하고 다양한 cutting 조건 간 효과적인 transfer learning을 가능하게 한다.

ABSTRACT

Chatter detection from sensor signals has been an active field of research. While some success has been reported using several featurization tools and machine learning algorithms, existing methods have several drawbacks such as manual preprocessing and requiring a large data set. In this paper, we present an alternative approach for chatter detection based on K-Nearest Neighbor (kNN) algorithm for classification and the Dynamic Time Warping (DTW) as a time series similarity measure. The used time series are the acceleration signals acquired from the tool holder in a series of turning experiments. Our results, show that this approach achieves detection accuracies that in most cases outperform existing methods. We compare our results to the traditional methods based on Wavelet Packet Transform (WPT) and the Ensemble Empirical Mode Decomposition (EEMD), as well as to the more recent Topological Data Analysis (TDA) based approach. We show that in three out of four cutting configurations our DTW-based approach attains the highest average classification rate reaching in one case as high as 99% accuracy. Our approach does not require feature extraction, is capable of reusing a classifier across different cutting configurations, and it uses reasonably sized training sets. Although the resulting high accuracy in our approach is associated with high computational cost, this is specific to the DTW implementation that we used. Specifically, we highlight available, very fast DTW implementations that can even be implemented on small consumer electronics. Therefore, further code optimization and the significantly reduced computational effort during the implementation phase make our approach a viable option for in-process chatter detection.

연구 동기 및 목표

• 변경되는 cutting 조건 간 일반화 능력이 떨어지고 수작업 전처리가 필요한 기존 채터 감지 방법의 한계를 해결하기 위해.
• 특성 추출 없이 원시 센서 신호에 직접 작동하는 기계학습 기반의 채터 감지 시스템을 개발하기 위해.
• 실제 turning 실험에서 전통적인 신호 처리 방법과 TDA 방법과 비교하여 DTW 기반의 유사도 측정 기법의 성능을 평가하기 위해.
• 다양한 도구 지지 길이와 채터 주파수 간의 변화에 대해 제안된 방법의 transfer learning 능력을 평가하기 위해.
• DTW 기반 분류가 주파수 도메인 특징만으로는 구분하기 어려운 채터와 중간 채터를 구분할 수 있음을 입증하기 위해.

제안 방법

• 실험 동안 도구 지지대에서 측정한 원시 가속도 신호를 시간 시리즈 입력으로 사용한다.
• Dynamic Time Warping (DTW)는 시간에 따라 비선형적으로 정렬함으로써 위상 이동에도 불구하고 시간 패턴을 포착하는 방식으로 시간 시리즈 간의 유사도를 계산한다.
• DTW 거리 기반 K-Nearest Neighbor (kNN) 분류기가 채터 또는 안정된 절삭 상태로 신호를 분류하도록 훈련된다.
• WPT와 EEMD와 달리 특성 추출 및 정보성 성분(예: 웨이블릿 패킷 또는 IMFs)의 수작업 선택을 생략한다.
• 다른 지지 길이에서 훈련된 모델을 테스트하여 시스템 파rameter 변화에 대한 강건성을 평가함으로써 transfer learning을 평가한다.
• 계산 가능성 확보를 위해 분류 정확도와 런타임을 측정하여 WPT, EEMD, TDA 기반 접근법과 비교한다.

실험 결과

연구 질문

• RQ1 DTW 기반의 유사도 측정 기법이 WPT와 EEMD와 같은 전통적 신호 처리 방법보다 채터 감지 정확도에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 DTW-kNN 접근법이 웨이블릿 패킷이나 IMFs 등의 정보성 성분 선택과 같은 수작업 전처리가 필요 없도록 할 수 있는가?
• RQ3 cutting 조건(예: 지지 길이)이 훈련과 테스트 간에 변화하는 transfer learning 시나리오에서 DTW 기반 방법의 성능은 어떠한가?
• RQ4 주파수 도메인 특징만으로는 구분하기 어려운, 유사한 주파수 성분을 가지지만 시간 도메인 동역학이 다른 채터와 중간 채터를 DTW 방법이 구분할 수 있는가?
• RQ5 DTW 기반 분류의 계산 비용은 얼마이며, 실시간 공정 모니터링에 적합하도록 최적화할 수 있는가?

주요 결과

• DTW-kNN 접근법은 네 가지 절삭 설정 중 세 곳에서 평균 분류 정확도가 가장 높았으며, 한 경우에서 최대 99%의 정확도를 기록했다.
• 특히 시스템 파rameter가 변화하는 transfer learning 시나리오에서 WPT와 EEMD보다 분류 정확도에서 뛰어난 성능을 보였다.
• DTW 기반 방법은 주파수 도메인 특징만으로는 구분하기 어려운 채터와 중간 채터를 성공적으로 구분했다.
• WPT와 EEMD와 달리, 한 지지 길이에서 훈련된 모델이 다른 지지 길이에서 테스트되었을 때도 높은 정확도를 유지하여 강력한 transfer learning 성능을 보였다.
• DTW는 쌍별 거리 계산으로 인해 훈련 시 런타임이 가장 높았지만, 추론 시간은 낮고, 고도로 최적화된 구현을 통해 이 비용을 크게 줄일 수 있었다.
• TDA 기반 접근법과 달리 데이터를 점군에 매핑하거나 복잡한 파rameter를 선택할 필요가 없어 배포를 단순화했다.