[論文レビュー] Chatter Detection in Turning Using Machine Learning and Similarity Measures of Time Series via Dynamic Time Warping

Melih C. Yesilli, Firas A. Khasawneh+1 more|arXiv (Cornell University)|Aug 5, 2019

Time Series Analysis and Forecasting被引用数 6

ひとこと要約

本稿では、原始的な加速度信号を用いた動的時間 warp（DTW）を類似度測定に用い、K-近傍法（kNN）分類を組み合わせた切削加工におけるチャターディテクション手法を提案する。本手法は4種類の工具オーバーハング長の設定において最大99％の精度を達成し、ウェーブレットパケット変換（WPT）、EEMD、位相的データ解析（TDA）の手法を上回る性能を示した。手動による前処理を不要とし、異なる切削条件間での有効な転移学習も可能である。

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.

研究の動機と目的

• 変化する切削条件において一般化性能が低く、人的に負担が大きい前処理に依存する従来のチャターディテクション手法の限界を是正すること。
• 特徴抽出を経由せずに、センサ信号の原始データから直接処理を行う機械学習ベースのチャターディテクションシステムの開発。
• 実際の旋削実験において、DTWに基づく類似度測定法が従来の信号処理手法およびTDA手法に比べて、分類精度に優れているかを評価すること。
• 異なる工具オーバーハング長やチャターモード周波数を想定した状況において、提案手法の転移学習能力を評価すること。
• DTWに基づく分類が、周波数ドメイン特徴量のみでは区別が難しい「チャターモード」と「中間的チャターモード」を区別できるかを実証すること。

提案手法

• 本手法は、旋削実験中に工具ホルダーから得られる原始的な加速度信号を時系列データとして入力とする。
• 動的時間warp（DTW）は、時間軸上で非線形に同期をとることで、位相ずれがあっても時間的パターンを捉える類似度を計算する。
• DTW距離を用いてトレーニングされたK-近傍法（kNN）分類器により、信号を「チャターモード」と「安定切削」に分類する。
• WPT や EEMD とは異なり、特徴抽出や情報量の多い成分（例：ウェーブレットパケットやIMF）の手動選択を省く。
• 転移学習の評価は、あるオーバーハング長で学習し、他の長さでテストすることで行い、システムパrameterの変化に対するロバストネスを評価する。
• 計算コストの妥当性を確認するため、分類精度と実行時間の両面から、WPT、EEMD、TDAベースの手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 DTWに基づく類似度測定法は、WPT や EEMD のような従来の信号処理手法に比べ、チャターディテクション精度で優れているか？
• RQ2 DTW-kNNアプローチは、情報量の多いウェーブレットパケットやIMFの選択といった手動による前処理を不要とするか？
• RQ3 切削条件（例：オーバーハング長）が学習時とテスト時で変化する転移学習の状況において、DTWベースの手法はどのように性能を示すか？
• RQ4 周波数スペクトルが類似しているが時間領域のダイナミクスが異なる「チャターモード」と「中間的チャターモード」を、DTW手法は区別できるか？
• RQ5 DTWベースの分類の計算コストはどの程度で、実時間プロセスモニタリングに適応可能か？

主な発見

• DTW-kNNアプローチは、4つの切削設定のうち3つにおいて最高の平均分類率を達成し、1つのケースでは最大99％の精度を記録した。
• 特にシステムパrameterが変化する転移学習の状況において、WPT や EEMD を上回る分類精度を示した。
• DTWベースの手法は、周波数ドメイン特徴量のみでは区別が難しい「チャターモード」と「中間的チャターモード」を効果的に区別できた。
• 本手法は強力な転移学習性能を示し、あるオーバーハング長で学習した後、他の長さでテストしても高い精度を維持した。これに対してWPT や EEMD はそのような性能を示さなかった。
• DTWはトレーニング段階でペアワイズ距離計算のため、最も高い実行時間となったが、推論時間は低く、高度な実装によりこのコストを顕著に削減できる。
• TDAベースの手法とは異なり、点群への埋め込みや複雑なパrameterの選定を不要とし、導入が簡素化された。