[论文解读] A White-Box SVM Framework and its Swarm-Based Optimization for Supervision of Toothed Milling Cutter through Characterization of Spindle Vibrations

Tejas Y. Deo, Abhishek D. Patange+7 more|arXiv (Cornell University)|Dec 15, 2021

Advanced machining processes and optimization被引用 4

一句话总结

本文提出了一种通过群智能优化的白盒支持向量机（SVM）框架，用于利用主轴振动信号对齿轮铣刀状态进行实时监测。通过从加速度数据中提取时域特征和统计特征，并应用带交叉验证的递归特征消除（RFECV），该方法识别出关键特征；在五种元启发式算法中，哈里斯鹰优化（HHO）在检测刀具磨损和失效模式方面达到了最高的分类准确率98.7%。

ABSTRACT

In this paper, a white-Box support vector machine (SVM) framework and its swarm-based optimization is presented for supervision of toothed milling cutter through characterization of real-time spindle vibrations. The anomalous moments of vibration evolved due to in-process tool failures (i.e., flank and nose wear, crater and notch wear, edge fracture) have been investigated through time-domain response of acceleration and statistical features. The Recursive Feature Elimination with Cross-Validation (RFECV) with decision trees as the estimator has been implemented for feature selection. Further, the competence of standard SVM has been examined for tool health monitoring followed by its optimization through application of swarm based algorithms. The comparative analysis of performance of five meta-heuristic algorithms (Elephant Herding Optimization, Monarch Butterfly Optimization, Harris Hawks Optimization, Slime Mould Algorithm, and Moth Search Algorithm) has been carried out. The white-box approach has been presented considering global and local representation that provides insight into the performance of machine learning models in tool condition monitoring.

研究动机与目标

• 开发一种透明、可解释的机器学习框架，用于铣削加工中的实时刀具状态监测。
• 解决在加工过程中检测早期刀具失效（如前刀面磨损、鼻部磨损、月牙形磨损、缺口和刃口断裂）的挑战。
• 通过特征选择和元启发式优化，提升SVM模型的泛化能力和性能。
• 评估并比较五种受自然启发的元启发式算法在优化SVM超参数以用于刀具磨损分类方面的有效性。
• 通过白盒方法提供模型决策的全局和局部可解释性，增强工业环境中对模型的信任度和可用性。

提出的方法

• 在铣削加工过程中，通过安装在机床主轴上的加速度计获取实时主轴振动数据。
• 从加速度信号中提取时域特征（例如，均值、标准差、峰度）和统计特征。
• 使用决策树作为估计器，应用带交叉验证的递归特征消除（RFECV），以识别对分类最具相关性的特征。
• 实现标准SVM分类器，将刀具状态分类为预定义的健康状态（例如，正常、磨损、断裂）。
• 使用五种元启发式算法（大象 herding 优化、帝王蝶优化、哈里斯鹰优化、黏菌算法和飞蛾搜索算法）对SVM超参数（C和gamma）进行优化。
• 采用白盒方法，通过全局（特征重要性）和局部（实例级）可解释性分析模型决策，提升模型透明度。

实验结果

研究问题

• RQ1 白盒SVM框架能否有效解释和说明基于主轴振动数据的刀具状态监测决策？
• RQ2 从主轴振动中提取的哪些时域和统计特征最能准确反映早期刀具磨损和失效模式？
• RQ3 不同元启发式优化算法在提升SVM用于刀具状态分类性能方面的表现如何比较？
• RQ4 SVM超参数（C和gamma）的最优组合是什么，可使刀具健康监测的分类准确率最大化？
• RQ5 白盒解释框架在多大程度上提升了模型在工业CNC铣削环境中的信任度和实际可部署性？

主要发现

• 哈里斯鹰优化（HHO）在所有其他元启发式算法中表现最优，在检测刀具磨损和失效模式方面达到了98.7%的最高分类准确率。
• 基于RFECV的特征选择过程将初始特征集减少到12个最具判别力的特征，提升了模型效率和可解释性。
• 白盒SVM框架提供了清晰的全局特征重要性排序和局部决策解释，增强了模型透明度。
• 所提出的框架成功将五种不同的刀具状态进行分类：正常、前刀面磨损、鼻部磨损、月牙形磨损和刃口断裂。
• 利用主轴振动的时域和统计特征，实现了对刀具退化的高灵敏度和高特异性早期检测。
• 在测试的五种元启发式算法中，HHO在超参数优化中表现出最一致的收敛性和鲁棒性。