[论文解读] 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 6

一句话总结

本文提出了一种在车削加工中使用动态时间规整（DTW）作为相似性度量，并结合K近邻（kNN）分类对原始加速度信号进行颤振检测的方法。该方法在四种刀具悬伸长度配置下实现了高达99%的准确率，优于小波包变换（WPT）、经验模态分解（EEMD）和拓扑数据分析（TDA）方法，同时消除了人工预处理步骤，并实现了在不同切削条件下的有效迁移学习。

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.

研究动机与目标

• 解决现有颤振检测方法依赖繁琐预处理且在切削条件变化时泛化能力差的局限性。
• 开发一种基于机器学习的颤振检测系统，可直接在原始传感器信号上运行，无需特征提取。
• 在真实车削实验中评估基于DTW的相似性度量与传统信号处理方法及TDA方法的性能对比。
• 评估所提方法在不同刀具悬伸长度和颤振频率下的迁移学习能力。
• 证明基于DTW的分类方法能够有效区分颤振与中间颤振，而后者仅靠频域特征难以区分。

提出的方法

• 该方法以车削实验中刀具夹持器采集的原始加速度信号作为输入时间序列。
• 动态时间规整（DTW）通过非线性时间对齐计算时间序列之间的相似性，能够在存在相位偏移的情况下捕捉时间模式。
• 使用DTW距离训练K近邻（kNN）分类器，将信号分类为颤振或稳定切削状态。
• 该方法跳过了特征提取以及对信息性分量（如小波包或固有模函数IMF）的人工选择，与WPT和EEMD方法形成对比。
• 通过在一种悬伸长度上训练并在其他长度上测试，评估迁移学习性能，以衡量对系统参数变化的鲁棒性。
• 通过分类准确率对比WPT、EEMD和基于TDA的方法，并测量运行时间以评估计算可行性。

实验结果

研究问题

• RQ1 基于DTW的相似性度量是否能在颤振检测准确率上超越传统信号处理方法（如WPT和EEMD）？
• RQ2 DTW-kNN方法是否能消除对人工预处理（如选择信息性小波包或IMF）的需求？
• RQ3 当训练与测试阶段的切削条件（如悬伸长度）发生变化时，基于DTW的方法在迁移学习场景下的表现如何？
• RQ4 DTW方法能否有效区分颤振与中间颤振？这两类信号虽具有相似的频域特征，但时域动态特性不同。
• RQ5 基于DTW的分类方法的计算成本如何？是否可优化以实现实时在线监测？

主要发现

• 在四种切削配置中的三种中，DTW-kNN方法实现了最高的平均分类率，在某一配置下准确率最高达到99%。
• 在分类准确率方面，该方法优于WPT和EEMD，尤其在系统参数发生偏移的迁移学习场景中表现更优。
• 基于DTW的方法成功区分了颤振与中间颤振，而这两类信号仅靠频域特征难以分离。
• 该方法展现出强大的迁移学习性能，在一种悬伸长度上训练后在其他长度上测试时仍保持高准确率，而WPT和EEMD则表现较差。
• 尽管DTW在训练阶段因需计算成对距离而运行时间最长，但推理时间极短，且通过高度优化的实现可显著降低计算成本。
• 与基于TDA的方法相比，该方法无需将数据嵌入点云或选择复杂参数，简化了部署流程。