论文学习｜第六篇(1)-研究论文-基于多特征融合和Adaboost-SVM的铣削颤振检测

10月前浏览457

论文学习

非常尊重并感谢科研人员做出的辛勤贡献！若有侵权，烦请联系处理！

若有翻译不当之处，恳请批评指正！

本篇研究论文针对铣削加工过程中的颤振检测问题，提出了特征融合方法，并且组合了传统手工提取的特征和基于机器学习的自动提取的特征，最后提出了改进的自适应增强算法，利用一系列支持向量机的弱分类器构建强分类器，实现了变工况和错误标签条件下的颤振检测分类。本文对颤振检测研究方法展开说明，介绍了颤振检测不同的方法和技术，包括传统的特征提取方法和基于机器学习的智能方法。适合于颤振检测、特征融合、信号处理研究领域者学习。

本篇将介绍第1篇：引言与信号获取以及特征提取第一部分

正文共： 7121字6图

预计阅读时间：18分钟

论文信息

论文题目：Milling chatter detection by multi-feature fusion and Adaboost-SVM

期刊、年份：Mechanical Systems and Signal Processing，2021

作者：Shaoke Wan(a,b,*), Xiaohu Lia(b), Yanjing Yin(a,b,c), Jun Hong(a,b)

机构：(a) Key Laboratory of Education Ministry for Modern Design & Rotor-Bearing System, Xi’an Jiaotong University, Xi’an, Shaanxi, China

(b) School of Mechanical Engineering, Xi’an Jiaotong University, Xi’an, Shaanxi, China

1. 引言

2. 信号获取与特征提取

2.1 信号获取

2.2 传统特征提取

2.3 基于堆叠降噪自编码器的自动特征提取

2.4 多特征组合分析

3. 基于改进Adaboost-SVM的颤振识别

4. 验证和性能分析

4.1 具有不同类型多特征的颤振分类性能分析

4.2 考虑错误标签样本的性能分析

4.3 泛化性能分析

5. 结论

摘要

铣削过程中的不稳定颤振严重影响加工质量和效率。为了抑制或避免切削过程中的颤振，迫切需要颤振发生的检测。目前已有的颤振检测方法大多是通过提取信号特征来涉及颤振指标，通常需要设计颤振指标的阈值，该阈值难以确定，且可能不适用于不同的切削条件。颤振检测本质上是一个典型的分类问题，因此本文提出了基于机器学习的铣削颤振检测方法。为了获得所需的数据集，进行了不同切削条件下的切削实验。颤振检测采用了时域和频域的无量纲特征，以及由堆叠降噪自编码器（Stacked-denoising autoencoder, SDAE）自动提取的特征。为了提高颤振分类的准确性，避免可能的样本标签错误带来的负面影响。利用支持向量机（Support vector machine, SVM）的一系列弱分类器组成的自适应增强（Adaboost）算法进行改进。实验验证和性能分析表明，该方法能较好的检测颤振，适用于不同的铣削条件。

关键词: 铣削颤振检测, 多特征融合, 强分类器, 自适应增强, 支持向量机

Ⅰ 引言

颤振是加工过程中产生的一种非预期振动，导致表面光洁度差，刀具损坏和噪声严重，为了保证切削操作的稳定，通常选择保守的切削参数，大大降低了加工效率[1]。为了保证工件的加工质量，提高效率，颤振检测和抑制方法一直是近几十年来研究的重要课题。工程中迫切希望在加工过程中施加某种措施来抑制或避免颤振，因此颤振检测是非常重要和迫切需要的。

到目前为止，对于加工过程中的颤振检测已经提出了不同的方法和技术[2]，可以发现传统的颤振检测过程主要包括监测信号采集、特征提取和颤振识别指标设计。当颤振发生在刀具与工件之间时，它必然反映在振动状态、声音和切削载荷的变化上。因此，颤振检测采用不同种类的监测信号，包括振动信号[4-8]、电机电流信号[9-11]、切削力或扭矩信号[12-17]、声音信号[18-20]等，需要不同种类的传感器。为了提高变切削条件下颤振检测方法的鲁棒性和可靠性，研究人员还利用多传感器提取更多颤振检测的特征。Kuljanic等[21]比较了铣削过程中不同传感器对颤振的灵敏度，发现力和振动信号的组合提高了颤振识别的准确性和鲁棒性。Pan等[22]研究了多传感器的镗振识别，发现从不同类型的传感器提取多特征可以提高识别结果。然而，虽然不同的传感器可以提取更多的特征，提高颤振识别结果，但传感器(如力传感器和位移传感器)的安装可能成本高、难度大，不适用于铣削过程的实际应用。

为了提取颤振敏感特征并设计相应的颤振指标用于颤振检测，采用了不同的信号处理方法，主要包括时域法、频域法和时频域法。时域方法通常提取监测信号的时域特征，并设计相应的指标进行颤振检测。Schmitz 等人[23]利用同步音频信号的方差作为颤振指标进行铣削颤振检测。Ye等[24]分别提取均方根序列的标准差和均值，并确定它们的比值作为识别颤振开始的指标。Wan[25]提出了一种自适应滤波器提取颤振敏感成分，实现了对监测信号的在线处理，并设计了一种特殊的时域无量纲指标来检测铣削颤振早期的发生。针对加工过程中出现颤振时监测信号中频率分量分布的变化，提出了一些频域方法。Kondo等人 [26]引入了一种应用光谱分析检测再生颤振的新准则。Thaler等[27]通过预处理信号提取频率空间的特征，通过精心选择的阈值，成功检测到颤振。Tangjitsitcharoen[28]利用动态切削力信号的功率谱密度来识别车削颤振的开始。考虑到切削状态由稳定变为不稳定(颤振)的过程是非平稳的，对颤振检测的时频域方法进行了广泛的研究，该方法易于检测瞬时和突然发生的颤振。由于从非平稳信号中提取特征的出色能力，小波包分解(Wave packet decomposition, WPD)在颤振检测中得到了广泛应用。Liu 等人[29]利用WPD方法，以最大能量的小波包节点对信号进行重构，提取颤振特征。Chenet等人[27]利用WPD对监测信号进行预处理，然后选择不同类型的特征进行比较进行颤振识别。Yao等人[30]考虑到颤振发展过程中WPD中每个波包能量的变化，基于小波变换的标准差和颤振出现频带内小波包能量比设计了两个颤振检测指标，结果表明该方法适用于不同的切割操作。（研究学者们也经常）利用经验模态分解(Empirical mode decomposition, EMD)和集成经验模态分解(Ensemble empirical mode decomposition, EEMD)进行颤振检测。Ji等人[31,32]分别提出了基于EEMD和改进EMD的在线铣削颤振检测方法，将信号分解为一系列固有模态函数(Intrinsic mode functions, IMFs)，然后利用颤振敏感的IMFs识别颤振，并提出了颤振检测的多指标综合评价方法。Fu等人[33]提出了一种基于能量聚集特征的颤振检测方法，该方法将被测振动信号用EEMD分解为一系列的IMFs，然后基于多数能量规则提取颤振敏感分量。随着时频分析技术的发展，一种新的非递归信号处理方法变分模态分解(Variational mode decomposition, VMD)也被应用于颤振检测中。Zhang等[8]基于VMD和WPD对非平稳颤振信号进行分解，利用能量熵评价颤振的发生。Liu等人[34]提出了一种基于VMD的颤振检测方法，该方法自动选择了VMD的参数，并提出了一种基于能量熵的颤振指标。综上所述，传统的颤振检测技术通常利用不同的信号处理方法提取能够反映颤振状态的特征，然后设计不同的颤振指标来识别颤振开始，需要注意的是颤振检测指标的阈值是非常必要的。虽然上述工作提出了不同的指标，但颤振检测阈值的选择一直是一个重要的问题，固定阈值的确定通常是根据切削实验或个人经验。但在其他切削条件下，仍不能保证预选阈值是否适用。

由于颤振检测本质上是一个分类问题，因此采用了一些基于机器学习的智能分类方法来进行颤振检测。Tarng 等人[35]提出了一种基于自适应神经网络的在线钻孔颤振识别方法，一旦检测到颤振，利用主轴调节方法抑制颤振。Zhang等人[36]结合人工神经网络(Artificial neural network, ANN)和隐马尔可夫模型(Hidden markov model, HMM)的优点对切削过程进行监测，实验结果表明，可以有效地检测切削颤振。Kwak等人[37]还将神经网络作为磨削状态诊断技术来评估磨削颤振。Lamraoui等[6]提出了一种基于神经网络分类的铣削颤振检测方法，将所选特征分为稳定和颤振两类，不需要选择阈值。考虑到神经网络通常需要大量的数据，支持向量机（Support vector machine, SVM）被用于加工颤振检测，其中需要相对较小的样本。Peng 等人[15]提出了一种新的颤振稳定性预测方法，该方法基于模拟的动态切削力，利用支持向量机寻找颤振稳定性边界。Shao等人[38]提出了一种基于主成分分析和支持向量机的颤振识别方法，并利用快速傅立叶变换(Fast Fourier transform, FFT)获得的特征。这些智能分类方法避免了阈值的选取，通常在不同加工条件下具有较高的适用性。然而颤振检测的准确性在很大程度上取决于所选分类特征，一些提取的特征对切削条件仍然很敏感，容易影响所提方法的泛化能力。同时，设计的分类器对颤振检测的精度可能不够，需要改进。

总之，颤振检测方法已经得到了广泛的研究。然而，在现有的大多数常规颤振检测方法中，通常需要设计的颤振指标阈值，且很难确定，固定阈值在其他切削条件下可能不适用。虽然一些基于神经网络或支持向量机的智能分类方法具有不需要选择阈值的优点，但颤振识别训练所选择的特征直接影响分类的性能，通常需要适当的特征。此外，颤振检测基本上是通过这些智能分类算法设计的分类器来实现的，因此对分类器的精度要求很高。

为了提高铣削颤振检测的性能，提出了一种基于多特征融合和Adaboost-SVM的铣削颤振检测方法。为了简化数据集的制作过程，丰富所需的训练数据集，进行了不同切削参数、不同工件形状甚至不同工件材料的铣削实验。该方法利用了时域特征、频域特征等多种特征。此外，还考虑了堆叠降噪自编码器(SDAE)提取的特征，并对不同的特征组合进行了比较。为了提高颤振分类的准确率，采用自适应增强(Adaboost)算法，利用一系列支持向量机(Adaboost-SVM)组成的强分类器训练颤振检测的分类器，提高颤振检测的分类精度。此外，考虑到训练数据集中不可避免的错误标记样本，提出了一种改进的Adaboost-SVM算法。然后，对所提出的颤振检测方法进行了性能分析和验证。

本文的其余部分组织如下。第2节介绍了监测信号的信号采集和特征提取。在第3节给出了本文所提出的方法。对所提出的颤振检测方法的分析和验证均在第4节中给出。结论在第5节中得出。

Ⅱ 信号获取与特征提取

在本节中，首先进行信号采集以获得所需的数据集。然后基于Student’s t检验(t-test)对时域特征和频域特征进行筛选。此外，还提出了基于SDAE的自动特征提取方法。为了提高特征提取的质量，还对不同类型的特征组合进行了分析和比较。

2.1 信号获取

如图1所示，在三轴铣床上进行铣削实验。由于加速度传感器测量的振动信号对颤振状态更为敏感[21]，且传感器安装简单，因此本文采用振动信号进行颤振检测。实验中，B&K4525型加速度传感器吸附在主轴系统前端，采用B&K数据采集系统记录数据，采样频率4096 Hz。

图1 实验设置与颤振检测

实际上，基于智能学习算法的颤振检测本质上是一个典型的二分类问题，将监测信号分为稳定和颤振两类，通常需要使用监督学习方法。对于监督学习方法，数据集的大小直接影响分类模型的性能。为了提高颤振分类模型数据集的质量，进行了不同切削条件下的铣削实验。在铣削实验中，使用直径为6mm的双槽立铣刀。另外，采用了两种不同形状的工件，分别为楔形工件和步进形工件(如图2所示)，为便于表达，将这两种工件分别记为#1和#2。对于工件1，在切割长度为100mm时，切割深度从0 mm变化到8 mm，选择工件2时，切割深度变化为0.5, 1,…，5 mm。为了丰富数据集的信息，我们进行了一系列不同切削条件下的铣削实验，如表1所示。在1号工件上进行铣削实验，轴向切削深度沿进给方向增大，切削状态由稳定逐渐变为颤振。图3为加工后楔形工件的表面光洁度，可以发现，随着轴向切削深度的增加，表面光洁度逐渐变化，说明铣削过程由稳定向不稳定变化。切割时间为5s的三个阶段的详细表面质量也在图3中显示。A阶段(17 ~ 22 s)无颤振痕迹，铣削过程稳定。随着切削深度的增加，出现了轻微颤振痕迹(B阶段(38 ~ 53 s))， C阶段(65 ~ 70 s)出现了明显的颤振痕迹，表明发生了严重的颤振。对于工件#2，也可以获得稳定和颤振状态下的监测信号。

图2 铣削实验中的工件示意图：（a）楔形工件；（b）阶梯型工件

表1 不同切削条件下铣削实验参数

图3 加工后工件表面质量（楔形工件）

利用上述铣削试验中的所有监测振动信号作为分类器设计所需的数据集，包括训练数据集和测试数据集。由于需要对数据集中的样本进行标记，并且通过光谱分析手工标记颤振的开始通常是耗时的，因此，需要根据相关的表面粗糙度对数据集进行标记。在每次铣削实验中，分别从稳定和颤振条件下提取100个样本，长度为512个采样信号点，共得到1800个样本。当加工表面存在颤振痕迹时，将相关样品标记为颤振，如果不存在颤振，则标记为稳定。将所有样本随机分为训练数据集和测试数据集，训练数据集包含1400个样本，测试数据集包含400个样本。在训练数据集中和测试数据集中，颤振样本和稳定样本的比例保持一致。可以发现，本文所使用的数据集具有颤振样品与稳定样品比例相当(比例相同)、标记过程简单、包含不同切削条件等优点。

2.2 传统特征提取

与传统的从监测信号中提取各种特征的颤振检测方法一样，还需要从数据集中的样本中提取特征，这些特征也直接影响颤振识别模型的性能。当颤振发生时，监测信号在时域和频域[21]都发生变化，因此通常利用时域特征和频域特征。

通常有一系列典型的时域统计指标(如表2所示，其中

为时间序列的采样点)来表示时间序列的变化，可作为颤振检测的特征。然而，一些时域统计指标，如平均振幅和方差，容易受到切割条件的影响，不利于颤振检测。因此，本文选取六种无量纲时域统计指标作为颤振检测的时域特征，包括波形指数

、峰值指数

、脉冲指数

、偏度指数

、峰度指数

和裕度指数

。

表2 经典时域统计特征指标

此外，考虑到上述选取的时域特征不能直接获取一些隐藏信息，在颤振检测中还引入了一些频域特征。由于频率分量随颤振[33]的发生而变化，因此利用了重心频率指数

、均方频率指数

和频率方差指数

三个常规频域特征，其表达式如下：

其中

为时域信号

的傅里叶变换，

为相关频率状态，

为傅里叶变换级数的长度。

其次，研究所选特征对颤振的敏感性。对选取的9个特征进行计算，如图4所示。对于颤振检测，所选特征在稳定状态下的概率分布应与颤振状态下的概率分布不同，即特征对切削状态敏感。通过图4的结果。两类样品(颤振和稳定)虽然存在一定程度的重叠，但除了偏度指数

的特征外，仍存在分布上的差异。为了进一步检验所选特征在颤振和稳定状态方面的差异，利用Student’s t检验(t-test)方法检验颤振和稳定状态之间的特征分布是否存在明显差异，只有偏度指数

特征在水平值设置为10%时不满足显著差异水平，因此从上述所选特征中去除

。

图4 训练集所选特征的分布（1400个样本）

2.3 基于堆叠降噪自编码器的自动特征提取（下一期）

注明

1、本篇介绍论文的第一部分。

2、若需引用本文的公式、专业术语等内容建议再细读原论文核实；若本文对您的论文idea有帮助，建议引用原论文～

参考文献

[1] Wan S , Li X , Yin Y , et al. Milling chatter detection by multi-feature fusion and Adaboost-SVM[J]. Mechanical Systems and Signal Processing, 2021, 156(2):107671.

翻译：张勇

编辑：张勇

校核：李正平、张泽明、王畅

如需转载，请后台联系小编

说明：图片来源原论文，若有侵权，烦请后台联系处理

来源：故障诊断与python学习