论文学习｜第六篇(2)-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445

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2篇（想回看第1篇戳这里）：本篇介绍基于堆叠降噪自编码器的自动特征提取以及改进Adaboost-svm的颤振识别，并进行了实验验证和性能分析。

正文共： 6945字13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设计颤振指标，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，该方法能较好地检测颤振，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

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

Ⅱ 信号获取与特征提取

2.3 基于堆叠降噪自编码器的自动特征提取

在2.2节（点击直接传送）中可以发现，常规特征的选择高度依赖于操作者的经验。为此，提出了一种基于自动编码器(Autoencoder, AE)的特征提取策略。AE是由Rumelhart等人[39]开发的，被广泛用于输入信息的表示学习。AE本质上是一种特殊的神经网络，其结构如图5所示。输入层和隐藏层称为编码器，将输入信号

压缩到编码器输出的较小尺寸

：

式中，

是第

个输入向量，

表示权重矩阵，

表示激活函数。

此外，隐含层和输出层被称为解码器，在输出层

重构为

式中，

表示第

个输出向量，

表示权重矩阵。

图5 自编码器的典型结构

通过基本工作原理，可以发现编码器

的输出实际上代表了隐藏在原始数据中的主要特征，因此提出利用编码器

的输出作为从监测信号中提取的特征进行颤振检测。

为了提高AE提取特征的质量，本文采用了堆叠降噪自编码器(stacked-denoising autoencoder, SDAE)[40]，其结构如图6所示。本文采用三层SDAE，每个降噪自编码器（denoising autoencoder， DAE）将数据的维数压缩到输入数据的1/4，因此对于长度为512数据点的样本，得到长度为8的输出数据，并利用最终输出数据中的元素作为颤振检测的特征。

图6 堆叠降噪自编码器的结构

2.4 多特征组合分析

为了提高颤振检测特征的质量，我们比较了不同类型的多特征，包括人工选择的特征(如2.2节所示)、SDAE自动提取的特征及其组合。图7是人工选择的特征和SDAE提取的特征的组合特征。

图7 人工提取特征和SDAE自动提取的特征的组合特征

与2.2节的分布分析类似，我们也进行了不同类型的多特征的分布。考虑到具有多特征的数据集占用高维空间，且难以直接表示，本文利用Laurens等人[41]提出的t分布随机邻居嵌入(t-distributed stochastic neighbor embedding，t-SNE)算法对数据集进行降维处理，结果如图8所示。通过图8(a)可以发现，通过人工选取的特征可以大致区分颤振和稳态。然而，不同标签的样本之间存在显著的重叠。同时，相同状态(颤振或稳定)的样本呈多簇分布，说明这些人工选择的特征与切割条件仍有一定的关系。虽然SDAE自动提取特征的结果(如图8(b)所示)比人工选择特征的性能更好，但仍然存在重叠和多个聚类。图8(c)表明了人工提取特征和SDAE自动提取特征的组合特征的结果，可以发现，不同标签的样本之间的重叠程度进一步降低，相同标签的样本分布更加集中，这对颤振分类非常有利。

图8 t-SNE算法下不同特征的分布：（a）人工提取特征；（b）SDAE自动提取的特征；（c）组合特征

Ⅲ 基于改进Adaboost-SVM的颤振识别

接下来，本节设计了颤振识别所需的分类器。由于支持向量机（support vector machine, SVM）具有泛化能力强、分类精度高、在小数据集条件下适用性强等优点，已被广泛应用于机器状态监测[42]。本文对支持向量机在组合特征下的颤振检测准确率进行了测试，结果表明支持向量机对颤振检测的准确率较低(低于90%)。因此，希望利用集成学习方法[43]构建一个强分类器，可以显著提高颤振分类的准确率。本文利用Freund 等人[44]提出的自适应增强(Adaboost)算法，用一系列弱分类器构造一个强分类器，并选择SVM作为所需的弱分类器。

图9为Adaboost-SVM的结构示意图。Adaboost-SVM的工作原理如下：首先，对训练数据集中的点进行初始相同采样权重

的采样，得到一个子集；然后，利用支持向量机作为第一个弱分类器，计算训练数据集中第一个弱分类器的分类误差，并进一步更新下一个弱分类器的子集采样权值

，并得到最后一个强分类器

的第一个弱分类器权值。接下来，使用更新的采样权值迭代上述过程，直到第

个分类器。最后，将这些弱分类器与各自的权重

组合得到一个强分类器。

图9 自适应增强支持向量机结构示意图

Adaboost算法的主要思想是不断增加分类错误的样本的抽样权值，同时降低分类正确的样本的抽样权值。因此，分类模型总是能够聚焦于难以分类的样本。然而，训练数据集中的样本在某些情况下可能是错误的，这些错误标签的样本很容易影响最终强分类器的性能，因为一旦这些样本因为错误标签而分类错误，采样权重会显著增加。不幸的是，为了快速生成颤振识别模型所需的数据集，样品的标签大致是根据有和没有颤振标记的表面粗糙度确定的(如2.1节所述)，样品很容易被错误标记，因为没有明显的颤振标记时，颤振可能实际上已经发生。因此，本节提出了一种改进的Adaboost算法，以减少错误标签样本的负面影响。

表3为改进的Adaboost算法，训练数据集中的样本标记为-1和1，分别表示颤振和稳定状态，可以手动选择弱分类器算法。与原算法相比，改进的Adaboost算法引入了两个参数：样本连续错分类次数

（表示第

个样本的第

个弱分类器），抑制系数

。与传统的Adaboost算法不同的是，更新的采样权值用式（6）代替：

当抑制因子

为0时，改进的Adaboost算法成为常规算法。

为标准化因子，表达式如下:

表3 改进自适应增强支持向量机算法的伪代码

为了进一步测试改进的Adaboost算法的性能，通过仿真比较了传统Adaboost- svm和改进Adaboost- svm算法的实际分类精度。假设有100个颤振样本和100个稳定样本，满足二维正态分布

和

，颤振和稳态分别标记为-1和1。仿真数据集如图10所示，随机选取20%的颤振样本和稳定样本，并用错误的标签进行标记。利用传统的Adaboost-SVM和改进的Adaboost-SVM得到图10所示数据集所需的强分类器。在仿真过程中，弱分类器个数为5，弱分类器子集大小为20，改进Adaboost算法的抑制因子设为

。使用经典Adaboost-SVM和改进Adaboost-SVM的仿真结果分别如表4和表5所示。

图10 仿真数据集的分布

表4 经典Adaboost-SVM算法仿真结果

表5 改进Adaboost-SVM算法仿真结果

通过表4和表5所示的仿真结果可以发现，改进的Adaboost-SVM的实际分类准确率达到96%，而传统的Adaboost-SVM的实际分类准确率仅为84.5%。结果表明，错误标签样本显著影响强分类器的分类精度，改进的Adaboost即使存在错误标签样本也能很好地保证分类精度，这对本文提出的颤振检测方法具有重要意义。

Ⅳ 验证和性能分析

本节对所提方法的性能进行了分析和验证。考虑到选择的特征直接影响颤振分类的准确性，比较了不同类型多特征颤振分类的性能。研究了改进的Adaboost-SVM在部分样本标记不正确情况下的实际性能。在此基础上，进行了更多不同切削条件下的铣削实验，以验证所开发的强分类器对颤振检测的泛化能力。

4.1 具有不同类型多特征的颤振分类性能

第二节介绍了颤振分类的不同特征，包括人工选择的时域和频域特征，SDAE的自动提取的特征和两类多特征的组合特征。t-SNE对特征的分布(如图8所示)表明，组合的特征具有较好的聚类性能，为了进一步研究不同类型多特征的实际颤振分类性能，将分类结果与改进的Adaboost-SVM进行比较。针对不同类型的多特征，训练不同的分类器，然后计算测试数据集的分类精度。在测试过程中，使用第2节中的训练数据集进行强分类器的训练，子集大小为100，弱分类器编号为50，抑制因子

。图11为颤振检测中不同类型多特征的分类精度。研究发现，在人工选择特征的情况下，训练数据集和测试数据集的准确率都只有90%左右。采用基于SDAE的自动特征提取方法，训练数据集和测试数据集的分类准确率均达到93%。而通过人工选择特征和SDAE提取特征的组合特征，分类正确率显著提高到97%左右，表明组合特征更适用。

图11 不同类型多特征的分类精度

4.2 考虑错误标签样本的性能分析

在第3节中，我们提出了一种改进的Adaboost算法，该算法考虑了可能存在错误标签的样本。为了进一步验证所提方法的性能，本节利用训练数据集和测试数据集，并在训练数据集中有意地对部分样本进行错误标记，以检验训练数据集和测试数据集的实际准确性。考虑了不同比例的错误标签样本，并将Adaboost-SVM与改进的Adaboost-SVM进行对比，结果如图12所示。在测试过程中，两种方法的子集大小和弱分类器数量相同，分别为100和50，改进的Adaboost-SVM的抑制因子

，并考虑最大30%的样本标签错误。通过结果可以发现，错误标签样本对所开发分类器的分类准确率有着确切的影响，无论是传统的Adaboost-SVM还是改进的Adaboost-SVM，错误标签样本比例越高，分类准确率越低。此外，对于传统的Adaboost-SVM算法，训练数据集中标签错误的样本显著影响测试数据集中的分类精度。而采用本文提出的改进Adaboost-SVM，测试数据集的准确率可以达到与训练数据集几乎相同的水平，这说明本文提出的改进Adaboost-SVM可以很好地减少训练数据集中可能存在的标签错误样本导致的分类准确率下降。需要注意的是，虽然根据表面粗糙度粗略标记样本的数据集选择方法显著缩短了所需时间，但数据集中容易存在标记错误的样本，因此所提出的改进的adaboost-SVM对于带分类方法的颤振检测的实际应用是非常有效的。

图11不同错误标签比例下的分类精度

4.3 泛化性能分析

虽然该方法在测试数据集中表现出较高的分类精度，但所开发的强分类器在其他铣削条件下的颤振检测性能也有待验证，这表明可以用改进的Adaboost-SVM验证所开发的分类器的实际泛化能力。

用第2节所示的实验装置进行了另外两次铣削实验，使用相同的楔形工件，材料为AL7075 。图13为主轴转速4800 rpm、径向切削深度2mm、进给量90 mm/min时的颤振识别结果。每个采样数据的长度为512，提取采样数据的组合特征，然后输入到训练好的模型中。为方便颤振分类，稳态和颤振状态分别记为1和-1。图14为主轴转速5400 rpm时的结果，其他切削参数与图13相同。结果表明，铣削过程中的稳定状态和颤振状态可以进行大致的分类，表明该方法具有多特征和改进的Adaboost-SVM的颤振检测能力。两种分类结果都存在分类错误，尤其是在颤振识别阶段前后。但是，这些错误分类可以解释为：可以发现这些错误分类发生在从稳定到颤振的过渡状态，其中切削状态和相应的信号特性很难被识别[33]。因此，稳定和颤振之间的差异不是很明显(图2所示的表面粗糙度也表明了这一点)。结果表明，该方法能较好地识别颤振，适用于不同铣削条件下的铣削颤振检测。

图13 所提方法下颤振识别结果（4800rpm，径向切深2mm，进给量90mm/mim）

图14 所提方法下颤振识别结果（5400rpm，径向切深2mm，进给量90mm/mim）

Ⅴ 结论

现有的大多数常规颤振检测方法都需要颤振指标的阈值，且难以确定，根据实验预先选择的阈值在其他情况下可能不适用。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的颤振检测方法，将颤振检测作为机器学习中的一个典型分类问题。本研究得出以下结论：

1. 由8个人工选择的时域和频域特征和8个SDAE自动提取的特征组成的16个特征组合，大大提高了铣削颤振识别的准确性和可靠性。

2. 本文提出的改进的Adaboost-SVM算法，在很大程度上避免了颤振检测数据集制备过程中容易存在标签错误的样本而导致颤振分类准确率下降的问题。

3. 该方法通过改进的Adaboost-SVM训练的强分类器，可以很好地识别更多其他铣削条件下的颤振，避免了传统颤振检测方法需要的阈值选择。

注明

1、本篇介绍论文的第二部分，整篇内容翻译至此结束。

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