通过物理辅助的特征提取和基于堆叠的决策级融合技术，实现更可靠的铣削颤振检测

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Towards trustworthy milling chatter detection via physics-assisted feature extraction and stacking-based decision-level fusion

　　

梁世孙|黄贤珍|张永超|唐立业|王旭|赵成英

摘要

颤振是铣削过程中的一种不稳定现象，可能会对表面质量和加工效率产生不利影响。为了实现高性能的加工，在机械制造中在线检测颤振至关重要。然而，现有的方法主要依赖于信号处理技术和单一分类器，这限制了它们的可解释性和泛化能力，从而导致在切削条件变化时检测结果不可靠。为了解决这一限制，本文提出了一种基于物理辅助特征提取和堆叠式决策级融合的铣削颤振检测方法。首先，提出了一种物理辅助特征提取方法，通过建模动态铣削力并描述颤振演变机制来提取可解释且具有区分能力的特征。然后，构建了多个基于深度学习的分类器作为基础模型，包括卷积神经网络、残差网络、Inception网络和扩张卷积网络。随后，设计了一种基于XGBoost的堆叠集成学习方法，对这些基础模型的输出进行决策级融合。通过在不同切削条件下进行铣削实验来构建数据集，并采用交叉验证来证明所提方法的有效性和优越性。