Natural visibility graph-based multiscale dispersion entropy for chatter identification in thin-walled parts finishing milling

Sintesi Tecnica: Entropia di Dispersione Multiscala basata su Natural Visibility Graph per l'identificazione del chatter nella fresatura di finitura di parti a parete sottile

Definizione del Problema
Le parti a parete sottile sono altamente suscettibili al chatter durante la fresatura di finitura a causa della loro rigidezza debole e variabile nel tempo e delle strutture complesse. Questo fenomeno degrada severamente la precisione di lavorazione e la qualità superficiale. Sebbene i diagrammi di stabilità (SLD) offrano previsioni teoriche, spesso non riescono a prevenire il chatter nelle operazioni di finitura reali a causa delle semplificazioni del modello e delle complessità ambientali. Di conseguenza, è necessaria un'efficace rilevazione in tempo reale. Tuttavia, l'identificazione del chatter nelle parti a parete sottile è particolarmente impegnativa perché i segnali esibiscono una forte non linearità e non stazionarietà. I componenti del chatter nelle prime fasi sono spesso deboli e facilmente mascherati dai componenti periodici indotti dalla rotazione del mandrino. I metodi di elaborazione del segnale esistenti, come l'analisi tempo-frequenza (STFT, CWT) e le tecniche di decomposizione (VMD, EEMD), soffrono spesso di sensibilità ai parametri, del principio di indeterminazione di Heisenberg o di bias nella stima della frequenza istantanea, rendendoli insufficienti per estrarre accuratamente segnali di chatter deboli e variabili nel tempo. Inoltre, i metodi tradizionali di estrazione delle caratteristiche basati sull'entropia spesso non riescono a catturare le relazioni topologiche implicite incorporate in questi segnali deboli.

Metodologia
L'articolo propone un framework intelligente per l'identificazione del chatter composto da tre fasi principali: pre-elaborazione del segnale, estrazione delle caratteristiche e classificazione.

1. Pre-elaborazione del Segnale (GSST2): Per isolare il debole componente di chatter dai dominanti segnali periodici del mandrino, gli autori utilizzano la Second-Order Generalized Synchrosqueezing Transform (GSST2). A differenza dei metodi del primo ordine (es. MSST), la GSST2 utilizza la stima della frequenza istantanea di ordine superiore per ottenere un tracciamento non distorto delle traiettorie di frequenza non lineari. Il metodo filtra i coefficienti corrispondenti alla frequenza di rotazione del mandrino e ai suoi armonici nella matrice tempo-frequenza, consentendo la ricostruzione ad alta fedeltà del segnale di chatter preservandone le caratteristiche non lineari.

2. Estrazione delle Caratteristiche (NVG-MDE): L'innovazione principale è la Natural Visibility Graph-based Multiscale Dispersion Entropy (NVG-MDE).

   • Natural Visibility Graph (NVG): La serie temporale ricostruita viene mappata in un segnale di grafo dove i punti dati diventano vertici e le condizioni di visibilità definiscono gli archi. A differenza degli Horizontal Visibility Graphs (HVG), l'NVG considera sia i valori di ampiezza che la ponderazione dell'intervallo temporale, preservando maggiori informazioni sulle fluttuazioni locali.
   • Multiscale Dispersion Entropy (MDE): L'entropia di dispersione è calcolata sulla struttura del grafo piuttosto che sulla serie temporale grezza. Ciò comporta la costruzione di una matrice di embedding a partire dalla matrice di adiacenza pesata, la mappatura delle ampiezze in categorie tramite una funzione di distribuzione cumulativa normale e il calcolo dell'entropia di Shannon dei pattern di dispersione risultanti.
   • Analisi Multiscala: Per catturare la complessità del segnale a diverse scale temporali, viene applicato un processo di coarce-graining massimo alla serie temporale prima della trasformazione in grafo, generando valori di entropia attraverso molteplici scale.

3. Classificazione (COA-SVM): Le caratteristiche NVG-MDE estratte vengono fornite a un classificatore Support Vector Machine (SVM). Per superare la difficoltà della selezione manuale dei parametri ottimali della SVM (fattore di penalità $c$ e parametro del kernel $\sigma$) per dati complessi e non stazionari, viene introdotto il Crayfish Optimization Algorithm (COA). Il COA, ispirato ai comportamenti estivi dei gamberi (evitamento del calore, competizione e ricerca di cibo), ottimizza i parametri della SVM per massimizzare l'accuratezza della classificazione ed evitare ottimi locali.

Contributi Chiave
L'articolo delinea tre contributi primari:

1. Pre-elaborazione: L'applicazione della GSST2 per la rimozione del rumore e l'estrazione dei componenti di chatter dai segnali di fresatura di finitura di parti a parete sottile, rimuovendo efficacementamente l'interferenza periodica.
2. Rappresentazione delle Caratteristiche: La proposta di NVG-MDE, che differisce dalle classiche misure di entropia catturando le relazioni topologiche implicite e le distribuzioni di ampiezza all'interno del segnale, creando un set di caratteristiche più informativo per distinguere le condizioni di chatter sottili.
3. Ottimizzazione: Lo sviluppo di un modello COA-SVM che ottimizza automaticamente i parametri del classificatore, consentendo il riconoscimento accurato di condizioni di stabilità, chatter leggero e chatter severo.

Risultati
Il metodo proposto è stato validato attraverso esperimenti di fresatura di finitura su parti a parete sottile in TC4 utilizzando una macchina utensile a cinque assi. I segnali di accelerazione sono stati raccolti sotto vari parametri di taglio (velocità del mandrino da 5000 a 8000 rpm e profondità di taglio da 0,2 a 0,4 mm).

• Validazione della Pre-elaborazione: I confronti degli spettri FFT hanno dimostrato che la GSST2 ha rimosso efficacemente i componenti periodici (es. armoniche del mandrino) preservando al contempo le frequenze di chatter, superando il metodo basato su MSST nella fedeltà della ricostruzione del segnale.
• Discriminazione delle Caratteristiche: Le curve di entropia hanno mostrato che l'NVG-MDE può distinguere chiaramente tra condizioni di stabilità, chatter leggero e chatter severo attraverso vari fattori di scala. Al contrario, l'HVG-MDE e la classica MDE non sono riuscite a distinguere chiaramente tra chatter leggero e severo.
• Prestazioni di Classificazione: Il modello COA-SVM che utilizza le caratteristiche NVG-MDE ha raggiunto un'accuratezza media di riconoscimento del 90,08% su 10 prove sperimentali. Ha superato altri algoritmi di ottimizzazione (SCSO-SVM, SO-SVM, WSO-SVM) e la standard SVM. La visualizzazione T-SNE ha confermato che le caratteristiche NVG-MDE forniscono una migliore separabilità tra le classi rispetto a HVG-MDE e MDE.

Significato e Rivendicazioni
Gli autori affermano che il metodo proposto affronta le sfide specifiche del chatter nelle parti a parete sottile, dove le caratteristiche del chatter sono sottili e difficili da estrarre. Definendo l'entropia sui segnali di grafo, il metodo cattura con successo le relazioni topologiche che sono invisibili nei domini del tempo o della frequenza. Lo studio valida che definire l'entropia sui segnali di grafo è una strategia fattibile ed efficace per l'identificazione del chatter di fresatura. Gli autori notano con modestia che, sebbene il metodo sia efficace, l'efficienza computazionale della costruzione del segnale di grafo richiede miglioramenti, e il lavoro futuro esplorerà la robustezza del metodo sotto variabili parametri di taglio e ottimizzerà ulteriormente le impostazioni dell'entropia del grafo.