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

Resumo Técnico: Entropia de Dispersão Multiescala baseada em Gráfico de Visibilidade Natural para Identificação de Chatter em Fresamento de Acabamento de Peças de Parede Fina

Definição do Problema
Peças de parede fina são altamente suscetíveis ao chatter (vibração autoexcitada) durante o fresamento de acabamento devido à sua rigidez fraca e variável no tempo e estruturas complexas. Este fenômeno degrada severamente a precisão de usinagem e a qualidade superficial. Embora os diagramas de lóbulos de estabilidade (SLD) ofereçam previsões teóricas, eles frequentemente falham em prevenir o chatter em operações de acabamento reais devido a simplificações de modelo e complexidades ambientais. Consequentemente, a detecção em tempo real eficaz é necessária. No entanto, identificar o chatter em peças de parede fina é particularmente desafiador porque os sinais exibem forte não linearidade e não estacionariedade. Os componentes de chatter em estágio inicial são frequentemente fracos e facilmente mascarados por componentes periódicos induzidos pela rotação do fuso. Os métodos de processamento de sinal existentes, como a análise de tempo-frequência (STFT, CWT) e técnicas de decomposição (VMD, EEMD), frequentemente sofrem com sensibilidade de parâmetros, o princípio da incerteza de Heisenberg ou viés na estiminação da frequência instantânea, tornando-os insuficientes para extrair com precisidade sinais de chatter fracos e variantes no tempo. Além disso, os métodos tradicionais de extração de características baseados em entropia frequentemente falham em capturar as relações topológicas implícitas contidas nesses sinais fracos.

Metodologia
O artigo propõe uma estrutura de identificação inteligente de chatter composta por três estágios principais: pré-processamento de sinal, extração de características e classificação.

1. Pré-processamento de Sinal (GSST2): Para isolar o componente de chatter fraco dos sinais periódicos dominantes do fuso, os autores utilizam a Transformada de Sincrosqueezing Generalizada de Segunda Ordem (GSST2). Diferente dos métodos de primeira ordem (ex: MSST), a GSST2 utiliza a estimativa de frequência instantânea de alta ordem para alcançar um rastreamento imparcial de trajetórias de frequência não lineares. O método filtra os coeficientes correspondentes à frequência de rotação do fuso e seus harmônicos na matriz tempo-frequência, permitindo a reconstrução de alta fidelidade do sinal de chatter enquanto preserva suas características não lineares.

2. Extração de Características (NVG-MDE): A inovação central é a Entropia de Dispersão Multiescala baseada em Gráfico de Visibilidade Natural (NVG-MDE).

   • Gráfico de Visibilidade Natural (NVG): A série temporal reconstruída é mapeada em um sinal de grafo onde os pontos de dados tornam-se vértices e as condições de visibilidade definem as arestas. Diferente dos Gráficos de Visibilidade Horizontal (HVG), o NVG considera tanto os valores de amplitude quanto o peso do intervalo de tempo, preservando mais informações de flutuação local.
   • Entropia de Dispersão Multiescala (MDE): A entropia de dispersão é calculada sobre a estrutura do grafo em vez da série temporal bruta. Isso envolve a construção de uma matriz de incorporação a partir da matriz de adjacência ponderada, o mapeamento de amplitudes para categorias via uma função de distribuição cumulativa normal e o cálculo da entropia de Shannon dos padrões de dispersão resultantes.
   • Análise Multiescala: Para capturar a complexidade do sinal em diferentes escalas de tempo, um processo de coarsening (refinamento de escala) máximo é aplicado à série temporal antes da transformação do grafo, gerando valores de entropia através de múltiplas escalas.

3. Classificação (COA-SVM): As características NVG-MDE extraídas são alimentadas em um classificador de Máquina de Vetores de Suporte (SVM). Para superar a dificuldade de selecionar manualmente os parâmetros ideais de SVM (fator de penalidade $c$ e parâmetro de kernel $\sigma$) para dados complexos e não estacionários, o Algoritmo de Otimização de Lagosta (COA) é introduzido. O COA, inspirado nos comportamentos de verão das lagostas (evitação de calor, competição e busca por alimento), otimiza os parâmetros do SVM para maximizar a precisão da classificação e evitar ótimos locais.

Principais Contribuições
O artigo delineia três contribuições primárias:

1. Pré-processamento: A aplicação da GSST2 para redução de ruído e extração de componentes de chatter de sinais de fresamento de acabamento de peças de parede fina, removendo efetivamente a interferência periódica.
2. Representação de Características: A proposta da NVG-MDE, que difere das medidas de entropia clássicas por capturar relações topológicas implícitas e distribuições de amplitude dentro do sinal, criando um conjunto de características mais informativo para distinguir condições sutis de chatter.
3. Otimização: O desenvolvimento de um modelo COA-SVM que otimiza automaticamente os parâmetros do classificador, permitindo o reconhecimento preciso de condições de operação estável, chatter leve e chatter severo.

Resultados
O método proposto foi validado através de experimentos de fresamento de acabamento em peças de parede fina de TC4 usando uma máquina ferramenta de cinco eixos. Sinais de aceleração foram coletados sob vários parâmetros de corte (velocidades de fuso de 5000–8000 rpm e profundidades de corte de 0,2–0,4 mm).

• Validação do Pré-processamento: Comparações de espectros FFT demonstraram que a GSST2 removeu efetivamente os componentes periódicos (ex: harmônicos do fuso) enquanto preservava as frequências de chatter, superando o método baseado em MSST em fidelidade de reconstrução de sinal.
• Discriminação de Características: As curvas de entropia mostraram que a NVG-MDE pode diferenciar claramente entre condições de operação estável, chatter leve e chatter severo através de vários fatores de escala. Em contraste, o HVG-MDE e a MDE clássica falharam em distinguir claramente entre chatter leve e severo.
• Desempenho de Classificação: O modelo COA-SVM utilizando características NVG-MDE alcançou uma precisão média de reconhecimento de 90,08% ao longo de 10 execuções experimentais. Este desempenho superou outros algoritmos de otimização (SCSO-SVM, SO-SVM, WSO-SVM) e o SVM padrão. A visualização T-SNE confirmou que as características NVG-MDE forneceram melhor separabilidade entre classes em comparação com HVG-MDE e MDE.

Significância e Alegações
Os autores afirmam que o método proposto aborda os desafios específicos do acabamento de peças de parede fina, onde as características de chatter são sutis e difíceis de extrair. Ao definir a entropia em sinais de grafo, o método captura com sucesso relações topológicas que são invisíveis nos domínios do tempo ou da frequência. O estudo valida que definir a entropia em sinais de grafo é uma estratégia viável e eficaz para a identificação de chatter em fresamento. Os autores observam modestamente que, embora o método seja eficaz, a eficiência computacional da construção do sinal de grafo requer melhorias, e trabalhos futuros explorarão a robustez do método sob variados parâmetros de corte e otimizarão ainda mais as configurações de entropia de grafo.