Application of Machine Learning for Tool Condition Monitoring in Turning

The machining process is primarily used to remove material using cutting tools. Any variation in tool state affects the quality of a finished job and causes disturbances. So, a tool monitoring scheme (TMS) for categorization and supervision of failures has become the utmost priority. To respond, traditional TMS followed by the machine learning (ML) analysis is advocated in this paper. Classification in ML is supervised based learning method wherein the ML algorithm learn from the training data input fed to it and then employ this model to categorize the new datasets for precise prediction of a class and observation. In the current study, investigation on the single point cutting tool is carried out while turning a stainless steel (SS) workpeice on the manual lathe trainer. The vibrations developed during this activity are examined for failure-free and various failure states of a tool. The statistical modeling is then incorporated to trace vital signs from vibration signals. The multiple-binary-rule-based model for categorization is designed using the decision tree. Lastly, various tree-based algorithms are used for the categorization of tool conditions. The Random Forest offered the highest classification accuracy, i.e., 92.6%.

     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进，人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此，研究人员开始关注数据挖掘算法，并尝试对这些光谱进行数据挖掘。近年来，神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中，支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时，通过将其最优化问题转化为具有(QP)形式的凸问题，进而得到全局最优解。尽管该方法在实际应用中表现优良，但为了进一步提高其分类能力，有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开，每一类靠近某个分类面，而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍，因此，自TSVM提出后便受到研究人员的持续关注，并出现若干改进算法。在恒星光谱分类中，一般分类算法都是根据历史观测光谱来建立分类模型，其中最关键的是对光谱进行人工标注，这项工作极为繁琐，且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此，提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分；然后，在训练集上进行学习，得到分类依据；最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势，更重要的是，在训练集上学习分类模型过程中，不仅考虑有标记的训练样本，也考虑部分未标记的样本。一方面提高了学习效率，另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明，与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比，带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而，该方法亦存在一定的局限性，其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想，利用大数据处理技术，来对所提方法在大数据环境下的适应性展开进一步研究。     

基于i PLS的矿井突水激光诱导荧光光谱特征波段筛选

矿井突水一直威胁着煤矿井下施工人员的生命安全，准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。激光诱导荧光(LIF)光谱技术识别矿井突水水源，有效避免了常规的水化学法需要测定多种化学参数，水源识别时间过长的缺点。提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法，iPLS算法常应用于光谱波段优选和模型的回归分析，PSO-SVC则在机器学习领域有着重要的应用，激光诱导荧光技术具有快速的时间响应、测量精度高等特点，iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析，进而可以对突水水源类型识别分类。首先，用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验，对老空水、灰岩水、灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率，采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。其次，用iPLS算法将全光谱波段依次按10～25波段区间进行等分，选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段，结合光谱图对比分析了划分10和14个子区间的建模结果，发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。最后，在不进行去噪、降维等预处理条件下，根据iPLS划分不同区间数的评价指标统计数据，选取划分11个区间所筛选出具有561个波长点的410.078～478.424和545.078～674.104 nm特征波段范围数据作为PSO-SVC模型的输入，以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、直接观察得到波段建模准确率相比，训练集与测试集的分类准确率高达100%，PSO寻优到的最佳惩罚系数c为1.367 0，核函数参数g为0.576 2。从实验结果可以看出，利用iPLS进行荧光光谱的特征波段筛选是切实可行的，提取出的特征波段能充分反映出全光谱波段的有效信息，为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。     

基于XGBOOST的恒星光谱分类特征数值化

恒星光谱分类是研究恒星的基础性工作之一，常用的光谱分类是基于20世纪70年代Morgan和Keenan建立起来的并逐步完善的MK分类系统。然而基于MK规则的交互式决策分类系统对处理海量天文光谱数据存在着一定的困难。目前光谱巡天一般采用的自动化分类则是模版匹配方法而忽略对谱线特征的测量。怎样自动、客观地提取海量光谱中的分类特征并应用这些特征进行分类可以对天体的物理化学性质的统计分析至关重要。针对此问题，通过机器学习和计算光谱的谱线指数结合的方法，提取光谱特征，并通过大数据分析定量地确定对光谱特征谱线的分类判据（数值化），确定每一类光谱具有物理意义的特征谱线的强度分布。首先对LAMOST DR4恒星光谱测量其谱线指数作为输入，光谱的分类标记采用官方发布的分类结果。使用XGBoost算法进行自动分类及特征排序，从而获得已知或未知的对于分类决策最为敏感的谱线。首先，选取高信噪比（S/N>30）、被LAMOST标记为B，A，F和M的恒星光谱数据，总计约414万个。然后，对光谱数据计算谱线指数从而使其得到降维处理，过滤冗余信息。其次，将处理后的恒星光谱数据随机划分为训练集和测试集，通过适当调整算法参数，用训练集得到所需要的分类决策树模型，用测试集测试其稳定性和可用性，以防止出现过拟合，同时使用算法自带函数进行提取分类特征。最后，输出并整理实验中算法所得的决策树模型，并挑选其概率比较大的分支作为最终的决策树模型。通过实验，可以发现在固定参数下，XGBoost所得的模型有一定的自适应性，较少受数据集影响，总体准确率可达88.5%；同时其所输出的分类决策树与已知的特征较为吻合，而且可以获得基于大数据的、数值化的特征谱线对应分类的范围，为完善基于特征的分类提供定量的规则。     

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域，但传统拉曼光谱分析过程中的预处理主要依赖人为经验，光谱特征提取虽然能够降低信号维度，同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高，受到测量过程中环境干扰和分析过程中多种误差影响，导致最终分类效果并不理想。针对此问题，提出基于一维卷积神经网络（one-dimensional convolution neural network，1D-CNN）的拉曼光谱定性分类方法。实验采集雌酮（Estrone）、雌二醇（Estradiol），雌三醇（Estriol）三种不同雌性激素粉末的拉曼光谱，设计随机平移、添加噪声和随机加权三种光谱数据增强方法，构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试；基于拉曼光谱数据特点提出一维卷积神经网络分类模型，将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验，优化所提出的神经网络模型超参数和训练过程并测试分类效果，从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比，评价模型性能。实验结果表明，本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类，分类正确率最高可达98.26%，分析过程中无需光谱预处理和特征提取步骤，简化了光谱分析流程，并能保留更多有效信息。同时，当模拟测量噪声强度达到60 dBW时，传统方法分类正确率均明显出现不同程度明显降低，卷积神经网络模型依然能够取得96.81%的分类正确率，说明相比对传统拉曼光谱分类方法，所提出方法受光谱测量噪声影响更小，鲁棒性更强，适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。     

傅里叶中红外光谱结合稀疏表示分类方法鉴别小麦赤霉病感染等级

旨在探索感染不同等级赤霉病的小麦中主要成分含量变化引起的傅里叶中红外光谱信息响应，并结合模式识别方法实现基于傅里叶变换中红外光谱的小麦赤霉病等级无损检测。以感染不同等级赤霉病小麦为研究对象，在4 000~400 cm-1波数范围内采集95个小麦样本的傅里叶中红外光谱数据，利用载荷系数法（XLW）与随机森林算法（RF）分析选取小麦样本傅里叶中红外光谱中的敏感波长，利用稀疏表示分类（SRC）算法建模识别小麦感染赤霉病等级。结果表明：XLW算法和RF算法选择的特征波长作为定性分析模型的输入时模型鉴别准确率与全波段光谱数据作输入时均达90%以上，特征波长提取算法可以有效简化模型并提高效率。RF-SRC模型鉴别效果最好，建模集鉴别准确率达97%，测试集鉴别准确率达96%。小麦感染赤霉病等级的不同会引起小麦中水分、淀粉、纤维素、可溶性氮素、蛋白质、脂肪等物质含量的变化，采用RF算法选择的特征波长均反映了这些物质所对应的傅里叶中红外光谱透射光谱特征的差异，结合SRC模型进行小麦赤霉病等级鉴别可达到最好的鉴别效果。因此，利用傅里叶中红外光谱技术结合模式识别方法对小麦赤霉病等级鉴别是可行的，解释了傅里叶中红外光谱技术检测小麦赤霉病等级的机理。     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一，光谱分类的研究能够为恒星的演化提供线索。随着科技的发展，天文数据也向大数据时代迈进，需要处理的恒星光谱数量越来越多，如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少，为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成，与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程，利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络，并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时，把一些神经网络节点按一定的比例丢弃，使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法，由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库，首先进行预处理截取光谱3 600~7 300 Å的部分，均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类，每一类的训练样本包含1 000条光谱数据，测试样本为400条光谱数据，首先通过训练样本对CNN网络进行训练，进行3 000次的迭代，用训练后的网络将测试样本进行分类以验证网络的准确性；第二部分为相邻两类的恒星光谱的分类，其中O型星数据集样本为250条光谱，其余类别恒星样本数据集均为4 000条光谱，将数据5等分，每次选取当中的一份当作测试集，其余部分当作训练集，采用5折交叉验证法求得模型准确率，用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上，在对相邻类别的恒星进行分类时，由于O型星样本量较少，所以得到的分类结果不太理想，对其余类别的恒星分类准确率都高于98%，以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

Lie symmetries of a system arising in plasma physics

Lie group classification for a diffusion‐type system that has applications in plasma physics is derived. The classification depends on the values of 5 parameters that appear in the system. Similarity reductions are presented. Certain initial value problems are reduced to problems with the governing equations being ordinary differential equations. Examples of potential symmetries are also presented.     

Sparse Multicategory Generalized Distance Weighted Discrimination in Ultra-High Dimensions

Distance weighted discrimination (DWD) is an appealing classification method that is capable of overcoming data piling problems in high-dimensional settings. Especially when various sparsity structures are assumed in these settings, variable selection in multicategory classification poses great challenges. In this paper, we propose a multicategory generalized DWD (MgDWD) method that maintains intrinsic variable group structures during selection using a sparse group lasso penalty. Theoretically, we derive minimizer uniqueness for the penalized MgDWD loss function and consistency properties for the proposed classifier. We further develop an efficient algorithm based on the proximal operator to solve the optimization problem. The performance of MgDWD is evaluated using finite sample simulations and miRNA data from an HIV study.     

由定子电流信号分析陀螺电机滚珠轴承故障诊断与分类（英文）

在陀螺电机中,轴承故障是最普遍的失效形式。针对陀螺电机球轴承中各组成部分出现故障难以区分,而更换整套轴承又造成巨大浪费的问题,提出了一种基于电流信号分析的陀螺电机轴承故障分类方法。该方法通过采集定子电流信号,并应用数学分析工具,提取出定子电流的特征信号。通过使用顺序递推法排除了冗余和无效特征,然后用最佳的特征信号建立特征空间。通过使用隐马尔科夫模型,对轴承的典型故障(外环故障、内环故障、球故障和保持架故障)进行了准确的分类。该方法的有效性在一台具有不同轴承故障的直流无刷陀螺电机上得到验证,实验结果显示分类的正确率达到97.1%。