Inteligencia artificial para la predicción y control del acabado superficial en procesos de fresado a alta velocidad

• Autores: Maritza Correa Valencia
• Directores de la Tesis: Concha Bielza Lozoya (dir. tes.) , José Ramón Alique López (dir. tes.)
• Lectura: En la Universidad Politécnica de Madrid ( España ) en 2010
• Idioma: español
• Tribunal Calificador de la Tesis: Pedro Larrañaga Múgica (presid.) , Juan Antonio Fernández del Pozo de Salamanca (secret.) , Joao Gama (voc.) , Carlos Vila Pastor (voc.) , Joquim de Ciurana Gay (voc.)
• Enlaces
  • Tesis en acceso abierto en: Archivo Digital UPM
• Resumen

  • El objetivo principal de esta tesis doctoral es profundizar en el análisis y diseño de un sistema inteligente para la predicción y control del acabado superficial en un proceso de fresado a alta velocidad, basado fundamentalmente en clasificadores Bayesianos, con el propósito de desarrollar una metodología que facilite el diseño de este tipo de sistemas, El sistema, cuyo propósito es posibilitar la predicción y control de la rugosidad superficial, se compone de un modelo aprendido a partir de datos experimentales con redes Bayesianas, que ayudará a comprender los procesos dinámicos involucrados en el mecanizado y las interacciones entre las variables relevantes.

    Dado que las redes neuronales artificiales son modelos ampliamente utilizados en procesos de corte de materiales, también se incluye un modelo para fresado usándolas, donde se introduce la geometría y la dureza del material como variables novedosas hasta ahora no estudiadas en este contexto. Por lo tanto, una importante contribución en esta tesis son estos dos modelos para la predicción de la rugosidad superficial, que se comparan con respecto a diferentes aspectos: la influencia de las nuevas variables, los indicadores de rendimiento y la interpretabilidad.

    Uno de los principales problemas en la modelización con clasificadores Bayesianos es la comprensión de las enormes tablas de probabilidad a posteriori producidas. Introducimos un método de explicación que genera un conjunto de reglas obtenidas de árboles de decisión. Estos árboles son inducidos a partir de un conjunto de datos simulados generados de las probabilidades a posteriori de la variable clase, calculadas con la red Bayesiana aprendida a partir de un conjunto de datos de entrenamiento.

    Por último, contribuimos en el campo multiobjetivo en el caso de que algunos de los objetivos no se puedan cuantificar como números reales, sino como intervalos de valores. Esto ocurre a menudo en aplicaciones de aprendizaje automático, especialmente las basadas en clasificación supervisada. En concreto, se extienden las ideas de dominancia y frontera de Pareto a esta situación. Se analiza su aplicación a la predicción de la rugosidad superficial en el caso de maximizar al mismo tiempo la sensibilidad y la especificidad del clasificador Bayesiano inducido, en vez de maximizar sólo la tasa de clasificaciones correctas. Los intervalos de estos dos objetivos provienen de un método de estimación honesta de ambos, como e.g. validación cruzada en k rodajas o bootstrap