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

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 prop´osito de desarrollar una metodolog´ıa 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 ayudar´a 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 introdujo 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 evaluación del desempeño, 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 m´etodo 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 en números reales, sino como funciones
en intervalo 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. Su
aplicación a los estudios de predicción de la rugosidad superficial en el caso
de maximizar al mismo tiempo la sensibilidad y la especificidad del clasificador inducido de la red Bayesiana, y no solo maximizar la tasa de clasificación correcta.
Los intervalos de estos dos objetivos provienen de un m´etodo de estimación
honesta de ambos objetivos, como e.g. validación cruzada en k rodajas o bootstrap.---ABSTRACT---The main objective of this PhD Thesis is to go more deeply into the analysis
and design of an intelligent system for surface roughness prediction and control
in the end-milling machining process, based fundamentally on Bayesian network
classifiers, with the aim of developing a methodology that makes easier the design
of this type of systems.
The system, whose purpose is to make possible the surface roughness prediction
and control, consists of a model learnt from experimental data with the aid of
Bayesian networks, that will help to understand the dynamic processes involved
in the machining and the interactions among the relevant variables. Since artificial
neural networks are models widely used in material cutting proceses, we include
also an end-milling model using them, where the geometry and hardness of the
piecework are introduced as novel variables not studied so far within this context.
Thus, an important contribution in this thesis is these two models for surface
roughness prediction, that are then compared with respecto to different aspects:
influence of the new variables, performance evaluation metrics, interpretability.
One of the main problems with Bayesian classifier-based modelling is the
understanding of the enormous posterior probabilitiy tables produced. We
introduce an explanation method that generates a set of rules obtained from
decision trees. Such trees are induced from a simulated data set generated from the
posterior probabilities of the class variable, calculated with the Bayesian network
learned from a training data set.
Finally, we contribute in the multi-objective field in the case that some of the
objectives cannot be quantified as real numbers but as interval-valued functions.
This often occurs in machine learning applications, especially those based on
supervised classification. Specifically, the dominance and Pareto front ideas are
extended to this setting. Its application to the surface roughness prediction studies
the case of maximizing simultaneously the sensitivity and specificity of the induced
Bayesian network classifier, rather than only maximizing the correct classification
rate. Intervals in these two objectives come from a honest estimation method of
both objectives, like e.g. k-fold cross-validation or bootstrap.