Resumen de Inteligencia artificial para la predicción y control del acabado superficial en procesos de fresado a alta velocidad
- español
En esta tesis se desarrolla una metodología para analizar y diseñar un sistema inteligente para la predicción y control del acabado superficial en un proceso de fresado a alta velocidad (FAV). Este sistema esta compuesto por: 1) 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;
2) dado que uno de los principales problemas de los clasificadores bayesianos es la comprensión de las tablas de probabilidad se plantea 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 en el paso anterior; 3) y, por último, se hace optimización 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, extendiendo las ideas de dominancia y frontera de Pareto a esta situación. Se aplica 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.
- English
This thesis includes a methodology to analyze and design an intelligent system for prediction and control of surface finish in the process of high speed milling. This system consists of: 1) a model learned from experimental data with Bayesian networks, which helps to understand the dynamic processes involved in machining and interactions between relevant variables. 2) Since one of the main problems of Bayesian classifiers is to understand the probability tables it is proposed a method to produce explanations by generating a set of rules derived from decision trees. These trees are induced from a set of simulated data generated from the posterior probabilities of class variable calculated with the Bayesian network learned in the previous step data. 3) Finally the multiobjective optimization is done if some of the objectives cannot be quantified as real numbers, but as value intervals. This often occurs in applications of machine learning, especially those based on supervised classification. The ideas of dominance and Pareto frontier are extended to cope with this scenario. Finally it is applied to the prediction of surface roughness in the case of simultaneously maximize the sensitivity and specificity of induced Bayesian classifier, instead of maximizing only correct classification rate.
