[EN]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 also include 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 respect to different aspects: influence of the new variables, performance evaluation metrics, and 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 probability distribution 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. We analyze its application to the surface roughness prediction when 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 an honest estimation method of both objectives, like e.g. k-fold cross-validation or bootstrap.

[ES]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. 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) 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. 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.

El presente estudio se ha realizado dentro de los proyectos FIT-020500-2004-187 PREDAS: Predicci´on in - process del acabado superficial en procesos de fresado a alta velocidad: Estudio de viabilidad usando t´ecnicas de Inteligencia Artificial del Plan Nacional de I+D (PROFIT) y DPI2003-07798-C04-01 AFAVE: Automatizaci´on de los procesos de fresado a alta velocidad del Plan Nacional I+D (CICYT)

Peer reviewed