Professional Documents
Culture Documents
Lima, Per
2010
RESUMEN
El objetivo de la investigacin fue obtener una metodologa de optimizacin que
trabaje con varias variables de entrada y salida, en relaciones no lineales; con base
a las principales tcnicas que se vienen utilizando en la actualidad a nivel de
investigacin en ingeniera.
Se ha sistematizado una metodologa de Optimizacin de mtodos multirespuesta
con mtodos Taguchi y Redes Neuronales y Lgica Difusa; que se comprueba con
simulacin para utilizar en trabajos de ingeniera.
Las empresas y organizaciones requieren optimizar procesos que tienen muchas
variables o factores de entrada y de salida; lo cual no se puede realizar con las
tcnicas exactas tradicionales; por ello se ha desarrollado una propuesta bsica
inicial para poder realizar optimizaciones adecuadas a las actuales necesidades.
Los Mtodos Taguchi, como diseos factoriales fraccionales, son una adecuada
simplificacin de los diseos de experimentos; asimismo, los diseos obtenidos con
Mtodos Taguchi se desarrollan y los resultados se calculan con redes neuronales
con lgica difusa a fin de obtener resultados muy precisos a pesar de tener muchas
variables de entrada y salida y se llega a niveles de optimizacin no lineal
importantes.
Por otra parte se aplic a similares situaciones las tcnicas de simulacin, que
permiten cada vez ms llegar a niveles de error ms pequeos, con lo que se pudo
mejorar la optimizacin, en un primer nivel.
Se compar la metodologa con casos sobre calidad y operaciones; a fin de sacar
conclusiones sobre lo ms conveniente; con base al error menor que se obtenga.
Palabras clave: Optimizacin,
Neuronales, Simulacin.
Taguchi, Multirespuesta,
Neurodifuso,
Redes
1. INTRODUCCIN
El presente trabajo tiene el objetivo de desarrollar una propuesta para el estudio de
procesos con diversas variables de Entrada y Salida, con relaciones no lineales, que
a su vez son desconocidas, pero que se pueden calcular mediante Aproximadores
Universales como son las Redes Neuronales de Base Radial y a su vez se pueden
simular a fin de evitar excesivos gastos de Investigacin y Ensayo. Dicha
Metodologa sirve de base a futuras aplicaciones.
Disear un experimento significa planear un experimento de modo que rena la
informacin pertinente al problema bajo investigacin. El diseo de un experimento
es la secuencia completa de pasos tomados de antemano para asegurar que los
datos apropiados se obtendrn de modo de modo que permitan un anlisis objetivo
que conduzca a deducciones vlidas con respecto al problema establecido.
La necesidad de un diseo de experimento surge de la necesidad de responder a
preguntas como: Cmo se va a medir el efecto? Cules son las caractersticas a
analizar? Qu factores afectan las caractersticas que se van a analizar? Cules
son los factores que se estudiaran en esta investigacin? Cuntas veces deber
ejecutarse el experimento? Cul ser la forma de anlisis? A partir de que valores
se considera importante el efecto?
Son Objetivos de un diseo de experimentos Proporcionar la mxima cantidad de
informacin pertinente al problema bajo investigacin. El diseo, plan o programa
debe ser tan simple como sea posible; y la investigacin debe efectuarse lo ms
eficientemente posible; ahorrar tiempo, dinero, personal y material experimental.
"Proporcionar la mxima cantidad de informacin al mnimo costo"
Introduccin a la Ingeniera de Calidad
La Ingeniera de la Calidad est diseada para generar procesos de calidad. Basado
en los fines de la Ingeniera de la calidad, TAGUCHI desarroll una aproximacin al
diseo de experimentos con el objetivo de reducir los costos emanados de la
experimentacin, esta aproximacin es ms prctica que terica y se interesa ms
por la productividad y los costos de produccin que por las reglas estadsticas.
Los conceptos de estas tcnicas estn basados en las relaciones de costos y
ahorros. Existen algunos factores de ruido que afectan los procesos, y son aquellos
que causan que una caracterstica funcional se desve de un valor objetivo, estos
son causantes de variabilidad y prdida de calidad.
De acuerdo con TAGUCHI esta prdida de calidad constituye a largo plazo, una
prdida de tiempo y dinero tanto para el consumidor como para el fabricante.
Dentro de las actividades del control de la calidad, la Ingeniera de la calidad consta
de las actividades dirigidas a la reduccin de la variabilidad y de las prdidas.
Experimento factorial general
Los resultados del ANOVA para dos factores pueden ser extendidos a un caso
general en donde a son los niveles del factor A, b son los niveles del factor B, c son
los factores del nivel C, y as sucesivamente, los cuales pueden ser arreglados en un
experimento factorial, en el cual el nmero de rplicas es n.
Factorial fraccional que experimenta corridas que incluyen solo una fraccin de
todas las posibles corridas.
DISEO FACTORIAL FRACCIONAL
Disea en cuales factores puede tener X nmero de niveles. Por ejemplo, los
ingenieros dirigen un experimento para investigar los efectos de humedad,
temperatura y contenido de cobre en la cantidad de recubrimiento en una
placa del mismo material.
El factor A humedad tiene dos niveles. El factor B temperatura tiene tres
niveles El factor C contenido de cobre tiene 5 niveles.
Las corridas experimentales incluyen las 30 combinaciones de estos niveles
de factor.
expectativas causan prdidas, tanto para los clientes y los productores, como para,
eventualmente, el resto de la sociedad. Por esto, para Taguchi, la calidad debe
medirse en funcin de la prdida que causa: mientras mayor es la prdida que se
produce, menor es la calidad.
IMPORTANCIA DEL DISEO ROBUSTO
Para Taguchi, es posible incorporar la calidad en los productos desde su diseo, sin
aumentar su costo; los problemas deben eliminarse en el laboratorio de diseo, no
en la fbrica o en el campo. Segn esta perspectiva, es necesario disear productos
robustos que toleren variaciones en el proceso de produccin y durante el servicio
de mantenimiento. Los mtodos estadsticos deben seleccionar los factores
importantes que afectan el diseo.
Taguchi establece su metodologa para:
1. Disear productos y procesos robustos a las condiciones ambientales;
2. Disear y desarrollar productos robustos a la variacin en sus componentes;
3. Minimizar la variacin alrededor de un valor objetivoxi.
La ingeniera de la calidad de Taguchi combina mtodos estadsticos y de ingeniera
para optimizar los procesos de diseo y fabricacin de modo que aumente la calidad
y se reduzcan los costos de los productos. El diseo de experimentos juega un papel
esencial en el enfoque de Taguchi, pues ayuda a identificar los factores que ms
intervienen en la generacin de problemas de calidad o, alternativamente, los
factores que ms contribuyen a lograr resultados positivos. A lo largo de este
proceso, se fortalece la cooperacin entre diversos niveles y reas de la empresa.
EL ENFOQUE DE TAGUCHI
Taguchi presenta tres etapas en el diseo de un producto o de un proceso:
1. Diseo del sistema
2. Diseo de los parmetros y
3. Diseo de las tolerancias.
En el diseo del sistema se determina la configuracin bsica de los componentes.
Por ejemplo, en una lnea de acondicionamiento de comprimidos, el diseo del
sistema incluye la determinacin de los materiales y el diseo del sistema de lneas
que realizarn el empaque, con todos sus componentes. En el diseo de los
parmetros, se determinan los niveles o valores de los factores controlables
(parmetros de diseo, como la presin aplicada en las blisteras) para minimizar el
efecto de los factores incontrolables en las caractersticas del producto terminado, es
decir, en nuestro ejemplo, los comprimidos envasados, con su prospecto y caja.
Finalmente, el diseo de las tolerancias apunta a reducir la varianza en las
caractersticas del producto terminado cuando la reduccin lograda en el diseo de
los parmetros no es suficiente.
El diseo experimental debera aplicarse fundamentalmente al diseo de los
parmetros y al diseo de las tolerancias. Fue un logro de Taguchi el haber
destacado la importancia de aplicar el diseo experimental en las etapas upstream
del proceso de creacin, fabricacin y puesta en el mercado de un nuevo producto.
Tambin es clave en su enfoque (aunque no haya sido inventado por l) el concepto
de robustez; un producto es robusto cuando se comporta bien an en condiciones
no controlables.
= 1.0
Figura 1: Arquitectura de las redes neuronales artificiales con funciones base radiales.
Modelo
Num.Cil.
145 1.4 Base
4
155 1.7Twin Spark
4
Coup 2.0 E
4
Coupe 2.6 Quattro
6
316 I
4
318 IS
4
320 I
6
325 I Cabrio
6
AX 11 First 3p
4
AX First Top 3p
4
Cil.(cc)
1351
1749
1984
2598
1596
1796
1991
2494
1124
1124
Pot.(CV)
90
115
115
150
102
140
150
192
60
60
Velo.max
178
191
196
212
195
213
214
229
167
167
2000
3000
150
200
250
6
Num.Cil.
3000
2000
Cil.(cc)
1000
240
160
Pot.(CV)
80
250
200
Velo.max
150
4
80
160
240
Coef
134.518
-2.356
-0.000737
0.58944
SE Coef
4.496
1.300
0.003000
0.03106
T
29.92
-1.81
-0.25
18.98
P
0.000
0.075
0.807
0.000
R-Sq = 95.7%
R-Sq(adj) = 95.5%
DF
3
60
63
SS
37606
1681
39287
MS
12535
28
F
447.45
P
0.000
Source
Num.Cil.
Cil.(cc)
Pot.(CV)
DF
1
1
1
Seq SS
11242
16275
10088
Coef
134.296
-2.460
0.58341
S = 5.25200
SE Coef
4.370
1.221
0.01887
R-Sq = 95.7%
T
30.73
-2.02
30.91
P
0.000
0.048
0.000
R-Sq(adj) = 95.6%
Analysis of Variance
Source
Regression
Residual Error
Total
Source
Num.Cil.
Pot.(CV)
DF
1
1
DF
2
61
63
SS
37604
1683
39287
MS
18802
28
F
681.64
P
0.000
Seq SS
11242
26362
99.9
99
Percent
95
90
80
70
60
50
40
30
20
10
5
1
0.1
-20
-10
0
Residual
10
20
Histogram
(response is Velo.max)
14
12
Frequency
10
8
6
4
2
0
-10
-5
0
Residual
10
Num.Cil.
Cil.(cc)
40
Mean of SN ratios
35
30
25
4
3838 42641 02910 17067 80901 16965 41457 89305 34887 220
9991901411011221421931231531631731831951851851851951951951971071471571671871971981991091891991991991992922522822942342742942952962772992699
Pot.(CV)
40
35
30
25
4 5 55 5 6 6 0 64 6 8 71 73 7 5 9010 110 21 0310 41 0 61 1311 51 161 1712 51 3613 714 01 4215 01 5 81 6917 01 741 9221 12 40
Num.Cil.
Cil.(cc)
250
225
Mean of Means
200
175
150
4
Pot.(CV)
250
225
200
175
150
45 5 5 56 6 0 64 6 8 71 7 3 7 5 9010 11 0210 31 0410 61 1311 51 1611 71 2513 61 3714 01 4 21 5015 81 6917 01 7419 22 1124 0
Num.Cil.
42.5
Pot.(CV)
Mean of SN ratios
40.0
37.5
35.0
32.5
30.0
27.5
25.0
4
45555660646871737590101102103104106113115116117125136137140142150158169170174192211240
Num.Cil.
Pot.(CV)
Mean of Means
250
225
200
175
150
4
45555660646871737590101102103104106113115116117125136137140142150158169170174192211240
4
4
2598
1596
1796
150
102
140
4
4
1124
1124
1360
60
60
75
4
4
1998
1108
1242
150
55
75
4
1998
150
4
1590
125
1750
101
4
1597
4
1997
998
90
73
136
113
137
55
Columns 31 through 36
4
4
4
4
4
4
1597
1598
1389
1799
1799
1700
102
106
60
115
115
68
Columns 37 through 42
4
4
6
4
4
4
1998
1998
2962
1360
1905
2990
136
136
211
75
71
240
Columns 43 through 48
4
4
4
6
4
6
1998
1994
2259
2677
2290
2498
115
104
158
169
150
170
Columns 49 through 54
4
4
4
4
4
4
1391
1896
1598
1896
1781
993
60
75
75
68
90
56
Columns 55 through 60
4
4
4
4
4
4
1587
1043
1296
1391
1896
1598
116
45
55
60
64
75
Columns 61 through 64
4
6
5
6
1781
2792
2435
2473
90
174
170
170
Nota: Son 64 datos porque se eliminaron los 2 datos incompletos.
>> tinv'
Columns 1 through 12
178 191 196 212 195
Columns 13 through 24
167 175 187 213 150
Columns 25 through 36
180 164 198 190 205
Columns 37 through 48
210 210 240 165 162
Columns 49 through 60
157 165 170 161 182
Columns 61 through 64
180 224 215 210
layerConnect: [0 0; 1 0]
outputConnect: [0 1]
numOutputs: 1 (read-only)
numInputDelays: 0 (read-only)
numLayerDelays: 0 (read-only)
subobject structures:
inputs: {1x1 cell} of inputs
layers: {2x1 cell} of layers
outputs: {1x2 cell} containing 1 output
biases: {2x1 cell} containing 2 biases
inputWeights: {2x1 cell} containing 1 input weight
layerWeights: {2x2 cell} containing 1 layer weight
functions:
adaptFcn: (none)
divideFcn: (none)
gradientFcn: (none)
initFcn: (none)
performFcn: (none)
plotFcns: {}
trainFcn: (none)
parameters:
adaptParam: (none)
divideParam: (none)
gradientParam: (none)
initParam: (none)
performParam: (none)
trainParam: (none)
weight and bias values:
IW: {2x1 cell} containing 1 input weight matrix
LW: {2x2 cell} containing 1 layer weight matrix
b: {2x1 cell} containing 2 bias vectors
other:
name: ''
userdata: (user information)
Con base a la RNA de base radial se simul con la siguiente data:
>> pinv1=[5;1797;100]
Con el uso del software Simulink se obtuvo; no se elimin ninguna variable:
>> vsim=sim(net,pinv1)
vsim =
200.0012
initParam: (none)
performParam: (none)
trainParam: .show, .showWindow, .showCommandLine, .epochs,
.time, .goal, .max_fail, .lr,
.min_grad
weight and bias values:
IW: {2x1 cell} containing 1 input weight matrix
LW: {2x2 cell} containing 1 layer weight matrix
b: {2x1 cell} containing 2 bias vectors
other:
name: ''
userdata: (user information)
tr =
trainFcn: 'traingd'
trainParam: [1x1 struct]
performFcn: 'mse'
performParam: [1x1 struct]
divideFcn: 'dividerand'
divideParam: [1x1 struct]
trainInd: [1x40 double]
valInd: [2 6 13 14 18 24 30 31 36 37 48 51]
testInd: [5 7 10 11 23 26 44 52 53 58 60 62]
stop: 'Validation stop.'
num_epochs: 6
best_epoch: 0
goal: 0
states: {1x7 cell}
epoch: [0 1 2 3 4 5 6]
time: [1.6250 1.7030 1.7190 1.7340 1.7500 1.7810 1.7970]
perf: [1x7 double]
vperf: [1x7 double]
tperf: [1x7 double]
gradient: [1x7 double]
val_fail: [0 1 2 3 4 5 6]
Simulacin de la Red:
>> yy=sim(net,pinv1)
yy =
157.9756
El niveld e desempeo fue de 1.29 e+03 y el gradiente de : 7.28e+12
4. ANLISIS Y DISCUSIN
4.1. El caso de comparacin fue con una entrada de 5 cilindros, 100 CV de potencia;
para los modelos de diseo de experimentos tanto para diseo de experimentosanlisis de regresin mltiple como Mtodos Taguchi- anlisis de regresin mltiple;
en los casos de Redes Neuronales Artificiales se trabajo con 3 tipos de RNA:
-De base radial
-Adaline
-Perceptrn Multicapa con algoritmo Backpropagation.
En lo casos de RNA se incluy la variable que eliminan los diseote experimentos
tradicionales; esto es: la cilindrada en centmetros cbicos, se introdujo un valor
promedio de los 66 valores: 1797 cc
Velocidad Obtenida
180
168
200.0012
180.3578
157.9756
4.2. De lo obtenido mediante diseo de experimentos se tiene que los valores estn
entre 168 y 200 kmh sin embargo lo obtenido en RNA flucta entre 157 y 200 kmh.
Del anlisis de los datos se aprecia que un vehculo de 5 cilindros y 100 CV debera
estar por alrededor de los 200kmh o ms. De ello se desprende que el
comportamiento de las RNA de Base radial se aproximan mucho mejor que los
dems resultados.
4.3. Es de destacar que las tcnicas de Diseo de Experimentos con anlisis de
regresin mltiple, el caso de Mtodos Taguchi, y los casos de RNA Adaline y PMC
bsicamente trabajan con relaciones lineales y a lo sumo cuadrticas. Mientras que
las RNA de base radial trabajan con la funcin de Gauss y por tanto con niveles de
relacin muy superiores.
4.4. Del anlisis de los datos se infiere que la relacin tienden a la exponencial en el
tramo de mayor cilindrada y potencia. Por ello se obtiene una mejor performance de
las RNA de Base radial. Lo cual confirma muchas de sus virtudes descritas por ola
literatura.
5. CONCLUSIONES
Para los casos de relaciones no lineales se obtiene mejores aproximaciones de
relaciones de datos mediante las RNA de Base radial que con los mtodos
tradicionales de diseo de experimentos y de prediccin con Anlisis de Regresin
Mltiple.
La simulacin juega un papel muy importante en las tareas de prediccin,
especialmente para los casos de RNA.
6. REFERENCIAS BIBLIOGRFICAS
1. Voglis, C y Lagaris, I. A global optimization approach to neural network training;
publicado en Neural, Parallel and Scientific Computations. 2006.
2. Castillo, E; Conejo, A;Pedregal, et al. Formulacin y Resolucin de Modelos de
Programacin Matemtica en Ingeniera y Ciencia,. 2002.
3. Gutierrez, J. Bioindicacin de la calidad del agua en la sabana Bogot- Colombia,
mediante la utilizacin de la lgica difusa neuroadaptativa como herramienta.2006
4. Jayaram, Y. Ibrahim Multiple response robust design and yield maximization;. The
International Journal of Quality & Reliability Management. Bradford: 1999. Vol. 16
5. Jiju Antony; Raj Bardhan Anand. Multiple response optimization using Taguchi
methodology and neuro-fuzzy based model. Department of Metallurgy and
Materials Engineering, National Institute of Foundry and Forge Technology,
Ranchi, India.2005.
6. HUNG-CHANG LIAO Using N-D method to solve multi-response problem in
Taguchi ; Department of Health Services Administration, Chung-Shan Medical
University. 2004.
7. Varela,L., Jos S. Fermn y Yonny J. Albornoz Comparacin de tcnicas de
optimizacin de multirespuesta en la industria de los alimentos basado en la
sensibilidad de la seleccin de parmetros;. 2008.
8. Hari Singh y Pradeep Kumar. Optimizing multi-machining characteristics through
Taguchis approach and utility concept ; Department of Mechanical and Industrial
engineering, Indian Institute of Technology, Roorkee, India. 2005.
9. Rachmat Mulyana y Jos M. Castro. Studies in Injection Molding. Industrial
Engineering Department University of Puerto Rico. 2007.