UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Per, DECANA DE AMRICA)

Facultad de Ingeniera Industrial

Instituto de Investigacin de la Facultad de Ingeniera Industrial
Presentacin del Informe Tcnico del Estudio de Investigacin, en extenso
Cdigo
1

Ttulo del proyecto:

Comparacin De Optimizacin De Mtodos

Multirespuesta Con Mtodos Taguchi Y Sistemas Neuro
Difusos Vs. Optimizacin Por Simulacin; Y Desarrollo
De Una Metodologa De Optimizacin.
Responsable:

Dr. Ing. Juan Manuel Cevallos Ampuero

Miembros:

Ing. Roberto Eyzaguirre Tejada

Colaborador:

Alumno Jorge Arturo Rosario Pacahuala

Lima, Per
2010

Comparacin de Optimizacin de Mtodos Multirespuesta Con

Mtodos Taguchi Y Sistemas Neuro Difusos Vs. Optimizacin
Por Simulacin; Y Desarrollo de una Metodologa De
Optimizacin.

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.

Est diseada para generar procesos de 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 mas por la productividad y los costos de produccin que en las reglas
estadsticas. Los conceptos de estas tcnicas estn basados en las relaciones de
costos y ahorros.
Disear un sistema de manufactura para elaborar un producto requiere de
conocimientos tcnicos adems de una gran experiencia en el rea a la cual
pertenece el producto.
Los diseos factoriales son ampliamente utilizados en experimentos en los que
intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseo factorial general que resultan
importantes porque se usan ampliamente en el trabajo de investigacin, y porque
constituyen la base para otros diseos de gran valor prctico.
En los ltimos aos se ha observado un creciente inters por algunas de las ideas
del profesor Genichi Taguchi acerca del diseo experimental y su aplicacin al
mejoramiento de la calidad El diseo factorial fraccionario 2 k-p se usa en
experimentos de escrutinio para identificar con rapidez y de manera eficiente el
subconjunto de factores que son activos, y para obtener alguna informacin sobre la
interaccin. La propiedad de proyeccin de estos diseos hace posible en muchos
casos examinar los factores activos con ms detalle. La combinacin secuencia de
estos diseos a travs del plegamiento es una forma muy eficaz de obtener
informacin extra acerca de las interacciones, la cual puede identificarse en un
experimento inicial como potencialmente importante.
Aproximacin mediante redes neuronales con funciones base radiales
La razn principal que motiva la aproximacin conexionista propuesta en el presente
trabajo es la enorme dependencia que existe de la solucin del problema con
respecto al conocimiento del experto. No obstante, una de las decisiones clave que
influye decisivamente en la calidad de las soluciones que se pueden obtener la
constituye la manera en que se representan las variables de entrada y de salida del
problema de aprendizaje en una implementacin mediante redes neuronales
artificiales. Adems, esto es especialmente importante cuando se dispone de
informacin cualitativa para realizar el entrenamiento
La presente aplicacin muestra la manera en que tcnicas propias de las redes
neuronales artificiales combinadas con tcnicas propias del razonamiento cualitativo
(en concreto, con el clculo de los ordenes de magnitud pueden resultar tiles en el
campo de las finanzas. En un primer apartado se presenta una breve introduccin a
la arquitectura neuronal utilizada durante el desarrollo. Inmediatamente despus se
establece el proceso a seguir para preparar las escalas de referencia de las distintas
variables cualitativas que deben operarse para aportar una solucin al problema. La
aplicacin efectiva de la red neuronal artificial para evaluar el riesgo crediticio de una
empresa se presenta en el apartado que precede a la discusin de los resultados
que se derivan del trabajo desarrollado.
2. MARCO TERICO
El siguiente cuadro nos ubica en la temtica de los diversos mtodos de diseo de
experimentos que nos permiten la optimizacin.

Comparacin de las fortalezas y debilidades de ambos mtodos. Fuente: Adaptado de Sullivan

(1987) y Montgomery (1991).
DISEO FACTORIAL
Permite el estudio simultneo de los efectos de varios factores que pueden haber
en una respuesta. Cuando se mejora un experimento gua el nivel de todos los
factores simultneamente permitiendo uno a la vez para el estudio o interaccin
entre los factores.
Tambin se puede hacer una corrida de diseo de factores completos (QUE SON
TODAS LAS COMBINACIONES DE LOS NIVELES DEL FACTOR
EXPERIMENTAL) una fraccin del diseo factorial (SON MEDIDAS DE
RESPUESTA A UN SUBGRUPO FRACCIN DE TODAS LAS COMBINACIONES
DE LOS NIVELES DEL FACTOR EXPERIMENTAL)
DISEO FACTORIAL DE 2 NIVELES
Es donde cada factor solo tiene dos niveles y no cuenta con un punto central.
El diseo factorial de dos niveles es usado para guiar futuros experimentos, por
ejemplo, cuando se necesita explorar una nueva regin donde se supone que un
grupo mejor puede existir.
El diseo factorial de dos niveles puede ser:
Factorial completo que son corridas experimentales que incluyen todas las
combinaciones en los niveles de factor.

Factorial fraccional que experimenta corridas que incluyen solo una fraccin de
todas las posibles corridas.
DISEO FACTORIAL FRACCIONAL

Este diseo experimenta la mejora solo en una subseccin o fraccin de la

corrida en el diseo del factorial completo. Este diseo fraccional, es un buen
recurso cuando los recursos son limitados o el nmero de factores en el
diseo es largo ya que usa menos corridas que un diseo factorial completo.

El nmero de corridas necesarias para un factorial completo de dos (2)

niveles es 2k donde k es el nmero de factores. Si el nmero de factores en
un diseo 2k, el nmero de corridas necesaria para mejorar un diseo de
factorial completo se incrementa rpidamente. Por ejemplo: un diseo
factorial completo de 2 niveles con 6 factores, requerir de 64 corridas, un
diseo con 9 factores requiere de 512 corridas. Con una media fraccin, el
diseo factorial completo deber requerir solo la mitad de estas corridas.

En el diseo factorial fraccionado , algunos de los efectos son confundidos y

no pueden ser separados de otros efectos. Usualmente no es preocupacin
cualquier trmino mayor de 2- way (dos vias) de iteracin, ya que se pueden
asumir los efectos que se tengan en los ms grandes porque las diferencias
realmente son mnimas y no es necesario estimarlas. Un diseo factorial
fraccionado usa un subgrupo de un factorial completo para obtener
informacin acerca de los efectos principales de interacciones de bajo orden
con menos corridas. El diseo factorial completo tiene tantos puntos del
diseo como la mitad del diseo fraccionado. La respuesta es cuatro de los
posibles ocho esquinas del diseo o de la porcin factorial. Esta prctica
puede confundirse con una iteracin de 2 way ( dos direcciones)

DISEO FACTORIAL COMPLETO

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.

LA FUNCIN DE PRDIDA Y EL CONCEPTO DE CALIDAD

Genichi Taguchi realiz un gran esfuerzo para llevar a un terreno prctico el diseo
experimental. Introdujo, adems, conceptos revolucionarios que afectaron la forma
de medir la calidad y su costo. Para Taguchi, la calidad, antes que por la satisfaccin
de especificaciones, debe medirse en trminos de la as llamada funcin de prdida,
que establece la prdida que la sociedad sufre como consecuencia de la mala
calidad. Un producto de calidad es para el cliente aqul que cumple con las
expectativas de performance o rendimiento cada vez que lo utiliza, sin fallas y en
cualquier condicin o circunstancia. Los productos que no cumplen con dichas

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.

DISEO DE EXPERIMENTOS TAGUCHI

Son una nueva filosofa de calidad basada en los valores de la tarea en vez de en
las variables en el proceso de las especificaciones. El cuadrante de Taguchi hace
una aproximacin de un trmino de prdidas por desviacin en el objetivo. Donde
las prdidas son resultado de una combinacin de desperdicio, retrabajo, pobre
desempeo, prdida de clientes , satisfaccin, etc.
La medida de prdida de un producto puede ser estimado usando L = k (y-T)2
donde:
y es el valor de la respuesta
T es el valor deseado
k es una constante
Para determinar k se estima la prdida de un valor especfico de y. Por ejemplo si
la prdida estimada para:
y = 130 es $ 100.00
k = 100 / (130 120) 2

= 1.0

La funcin de prdida es:

L = 1.0 ( y T )2
Ahora ya se puede usar el estimado de prdida asociado con otros y valores

Permite elegir un producto o proceso que permite la mejora consistente en la

operacin. Reconoce que no todos los factores que causan variabilidad
pueden ser controlados en la prctica. Estos factores incontrolables. Estos
factores son llamados factores de ruido.
El diseo Taguchi identifica los factores controlables que minimiza los
factores de ruido. Durante la experimentacin se puede manipular el factor de
ruido o forzar a que ocurran las variables y entonces encontrar el mximo
control de los factores se realizan para hacer un proceso robusto o resistente
a la variacin de los factores de ruido.
Un buen ejemplo del diseo de Taguchi es el de Ina Tile (Compaa
Japonesa en los 50s). Esta produjo mucho piso fuera de especificacin en
dimensiones. El equipo de calidad encontr que la temperatura usada en los
hornos para los diversos pisos causaba una dimensin no uniforme. Ellos no
pudieron eliminar las variaciones de temperatura porque construir un nuevo
horno era muy costoso, as que se convirti en una variable de ruido. Usando
los diseos de Taguchi, el equipo encuentra que el incremento de arcilla
puede ser un factor de control, los pisos se vuelven ms resistentes o
robustos para que la temperatura vare en el horno y de ese modo propiciar
que los pisos sean ms uniformes.

DISEOS ESTTICOS Y DINMICOS DE TAGUCHI

Dos tipos de diseos Taguchi permite escoger un producto o proceso que

mejora la operacin. Como sea en un sistema dinmico, la respuesta variable

depende no solamente en los factores de ruido y de control sino tambin de

otros conceptos variables (input) es decir, el factor seal. El objetivo del
Taguchi de diseo dinmico es para colocar factores de control que optimiza
las caractersticas de la calidad en el sistema sobre un rango de seales de
entrada.
Por ejemplo la cantidad de la aceleracin es una medida de mejora en los frenos. El
factor seal es el grado de depresin en el pedal del freno; cuando el conductor
presiona el pedal del freno, la desaceleracin incrementa.
El grado de presin en el pedal tiene un significante efecto en la desaceleracin.
Debido a que existe una presin en el pedal no ptima, no hay razn para realizar
una prueba como factor de control. En lugar de eso, los ingenieros quieren disear
un sistema de frenos que haga eficiente a la menor variable de presin en el pedal
freno.
Para llevar a la prctica sus conceptos, Taguchi recomienda mtodos que se
apartan parcialmente de los usados en el diseo de experimentos clsico; la
terminologa que utiliza tambin es algo distinta. En primer lugar, Taguchi divide los
factores de un experimento en factores controlables y factores incontrolables, o
ruido. Segn la metodologa de diseo de los parmetros, Taguchi recomienda
seleccionar dos diseos experimentales, uno para los factores controlables y otro
para el ruido. En general, estos diseos son del tipo ortogonal, descripto
anteriormente. Los diseos se combinan en el layout del diseo de los parmetros,
un esquema de dos componentes:
el arreglo de los factores controlables (arreglo interior);
y el arreglo de los factores no controlables (arreglo exterior).
Para el anlisis de datos, Taguchi recomienda evaluar en el arreglo interior la
respuesta promedio de cada corrida del experimento y analizar la variacin de los
resultados con un ratio seal-ruido apropiado. Estos ratios se derivan de la funcin
de prdida cuadrtica presentada anteriormente. Se consideran ptimos los niveles
de los factores que maximicen un ratio seal-ruido adecuado. Estos ratios difieren
segn que el objetivo del experimento sea reducir la variabilidad alrededor de un
valor objetivo determinado, o producir un efecto resultante lo mayor posible, o,
inversamente, producir el menor efecto posible. En definitiva, el objetivo principal de
la ingeniera en general es alcanzar mejoras de rendimiento sostenibles ante
cualquier condicin especial. Esto es lo que se llama robustez. Quizs uno de los
mayores desafos para Taguchi consista en cmo medir la robustez ya que, slo si
logramos hacerlo, podremos desarrollar tecnologas a prueba de ruido". Taguchi
mide la robustez con el ratio seal-ruido. Mientras ms robusta es una tecnologa,
ms fuerte es la seal que emite contra cualquier ruido externo que trate de inhibir la
fuerza de la seal.
Para Taguchi, el uso de los ratios seal-ruido elimina en general la necesidad de
examinar las interacciones entre los factores controlables y los factores de ruido, si
bien el examen de estas interacciones puede ocasionalmente mejorar la
comprensin de los procesos estudiados. Finalmente, dado que los arreglos no
siempre se corren completos, por razones de economa, es posible realizar
experimentos confirmatorios.

Redes neuronales con funciones base radiales

Las redes neuronales artificiales con funciones base radiales resultan especialmente
indicadas para la resolucin del problema planteado dado que se caracterizan por
ser clasificadores universales. Este tipo de redes se han asociado tradicionalmente
con una arquitectura simple de tres capas (vase Figura 1), en que cada
capa de la arquitectura esta completamente conectada con la capa inmediatamente
consecutiva.
La capa oculta se compone de un conjunto de nodos que se caracterizan por tener
asociadas unas funciones de activacin de tipo radial, denominadas funciones base
radiales. Dichas funciones radiales reciben como entrada todos y cada uno de los
atributos de los patrones, y se caracterizan por estar centradas en un punto del
espacio de entrada. Las salidas de estas funciones se combinan linealmente
mediante unas ponderaciones para generar la salida de la red neuronal. Una
caracterstica importante de este tipo de funciones radiales es que generan una
respuesta local (en oposicin a la respuesta global caracterstica de la funcin
sigmoideo) puesto que su salida solamente depende de la distancia que existe entre
la entrada y el centro de cada funcin radial. Las funciones radiales de la capa oculta
presentan una estructura que se puede representar
de la siguiente manera:

Figura 1: Arquitectura de las redes neuronales artificiales con funciones base radiales.

i(x) = ((x ci)TR1(x ci)) , (1)

donde es la funcin radial utilizada, {ci | i = 1, 2, . . . , c} es el conjunto de centros

de funcin radial y R es una mtrica. El trmino (x ci)TR1(x ci) representa la
distancia desde la entrada x al centro c en la mtrica definida por R. Existen
diversos tipos de funciones radiales que tradicionalmente suelen utilizarse, aunque
la funcin radial gausiana es la utilizada de manera habitual, combinada con la
mtrica eucldea. En este caso, la salida de la red neuronal con funciones base
radiales es:

donde c es el nmero de funciones base utilizadas, {ci | i = 1, 2, . . . , c} son los

pesos sinpticos, __ denota la norma eucldea y r es el radio de la funcin radial.
El algoritmo de aprendizaje de las redes neuronales con funciones base radiales es
un proceso incremental y evolutivo. El fundamento matemtico sobre el que se basa

dicho proceso es la denominada seleccin de subconjuntos y consiste en comparar

los distintos modelos que se obtienen de escoger, de entre un mismo conjunto de
elementos candidatos, distintos subconjuntos de elementos. Habitualmente, la
determinacin del mejor subconjunto de elementos resulta computacionalmente
intratable por lo que debe recurrirse a la heurstica para intentar determinar una
pequea e interesante fraccin de entre el espacio de todos los subconjuntos
posibles. No obstante, debemos tener presente que el uso de dicha heurstica no
garantiza que las soluciones obtenidas incluyan el menor numero de elementos que
se necesitan para reducir el error de aproximacin hasta un determinado valor. El
mtodo heurstico denominado seleccin progresiva es uno de los mtodos
disponibles y que con mayor frecuencia suele utilizarse para entrenar las redes
neuronales con funciones base radiales [4]. De acuerdo con este mtodo, el
subconjunto que debe determinarse durante el aprendizaje es el subconjunto de
centros de funciones radiales que permite localizar dichas funciones en el espacio
de entrada del problema.
El mtodo parte de un subconjunto vaco de centros al cul se le va aadiendo, a
cada paso del algoritmo, un nuevo centro. El centro de funcin radial se selecciona
de entre el conjunto de todos los patrones de entrada del problema y, en concreto,
es aquel que permite conseguir una mayor reduccin del error de aproximacin.
El proceso de aprendizaje contina hasta que algn criterio de seleccin del modelo
deja de decrecer (por ejemplo, validacin cruzada generalizada o inferencia
bayesiana).

LGICA DIFUSA Y REDES NEURONALESA ARTIFICIALES

La Teora de Redes neuronales artificiales, RNA, Lgica Difusa y, LD, s ha aplicado
en Varios problemtica de Reconocimiento de patrones aceptables, TENIENDO
RESULTADOS (Ritter et al. 1998; Bezdek et al, 1992).. Conforme "s ha ido
Avanzando En El rea de Reconocimiento de patrones, s Han Propuesto Nuevas
Tcnicas Que incorporan Aspectos de las Redes neuronales,
En El Sentido De Que los Sistemas Tengan la CAPACIDAD de generalizar Aprender
y, Aspectos y de Lgica difusa, en la Cual El Sistema trata de imitar EL
RAZONAMIENTO Humano y Tenga la CAPACIDAD Incertidumbre de manejar. Por
Esto los hace Modelos Que computacionales diseados prrafo Reconocimiento de
patrones sean Ms Inteligentes y Poderosos (Chin y Lee, 1995). Un Este Tipo de
Sistemas s les Conoce Con El Nombre de Redes neuro difusas (Casanova, 2002).
Se ha encontrado que la red FBR, es funcionalmente equivalente a un sistema
difuso simple bajo ciertas condiciones (Yaochu et al., 2000). Esta equivalencia
funcional, permite combinar las caractersticas de modelos de RNA y LD, en uno
solo tomando ciertas consideraciones. En diversos trabajo se opt por fusificar las
entradas a la red FBR antes de que comience su entrenamiento formando as una
red neural difusa.
3. MTODOS Y RESULTADOS
El Problema de la Investigacin

Es posible desarrollar un mtodo de optimizacin con el uso de Mtodos Taguchi,

Redes Neuronales y Sistemas neurodifusos que es ms eficiente que el de
Optimizacin mediante Simulacin?
Mtodos
Se ha realizado un estudio sobre automviles y su velocidad. Se han considerado
las siguientes variables: marca, modelo, nmero de cilindros, cilindrada en cc,
potencia en CV, velocidad mxima en km/h. Se han analizado 66 casos de
vehculos. Con base a lo anterior se ha obtenido una base de datos, con 66
entradas. A continuacin presentan 10 entradas:
Marca
Alfa Romeo
Alfa Romeo
Audi
Audi
BMW
BMW
BMW
BMW
CITROEN
CITROEN

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

Se ha determinado las relaciones con base a diseo de experimentos regresin

lineal mltiple (para 6 factores y nmero de niveles mixto) y Mtodos Taguchi; con
base a redes neuronales artificiales de base radial, con redes neurodifusas y con
simulacin.
Se ha comparado los resultados obtenidos.
Resultados
I. Con diseo de experimentos y regresin lineal mltiple.
Primero se desarroll el grfico de dispersin de las diversas variables entre s a fin
de determinar su tipo de relacin.
Como se puede apreciar a continuacin, la relacin entre potencia y velocidad
mxima ya no es de tipo lineal, sino de tipo cuadrtica.

Matrix Plot of Num.Cil., Cil.(cc), Pot.(CV), Velo.max

1000

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

Obtenindose los siguientes resultados:

Ecuacin de Regresin:
Regression Analysis: Velo.max versus Num.Cil., Cil.(cc), Pot.(CV)
The regression equation is
Velo.max = 135 - 2.36 Num.Cil. - 0.00074 Cil.(cc) + 0.589 Pot.(CV)
64 cases used, 2 cases contain missing values

Los coeficientes de la ecuacin de regresin:

Predictor
Constant
Num.Cil.
Cil.(cc)
Pot.(CV)

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

Aqu se aprecia la variable Cil. No significativa: p=0.807>0.05

Coeficiente de correlacin R2 de 95%:
S = 5.29292

R-Sq = 95.7%

R-Sq(adj) = 95.5%

Anlisis de Varianza: con p=0.000; que validad los resultados de la ecuacin de

regresin.
Analysis of Variance
Source
Regression
Residual Error
Total

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

Con base a los primeros resultados y aplicando el mtodo tradicional de diseo de

experimentos, se debe eliminar el factor no significativo y volver a realizar los
clculos, obtenindose:
Regression Analysis: Velo.max versus Num.Cil., Pot.(CV)
The regression equation is
Velo.max = 134 - 2.46 Num.Cil. + 0.583 Pot.(CV)
64 cases used, 2 cases contain missing values
Predictor
Constant
Num.Cil.
Pot.(CV)

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

Asimismo las grficas de relacin de los residuos son:

Normal Probability Plot
(response is Velo.max)

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

II. Con Mtodos Taguchi se obtiene:

Debido a que la cilindrada es no significativo y est correlacioando con la otra
variable nos epueden obtener resultados, el software arroja lo siguiente:
Factor Pot.(CV) is highly correlated with other terms. No calculations were done.

Eliminando cilindrada se obtuvo:

Veloc.max = 130 - 2.4 N.Cil. + 0.5 Pot.(CV)

Main Effects Plot for SN ratios

Data Means

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

Signal-to-noise: Nominal is best (10*Log10(Ybar**2/s**2))

Main Effects Plot for Means

Data Means

Num.Cil.

Cil.(cc)

250
225

Mean of Means

200
175
150
4

383 84264102 91017067 80901169 6541457 89305348 87220

9 99190141101122142193123153163173183195185185185195195195197107147157167187197198199109189199199199199292252282294234274294295296277299269 9

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

Main Effects Plot for SN ratios

Data Means

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

Signal-to-noise: Nominal is best (10*Log10(Ybar**2/s**2))

Main Effects Plot for Means

Data Means

Num.Cil.

Pot.(CV)

Mean of Means

250

225

200

175

150
4

45555660646871737590101102103104106113115116117125136137140142150158169170174192211240

III. Con Redes Neuronales Simulacin y lgica difusa se obtuvo:

3.1. Con RNA de base radial:
Datos de entrada:
pinv'
Columns 1 through 6
4
4
4
1351
1749
1984
90
115
115
Columns 7 through 12
6
6
4
1991
2494
1124
150
192
60
Columns 13 through 18
4
4
4
1905
1580
1761
71
90
103
Columns 19 through 24
4
4
4
1372
1995
1995
136
142
117
Columns 25 through 30
4
4
4
1581
1324
1998

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

213 214 229 167 167 151 172

170 200 208 190 208 195 185
150 184 192 160 200 200 164
252 200 180 217 214 210 225
145 195 145 156 157 156 168

La red neuronal construida es de las siguientes caractersticas:

>> net=newrbe(pinv',tinv')
net =
Neural Network object:
architecture:
numInputs: 1
numLayers: 2
biasConnect: [1; 1]
inputConnect: [1; 0]

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

3.2. Con la RNA Adaline y simulacin se obtuvo:

Comandos:
>> net=newlind(pinv',tinv')
RNA construida:
net =
Neural Network object:
architecture:
numInputs: 1
numLayers: 1
biasConnect: [1]
inputConnect: [1]
layerConnect: [0]
outputConnect: [1]
numOutputs: 1 (read-only)
numInputDelays: 0 (read-only)
numLayerDelays: 0 (read-only)
subobject structures:
inputs: {1x1 cell} of inputs
layers: {1x1 cell} of layers
outputs: {1x1 cell} containing 1 output
biases: {1x1 cell} containing 1 bias
inputWeights: {1x1 cell} containing 1 input weight
layerWeights: {1x1 cell} containing no layer weights
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: {1x1 cell} containing 1 input weight matrix
LW: {1x1 cell} containing no layer weight matrices
b: {1x1 cell} containing 1 bias vector
other:
name: ''
userdata: (user information)

Simulando con Simulink se obtuvo:

>> y=sim(net,pinv1)
y=
180.3578
3.3. Con la RNA Perceptrn Multicapa y algoritmo Backpropagation; y simulacin se
obtuvo:
Construccin de la Red:
>> net=newff(pinv',tinv',3,{},'traingd')
net =
Neural Network object:
architecture:
numInputs: 1
numLayers: 2
biasConnect: [1; 1]
inputConnect: [1; 0]
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: 'trains'
divideFcn: 'dividerand'
gradientFcn: 'calcgrad'
initFcn: 'initlay'
performFcn: 'mse'
plotFcns: {'plotperform','plottrainstate','plotregression'}
trainFcn: 'traingd'
parameters:
adaptParam: .passes
divideParam: .trainRatio, .valRatio, .testRatio
gradientParam: (none)
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)
Entranamiento de la Red:
>> [net,tr]=train(net,pinv',tinv')
net =
Neural Network object:
architecture:
numInputs: 1
numLayers: 2
biasConnect: [1; 1]
inputConnect: [1; 0]
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: 'trains'
divideFcn: 'dividerand'
gradientFcn: 'calcgrad'
initFcn: 'initlay'
performFcn: 'mse'
plotFcns: {'plotperform','plottrainstate','plotregression'}
trainFcn: 'traingd'
parameters:
adaptParam: .passes
divideParam: .trainRatio, .valRatio, .testRatio
gradientParam: (none)

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

Modelo de Red Construida con Backpropagation:

El estudio permiti la Combinacin del uso de las Metodologas de Mtodos Taguchi,

Redes Neuronales, Y Simulacin.
El estudio se enfoca en la seleccin de alternativas de Simulacin, seleccin de
Redes Neuronales Y Optimizacin.
Se ha revisado informacin valiosa sobre tcnicas Novedosas de Optimizacin
Aplicadas en diversos campos de la ingeniera.

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

La tabla siguiente muestra los resultados:

Mtodo
Diseo de Experimentos Factorial
Completo con Anlisis de Regresin
Mltiple
Mtodos Taguchi con Anlisis de
Regresin Mltiple
RNA de base radial
RNA Adaline
RNA PMC Backpropagation

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.