Professional Documents
Culture Documents
DE ORIZABA
PROPEDÉUTICO
PRESENTA:
CASTRO MENDEZ LILIANA
NAVA PACHECO DIANA
JÚAREZ GARCIA INES ADRIANA
MATERIA:
DISEÑO DE EXPERIMENTOS
DOCENTE:
DRA. LETICIA LOPÉZ ZAMORA
CAPÍTULO 12
“Robust Parameter Design and Process
Robustness Studies”
03 DE JUNIO DE 2019
1
CONTENIDO
Conclusión ............................................................................................................................ 11
Problemas ............................................................................................................................. 12
2
CAPÍTULO 12
12.1 Introducción
Ahora bien, el diseño robusto de parámetros (RPD) es un enfoque que se centra en elegir los
niveles de factores (o parámetros) controlables para lograr que la media de la respuesta de
salida sea a un nivel u objetivo deseado y para asegurar que la variabilidad alrededor de este
valor objetivo sea lo más pequeña posible. Generalmente se denomina estudio de robustez
del proceso.
Genichi Taguchi (ingeniero japonés) propuso un enfoque para resolver el problema de RPD
basado en experimentos diseñados y algunos métodos novedosos para el análisis de los datos
resultantes. La metodología de superficie de respuesta (RSM) surgió como un enfoque para
el problema de RPD que no solo nos permite emplear el concepto de diseño robusto de
3
Taguchi, sino que también proporciona un enfoque más sólido y eficiente para el diseño y
análisis.
Nos referimos a estos tipos de variables como variables de ruido o variables incontrolables.
Pueden ser variables de proceso que son difíciles de controlar o mantener en objetivos
específicos.
Una parte integral del problema de RPD es identificar las variables controlables y las
variables de ruido que afectan el rendimiento del proceso o del producto y luego encontrar
las configuraciones para las variables controlables que minimicen la variabilidad transmitida
desde las variables de ruido.
Diseñar sistemas que son insensibles a los factores ambientales que pueden afectar el
rendimiento una vez que el sistema se implementa en el campo.
Diseñar productos para que sean insensibles a la variabilidad transmitida por los
componentes del sistema.
Diseñar procesos para que el producto manufacturado se acerque lo más posible a las
especificaciones objetivos deseados.
4
Determinar las condiciones de operación para un proceso de modo que las
características críticas del proceso estén lo más cerca posible de los valores objetivos
deseados y la variabilidad alrededor de este objetivo se minimice.
Taguchi establece que es más barato trabajar en el rediseño de los productos y sus procesos
de fabricación, que, en el control de calidad de los mismos, porque las acciones de mejora de
calidad son más económicas, en cuanto más cercanas estén a la etapa de diseño.
Debido a que la metodología original de Taguchi para el problema de RPD giraba en torno
al uso de un diseño estadístico para las variables controlables y otro diseño estadístico para
las variables de ruido, estos dos diseños fueron “cruzados”, es decir, cada combinación de
tratamiento en el diseño para las variables controlables se ejecutó en combinación con cada
combinación de tratamiento en el diseño de la variable de ruido. Este tipo de diseño
experimental se denominó diseño de matriz cruzada.
El diseño para los factores controlables es un diseño factorial fraccional 24-1 con generador
D = ABC. Esto se llama el diseño de matriz interna. El diseño para el factor de ruido único
es un diseño 21, y se denomina diseño de matriz externa.
5
Tabla 12.1 The leaf Spring Experiment
|
El diseño de la matriz cruzada proporciona información sobre las interacciones entre los
factores controlables y los factores de ruido. Una de las claves para un enfoque eficiente y
efectivo para resolver el problema de RPD es enfocarse en identificar y modelar estas
interacciones.
Figura 12.1 The role of the control x noise interaction in robust desing
El diseño de matriz combinada generalmente es mucho más eficiente que la matriz cruzada.
Taguchi propuso que resumiéramos los datos de un experimento de matriz cruzada con dos
estadísticas:
6
2. Una estadística de resumen que intentó combinar información sobre la media y la
varianza, denominada relación señal-a-ruido.
Dichas relaciones de señal a ruido se definen de modo que un valor máximo de la relación
minimiza la variabilidad transmitida desde las variables de ruido. Luego se realiza un análisis
para determinar qué ajustes de los factores controlables dan como resultado la media lo más
cerca posible del objetivo deseado y un valor máximo de la relación señal / ruido.
Las relaciones señal-ruido son problemáticas y pueden resultar en una confusión de efectos
de ubicación y dispersión, y a menudo no producen el resultado deseado de encontrar una
solución al problema de RPD que minimice la variabilidad transmitida.
Las medias y las varianzas de la muestra se calculan sobre los mismos niveles de las variables
de ruido. Cualquier diferencia entre estas cantidades se debe a las diferencias en los niveles
de las variables controlables. En consecuencia, elegir los niveles de las variables controlables
para optimizar la media y al mismo tiempo minimizar la variabilidad es un enfoque válido.
Las interacciones entre factores controlables y de ruido son la clave para un problema de
diseño robusto. Imaginemos que tenemos dos factores controlables x1 y x2 y un solo factor
de ruido z1, suponemos que tanto los factores de control como los de ruido se expresan como
las variables codificadas habituales, es decir, se centran en cero y tienen límites superior e
inferior en + a. Si deseamos considerar un modelo de primer orden que involucra las variables
controlables y de ruido, un modelo lógico es:
7
Este modelo tiene los efectos principales de los factores controlables y su interacción, el
efecto principal de la variable de ruido y las interacciones entre las variables controlables y
de ruido, incorpora variables controlables y de ruido, por lo que a menudo se denomina
modelo de respuesta. A menos que uno de los coeficientes de regresión delta 11 y delta 21
no sea cero, no habrá ningún problema de diseño robusto.
Una ventaja importante del enfoque del modelo de respuesta es que tanto los factores
controlables como los factores de ruido se pueden colocar en un solo diseño experimental;
es decir, se puede evitar la estructura de matriz interna y externa del enfoque de Taguchi. Por
lo general, denominamos al diseño que contiene factores controlables y de ruido como un
diseño de matriz combinada.
Asumimos que las variables de ruido son variables aleatorias, aunque son controlables para
propósitos de un experimento, específicamente que las variables de ruido se expresan en
unidades codificadas, tienen un valor esperado de cero y varianza y si hay varias variables
de ruido, tienen cero covarianzas. Tomando el valor esperado de y en la ecuación anterior,
tenemos:
𝐸𝑧 (𝑦) = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽12 𝑥1 𝑥2 … 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 12.2
Donde:
El subíndice z en el operador de expectativa es un recordatorio para tomar el valor esperado
con respecto a ambas variables aleatorias z1=0.
𝑑𝑦
𝑦 ≅ 𝑦𝑧=0 + (𝑧 − 0) + 𝑅 + 𝜖
𝑑𝑧1 1
≅= 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽12𝑥1 𝑥2 + (𝑦1 + 𝛿11 𝑥1 + 𝛿21 𝑥2 )𝑧1 + 𝑅 + 𝜖
Donde
R es el término restante en la serie de Taylor.
8
Ahora la varianza de y puede obtenerse aplicando el operador de varianza en esta última
expresión (sin R). El modelo de varianza resultante es:
Las ecuaciones 12.2 y 12.3 son modelos simples para la media y la varianza de la variable de
respuesta de interés.
1. Los modelos de media y varianza involucran solo las variables controlables. Esto
significa que potencialmente podemos establecer las variables controlables para
lograr un valor objetivo de la media y minimizar la variabilidad transmitida por la
variable de ruido.
2. Aunque el modelo de varianza involucra solo las variables controlables, también
involucra los coeficientes de regresión de interacción entre las variables controlables
y de ruido. Así es como la variable de ruido influye en la respuesta.
3. El modelo de varianza es una función cuadrática de las variables controlables.
4. El modelo de varianza (a partir de σ 2) es solo el cuadrado de la pendiente del modelo
de respuesta ajustado en la dirección de la variable de ruido.
9
12.5 Selección del diseño experimental
Las ideas de Taguchi son impecables bajo el punto de vista de ingeniería, pero presentan
deficiencias graves bajo el punto de vista estadístico que conducen a un número excesivo de
ensayos y a una falta de rigor en las conclusiones. A continuación, se indican algunas
directrices para aplicar el diseño estadístico de experimentos a la resolución de cada uno de
las posibilidades de mejora.
En estos métodos se utilizan dos matrices, la interior (o matriz de los factores controlables)
y la exterior en la que se presentan las distintas combinaciones elegidos de los factores de
ruido.
El procedimiento de análisis se basa en estimar la variabilidad de los resultados de los
ensayos realizados para cada combinación posible de los factores controlables (fila de la
matriz interior) con las condiciones de los factores de ruido (matriz exterior).
Dado que las matrices utilizadas por Taguchi presentan deficiencias notables, la solución más
inmediata consiste en reemplazar estas matrices por diseños factoriales fraccionales. Si bien
este cambio en sí ya es una mejora sobre el método de Taguchi tradicional, obviamente el
número de ensayos requeridos puede seguir siendo demasiado alto por ser el producto de dos
matrices.
Un procedimiento alternativo (método de la matriz única) y más recomendable consiste en
seleccionar un diseño fraccional, que incluya tanto los factores controlables como los de
ruido. Sin embargo, es preciso asignar los factores siguiendo los criterios siguientes:
Son importantes las interacciones entre factores de control entre sí. Por tanto, debe tratarse
que puedan calcularse sin que estén confundidas con efectos principales.
También son importantes las interacciones entre factores de control y factores de ruido,
porque de esta información podría seleccionarse el nivel del factor de control más adecuado
para que la influencia del ruido sea menor.
10
No son importantes las interacciones de factores de ruido entre sí, porque por definición estos
factores están fuera de nuestro control y no podría aprovecharse una posible interacción. Esto
podría emplearse en el ahorro de ensayos, seleccionando un nivel de fraccionamiento
adecuado. A partir de aquí, el procedimiento de análisis es igual al convencional, pero
completado con el siguiente análisis (Ruiz & Rojas , 2000).
Factorial fraccional estándar: los diseños pueden ser buenas elecciones en algunos casos.
Por ejemplo, con cinco factores, este diseño requiere 16 carreras. Sin embargo, con seis o
más factores, los diseños estándar son bastante grandes.
El diseño de este paquete para siete factores, que requiere 30 corridas. Este diseño se adaptará
a cualquier combinación de variables controlables y de ruido. totalizando siete y permite los
siete efectos principales y todas las interacciones de dos factores entre estos factores a
estimar.
Conclusión
11
Problemas
Ejercicio 12.2
Considere el experimento de llenado de botellas en el problema 6-18. Supongamos que el
porcentaje de carbonatación (A) es una variable de ruido (σ2z = en unidades codificadas).
Buscando la F1,8=5.32
Se tiene que los factores significativos para este caso son los efectos principales A, B y C ya que el
valor de F respectivamente es mayor al encontrado en tablas de 5.32. y también el valor de P es
menor que el nivel de significancia. Cabe resaltar que el efecto de AB puede ser ligeramente
significativo ya que su valor de p es muy cerca del nivel de significancia.
12
Removiendo los efectos que no significativos el análisis de varianza queda de la siguiente manera:
Se puede observar que los factores principales siguen siendo significativos respecto al valor de P
siendo menor que el nivel de significancia de 0.05, con una nueva F estadística de 4.84 (obtenida de
la tabla del apéndice IV) menor a la calculada. Sin embargo, el efecto AB sigue siendo levemente
significativo. El modelo tiene un ajuste del 84.33% y es el siguiente:
Ecuación de regresión
respuesta = 1.000 + 1.500 A+ 1.125 B + 0.875 C+ 0.375 A*B
13
Donde se observa que para tener una mínima desviación poniendo atención a estos dos factores
controlables se requieren condiciones de C y B en valores bajos.
14
En el gráfico de superficie se observa que para tener poca desviación se debe correr el
experimento con valores bajos de los factores controlables.
15
Ejercicio 12.3
16
Análisis de Varianza para conversión
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
A 1 14.44 14.44 0.65 0.439
B 1 222.96 222.96 10.02 0.010
C 1 525.64 525.64 23.63 0.001
A*A 1 48.47 48.47 2.18 0.171
B*B 1 124.48 124.48 5.60 0.040
C*C 1 388.59 388.59 17.47 0.002
A*B 1 36.12 36.12 1.62 0.231
A*C 1 1035.12 1035.12 46.53 0.000
Los efectos con valor de p menor
B*C 1 120.13 120.13 5.40 0.043 a al nivel de significancia de 0.05
Error 10 222.47 22.25 son los más influyentes para
ambas respuestas.
Falta de ajuste 5 56.47 11.29 0.34 0.869
Error puro 5 166.00 33.20 Se observa que para conversión
Total 19 2778.20 el efecto de B es significativo al
contrario de en la respuesta de
actividad.
Análisis de Varianza para actividad Por lo tanto, existe un problema
Fuente GL SC Ajust. MC Ajust. Valor F Valor p de diseño robusto con respecto a
A 1 175.352 175.352 56.42 0.000 la respuesta de conversión
debido a la importancia del
B 1 0.885 0.885 0.28 0.605
factor B, la temperatura y la
C 1 67.912 67.912 21.85 0.001 interacción BC. Sin embargo, la
A*A 1 10.046 10.046 3.23 0.102 temperatura no es significativa
en el análisis de la segunda
B*B 1 0.081 0.081 0.03 0.875
respuesta, la actividad.
C*C 1 0.047 0.047 0.02 0.905
A*B 1 1.201 1.201 0.39 0.548
A*C 1 0.011 0.011 0.00 0.953
B*C 1 0.781 0.781 0.25 0.627
Error 10 31.079 3.108
Falta de ajuste 5 27.426 5.485 7.51 0.023
Error puro 5 3.653 0.731
Total 19 287.278
17
Los modelos de ajuste para ambas respuestas son los siguientes
Se observa que para la respuesta actividad no se obtuvo un buen ajuste así que se remueven
los efectos no significativos del modelo obteniendo lo siguiente:
18
Resumen del modelo actividad
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
1.45933 88.14% 85.91% 63.02%
Ecuación de regresión en actividad
Actividad = 59.948 + 3.583 A + 2.230 C + 0.823 A*A
La información anterior se corrobora con los paretos para ambas respuestas donde se observa que
factores son los mas influyentes.
19
Las siguientes gráficas correspondiente identifican una región donde la conversión se maximiza, la
actividad está entre 55 y 60, y la variabilidad de la temperatura transmitida se minimiza.
En minitab tenemos que colocar los objetivos para los que deseamos las condiciones:
20
Se puede observar que las condiciones para lograr esto, es el área remarcada en color blanco para
las variables controlables de A y C, y recordando que B es la variable (temperatura difícil de
controlar).
Para A tenemos aproximadamente un rango de -0.4 a 0.5 y para C de -0.5 a 1 en variables
codificadas respectivamente.
21
Bibliografía
Montgomery, D. C. (1991). Diseño y análisis de experimentos . México D.F.: Grupo editorial
Iberoaméricana .
Montgomery, D. C. (2013). Design and analysis of experiments. Wiley: John Wiley & Sons, Inc.
Ruiz, A., & Rojas , F. (2000). Diseños Robustos: Aplicaciones a la mejora de procesos. Anales de
mecanica y electricidad, (Vol. 77, No. 1, pp. 8-12).
22