DIVISIÓN DE ESTUDIOS DE POSGRADO E...
Transcript of DIVISIÓN DE ESTUDIOS DE POSGRADO E...
i
INSTITUTO TECNOLÓGICO DE CD. JUÁREZ
DIVISIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN
APORTACIÓN METODOLÓGICA AL DISEÑO DE PRODUCTOS ROBUSTOS SEGÚN LA FILOSOFÍA DE GENICHI TAGUCHI
TESIS
QUE PRESENTA
ALOIS CLARK FABIANI BELLO
COMO REQUISITO PARCIAL
PARA OBTENER EL GRADO DE
MAESTRO EN CIENCIAS EN INGENIERÍA INDUSTRIAL
CD. JUÁREZ, CHIH. NOVIEMBRE DE 2009
ii
A mis papás Braulio y Betty quienes basados en el “amor del alma”
me enseñaron a tener un “corazón robusto”. A mi pequeña Odalis en cuya
sonrisa franca y sincera descansa mi mirada.
“En el pensamiento científico siempre están
presentes elementos de poesía “
Albert Einstein (1879–1955)
iii
AGRADECIMIENTOS
Gracias a Dios que me ha dado una familia tan linda. Gracias a mis
padres, a todos mis hermanos y sus familias, muchas gracias por todo.
Gracias al Instituto Tecnológico de Ciudad Juárez por haberme dado la
oportunidad de formarme en sus aulas.
Gracias a mis maestros quienes me han enseñado las técnicas de la
Ingeniería Industrial y contagiado de su pasión por el arte, son todos ellos
profesionales y doctores de excelencia.
Gracias a mi asesor el Dr. Víctor García Castellanos por haberme guiado
e inspirado en el arte de la Investigación y por generar mi gusto y pasión por la
Ingeniería de Calidad cuando fue mi maestro.
Gracias a la M.C. Luz Elena Tarango por su invaluable colaboración
material y moral para emprender este esfuerzo en México y al Dr. Humberto
Hijar quien fue revisor de esta tesis.
Gracias al Dr. Pere Grima Cintas del Departamento de Estadística e
Investigación de operaciones de la Universidad Politécnica de Cataluña por su
valiosa retroalimentación al trabajo.
Gracias a la Virgen Guadalupana que siempre nos cubre con su manto y
me ha dado a Paulina como compañera.
iv
RESUMEN BIOGRÁFICO DEL AUTOR
Alois Fabiani Bello, nació en La Paz, Bolivia el 11 de enero de 1979. Es
hijo de D. Braulio Fabiani y Da. Betty Bello. Obtuvo el grado de Ingeniero
Industrial y Subteniente de Reserva en la Escuela Militar de Ingeniería “Mcal.
Antonio José de Sucre” donde se desempeñó como profesor de las materias de
Simulación, Investigación Operativa e Ingeniería de Sistemas. Llegó a México
como becario del gobierno por parte de la Secretaría de Relaciones Exteriores
para estudiar la Maestría en Ciencias en Ingeniería Industrial en el Instituto
Tecnológico de Ciudad Juárez. En México se desarrolló como profesor interino
de las materias de Simulación, Estudio del Trabajo, Administración de
Proyectos, Ingeniería de Calidad y Estadística Industrial en el Instituto
Tecnológico de Ciudad Juárez. Respecto a su experiencia profesional se ha
desempeñado como consultor de empresas, procesos de Asistencia Técnica y
administra metodologías de formación de personas en técnicas de gestión
empresarial con la metodología CEFE. Ha ejercido como ingeniero en la
industria tanto en México como en Sudamérica en empresas de Clase Mundial
habiendo participado en sus Sistemas de Alto Desempeño y Programas de
Mejora Continua. Ha sido consultor en Programas de Desarrollo Empresarial del
gobierno y ha diseñado estrategias de apoyo a la PyME siendo responsable del
diseño final del Centro de Innovación Tecnológica de la Cadena Productiva de
Joyería en La Paz (Bolivia). En su desempeño como investigador cuenta con
artículos publicados en congresos arbitrados y de divulgación científica en áreas
relacionadas a la Ingeniería de Calidad, la Ingeniería Industrial y temas de
Desarrollo Económico.
v
RESUMEN
El modelo de predicción de los parámetros de tendencia central y de
variabilidad utilizados en el método Taguchi para las relaciones señal/ruido no
dinámicas únicamente permite ajustar el valor de un solo factor a un nivel
experimental intermedio en el caso de “lo nominal es lo mejor” y la única
evidencia de optimización que ofrece el método es la experimentación
confirmatoria (Nair,1992). Otras combinaciones de niveles intermedios
factoriales deberían considerarse para poder garantizar la mejor combinación y
el método Taguchi no lo hace.
En la propuesta metodológica aquí presentada se programa en hojas
electrónicas la ecuación predictiva de la media y del estadístico señal/ruido que
propone Taguchi. Luego, con apoyo de un software para la generación de
números aleatorios se procede a probar distintas combinaciones de niveles de
factores y el valor calculado de la media y de la métrica “señal a ruido”;
estructurándose de esta forma bastantes experimentos simulados.
Con la aplicación de técnicas estadísticas se puede conocer el grado de
correlación entre las variables de respuesta y los niveles operativos de los
factores de control y estimar modelos de Superficie de Respuesta. Según el
análisis en la correlación y sensibilidad entre variables se ha demostrado que
existen otras combinaciones de niveles intermedios; que logran, aunque
ligeramente, mayores grados de robustez y la hipótesis ha sido demostrada en
el diseño robusto de un puente de Wheatstone.
vi
CONTENIDO
1. INTRODUCCIÓN .............................................................................................. 1
2. PLANTEAMIENTO DEL PROBLEMA ............................................................. 6
2.1 Problema y Pregunta de Investigación ...................................................... 6
2.2 Variables de Investigación y la Hipótesis ................................................... 7
2.3 Objetivos del Trabajo de Investigación ...................................................... 8
2.4 Justificación del Trabajo de Investigación .................................................. 8
2.5 Delimitaciones del Presente Trabajo de Investigación ............................ 15
3. MARCO TEÓRICO ......................................................................................... 17
3.1 Concepto de Producto Robusto ............................................................... 17
3.2 Explicación General del Método Taguchi ................................................. 21
3.2.1 Selección de la Característica de Calidad ..................................... 22
3.2.2 Clasificación de los Factores ........................................................ 22
3.2.3 Selección de la Matriz de Diseño Experimental ............................ 23
3.2.4 Selección de las Métricas Señal a Ruido (S/R) ............................. 24
3.2.5 Clasificación de los Factores y Selección de las Condiciones
Robustas ....................................................................................... 25
3.3 Evolución de la Metodología de Taguchi. ................................................ 25
4. METODOLOGIA ............................................................................................ 28
4.1 Primera y Segunda Etapas – Preparación y Determinación de los
Factores y Niveles .................................................................................. 29
4.2 Tercera Etapa – Asignación Experimental ............................................... 31
4.3 Cuarta Etapa – Experimentación ............................................................ 32
vii
4.4 Quinta Etapa – Análisis de Datos, Optimización y Aportación
Metodológica de la Tesis ........................................................................ 33
4.4.1 Consideraciones Teóricas Respecto a la Estimación de los Efectos
Factoriales y Tratamiento de las Interacciones ............................. 39
4.4.2 Consideraciones Teóricas Respecto a la Construcción de un
Modelo Representativo del Proceso ............................................. 40
4.5 Materiales y Soporte Informático para la Investigación ........................... 43
5. ANÁLISIS DE RESULTADOS ....................................................................... 44
5.1 Discusión sobre si los Arreglos Ortogonales Expuestos por Taguchi
Permiten Caracterizar un Proceso .......................................................... 44
5.2 Discusión de la Metodología Aplicada a Resolver el Caso de
Experimentos Factoriales sin Réplicas ................................................... 52
5.2.1 Aplicación Metodológica y Propuesta de Solución en el Caso
Resuelto por Montgomery para Experimentos sin Réplicas .......... 53
5.2.1.1 Preparación y Determinación de Factores y Niveles......... 54
5.2.1.2 Asignación Experimental ................................................... 54
5.2.1.3 Experimentación y Análisis de Datos ................................ 54
5.2.1.4 Proceso de Optimización .................................................. 56
5.2.2 Aplicación Metodológica en el Caso del Diseño Teórico de un Tubo
Cilíndrico para Transmisión de Calor ............................................ 59
5.2.2.1 Preparación y Determinación de Factores y Niveles......... 61
5.2.2.2 Asignación Experimental ................................................... 61
5.2.2.3 Experimentación y Análisis de Datos ................................ 61
5.2.2.4 Proceso de Optimización .................................................. 63
5.3 Discusión sobre la Generalización de las Ecuaciones Predictivas del
Método Taguchi ...................................................................................... 68
5.3.1 Resultados Obtenidos volviendo a solucionar un caso de “lo
nominal es lo mejor” expuesto por Idris et.al. ................................ 69
5.3.1.1 Preparación y Determinación de Factores y Niveles......... 69
viii
5.3.1.2 Asignación Experimental ................................................... 70
5.3.1.3 Experimentación y Análisis de Datos ................................ 71
5.3.1.4 Proceso de optimización ................................................... 73
5.3.1.5 Resultados de la Optimización .......................................... 75
5.3.2 Resultados Obtenidos Solucionando Nuevamente un Caso de “lo
mayor es lo mejor” Expuesto por Jiju et.al. ................................... 76
5.3.2.1 Preparación y determinación de Factores y Niveles ......... 76
5.3.2.2 Asignación Experimental ................................................... 77
5.3.2.3 Experimentación y Análisis de Datos ................................ 78
5.3.2.4 Proceso de Optimización .................................................. 79
5.4 Diseño de Parámetros Robustos para un Puente de Wheatstone
Aplicando la Aportación Metodológica .................................................... 83
5.4.1 Antecedentes del Experimento Realizado por Taguchi ................. 83
5.4.2 Preparación y Determinación de Factores y Niveles Propuestos por
Taguchi ......................................................................................... 84
5.4.3 Asignación Experimental en el Caso del Puente de Wheatstone . 86
5.4.4 Experimentación y Análisis de los Datos Efectuados por Taguchi 87
5.4.5 Consideraciones de Análisis Estadístico y Metodológicas en el
Experimento Realizado por Taguchi ............................................. 91
5.4.6 Estudio de la Confiabilidad del Modelo Teórico Utilizado por
Taguchi para Generar Datos Experimentales ............................... 95
5.5 Experimentación con el Puente de Wheatstone ...................................... 98
5.6 Aportación Metodológica al Diseño Robusto del Puente de Wheatstone
Propuesto por Taguchi ......................................................................... 101
5.6.1 Análisis de Sensibilidad Entre Niveles Factoriales, Media, Relación
S/R y Varianza Experimental ...................................................... 101
5.6.2 Optimización y Selección de Niveles Robustos Mediante
Programación Matemática .......................................................... 105
ix
5.6.3 Discusión sobre la Optimización Lograda por Taguchi y la que se
Logra según un Diseño Factorial Completo ................................ 111
5.7 Experimento Confirmatorio de los Diseños Propuestos por la Aportación
Metodológica de este Trabajo de Investigación ................................... 115
5.7.1 Replanteamiento del Diseño Experimental Desarrollado por
Taguchi ....................................................................................... 116
5.7.2 Corridas Confirmatorias con el Circuito Físico ............................ 119
5.7.3 Análisis Estadístico para Comparación de las dos Muestras ...... 122
6. CONCLUSIONES ......................................................................................... 127
6.1 Conclusiones Respecto a los Componentes Estratégicos y Operativos del
Proceso de Investigación ..................................................................... 127
6.2 Conclusiones Respecto al Problema Planteado .................................... 128
6.2.1 Conclusiones Respecto a la Pregunta de Investigación y la
Respuesta Propuesta .................................................................. 130
6.2.2 Conclusiones Respecto a la Hipótesis y Objetivos de este Trabajo
de Investigación .......................................................................... 132
6.3 Conclusiones Respecto a las Ventajas que se han Evidenciado en la
Aplicación del Método Taguchi ............................................................. 134
6.4 Conclusiones Respecto a la Aportación Metodológica Propuesta en este
Trabajo de Investigación ...................................................................... 135
6.5 Conclusiones y Sugerencias Respecto al Proceso de Investigación
desarrollado en el ITCJ ........................................................................ 138
7. BIBLIOGRAFÍA ............................................................................................ 140
8. ANEXOS ...................................................................................................... 143
x
LISTA DE TABLAS
Tabla 5.1 Taxonomía de los factores que influyen en la fatiga visual ............... 48
Tabla 5.2 Reporte de las iteraciones aplicadas en el caso de estudio de la
Astenopia. ......................................................................................... 50
Tabla 5.3 Tabla de respuestas para el experimento sin réplicas ...................... 54
Tabla 5.4 Tabla de respuestas para el intercambiador de calor ....................... 62
Tabla 5.5 Error del modelo obtenido a partir del método Taguchi .................... 65
Tabla 5.6 Validación de los modelos propuestos para el caso de Idris ............ 74
Tabla 5.7 Comparación de niveles óptimos calculados por ambos métodos ... 75
Tabla 5.8 Reporte del proceso de iteraciones y regresión de los modelos para
“Y” y “S/R” ......................................................................................... 79
Tabla 5.9 Comparación de niveles propuesto por Jiju et.al y nuestra aportación
metodológica ..................................................................................... 81
Tabla 5.10 Niveles para los factores de control ................................................. 85
Tabla 5.11 Niveles de error aplicados a los factores ......................................... 85
Tabla 5.12 Niveles de ruido asignados a la corrida experimental Nro. 2 del
arreglo interno .................................................................................. 88
Tabla 5.13 ANOVA de la relación S/R en el puente de Wheatstone ................ 90
Tabla 5.14 Cálculo de factores significantes: Promedio de decibeles logrados en
cada nivel de experimentación ........................................................ 91
Tabla 5.15 Validación del rango de variación en los factores de ruido .............. 92
Tabla 5.16 Descripción del proceso de validación de la ecuación teórica ......... 97
Tabla 5.17 Valores de la relación S/R en decibelios originales y calculados .... 99
Tabla 5.18 Selección de niveles óptimos propuestos por Taguchi .................. 100
Tabla 5.19 Fijación de nuevos niveles experimentales ................................... 108
xi
Tabla 5.20 Selección de niveles óptimos logrados en la aportación ............... 108
Tabla 5.21 Comparación entre valores obtenidos a partir de un diseño factorial
completo y un arreglo . ............................................................ 114
Tabla 5.22 Niveles para los factores de control ............................................... 116
Tabla 5.23 Selección de niveles óptimos logrados por el método Taguchi ..... 116
Tabla 5.24 Residuales obtenidos con el diseño según el método Taguchi ..... 119
Tabla 5.25 Residuales obtenidos con el diseño según la aportación
metodológica ................................................................................. 120
Tabla 5.26 Desviaciones absolutas porcentuales para las dos muestras ....... 121
Tabla 6.1 Verificación del cumplimiento de objetivos específicos ................... 133
xii
LISTA DE FIGURAS
Fig. 4.1 Representación gráfica del aporte metodológico .................................. 28
Fig. 4.2 Reporte de todas las posibles combinaciones obtenidas ..................... 33
Fig. 4.3 Ejemplo del reporte del comportamiento esperado de “Y” y “S/R” ....... 34
Fig. 4.4 Reporte de sensibilidad de niveles de factores .................................... 35
Fig. 4.5 Reporte de la optimización lograda ...................................................... 36
Fig. 4.6 Diagrama conceptual de la aportación metodológica propuesta .......... 42
Fig. 5.1 Rango de frecuencias de parpadeo y tendencia de la fatiga visual ...... 49
Fig. 5.2 Correlograma obtenido en el caso de estudio de la astenopia ............. 51
Fig. 5.3 Matriz de interacciones entre factores .................................................. 55
Fig. 5.4 Análisis de Varianza para el experimento sin réplicas .......................... 55
Fig. 5.5 Análisis de sensibilidad para el experimento sin réplicas ..................... 56
Fig. 5.6 Comparación de modelos 5.1 y 5.2 ..................................................... 58
Fig. 5.7 Comparación de la precisión entre los modelos 5.1 y 5.2 .................... 59
Fig. 5.8 Datos del diseño teórico para un Intercambiador de Calor ................... 60
Fig. 5.9 Gráfica normal de los efectos en el caso del intercambiador de calor .. 62
Fig. 5.10 Análisis de Varianza en el caso del intercambiador de calor .............. 63
Fig. 5.11 Análisis de sensibilidad en el caso del intercambiador de calor ......... 64
Fig. 5.12 Comparación de las funciones de densidad de probabilidad .............. 66
Fig. 5.13 Función de densidad de probabilidades del error ............................... 66
Fig. 5.14 Superposición del modelo generado a partir de la ecuación predictiva
de Taguchi con el modelo teórico para calcular “H” ........................... 67
Fig. 5.15 Fijación de niveles por los autores en el caso resuelto por Idris. ........ 70
Fig. 5.16 Arreglo ortogonal elegido por Idris ..................................................... 70
Fig. 5.17 Análisis de Varianza calculada por Idris ............................................. 71
xiii
Fig. 5.18 Análisis de sensibilidad para “Y” según el aporte metodológico ......... 72
Fig. 5.19 Análisis de sensibilidad para “S/R” según el aporte metodológico ..... 72
Fig. 5.20 Condiciones óptimas propuestas por Idris. ......................................... 73
Fig. 5.21 Simulación realizada para evidenciar los rangos de variación para “Y”
y “S/R” ................................................................................................ 74
Fig. 5.22 Determinación de factores y niveles por Jiju et.al. .............................. 76
Fig. 5.23 Arreglo ortogonal propuesto por Jiju et.al. .......................................... 77
Fig. 5.24 Gráfica normal para los efectos en la que Jiju et.al han basado sus
conclusiones ....................................................................................... 78
Fig. 5.25 Validación del modelo construido a partir del método Taguchi ........... 80
Fig. 5.26 Análisis de sensibilidad para el caso propuesto por Jiju et.al. ............ 80
Fig. 5.27 Ganancia en decibeles luego de la aportación metodológica ............. 82
Fig. 5.28 Circuito eléctrico que representa al puente de Wheatstone ............... 84
Fig. 5.29 Layout experimental propuesto por Taguchi ....................................... 87
Fig. 5.30 Prueba de normalidad y estudio de residuales para el estadístico
“S/R” ................................................................................................... 93
Fig. 5.31 Representación del circuito eléctrico virtual ........................................ 95
Fig. 5.32 Circuito físico construido para validar el modelo teórico utilizado por
Taguchi ............................................................................................... 96
Fig. 5.33 Extracto de la hoja de cálculo diseñada ............................................. 98
Fig. 5.34 Análisis de Varianza con los datos calculados ................................. 100
Fig. 5.35 Sensibilidad entre factores y varianza del error experimental .......... 102
Fig. 5.36 Matriz de correlación entre estadísticos media, varianza experimental
y relación señal a ruido. .................................................................... 103
Fig. 5.37 Sensibilidad entre factores y media .................................................. 104
Fig. 5.38 Salida del programa de optimización OptQuest ............................... 107
Fig. 5.39 Ganancia de decibeles esperada ..................................................... 110
Fig. 5.40 Comportamiento de la media con los nuevos niveles factoriales ..... 110
xiv
Fig. 5.41 Estudio de la Superficie de Respuesta de la relación S/R frente a los
niveles de factores de control ............................................................ 112
Fig. 5.42 Sensibilidad de la relación S/R a distintas combinaciones posteriores a
las logradas por Taguchi .................................................................. 114
Fig. 5.43 Circuito físico del puente de Wheatstone ......................................... 117
Fig. 5.44 Mesa de trabajo para la experimentación ......................................... 118
Fig. 5.45 Densidades Suavizadas para las dos muestras obtenidas ............... 123
Fig. 5.46 Diagrama de Caja para las dos muestras ......................................... 125
Fig. 5.47 Gráfico de cuantiles para las dos muestras ...................................... 126
1
1. INTRODUCCIÓN
Ingeniería de Calidad es un término genérico; puede ser percibido de manera
distinta por profesionales diferentes. Una definición que contiene los elementos
claves del concepto es: "Una serie de planteamientos para predecir y prevenir
las dificultades o problemas que podrían ocurrir en el mercado después de que
un producto se vende y es usado por el cliente bajo múltiples condiciones
ambientales y de utilización durante el periodo diseñado de vida ".(WU, 1997).
Históricamente en el control de calidad se admitió que la “mala calidad”
era problema del departamento de producción. Pero, una vez que se dibujan los
planos del producto, se determinan las especificaciones y se define el proceso
de fabricación, hay muy poco espacio para mejorar la calidad. Los planos y las
especificaciones deben definirse después del adecuado diseño de los
parámetros de un producto/proceso.
En el diseño de parámetros de los productos o procesos las metodologías
de optimización matemática están siendo aplicadas con más frecuencia,
principalmente porque los programas computacionales estadísticos ya han
subsanado la dificultad de los cálculos manuales (Hicks,1990). El diseño de
parámetros es conocido como el aseguramiento de la calidad “aguas arriba” del
proceso.
Un promotor importante de la calidad “aguas arriba” del proceso es el Dr.
Genichi Taguchi, sus métodos han sido aplicados en distintos tipos de industrias
y se ha validado su eficacia en experiencias de campo que es lo más importante.
2
En estos métodos una de las últimas etapas es la de predicción de la tendencia
central y de la variabilidad del proceso cuando los niveles óptimos de los
factores ya han sido seleccionados. Precisamente en esta instancia es en la cual
parece identificarse una importante característica del método para el caso de “lo
nominal es lo mejor”: solamente puede ajustarse el nivel de un factor a un valor
intermedio para lograr un valor nominal deseado. En consecuencia: ¿Existe una
probabilidad de la existencia de otros escenarios más robustos que no considere
el método tradicional del Dr. Taguchi si se ajustan más factores a niveles
intermedios?
Otra característica importante respecto al uso de los arreglos ortogonales
en la aplicación del método Taguchi es la asignación de factores a columnas del
arreglo interno en la matriz producto de forma saturada, es decir; sin dejar
grados de libertad al error experimental con el objetivo de maximizar el uso de la
información. Sin embargo, para facilitar los cálculos del análisis de varianza se
debe eliminar al menos una columna correspondiente al factor que no afecte a la
tendencia central del proceso. Esta técnica se ha llamado “pooled”.
Sin lugar a dudas la técnica “pooled” es muy interesante porque
aprovecha las ventajas de la ortogonalidad de diseños experimentales de
resolución III (Cesatrone,2001). Aún así para que el análisis ANOVA sea
representativo los supuestos de Fisher deben satisfacerse. Si fuese posible
conocer de alguna forma el signo de la sensibilidad complementariamente al
ANOVA clásico, se tendría un instrumento de diseño muy importante y ese es
uno de los propósitos de este trabajo de investigación.
Como alumno de la cátedra de Tópicos de Calidad, dictada por el Dr.
Víctor García Castellanos durante el primer semestre del año 2007 en el I.T.C.J.
se ha tenido la motivación de sistematizar en hojas electrónicas el modelo
3
predictivo del método del Dr. Taguchi para el caso de lo “nominal es lo mejor”.
Al obtener todos los escenarios posibles de predicción de la media y de la
relación S/R asociada a cada nivel factorial mediante iteraciones aleatorias tipo
Monte Carlo y analizar el rango de variación de estas dos métricas las
preocupaciones planteadas en párrafos anteriores dieron forma a una
oportunidad de investigación, cuyas actividades de indagación hasta ese
momento fueron una investigación heurística aplicada.
Una serie de conclusiones del proceso de investigación se han
presentado en diversos congresos arbitrados de divulgación científica, tal es el
caso del trabajo titulado originalmente: A computing approach based on the
Taguchi methods to optimize the selection of factors for the nominal-.the-
best characteristics habilitado y expuesto en la 12th Conferencia Anual
Internacional de Ingeniería Industrial: Teoría, Aplicaciones y Práctica. Cancún,
México Nov. 4-7, 2007.
Otro aporte debido al estudio profundo del caso aplicado a otras áreas del
conocimiento se plasma en el artículo titulado Simulation of the experimental
design in the characterization of factors that influence the Astenopia
preparado para el Décimo Congreso Internacional de Ergonomía y XIV Reunión
Binacional de Ergonomía MÉXICO-EUA. Ciudad Juárez, Abr. 23-26, 2008.
(CONERGO)
Los hallazgos respecto a la aplicación del método mejorado en casos
especiales se expuso en el artículo titulado Ventajas y desventajas del método
Taguchi aplicado al diseño de los experimentos factoriales no replicados
que se presentó en el 1er. Congreso Internacional de Investigación y Postgrado
de los Institutos Tecnológicos del Estado de Chihuahua en Octubre de 2008
(CIPITECH).
4
La validación teórica de todos los componentes de la metodología
propuesta se presentó en el trabajo titulado Aportación metodológica al
diseño de productos robustos según la filosofía de Genichi Taguchi en el
2do. Congreso Internacional Multidisciplinario del Instituto Tecnológico de
Monterrey, Campus Cd. Juárez, Octubre de 2008 (ICMO).
Finalmente, el análisis de la validación del trabajo de campo fue expuesto
con el título Validación del método Taguchi mediante un circuito hidráulico
en el Instituto Tecnológico de Orizaba en la versión 2008 del Coloquio de
Investigación y Postgrado a nivel Nacional que posteriormente dio lugar a la
replicación del experimento realizado por Taguchi en el diseño robusto del
puente de Wheatstone.
En el capítulo 2 con el fin de indagar posibles soluciones a esta
problemática se han planteado todos los componentes estratégicos y operativos
de esta investigación describiendo el problema, las preguntas asociadas al
proceso, las hipótesis, variables, los objetivos, la justificación y la necesidad de
este proceso de investigación así como la delimitación del proyecto.
En el capítulo 3 se expone el marco teórico que guía conceptualmente el
desarrollo de este proyecto, se expone el concepto de producto robusto, tipos de
ruido existentes en un producto/proceso, métodos de diseño utilizados por
Taguchi, una descripción del método y en base a tesis doctorales sobre el tema
se expone la evolución que ha tenido la tecnología robusta en las últimas
décadas.
En el capítulo 4 se detalla en simultáneo el método de investigación
utilizado en este trabajo de investigación para demostrar la hipótesis,
simultáneamente se expone la propuesta metodológica conceptual así como el
desarrollo de aspectos críticos en el método Taguchi tales como el tratamiento
5
de las interacciones y las consideraciones para generalizar las ecuaciones
predictoras del método a partir de la construcción de modelos representativos
del proceso para la media y su relación S/R asociada.
En el capítulo 5 se muestra un conjunto de reflexiones sobre los
supuestos utilizados en el método Taguchi tales como la representatividad que
tienen los arreglos ortogonales, el poder de predicción de las ecuaciones de
efectos puros y la generalización de estas a partir de métodos de regresión. Se
expone además, la solución de distintos casos de aplicación metodológica de la
propuesta presentada; poniendo a prueba las ventajas e identificando las
limitaciones del método Taguchi para casos como el tratamiento de datos en
experimentos sin réplicas o la caracterización de procesos. Finalmente en este
capítulo se exponen las conclusiones del experimento realizado por Taguchi
para demostrar su técnica en el diseño robusto de un puente de Wheatstone,
posteriormente se replica el experimento completo y se mide las ventajas de
nuestra aportación metodológica para así demostrar la hipótesis de este trabajo.
En el capítulo 6 se exponen las conclusiones del trabajo respecto al
diseño estratégico de la investigación, se concluye sobre el método Taguchi, se
toma una postura respecto al método clásico en base a las evidencias obtenidas
y se muestran las ventajas y limitaciones de la propuesta metodológica expuesta
en este trabajo de investigación.
6
2. PLANTEAMIENTO DEL PROBLEMA
El modelo de predicción de los parámetros de tendencia central y de variabilidad
utilizados representados en el método del Dr. Taguchi para modelos no
dinámicos permite ajustar el valor de un solo factor a un nivel experimental
intermedio en el caso de “lo nominal es lo mejor”. En el método no hay más
garantía de optimización que la corrida confirmatoria y otras combinaciones de
niveles de factores deberían ser evaluadas para garantizar la mejor elección. En
este capítulo se plantean todos los componentes estratégicos y de la
investigación.
2.1 Problema y Pregunta de Investigación Como se anotó en la parte introductoria de este capítulo, en el caso del
diseño robusto cuando un valor nominal debe lograrse, el método Taguchi
permite ajustar el nivel de aquel factor que tiene mayor efecto puro hacia la
media del proceso. Existen otros factores que afectan de manera simultánea a la
media y a la variabilidad del proceso y un ajuste de estos a niveles intermedios
podría generar diferentes niveles de robustez. Posteriormente, la única evidencia
de optimización es la corrida confirmatoria. El problema, o la oportunidad de
investigación, se define de la siguiente forma:
La única evidencia de optimización que ofrece el método Taguchi
para el diseño de productos robustos es la experimentación
confirmatoria. Otras combinaciones de niveles intermedios
factoriales deberían considerarse para poder garantizar la mejor
combinación y el método Taguchi no lo hace.
7
La pregunta de investigación cuya respuesta se desea conocer es la
siguiente:
¿Cómo lograr la mejor selección de niveles factoriales en el diseño
robusto de un producto aprovechando las ventajas que tiene el
método Taguchi?.
2.2 Variables de Investigación y la Hipótesis
Para responder a la pregunta de investigación se ha estructurado la
siguiente hipótesis:
El análisis de sensibilidad y de correlación entre variables permite
explorar la superficie de respuesta de la relación señal/ruido y
garantizar la mejor selección de niveles factoriales en el diseño
robusto de productos.
Las variables de investigación se presentan a continuación:
Variables independientes:
• Modelo de superficie de respuesta de la media.
• Modelo de superficie de respuesta de la relación “señal a ruido”.
Variables dependientes:
• Valor de los parámetros de tendencia central y de variabilidad del sistema.
Variables intervinientes:
• Algoritmos de Optimización Matemática.
• Algoritmos de los métodos Taguchi para el caso de lo “nominal es lo mejor”.
• Análisis de sensibilidad y correlación entre variables.
8
2.3 Objetivos del Trabajo de Investigación El objetivo general de esta investigación fue:
Aportar a los métodos Taguchi un componente metodológico que
permita garantizar teóricamente el diseño de parámetros robustos
logrando el valor nominal deseado en el producto.
Los objetivos específicos han sido los siguientes:
a. Estimar el error del modelo de predicción de parámetros que usan los
métodos Taguchi respecto a la tendencia central y variabilidad del
proceso.
b. Diseñar el componente metodológico con el que sea posible obtener
todas las posibles combinaciones de niveles de factores y su respectiva
predicción de parámetros de tendencia central y variabilidad.
c. Diseñar el componente metodológico que permita construir un modelo de
regresión que generalice las ecuaciones predictivas obtenidas por el
método Taguchi clásico.
d. Diseñar el componente metodológico que, a partir de las ecuaciones
generalizadas construidas previamente, logre el valor deseado de las
variables de respuesta con mejores niveles de robustez.
e. Integrar todos los componentes metodológicos y validar la metodología
propuesta en distintos escenarios teóricos y prácticos.
2.4 Justificación del Trabajo de Investigación Deming plantea como un firme propósito de mejora substancial a la
CONSTANCIA y explica que “el propósito es mejorar constantemente los
productos y servicios de la empresa, teniendo como objetivo la consecución de
9
la competitividad permaneciendo en el mercado para proporcionar empleo por
medio de la innovación, la investigación, el mejoramiento continuo y el
mantenimiento adecuado”. Estamos en tiempos económicamente difíciles,
debemos eficientar el uso de recursos; hará la diferencia competitiva el aplicar
las herramientas que eliminan los desperdicios y aseguran la calidad “aguas
arriba” del proceso.
Respecto a la calidad del estadístico señal/ruido y a las bases teóricas en
la construcción de gráficas lineales algunos autores han cuestionado los
métodos de Taguchi, sin embargo; en el ámbito práctico de la ingeniería
depende del criterio del ingeniero el tomar en cuenta el rigor de los supuestos
estadísticos de cualquier método y llegar a las conclusiones deseadas con la
menor cantidad posible de recursos. Una de estas técnicas dirigidas a eficientar
el uso de los recursos disponibles son los métodos Taguchi porque son de bajo
costo y de aplicación sencilla.
Las técnicas de Diseño de Experimentos nacen como respuesta a la
necesidad práctica de investigar sistemas. El objetivo final de la investigación es
la creación de un modelo que nos permita intuir el comportamiento del sistema.
La creación de modelos se ha aplicado desde hace siglos a la investigación
científica; así se han ido postulando modelos en los campos de la Física, de la
Química, de la Biología y de la técnica. Estos modelos se han basado siempre
en el conocimiento empírico del efecto de una serie de factores sobre una
característica. De esta forma, y como ejemplo, en la ecuación del
comportamiento ideal de los gases (PV = nRT) se experimentó con el efecto que
ejercen sobre la presión los factores "nº de moles del gas", "temperatura" y
"volumen" en las famosas ecuaciones propuestas por Charles Boyle y Gay-
Lussac.
10
A través de la experimentación directa con estos factores se llegó al
establecimiento de un modelo de comportamiento de este sistema. Este
conocimiento solamente se obtiene a través de la experimentación directa, es
decir, mediante la introducción deliberada de cambios en el sistema, que nos va
a permitir obtener una información del aporte de cada factor. Esta información
sirve para el establecimiento de un modelo de comportamiento del sistema,
puede ahora ser utilizada de dos formas distintas: (1) Por una parte, está el
enfoque puramente científico, en el que el fin último es el establecimiento del
modelo en sí; es una investigación dirigida únicamente al conocimiento de un
comportamiento y al establecimiento de una Ley Teórica que explique el
fenómeno mediante ecuaciones matemáticas y (2) El enfoque práctico, en el que
se persigue no el conocimiento en sí; sino la aplicación de este conocimiento a
la mejora u optimización del sistema.
En el segundo caso no es tan importante el establecimiento de un modelo
matemático riguroso, sino que lo que se busca, es la mejor condición para
obtener el mejor funcionamiento o prestación del sistema. La experiencia
personal indica que los experimentos industriales del día a día siguen este
segundo enfoque, buscando no necesariamente un conocimiento exacto del
sistema, sino un conjunto de condiciones que nos permitan obtener el máximo
rendimiento, el diámetro más ajustado, la mayor fuerza de soldadura, el peso de
lote exacto o la textura más adecuada de nuestro producto o proceso.
En la industria, el objetivo diario es la mejora continua de los diseños, de
los productos y de los procesos. La única forma de conseguir esta mejora
continua es mediante el contacto directo con el sistema, del que obtenemos la
información necesaria para mejorarlo. Sin embargo, en los experimentos
industriales entra en juego un nuevo factor: el costo. No podemos permitir un
costo más elevado que el beneficio que pudiéramos obtener al realizar una
11
mejora, de aquí también la necesidad de marcar siempre un objetivo. Al entrar
en juego el factor costo, el Diseño de Experimentos en la industria adquiere una
importancia fundamental. Se requiere un método que permita un número mínimo
de experimentos, para conseguir establecer las condiciones óptimas en el
tiempo más corto posible.
El método eficiente lo proporciona la estadística, y permite reducir el costo
hasta el mínimo necesario. Sin embargo, sin un conocimiento especializado del
sistema, el costo aumentará mucho porque se tendrían que hacer más
experimentos de los necesarios. A la hora de experimentar es necesario un alto
conocimiento del sistema, que no evitará realizar los experimentos, pero sí los
va a reducir mucho en número. El conocimiento especializado lo proporcionan
aquellas personas que están más cerca del sistema y, por tanto, en condiciones
de obtener mejor información de éste, las personas que pasan todo su día
productivo en el proceso.
El método Taguchi para el diseño de experimentos utiliza técnicas que
implican bajos costos y que son aplicables a los problemas y requisitos de la
industria moderna. El propósito que se tiene en el diseño del producto es
encontrar aquella combinación de factores que sea la que proporcione el
funcionamiento más estable y fiable al precio de fabricación más bajo. La
práctica de la experimentación ha existido desde hace mucho tiempo; sin
embargo, se ha utilizado muy poco en la industria. Se ha entrenado poco a los
ingenieros en el área del diseño de experimentos (Wu, 1997). Los métodos
clásicos son difíciles de implantar debido a las suposiciones, procedimientos y al
nivel de sofisticación estadística requeridos para su uso, pese a la existencia de
software ésta es una herramienta y no puede suplir al proceso de análisis
requerido. El método de Taguchi es una herramienta de ingeniería que simplifica
y, en algunos casos, elimina gran parte de los esfuerzos de diseño estadístico.
12
Es una forma de examinar simultáneamente muchos factores a bajo costo. Pero
tiene las aparentes desventajas u oportunidades mencionadas en la introducción
del presente documento.
Concretamente, se ha decidido trabajar con los métodos del Dr. Taguchi
por los siguientes: (1) Simplifica el análisis de tolerancias con base en el Diseño
de Experimentos; (2) Es pionero en el estudio simultáneo de la media y la
variabilidad; (3) Popularizó el concepto de productos robustos; (4) Atrae un
significante nivel de atención en la Educación de la Ingeniería de Calidad; (5)
Establece nuevas direcciones en la investigación de la Ingeniería de la Calidad;
(6) Demostró que su metodología produce resultados satisfactorios; (7) Focaliza
la atención en el costo asociado a la variabilidad (8) Propone y diseña una
metodología completa para el mejoramiento de la calidad; (9) Expande el
concepto de la calidad más allá del simple control; (10) Gana la atención de
miles de personas en el mundo entero porque sus métodos sí funcionan
ganando cuatro veces el prestigioso “PREMIO DEMING”.
En algunos casos luego de aplicar los métodos del Dr. Taguchi en la
industria aeroespacial se requerirá complementariamente el uso de algoritmos
genéticos o la integración de varios métodos para enfrentar problemas concretos
de optimización; por ejemplo para balancear una línea de producción se puede
usar desde Simulación de Eventos Discretos, Reglas Heurísticas, Técnicas
Kaizen, 8 D´s o en su caso, simple sentido común con base en los costos y
operaciones aritméticas basadas en la “regla de tres” que, paradójicamente, es
una práctica común cuando se tiene dominio de las características del sistema
productivo por lo que es necesario aclarar que esta propuesta de
complementación metodológica no está pensada en reemplazar al Diseño de
Experimentos en su forma clásica o a la misma metodología del Dr. Taguchi sino
todo al contrario exponer las ventajas de estas técnicas.
13
La mejora continua debe estar presente también en las herramientas y
metodologías que maneja la Ingeniería Industrial porque en ningún momento
estas herramientas son definitivas, algunos autores se basan siempre en
supuestos a veces demasiado llenos de ciencia pero poco prácticos, o en
contraposición hay ingenieros demasiado empíricos que toman decisiones
insostenibles en el tiempo por no basarse en axiomas fundamentales de la
ingeniería como ciencia, tal es el caso de la experimentación de “un factor a la
vez” (Montgomery, 2006; Wu, 1997 y Mori, 1946).
Algunos modelos de mejora continua han sido implantados con éxito en
empresas en Japón y otros países, para mejorar su posición competitiva a través
de crear valor para el cliente, con un nivel de calidad de cero defectos, cero
partes por millón (PPM), tiempos de entrega reducidos, costos bajos y servicio
excelente. Su aplicación en Centro y Sudamérica es todavía incipiente y
representan una oportunidad de mejora en la competitividad de las empresas.
Una explicación del éxito japonés tuvo que ver con el factor de eficiencia y
una amalgama de prácticas de gestión y sistemas conectados con la planeación
y el control de la producción. La ventaja japonesa tiene mucho que ver con la
interacción de sistemas de control de materiales, prácticas de mantenimiento e
involucramiento de los empleados. “De hecho muchas técnicas usadas por los
japoneses no son nuevas, la diferencia está en la intensidad y nivel de
compromiso con el cual los conceptos de gestión estuvieron aplicándose” (Shu
Kai, 2003).
Los sistemas empresariales competitivos incluyen en su gestión la
implementación de metodología como las 5Ss, TPM, Kaizen, Justo a Tiempo
(JIT), Kan Ban, SMED, Control de Calidad en toda la empresa, Círculos de
Control de Calidad, Administración por Calidad, QC Story, las 7 herramientas
básicas, las 7 nuevas herramientas, Poka-Yoke, Control Estadístico de
14
Procesos, Benchmarking, DOE y por supuesto los métodos del Dr. Taguchi. La
tendencia actual de la ingeniería de la calidad, ya sea con su aplicación al
Diseño para Seis Sigma (DFSS) o simplemente el aseguramiento de la calidad
particular de un proceso está orientado a optimizar el diseño de parámetros y
robustecerlos porque la competitividad está basada en la maximización del
ahorro y la eliminación del desperdicio.
Una explicación del éxito japonés tuvo que ver con el factor de eficiencia y
una amalgama de prácticas de gestión y sistemas conectados con la planeación
y el control de la producción. La ventaja japonesa tiene mucho que ver con la
interacción de sistemas de control de materiales, prácticas de mantenimiento e
involucramiento de los empleados. “De hecho muchas técnicas usadas por los
japoneses no son nuevas, la diferencia está en la intensidad y nivel de
compromiso con el cual los conceptos de gestión estuvieron aplicándose” (Shu
Kai, 2003).
Es necesario un componente metodológico simple en cuanto al rigor
estadístico y no por eso menos efectivo y que aproveche las bondades del
método Taguchi para identificar la combinación adecuada de niveles de factores
porque con productos más competitivos se agiliza el flujo de capital y existen
más oportunidades de generación de empleos, ahora más que nunca México y
los países en vías de desarrollo necesitan aplicar estas herramientas de forma
más intensa.
Como un ejemplo en este trabajo de investigación se podrían beneficiar
los experimentos en ergonomía dado el alto costo de los test no-paramétricos
para caracterizar factores que involucren la relación hombre-máquina. Los
experimentos de exploración temprana en la caracterización de procesos con
muchos factores que tradicionalmente han sido resueltos con experimentación
15
factorial con una sola réplica son muy costosos y los métodos Taguchi son por lo
general de bajo costo.
El proyecto está justificado de forma práctica porque su desarrollo ayuda
a resolver un problema de diseño industrial, a la vez que propone estrategias
que siendo aplicadas contribuirán a resolverlo ampliamente; y se justifica de
forma teórica porque el propósito del estudio es generar reflexión y debate
académico sobre el conocimiento existente respecto a los métodos Taguchi al
contrastar resultados de optimización.
2.5 Delimitaciones del Presente Trabajo de Investigación Como la ciencia es una búsqueda permanente del conocimiento,
entonces cada nueva investigación debe fundamentarse en el conocimiento
existente y de igual manera asumir una posición frente al mismo, en este marco
las limitaciones del proyecto son:
• El método propuesto absorbe los supuestos originales que rigen el
método del Dr. Taguchi, por cuanto se sustenta en su filosofía.
• La investigación estudia los casos de modelos lineales que incluyan
interacciones y modelos lineales con términos cuadráticos. No serán
objeto de estudio modelos cuadráticos completos.
• Los arreglos ortogonales y el estadístico denominado señal a ruido
minimiza el uso de interacciones por motivos de replicabilidad “aguas
abajo” del proceso.
• La métrica S/R a ser utilizada es representativa del proceso para medir el
grado de robustez asociado.
16
• Todas las personas relacionadas al proceso industrial tienen un
conocimiento profundo de los factores que intervienen en el fenómeno en
estudio.
El trabajo se realizó fundamentalmente con bibliografía existente en la
biblioteca del ITCJ y del ITESM Campus Ciudad Juárez, así como en bases de
datos de artículos científicos arbitrados y consulta intensiva con expertos. La
validación práctica se desarrolló con circuitos electrónicos físicos y utilizando
software de simulación electrónica diseñada para diferentes escenarios de ruido.
17
3. MARCO TEÓRICO
Se ha escrito bastante sobre los métodos Taguchi, sobre sus ventajas y
desventajas. Con respecto a su valor práctico existe material documentado en
artículos científicos de aplicación del método y hay varias tesis doctorales con
aportes metodológicos al diseño experimental que usan a Taguchi como
referente en el tema del diseño robusto. Sin embargo, no se han encontrado
documentos completos o de publicación reciente sobre el estado del arte del
tema. Cintas (1993) y Pozueta (2001) han recopilado valiosa información a cuyo
esfuerzo se hace referencia en este capítulo con cierta frecuencia por el alto
valor de sus aportaciones coincidentes con el objetivo de esta Tesis que en
esencia implica de alguna manera interpretar el pensamiento profundo del Dr.
Taguchi.
3.1 Concepto de Producto Robusto La calidad de un producto se genera en las primeras etapas de su
desarrollo, en ese momento es cuando se evitan más problemas y el costo de la
mala calidad se reduce. Se dividió la evolución del control de calidad en tres
generaciones: Expedición de conformidades (1920´s) Fabricación, Control del
Proceso (1940´s) y Mejoras en Diseño (1980´s). Los esfuerzos en asegurar la
calidad del producto en su fase de diseño resultan ser los métodos más
rentables y paradójicamente, los más novedosos en el mundo occidental. Con
los métodos de producción adecuados el producto será correcto aún fabricado
con materiales y en condiciones poco favorables. La definición de producto
robusto según Taguchi (1989) está implícita cuando afirma que “pueden lograrse
18
diseños de productos que mantengan un alto nivel de calidad aunque sus
condiciones de uso no sean las óptimas”.
Puede entonces plantearse el concepto de calidad desde dos puntos de
vista: (a) Calidad, de “puertas afuera de la empresa” que consiste en satisfacer
las necesidades y expectativas de los clientes y (b) Calidad, de “puertas adentro
de la empresa” que consiste en cumplir con las especificaciones marcadas, con
la mínima variabilidad en torno a los valores nominales de diseño. Cualquier
característica de calidad de un producto que sea cuantitativa puede ser
entendida como una variable que mediante una función matemática dependa de
un conjunto de factores de diseño.
Una de las funciones a desarrollar en la empresa será transformar las
necesidades de los clientes en especificaciones de fabricación de los productos
que satisfagan la característica de calidad. Cintas (1993) explica que uno de los
objetivos será minimizar la variabilidad de las características funcionales y esta
varianza puede ser debida a tres causas básicas: (a) Ruido externo que es
generado por las condiciones ambientales de utilización del producto; (b) Ruido
interno que se debe a la variabilidad en las características del producto debido a
su envejecimiento y (c) Ruido en la Producción que es debido al proceso de
producción, cuya fuente son las causas comunes de variación que se originan
en las 6 M´s (mano de obra, métodos, materiales, maquinaria, medio ambiente y
mediciones).
Se denominan productos robustos aquellos que han sido diseñados de tal
forma que mantienen sus características de calidad con un mínimo nivel de
variabilidad aunque estén sometidos a variabilidad externa (ruido), variabilidad
interna (deterioro) o variabilidad por causas comunes en los procesos de
producción. En las etapas de desarrollo de un nuevo producto, es factible
19
actuar contra cada una de las causas de variabilidad, en el diseño del proceso
de producción también se pueden tomar medidas contra distintas fuentes de
variabilidad; entonces, hay que cuidar la etapa de diseño del producto para
asegurar su calidad “aguas arriba del proceso”.
Respecto a la fase de diseño, Taguchi (1989) divide el proceso de diseño
de un producto en tres fases (a) Diseño conceptual del producto para responder
a una necesidad del mercado; (b) Diseño de los parámetros para la obtención de
los valores nominales óptimos para minimizar la variabilidad de las
características de calidad del producto/proceso y (c) Diseño de tolerancias de los
parámetros para garantizar la mínima variabilidad requerida en operación normal
del producto/proceso. Taguchi sugiere invertir en la fase de diseño de los
parámetros porque es más rentable.
Al respecto al estado del arte en el diseño de productos robustos Pozueta
(2001) explica que las ideas de Taguchi obtuvieron una gran aceptación en
Occidente, sin embargo no quedó del todo claro cómo es que el método daba
lugar a productos robustos con buen comportamiento funcional; el ahorro en
costos experimentales y la efectividad de las conclusiones caracterizaban el
método. Por ejemplo, si se aceptaba que para medir la calidad de un producto
era necesaria una función de pérdidas que tuviera en cuenta las variaciones
funcionales que pudiera experimentar el comportamiento de este producto una
vez en manos del cliente, no quedaba claro que siguiendo las pautas recogidas
referentes al “Método de Taguchi” se lograra en todos los casos el objetivo de
optimizar la función de pérdidas seleccionada.
Las técnicas de diseño de productos robustos que propone Taguchi son
eminentemente "prácticas" enfocadas directamente a la resolución de problemas
a corto plazo, con alto impacto y cuyo diseño puede reproducirse aguas abajo
20
del proceso productivo según Wu (1997). Respecto a la aplicación del método
en Occidente, Cintas (1993) lo explica de la siguiente forma: “…el trabajo
práctico en esta área se remonta a los años 50’s. Las primeras publicaciones en
japonés surgen veinte años más tarde. La introducción de sus métodos en
Occidente ocurre entre 1980 y 1985 con las dos Mohonk Conferences
organizadas por la Quality Assurance Center de AT&T Bell Labs y es Raghu N.
Kackar quién comienza la divulgación de estas técnicas en publicaciones
americanas…”. Taguchi populariza el concepto de “producto robusto”
desarrollando con esta finalidad lo que se llegó a denominar: (a) Una estrategia
y (b) Una táctica.
La estrategia es medir la calidad de un producto mediante la función de
pérdidas, es decir, a través de las pérdidas que origina a la sociedad el hecho de
que un producto presente un valor funcional distinto al valor nominal para el cual
esté diseñado; por lo tanto se incorpora un nuevo concepto: la variabilidad con
criterios económicos en la medición de la calidad. Taguchi trabaja con
problemas de ingeniería de diferente tipo, el trabajo de investigación que se
presenta en esta tesis está relacionado con los problemas que se denominan
“estáticos” por tener la característica de calidad un valor objetivo fijo. Para este
tipo de problemas, según Wu (1997) una de las funciones de pérdidas más
utilizada es la que toma la forma de la ecuación 3.1.
2)(),( tyktyL −= 3.1
El objetivo en el diseño de un producto es encontrar niveles operativos
que permitan mantener su valor esperado tan cerca como se pueda del valor
nominal y que sea insensible a los factores de ruido. Taguchi propone que para
minimizar el valor esperado de la función de pérdida mostrado en la ecuación
3.1 primero se han de diseñar productos robustos o insensibles a la variabilidad
21
y posteriormente proceder a ajustar los parámetros para lograr el “target” de la
característica de calidad.
La táctica para llevar a cabo esta idea abarca una serie de fases
claramente definidas y que hacen uso de las herramientas estadísticas: (1)
Selección de la característica de interés; (2) Selección de los factores de control
y factores de ruido que potencialmente afectan a la característica de calidad; (3)
Experimentación según un diseño determinado; (4) Selección de una métrica
S/R apropiada al objetivo de optimización; (5) Análisis de S/R y la Media y, (6)
Categorización de factores, separando a los que afectan a la dispersión medida
a través de S/R de los factores que afectan a la localización de la media del
proceso. Según Mori (1946) la minimización de la función de pérdidas que
sugiere Taguchi se realiza en dos pasos:
Paso 1: Seleccionar los niveles de los factores que afectan a la
variabilidad y que maximizan S/R ignorando la localización de la
respuesta;
Paso 2: Seleccionar los niveles de los factores de control para ajustar la
Media al valor nominal manteniendo los niveles de los factores fijados en
el paso 1.
Esta táctica revoluciona la manera de abordar el problema de diseño de
productos o procesos porque incorpora a los factores de ruido en la
experimentación y realiza un análisis de los resultados muy peculiar utilizando
una métrica, la relación “señal a ruido” Wu (1997).
3.2 Explicación General del Método Taguchi Existen muchas metodologías propuestas por el Doctor Taguchi y en este
trabajo de investigación sólo se hace referencia a los métodos experimentales
22
donde un valor nominal debe lograrse pese a las condiciones de operación o
factores de ruido, analizando también valores máximos y mínimos que deberían
lograrse en una variable de respuesta. Otras metodologías como el estudio de
modelos dinámicos de la relación S/R para familias de productos y la
optimización de circuitos con corriente alterna mediante expresiones de la
relación señal/ruido en términos fasoriales no se tomarán en cuenta en esta
descripción metodológica.
3.2.1 Selección de la Característica de Calidad No se desarrollará, a pesar de la gran importancia del tema, los aspectos
a considerar a la hora de seleccionar la característica a medir, una guía
completa se presenta en cualquier obra relacionada al diseño de productos con
la metodología Seis Sigma. Wu (1997) trata este tema recogiendo aspectos de
gran importancia de cara a la interpretación posterior de los resultados como el
de la identificación de la función de calidad de interés y los innumerables
síntomas que se pueden presentar, otra fuente importante que se sugiere usar
en esta etapa experimental es el manual de diseño de experimentos que
propone Mori (1946) que muestra una guía completa de diseño experimental
basado en los métodos Taguchi, el uso intensivo del principio de excepción de
Pareto y del diagrama causa-efecto de Ishikawa con datos de expertos es un
aspecto clave en esta fase.
3.2.2 Clasificación de los Factores El Dr. Taguchi aporta una táctica novedosa en la experimentación ya que
como se menciona párrafos atrás incorpora en ella los factores de ruido. Así
surge una nueva clasificación de factores y son de dos tipos: (a) Factores de
control que son los factores que afectan a la característica de calidad y cuyos
23
valores pueden ser alterados a voluntad, tanto durante la experimentación como
en el futuro cuando el producto se esté fabricando o utilizando y (b) Factores de
ruido que son factores que pueden afectar a la característica de calidad pero que
no pueden ser alterados a voluntad durante la vida del producto o durante el
proceso de fabricación. Se deberá encontrar las condiciones de los factores de
control que den lugar a un valor mínimo de la función de pérdida asociada que
significa reducir la pérdida ocasionada al cliente por la mala calidad. Sin lugar a
dudas este enfoque de servicio es muy importante. Mori (1946) haciendo alusión
a Taguchi explica de la existencia de otros tipos de factores tales como: factores
indicativos, factores de bloque y factores suplementarios, así mismo sugiere
hacer una clasificación de factores de control en: factores muy incidentes,
factores incidentes y factores de otra índole. El método Taguchi según este autor
exige que se recopilen al menos 50 factores incidentes en la variable de calidad.
Sin lugar a dudas esta categorización de factores tiene que ser fruto de un
estudio en equipo con las personas relacionadas en el proceso.
3.2.3 Selección de la Matriz de Diseño Experimental De los diseños que propone Taguchi, el más difundido se denomina
“Matriz producto”, esta matriz se obtiene como producto cartesiano de dos
matrices: una para los factores de control y otra para los factores de ruido. Así,
cada condición experimental de los factores de control es sometida a
condiciones de los factores de ruido. Para diseños a dos niveles en los factores
de control y de ruido, la matriz producto resultante es en la mayoría de los casos
equivalente a una matriz de las definidas por Box et al. (1988). Sin embargo,
Taguchi acostumbra trabajar con más frecuencia de lo habitual con diseños a
más de dos niveles, hecho que se verá a lo largo de esta tesis, es necesario si
se desea analizar la transmisión de la variabilidad por los factores de ruido en
efectos cuadráticos.
24
3.2.4 Selección de las Métricas Señal a Ruido (S/R) Cintas (1993) explica a detalle que la relación S/R es “…un índice que
indica la proporcionalidad entre la señal intencionada y el ruido en un aparato de
comunicación: una radio de mala calidad es ruidosa a alto volumen. El concepto
de S/R ha sido adaptado por Taguchi para evaluar la calidad de un producto o
proceso teniendo en cuenta la señal y el ruido que emiten...”. De esta manera, si
cada fila de la matriz producto es considerada como un prototipo diferente, la
relación S/R estimada a partir de las observaciones a lo largo de las condiciones
de ruido, da una medida de calidad de cada uno de ellos en decibelios (db).
El decibelio es una unidad logarítmica de medida utilizada en diferentes
disciplinas de la ciencia. En todos los casos se usa para comparar una cantidad
con otra llamada de referencia. Normalmente el valor tomado como referencia es
siempre el menor valor de la cantidad. En algunos casos puede ser un valor
promedio aproximado. Por ejemplo, en acústica la mayoría de las veces el
decibelio se utiliza para comparar la presión sonora, en el aire, con una presión
de referencia.
Para problemas estáticos Taguchi clasifica los problemas en tres grupos
que dependiendo del objetivo del analista pueden ser: (a) lo menor es lo mejor;
(b) lo nominal es lo mejor o (c) lo mayor es lo mejor que respectivamente
minimizan, obtienen un valor nominal y maximizan la variable de respuesta de la
característica de calidad en estudio. Para cada tipo de situación la estimación de
S/R se realiza de manera diferente pero en los tres casos el objetivo final del
investigador es maximizar S/R, es decir obtener una señal “limpia”.
25
3.2.5 Clasificación de los Factores y Selección de las Condiciones Robustas Los resultados se obtienen mediante la interpretación de tablas
construidas para el análisis de la varianza del sistema y de las tablas
denominadas de “efectos factoriales”, una vez mas Mori (1946) expone este
procedimiento con un detalle realmente valioso y se sugiere consultar el
procedimiento en esta fuente. Una vez realizado el análisis de S/R y la media
los factores, estos se clasifican nuevamente y en cuatro grupos: (1) Factores
asociados a la dispersión; (2) Factores asociados a la localización; (3) Factores
que no afectan ni a S/R ni a la media y (4) Factores que afectan a la media y a la
variabilidad en forma simultánea. Este último tipo de factores es de especial
estudio en este trabajo de investigación.
Las condiciones óptimas para los factores de control se seleccionan en
dos pasos, los que ya han sido expuestos en el punto 3.1.1. de este documento,
posterior a esta etapa Taguchi propone la realización de un nuevo ciclo de
experimentos para confirmar que en las condiciones seleccionadas el
comportamiento de la característica de calidad es la esperada. En caso de
obtener grandes discrepancias se debe volver hacia atrás en búsqueda de
posibles errores de análisis.
3.3 Evolución de la Metodología de Taguchi. Pozueta (2001) cuando hace el estudio del estado del arte para su tesis
doctoral narra la evolución del método Taguchi de la siguiente forma: “Las
primeras publicaciones en Estados Unidos estaban rodeadas de mucho
misticismo no se llegaba a entender el lenguaje utilizado y tampoco quedaban
suficientemente justificados los métodos estadísticos y analíticos empleados.
Uno de los primeros artículos en Occidente sobre la metodología utilizada por
26
Taguchi se debe a Kackar, quien desde AT&T Bell Laboratories publica un
artículo de gran valor en aquella época intentando aclarar los aspectos oscuros
de la metodología. Este artículo viene acompañado por un panel de autores que
participan en la discusión recogiéndose un sentimiento común de
reconocimiento general a la importancia de las aportaciones conceptuales y
metodológicas de Taguchi para la mejora de la calidad en la industria y una
necesidad de mejorar muchos de los aspectos del método. Así, G. Box escribe:
Este país actualmente afronta un desafío económico muy serio (…), nuestra
respuesta no debe ser sólo para alabar lo que hace nuestra competencia;
debemos hacerlo mejor; y podemos hacerlo”.
Los aspectos más críticos del método, desde un punto de vista
estadístico, son los siguientes: los diseños son muy limitados, no se puede
generalizar el uso de la función S/R, el lenguaje es “poco entendible”. Taguchi
subsana estas aportaciones introduciendo la relación S/R dinámica a medida de
cada proceso, llama la atención que Wu (1997) afirma en su obra que estas
relaciones S/R ya existían desde la década de los 50´s. Más adelante la misma
autora hace referencia a las críticas que emitieron los estadísticos de renombre
respecto a las métricas utilizadas en el método Taguchi, escribe textualmente
“…unos años más tarde, Leon, Shoemaker y Kackar, también de AT&T Bell
Laboratories, y Box publican dos artículos muy especializados en torno a la
métrica utilizada por Taguchi. A partir de estas fechas, las publicaciones se
suceden a un ritmo vertiginoso y en la mayoría de los casos con aportaciones de
mejora a las técnicas estadísticas del método de Taguchi. Una vez más, un
miembro de AT&T Bell Laboratories, Nair lleva la iniciativa de editar un panel de
discusión donde se recogen los aspectos más relevantes del estado de la
cuestión del tema hasta la fecha. En este panel participan miembros de
reconocido prestigio de las principales instituciones educativas de Estados
Unidos
27
Todo esto es una prueba del gran interés que ha tenido el tema en el
ámbito industrial y académico. La Metodología que propuso Taguchi ha
evolucionado dando lugar a gran cantidad de publicaciones sobre aspectos a
mejorar, aunque siguen existiendo temas críticos donde no se adopta una
postura universal. Estos temas se podrían agrupar en cuatro áreas: (1) Métrica a
utilizar;(2) Diseño a seleccionar; (3) Análisis de la información y (4) Selección de
las condiciones óptimas.
En la mayoría de las situaciones prácticas se cuenta con pocas
condiciones experimentales, mediciones sin réplicas, personal no experto en
estadística, por eso la práctica de “un factor a la vez” podría no ser la más
adecuada y los métodos Taguchi toman fuerza. Escribe Mori (1946) sobre este
tema en particular: “Los ingenieros utilizan el método de un factor a la vez
porque ellos no conocen otro método para encontrar el mejor resultado con
varios factores y con varios niveles, creen que es un método práctico pero por la
practicidad se sacrifica a las herramientas que brinda la ciencia; sin embargo, la
ciencia tiene muchos supuestos que en la vida real no siempre se cumplen”.
28
4. METODOLOGIA
En la propuesta metodológica cuyas bases se exponen en este capítulo, primero
se programa en hojas electrónicas la ecuación predictiva del parámetro de
tendencia central y de la relación señal/ruido del proceso según el método
Taguchi. Luego, con apoyo de un software para la generación de números
aleatorios se procede a generar distintas combinaciones de niveles de factores y
el valor de la media y de la métrica “señal a ruido” correspondientes;
estructurándose de esta forma prácticamente un diseño factorial completo pero
con bastante cantidad de experimentos simulados. Con la aplicación de
técnicas estadísticas se puede conocer el grado de correlación entre las
variables de respuesta y los niveles operativos de los factores de control.
Utilizando el concepto de regresión con los datos generados para la media y la
relación “señal a ruido” se construye un modelo de superficie de respuesta para
ambas variables y así proceder a la optimización. Se muestra gráficamente la
propuesta metodológica de forma gráfica en la figura 4.1
Fig. 4.1 Representación gráfica del aporte metodológico
REPORTE GRÁFICO DE LAS ITERACIONES
05
101520253035404550556065707580859095
100105110115120125
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263
COMBINACION DE NIVELES DE FACTORES DE CONTROL
SNY
e
em
VVS
n)(1lo g1 0 −
−=η
εββββ +++++= kk xxxy L22110
79.00,,,
15.3..
662.3284.0257.0455.2369.3977.2826.35
0.208F-0.216E-0,106D-0.428C053,0290.010.3)(
≥≥
≥
−+−−−+=
+−−=
CpkFEDC
Yas
FEDCBASNand
BAYYMAX
LIE: 125,00 centro: 130 LSE: 135,00
ist. disponible: 5,00 mm (X - LIE) 5,00 mm (LSE - X8,33 sigma 8,33 sigma
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
METODOS TAGUCHI
APORTACION FABIANI-GARCÍA
29
Para poder conocer todas las posibles combinaciones de niveles de
factores del proceso se ha programado el método Taguchi en hojas electrónicas
de Excel con macros de Visual Basic obteniendo los siguientes reportes:
• Sensibilidad de la relación señal a ruido, la media y la variabilidad con los
factores de experimentación.
• Identificación de la distribución de frecuencias de probabilidad para la
relación señal a ruido, la media y la desviación estándar.
• Predicción de la relación señal a ruido, la media y el ratio de reducción de
la desviación estándar y la reducción del costo de mala calidad.
• Comparación de procesos con base en la función de pérdida de Taguchi.
• Análisis de Varianza y análisis de regresión.
• Selección de combinaciones locales y generales para niveles de factores
que satisfacen la característica de calidad buscada.
En la práctica Taguchi divide en cinco etapas su metodología. El orden de
la metodología y las recomendaciones de su aplicación están basados en la
interpretación que hace el profesor Mori (1946) al método Taguchi.
4.1 Primera y Segunda Etapas – Preparación y Determinación de los
Factores y Niveles El objetivo de la experimentación puede ser maximizar o minimizar el
valor de una característica de calidad y la maximización de una variable implica
la minimización de su complemento (Taguchi, 1989), (Ross, 1996). La
identificación clara de la variable de salida es importante porque a raíz de esta
se determinará el objetivo de la experimentación.
30
Se deben listar inicialmente más de 50 factores potenciales y para lograr
este número hay que proceder a consultar al equipo de trabajo, es clave
contrastar puntos de vista de los participantes y asumir una posición con base
en la naturaleza de la industria en la cual se está experimentando. La
información secundaria como publicaciones arbitradas, catálogos y pruebas
piloto previas son una fuente valiosa de consulta. El siguiente paso será
clasificar los factores con base en la utilidad y facilidad que se disponga para
definir niveles de experimentación identificando claramente si un factor es de
control, indicativo, de bloque, suplementario o de ruido (Mori, 1946). Del mismo
modo, clasificar a los factores en función a su relación íntima con el efecto
estudiado y evitando la fuerte interacción entre ellos, esto es importante por la
complejidad del sistema, no podemos experimentar con todos los factores y el
objetivo aquí es tomar en cuenta a todos los factores incidentes en la
característica de calidad.
Luego de haber seleccionado los factores, se debe determinar los niveles
de experimentación. El uso de tres niveles es especialmente recomendado
(Taguchi, 1989). Se ha demostrado que este tipo de fijación de niveles
reproducen términos cuadráticos en la ecuación generalizada de la media y de la
métrica señal a ruido (Fabiani, 2008). La selección del diseño experimental más
económico y efectivo es decisión particular del analista. Para evaluar el grado de
robustez se utilizará la relación apropiada de señal a ruido. En los diseños
estáticos, se puede seleccionar entre cuatro relaciones señal a ruido (S/R),
dependiendo de la meta del diseño. Se debe utilizar los conocimientos de
ingeniería y la comprensión del proceso para elegir una relación S/R apropiada.
La función logarítmica de la relación S/R que se usa para datos positivos,
incorpora la varianza experimental así como la media y que se usó en varias
aplicaciones de la metodología propuesta es la que se muestra en la ecuación
4.1 mostrada a continuación.
31
e
em
VVS
n−
−=(1log10η 4.1
Siendo
n : Número de réplicas.
eV : Varianza experimental.
mS : Suma de cuadrados.
4.2 Tercera Etapa – Asignación Experimental Un criterio para seleccionar el diseño experimental apropiado es
utilizando el concepto de ortogonalidad, que Taguchi considera importante en su
método; los diseños factoriales completos de dos niveles y las fracciones de
resolución III≥ son ortogonales. Los arreglos ortogonales que se han elegido
inicialmente han sido el 8L , 16L y el 12L por su practicidad en el análisis de
efectos puros con muchos factores y el 36L para procesos de simulación
(Taguchi, 1989). Los arreglos ortogonales que propone Taguchi son diseños
experimentales que generalmente sólo requieren una fracción de las
combinaciones factoriales completas. Muchos arreglos ortogonales están
disponibles en otras formas, tales como los diseños factorial fraccionado y de
Plackett-Burman. Los arreglos se diseñaron para manejar tantos factores como
sea posible en cierto número de corridas.
Las columnas de los arreglos experimentales que usa Taguchi son
balanceadas y ortogonales. Esto significa que en cada par de columnas, todas
las combinaciones de factores ocurren el mismo número de veces. Los diseños
ortogonales permiten estimar el efecto de cada factor sobre la respuesta
independientemente del resto de los factores. Por otro lado es posible separar
los efectos puros debido a los factores de las interacciones usando algunos de
32
los siguientes métodos: (1) Asignar los puntos de las gráficas lineales
considerando que la interacción entre esos factores no existe o no es relevante
para el diseño; (2) usar un arreglo ortogonal especial que confunda los efectos
de las interacciones con los efectos puros factoriales.
4.3 Cuarta Etapa – Experimentación La cantidad de réplicas requeridas será criterio del experimentador para
reducir el error y según la potencia necesaria del diseño experimental. Las
recomendaciones de aleatorización y otros aspectos propios del trabajo de
campo están expuestos ampliamente en Mori (1946). Es necesario hacer una
precisión en la fase de caracterización del proceso. Para esto, se podría utilizar
un diseño factorial no replicado y seguir la metodología de DOE clásico según
sugieren algunos autores; sin embargo, si es que los niveles de experimentación
de los factores no están lo suficiente alejados entre sí, los efectos principales
pueden confundirse con el ruido externo (Montgomery, 2006). La principal
desventaja de este método es que se requiere la ejecución de un factorial
completo y es sabido que a cierto número de factores este proceso suele ser
antieconómico. Por ejemplo, al considerar siete factores se requiere más de un
centenar de experimentos ( )12827 = , por este motivo la metodología Taguchi
aprovecha la gran ventaja de los arreglos ortogonales. Más adelante se verá
cómo mediante la generación de diferentes combinaciones de niveles es posible
conocer el grado de correlación entre las variables de entrada y salida del
sistema, que es el interés principal de la caracterización inicial del proceso.
33
4.4 Quinta Etapa – Análisis de Datos, Optimización y Aportación Metodológica de la Tesis
Con los datos obtenidos en la fase de experimentación se construye un
modelo de predicción de la media del proceso según la ecuación 4.2.
)(...)()(ˆ yNyByAyy srk −++−+−+= 4.2
Siendo
y = media estimada del proceso.
y = valor medio del proceso.
NBA ,..., Factores experimentales.
srk ,..., Niveles de los factores experimentales.
Se hace lo mismo con la ecuación predictiva de la relación señal/ruido
teniendo cuidado que la asignación de los nuevos niveles de factores afecte
tanto a “Y” como a “S/R” simultáneamente. Es decir que para cada combinación
de niveles de factores se obtienen pares de resultados de la “Y” con su grado de
robustez “S/R” asociado. Una muestra de los reportes obtenidos se presenta en
las figuras 4.2 y 4.3
Fig. 4.2 Reporte de todas las posibles combinaciones obtenidas
REPORTE GRÁFICO DE LAS ITERACIONES
05
101520253035404550556065707580859095
100105110115120125
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263
COMBINACION DE NIVELES DE FACTORES DE CONTROL
SNY
34
Según se puede ver en la Figura 4.3 se puede simular el proceso
obteniendo el comportamiento y tendencia central de la respuesta “Y”, así como
del estadístico señal/ruido “S/R”. Sin lugar a dudas esto permite conocer valiosa
información del rango de robustez en “db” que se puede lograr con la
combinación de niveles elegida, así como el rango asociado de la variable de
respuesta “Y”. Con el software comercial de aplicación estadística no hubiera
sido posible conocer fácilmente toda esta información.
Fig. 4.3 Ejemplo del reporte del comportamiento esperado de “Y” y “S/R”
.
Gracias al proceso de iteraciones y a la cuantificación del efecto factorial
puro es posible conocer el grado de correlación entre las variables de entrada y
salida del sistema mediante un correlograma que indica el grado de contribución
a la variabilidad total con la ventaja que esta vez se conoce el signo de la
sensibilidad. La experiencia en investigaciones previas ha demostrado que el
correlograma basado en el coeficiente de Pearson obtiene la misma información
que el Análisis de Varianza tradicional (García-Castellanos, 2007) en cuanto a la
priorización de factores y su incidencia en el sistema. Un ejemplo del reporte
obtenido puede verse en la figura 4.4
35
Fig. 4.4 Reporte de sensibilidad de niveles de factores
Para el análisis de la información, el software estadístico Minitab
proporciona la sistematización del método Taguchi, Sin embargo, los reportes
están en formato de texto. Para fines de generar todas las combinaciones
posibles fue necesario automatizar el método en hojas electrónicas. En el caso
de la figura 4.4. se puede apreciar la sensibilidad de las variables contra los
índices de capacidad, aunque el software de simulación Crystall Ball ya
incorpora este análisis, es importante que se tenga mucho cuidado al momento
de proponer los modelos a partir de los cuales se podría derivar el cálculo y
.
Un reporte que permite contrastar la evolución de la optimización del
proceso así como el nivel de economía lograda es el que se muestra en la figura
4.5 donde puede observarse la función de pérdida, el ahorro en el costo unitario
de calidad logrado, diversos índices de desempeño de la calidad esperada del
proceso y la evolución lograda gracias a la corrida confirmatoria.
Tornado Graph for Y
B; -0,0655
D; -0,1686
Cp; -0,1699
Cpk; -0,1699
SN; -0,2656
F; -0,3442
E; -0,3529
A; -0,4708
S; 0,5115
C; 0,7008
Cpm; 0,9628
L(y); -0,9910
-1,5000 -1,0000 -0,5000 0,0000 0,5000 1,0000 1,5000
36
Fig. 4.5 Reporte de la optimización lograda
Para generalizar el modelo de predicción 4.2 se procede a la regresión de
los datos obtenidos en la simulación de cada combinación de niveles factoriales
y como se han iterado N corridas experimentales con k variables independientes
kxxx ,...,, 21 la relación entre la respuesta “y” y las variables independientes puede
ser descrita con un modelo de primer orden; primer orden con interacciones y
segundo orden sin interacciones. Por ejemplo, para un caso completamente
lineal se tendría la siguiente forma:
εββββ +++++= kk xxxy L22110 4.3
Toda vez que 0)( ≅εE con varias corridas experimentales, el modelo 4.3
puede ser ajustado por:
37
kk xbxbxbby ++++= L22110 4.4
Donde los coeficientes de regresión ib son estimados con el método de
mínimos cuadrados. El método Taguchi no hace uso de codificación de datos,
en este sentido se puede reemplazar los niveles asignados por sus valores
reales correspondientes, luego se copia esta información a una hoja de trabajo
en Minitab y se aplica el Análisis de la Superficie de Respuesta personalizada
para obtener los modelos ajustados de regresión para “Y” y el estadístico “S/R”.
Los métodos de superficie de respuesta se utilizan para examinar la relación
entre una respuesta y un conjunto de variables cuantitativas o factores
experimentales.
Para ajustar un modelo matemático a los datos recolectados de la
superficie de respuesta personalizada se debe hacer una adecuada
interpretación de los valores “p” para determinar cuáles de los efectos en el
modelo son estadísticamente significativos. Antes de observar los efectos
individuales en la tabla de regresión, se sugiere observar en la tabla de análisis
de varianza los valores “p” de las pruebas para buscar todos los efectos lineales,
cuadráticos y de interacción. Para cada término en el modelo, hay un
coeficiente. Estos coeficientes se deben usar para construir una ecuación que
represente la relación entre la respuesta “Y” y “S/R” y los factores de control.
Para utilizar esta ecuación, se sugiere incluir los valores de factor no codificados
(reales) y calcular también la respuesta pronosticada.
Siendo que se ha programado en Excel la ecuación 4.4, el optimizador
Solver ayudaría a determinar el mejor valor aplicando el algoritmo de
optimización denominado “GRG2”, Abadie (1978). Después de definir un
conjunto de parámetros o restricciones para las variables, el programa itera
varias soluciones para llegar a una respuesta. Solver de Excel utiliza el código
38
GRG2 para optimización no lineal, los problemas lineales y con variables enteras
utilizan el método “simplex acotado” y el método “branch-and-bound” de
Frontline Systems, Inc. respectivamente. Una alternativa al uso de Solver es el
software denominado OPTQUEST de Crystal Ball que se basa en redes
neuronales y que ya está integrado a Excel siendo su uso bastante sencillo.
Para los casos de maximización o minimización de la variable principal de
respuesta, la programación matemática es como se muestra en la expresión 4.5.
... x,),(,
),...,,(/..
),...,,(minmax/
r
21
21
ρκ
λ
==∈
≥
h
i
n
n
xsix
xxxRSas
xxxy
4.5
siendo
= / RS El valor del estadístico señal a ruido en db.
λ = el nivel de decibelios (db) logrado previamente por el método Taguchi.
),( si = el rango de variación permitida para los niveles de factores paramétricos.
ρκ , = el nivel óptimo de factores no paramétricos obtenido previamente por el método Taguchi.
En términos generales para el caso de “lo nominal es lo mejor”, el
problema matemático a tiene la siguiente forma:
... x,),(,
),...,,(..
),...,,(/max
r
21
21
ρκ ==∈
=
h
i
n
n
xsix
TxxxYas
xxxRS
4.6
siendo
T = el valor nominal que se debe satisfacer en el diseño de parámetros.
*La otra nomenclatura ídem a la expresión 4.5.
39
Desde su introducción comercial, la herramienta de optimización Solver
de Microsoft ha sido y es una de las herramientas más usadas en la
optimización de modelos, esto se explica porque en el diseño del programa se
han podido incorporar alternativas de interacción con las hojas electrónicas que
permiten la optimización de funciones discontinuas y valores no numéricos, en la
práctica experimental existen factores de control cualitativos. Antes de la
programación matemática se sugiere revisar la base de datos de los
experimentos iterados para evidenciar la existencia de mejores combinaciones
de niveles y siempre hacer un análisis de sensibilidad porque permite entender
mejor el proceso.
4.4.1 Consideraciones Teóricas Respecto a la Estimación de los Efectos Factoriales y Tratamiento de las Interacciones Un diseño multifactorial es usado para obtener la relación causa-efecto
(superficie de respuesta) porque brinda información de todas las interacciones,
eso es correcto para la agricultura o la medicina según explica Mori (1946) en la
empresa los sistemas son diferentes a los de la naturaleza donde muy pocos
factores son controlables o existen factores cualitativos e interesa ante todo el
diseño de los parámetros de control, obtener la relación causa-efecto no es
diseño.
Con la ayuda de un software de estadística industrial los arreglos
ortogonales de Taguchi se crean tomando algunas o todas las columnas de un
arreglo de Taguchi estándar. Son dos las formas de determinar qué factores se
asignan a las columnas (1) asignar factores a las columnas del arreglo utilizando
gráficas lineales y (2) permitir que el software asigne factores a las columnas del
arreglo para permitir la estimación de las interacciones deseadas. Si hay
sospecha que puede haber interacciones sustanciales entre los factores se debe
40
usar gráfica lineal apropiada. De lo contrario, las interacciones se podrían
confundir con sus efectos principales o entre sí, y de ese modo sería difícil sacar
conclusiones reproducibles en la línea de fabricación. Wu (1997).
4.4.2 Consideraciones Teóricas Respecto a la Construcción de un Modelo Representativo del Proceso Con los datos obtenidos del proceso iterativo es posible ordenar los
resultados según los objetivos de la experimentación y definir el rango así como
otras estadísticas descriptivas. Es importante mencionar que para predecir los
valores de la media los métodos Taguchi están basados principalmente en
modelos lineales y en investigaciones anteriores se ha demostrado que a partir
del caso de lo nominal es lo mejor se puede resolver casos de maximización y
minimización. Puesto que Taguchi no codifica las variables, es posible sustituir
los valores asignados a los niveles elegidos con sus equivalencias y así obtener
un modelo de superficie de respuesta que admite valores intermedios. Lo
anterior es posible regresionando los datos obtenidos de la simulación realizada.
Esto se explicó con detalle en la sección 4.3.4 de esta tesis. Con todo lo anterior
y a manera de resumen el diagrama conceptual del proyecto es el que se
muestra en la figura 4.6.
Ha sido de especial importancia estudiar algunos aspectos sobre el
método Taguchi que no están claros en la literatura para comprobar
experimentalmente la hipótesis principal de esta Tesis. Ha sido necesario
estudiar con mayor detalle los siguientes aspectos metodológicos:
a. Para demostrar que el proceso de iteraciones aplicadas a la forma de las
ecuaciones predictivas como la mostrada en la ecuación 4.2 tiene sentido
los diseños ortogonales expuestos por Taguchi debían ser muestras
41
representativas del factorial completo y por lo tanto permitir caracterizar
un proceso.
b. Ha sido necesario conocer cuáles fueron los cuidados y procedimientos
que utilizó Taguchi (1989) en la validación de su método y reproducirlo
agregando el aporte metodológico para comprobar de esta forma la
pertinencia del aporte que se propone en esta tesis.
c. Se debió comparar la efectividad del Método Taguchi para estimar los
valores de la media y de la relación señal a ruido calculando estos
parámetros mediante un Diseño Factorial Completo.
En la figura 4.6 mostrada en la siguiente página puede observarse que es
necesario un estudio de sensibilidad (correlación) entre variables y respetar su
signo para el ajuste posterior de factores de diseño.
42
Fig. 4.6 Diagrama conceptual de la aportación metodológica propuesta
INICIO
METODO TAGUCHI TRADICIONAL PARA EL CASO DE LO NOMINAL
ES LO MEJOR
PLANEACION EXPERIMENTAL
MODELO DE PREDICCIÓN DE “Y” Y DE LA RELACIÓN SEÑAL/RUIDO
SEGÚN TAGUCHI
0
100
200
300
400
500
600
“Y”
0
100
200
300
400
500
600
“SN”
kk xbxbxbby ++++= L22110 kk xcxcxcc ++++= L22110η
CASO DE LO NOMINAL ES MEJOR SINO
FIN
Tornado Graph for Y
B; -0,07
D; -0,17
Cp; -0,17
Cpk; -0,17
SN; -0,27
F; -0,34
E; -0,35
A; -0,47
S; 0,51
C; 0,70
L(y); -0,99 Cpm; 0,96
-1,00 -0,80 -0,60 -0,40 -0,20 - 0,20 0,40 0,60 0,80 1,00
Sensibilidad de “y” con las “Xs”
Tornado Graph for Y
B; -0,07
D; -0,17
Cp; -0,17
Cpk; -0,17
SN; -0,27
F; -0,34
E; -0,35
A; -0,47
S; 0,51
C; 0,70
L(y); -0,99 Cpm; 0,96
-1,00 -0,80 -0,60 -0,40 -0,20 - 0,20 0,40 0,60 0,80 1,00
Sensibilidad de SN con las “Xs”
APORTACIÓN METODOLÓGICA AL DISEÑO DE PRODUCTOS ROBUSTOS SEGÚN LA FILOSOFÍA
DE GENICHI TAGUCHIDIAGRAMA METODOLÓGICO
... x,),(,
),...,,(..
),...,,(/max
r
21
21
ρκ ==∈
=
h
i
n
n
xsix
TxxxYas
xxxRS
... x,),(,
),...,,(/..
),...,,(minmax/
r
21
21
ρκ
λ
==∈
≥
h
i
n
n
xsix
xxxRSas
xxxy
APORTACIÓN METODOLÓGICA DE FABIANI-BELLO Y GARCÍA-CASTELLANOS
43
4.5 Materiales y Soporte Informático para la Investigación Entre los materiales y recursos que fueron utilizados en la investigación
se detallan los siguientes:
• Computadora personal.
• Calculadora científica digital
• Papelería.
• Material de Laboratorio de Electrónica
• Software de Simulación de Circuitos Eléctricos.
• Minitab V. 15.1
• Statgraphics Centurion V.6.
• Workbench.
• Crystal Ball 7.2
• Simulación 4.0
44
5. ANÁLISIS DE RESULTADOS
Se muestra en este capítulo los resultados obtenidos en el estudio de los
aspectos metodológicos descritos y los reportes del experimento realizado para
demostrar la hipótesis del presente trabajo de investigación.
5.1 Discusión sobre si los Arreglos Ortogonales Expuestos por Taguchi Permiten Caracterizar un Proceso
Un campo interesante de caracterización de procesos es la Ergonomía,
Reyes- Martínez (2005) expone un caso sobre la “Ergoftalmología” cuando
analiza los factores que inciden en la fatiga visual de los trabajadores de
inspección visual en la Industria Electrónica de Ciudad Juárez. En este caso se
ha aplicado la metodología propuesta utilizando los arreglos ortogonales
propuestos por Taguchi aprovechando información obtenida en un grupo focal
que precisamente pretendía caracterizar a la fatiga visual en los profesores de
postgrado del ITCJ identificando de esta forma los factores controlables que
inciden en lo que se conoce más propiamente como astenopia.
Los aportes debido al estudio profundo de la metodología aplicada a otras
áreas del conocimiento se plasman en el artículo titulado Simulation of the
experimental design in the characterization of factors that influence the
Astenopia preparado para el Décimo Congreso Internacional de Ergonomía y
XIV Reunión Binacional de Ergonomía MÉXICO-EUA. Ciudad Juárez, Abr. 23-
26, 2008. (CONERGO), posteriormente y como fruto de la caracterización
propuesta se ha presentado un artículo en otro evento también arbitrado bajo el
45
título Categorization of factors causing astenopia in research professors at
the ITCJ by reading with VDT: A shared experience preparado para el
Onceavo Congreso Internacional de Ergonomía SEMAC (2009) y XV Reunión
Binacional de Ergonomía MÉXICO-EUA. Ciudad Juárez, Abr. 9-11, 2009.
Puesto que está fuera del alcance de este trabajo el detallar todos los
aspectos metodológicos y conceptuales expuestos en estas publicaciones se
invita al lector a leerlas en primera fuente ya que aquí se exponen únicamente
algunos aspectos importantes relacionados con la aplicación de la metodología
propuesta.
El objetivo inicial del trabajo fue categorizar los factores que pueden
provocar astenopia entre los profesores investigadores del ITCJ como resultado
de la actividad de lectura en medios digitales, por medio del trabajo de un grupo
focal. Se realizó un estudio descriptivo, participaron 12 profesores
investigadores, con un rango de edad entre los 25 y 55 años. La metodología
empleada para esta primera etapa fue de naturaleza cualitativa y participativa.
Se realizaron las siguientes actividades: generar las ideas a partir de la pregunta
de investigación, ordenar y clasificar la información, analizar e interpretar los
datos y determinar las categorías. Los factores de riesgo identificados por el
grupo focal fueron: brillo y tamaño de la pantalla, tiempo de exposición,
iluminación, tipo de monitor, tipo y tamaño de letra, formato de texto, postura del
lector, calidad de impresión, colores utilizados, factores humanos y amigabilidad
del software. Las categorías propuestas por los participantes fueron: equipo,
material, ambiente y persona.
El objetivo experimental fue identificar la combinación de factores
controlables que favorezcan la minimización de la fatiga visual en condiciones
normales de trabajo. El primer reto fue definir la variable de respuesta, ya que la
46
conjunción de palabras “Fatiga Visual” es en realidad la descripción de un
estado del sistema de visión de las personas y para fines experimentales la
variable de respuesta debe ser medible.
Se propuso la medición de la “frecuencia de parpadeo por unidad de
tiempo” como un índice representativo. Ya que el trabajo con PC puede
contribuir a incrementar la astenopia debido a la reducción del parpadeo que
incrementa la sintomatología de ojo seco. Lo contrario a este caso, es decir
medir la respuesta natural del cuerpo para mantener húmedo el globo ocular es
lo que se tiene que cuantificar. El parpadeo protege y humedece el globo ocular,
refresca la sensibilidad y relaja los músculos oculares precisamente cuando se
hace presente la fatiga ocular. Sus unidades de medición serán de “veces de
parpadeo por minuto”.
Un experimento similar relacionado con medir la fatiga visual ha sido
realizado en el año 2001 por el profesor Akira Okada de la Escuela de Estudios
de Posgrado en Ciencias Humanas de la Universidad de Osaka en Japón para
la firma Panasonic en la evaluación de sus productos con pantalla de Plasma. La
forma de medir la frecuencia de parpadeo que uso el profesor Okada fue la
instalación de dos electrodos alrededor del ojo mientras la persona estuvo
expuesta a la pantalla de televisión. Definidos el objetivo y la forma de medición
de la respuesta del sistema el siguiente paso es armar la lista de factores que
teóricamente generan la superficie de respuesta de esta variable.
Reyes Martínez (2005) expone una lista completa de autores y
publicaciones internacionales que identifican los factores incidentes en la
astenopia, la autora cita textualmente “Algunos estudios previos mencionan que
la iluminación ha sido uno de los factores más importantes que influyen en la
astenopia (Lin, Hwang, Jeng y Liao, 2008; Sheedy, Smith y Hayes, 2005).
47
Asimismo, algunos investigadores han discutido el efecto de la iluminación
sobre la legibilidad y los efectos del tamaño de los caracteres bajo el ambiente
de iluminación y las fuentes de luz sobre la legibilidad (Wang y Chen 2003;
Anshel ,2007). Por lo que, la iluminación puede degradar la legibilidad, a causa
de un encandilamiento no deseado (Kim y Koga, 2004; Lin et al, 2008; Sanders
y McCormick, 1993). Uno de los principales factores que contribuyen a la
incidencia de la astenopia es el tiempo de exposición, en este sentido Knave et
al (1985) citado por Howarth y Bullimore en Wilson y Corlett (2005) han
reportado que un grupo de sujetos expuestos a más de cinco horas de trabajo
con pantallas visuales registraron mayores síntomas de incomodidad visual
como resultado de un estudio de casos y controles. El consenso grupal coincide
con la Asociación Americana de Optometría, quienes establecen que una de las
causas del Síndrome de Visión por Computadora ocurre porque la demanda
visual de la tarea excede la capacidad del individuo de ejecutarla cómodamente.
Por lo que un riesgo mayor de desarrollar este problema visual se presenta en
aquellas personas que utilizan la computadora dos o más horas continuas por
día (AOA, 1995). Al respecto, investigadores mencionan que el uso inapropiado
del color podría resultar en un pobre desempeño y una alta incidencia de
incomodidad visual (Wang y Chen, 2003; Matthews, 1987). La postura del
trabajador es un factor que ha sido ampliamente estudiado y relacionado con
desórdenes musculoesqueletales (Turville, Psihogios, Ulmer y Mirka, 1998)”
Luego de la caracterización y su priorización habiendo cumplido con las
etapas 1 y 2 propuestas por Taguchi los factores seleccionados han sido por
orden de importancia los siguientes: (1) Brillo, (2) Tiempo de Exposición, (3)
Iluminación, (4) Tipo de Monitor, (5) Tamaño de Pantalla, (6) Tamaño de letra,
(7) Formato de texto, (8) Posición del Lector, (9) Tipo de letra, (10) Calidad
Impresión texto, (11) Colores Utilizados, (12) Factores Humanos y (13)
Amigabilidad del software. Se ha procedido a clasificar los factores con base en
48
su naturaleza según el punto de vista de Taguchi. Dichos factores se muestran
en la tabla 5.1.
Tabla 5.1 Taxonomía de los factores que influyen en la fatiga visual
En caso de tomar las interacciones como importantes, el método Taguchi
hace uso de las Gráficas Lineales. En nuestro caso no fue necesario usar esta
herramienta porque se utilizarán arreglos factoriales fraccionados ortogonales a
tres niveles sin hacer estudio de interacciones. En lo que respecta a la
asignación de factores y sus interacciones en la teoría revisada no existe
información sobre niveles de interacción, en nuestro ejercicio sólo se desea
caracterizar los factores y medir su aporte relativo a la fatiga visual. Ya que es
un hecho que no todos los factores son igual de importantes para ser
controlados creemos que el principio de excepción de Pareto también se aplica
a este tipo de casos. En nuestro caso en particular se haría uso de un arreglo
ortogonal )32( 7118 xL que equivale a 18 corridas experimentales, esta es una
ventaja de utilizar este método frente al DOE clásico en sus distintas formas
(Wu, 1992). Lo siguiente sería recolectar datos de campo y en nuestro caso aún
no se desarrolló el experimento fundamentalmente por los recursos disponibles
como el equipo de electrodos y porque está fuera del alcance de esta tesis; por
CODIGO FACTOR
CATEGORÍA POR SU
AJUSTE
EXPERIMENTAL
A Iluminación Controlable
B Tiempo de Exposición Controlable
C Posición del Lector Controlable
D Amigabilidad del software Controlable
E Brillo de la pantalla Controlable
F Tamaño de Pantalla Controlable
G Tipo de Monitor Controlable
X Otros: Factores Humanos, Tamaño de letra, Colores, Formato de texto, Tipo de Letra, Calidad de Impresión de texto. (error experimental).
No Controlables
49
lo que el ejemplo expuesto tiene únicamente fines explicativos de la metodología
propuesta en un proceso de caracterización.
Para obtener resultados las corridas se hicieron a partir de datos
experimentales supuestos y aleatorios obtenidos según el rango de parpadeo
identificado por Okada (2000) según se muestra en la figura 5.1.
Fig. 5.1 Rango de frecuencias de parpadeo y tendencia de la fatiga visual
Según la tabla 5.1 un factor de control con dos niveles (A) y siete factores
de control a tres niveles (B, C, D, E, F, G y “x”) pueden ser definidos, donde “x”
se constituye como el error experimental que se sugiere dejar siempre libre para
estos casos; el objetivo experimental es determinar la combinación de niveles
que minimicen la fatiga visual (FV) en una persona con el criterio de lo menor es
lo mejor de Taguchi. Se utiliza en este caso el arreglo ortogonal 18L . No se
considera importante estudiar las interacciones entre factores por considerarlas
superfluas para los fines de este estudio de caracterización. Si fuese necesario,
la consulta a expertos y mayor revisión bibliográfica sería conveniente.
50
Con el soporte del software de simulación Monte Carlo denominado
Crystal Ball v.7.2 se puede generar todas las iteraciones requeridas por el
método obteniendo el reporte mostrado en la tabla 5.2:
Tabla 5.2 Reporte de las iteraciones aplicadas en el caso de estudio de la Astenopia.
Las interacciones generadas por la simulación
fueron ordenadas de forma creciente con base en
la media
La frecuencia de parpadeo tiene el
siguiente comportamiento:
Forecast: FV After 1.000.000 trials
Con los datos obtenidos por las iteraciones generadas se puede obtener
el correlograma entre la variable de salida (FV) y los niveles de factores
experimentales, además de medir el aporte a la varianza de la misma luego de
la simulación. El correlograma está basado en el Coeficiente de Pearson y en
nuestro caso podría complementar al análisis de varianza (ANOVA) clásico; la
técnica mencionada es en realidad y en términos prácticos una gran ventaja
porque el correlograma brinda la misma información esencial para la toma de
decisiones que un ANOVA (García-Castellanos, 2007). El correlograma obtenido
para este caso se muestra en la figura 5.2 en la siguiente página.
Trial values FV A B C D E F G3112 24,3 2,00 1,00 1,00 3,00 1,00 1,00 1,00682 24,5 2,00 1,00 1,00 2,00 1,00 2,00 1,0028691 25,0 2,00 1,00 1,00 1,00 1,00 2,00 1,0019153 27,0 2,00 1,00 1,00 3,00 2,00 3,00 2,0040138 46,9 1,00 2,00 3,00 2,00 2,00 2,00 1,0065534 47,7 1,00 2,00 2,00 1,00 2,00 3,00 3,00
51
Fig. 5.2 Correlograma obtenido en el caso de estudio de la astenopia
Si los datos experimentales fueran reales significaría que la iluminación
(A), tiempo de exposición (B), brillo de la pantalla (E) y posición del lector (C)
serían los factores incidentes en la frecuencia de parpadeo. Este fue un ejemplo
con fines demostrativos de la metodología propuesta. Al respecto, la importancia
de esta aplicación metodológica es que en la Ingeniería de Calidad aplicada la
caracterización de los factores que inciden en una variable en estudio es
importante para ahorrar recursos en el proceso experimental posterior y en la
práctica es común contar con pocos recursos de experimentación o el número
de réplicas puede estar limitado.
El software especializado en estadística industrial como Minitab permite
obtener diseños de arreglos ortogonales y definir automáticamente las
interacciones significativas entre factores que estén disponibles. Según la
filosofía del Dr. Taguchi estas interacciones son conocidas porque el equipo de
analistas conviven día con día con el proceso productivo siendo que es parte del
“know how” de los que gestionan el sistema productivo (Mori, 1946). Para
generalizar la aplicación propuesta en el campo de la ergonomía a otras áreas
del conocimiento y con datos experimentales posibles de obtener se propone la
solución de casos de caracterización conceptualmente parecidos.
52
5.2 Discusión de la Metodología Aplicada a Resolver el Caso de Experimentos Factoriales sin Réplicas
El uso de diseños no replicados se basa en que las interacciones de
orden superior no son significativas por el principio de efectos esparcidos; para
resolver el problema los teóricos sugieren el uso de una gráfica de probabilidad
normal para los efectos factoriales. Si estos no inciden en la variable de
respuesta siguen una distribución normal, se hace la proyección en el factor
menos significativo para generar grados de libertad del error experimental y
proceder al Análisis de la Varianza correspondiente. Sin embargo, los supuestos
de Fisher deben satisfacerse.
En la Industria es común tener que caracterizar procesos con muchos
factores y la experimentación de un factorial completo no replicado no es
económico por lo que se deberá recurrir a soluciones de ingeniería de calidad
expuestas por Taguchi. El objetivo de nuestro trabajo es generar un espacio de
discusión sobre las ventajas y desventajas de la aplicación de los métodos
Taguchi a este tipo de caracterización de factores, esto es posible generalizando
la ecuación de la predicción de la media y mediante un uso intensivo de arreglos
ortogonales (García-Castellanos et al., 2007). Sea cual sea el método elegido
para caracterizar los factores en cuestión, lo que se pretende en este proceso es
estimar los efectos factoriales puros de forma más rápida y económica (Pozueta,
2001).
Los hallazgos respecto a la aplicación del método en casos especiales se
expusieron en el artículo titulado Ventajas y desventajas del método Taguchi
aplicado al diseño de los experimentos factoriales no replicados que se
presentó en el 1er. Congreso Internacional de Investigación y Postgrado de los
Institutos Tecnológicos del Estado de Chihuahua en octubre de 2008
(CIPITECH), por lo que algunos detalles metodológicos y conceptuales de esta
53
parte están expuestos en ese documento y no se exponen en esta tesis por
estar fuera del alcance de esta investigación.
Respecto a la experimentación sin réplicas Montgomery (2006) explica
que un riesgo importante en la experimentación de una sola corrida es la
influencia del ruido, el autor expone un caso académico que retomamos. Por
otro lado, resolvemos un caso de transferencia de calor simple aplicando la
metodología propuesta para (1) estimar los efectos factoriales, (2) construir un
modelo representativo del proceso y (3) seleccionar la mejor combinación de
niveles de factores de esta forma se analizará la calidad de la muestra que
implica un arreglo ortogonal de Taguchi frente a un factorial completo. Para
mostrar la aplicación metodológica propuesta se han seleccionado dos casos:
a. Ejemplo 6-2 del texto Diseño y Análisis de Experimentos de Douglas
Montgomery, 2da. Ed., México, Limusa Wiley, 2006 pág. 246, y;
b. Diseño teórico de un tubo cilíndrico para transmisión de calor afectado por
factores de ruido externo propuesto por Cintas (1993).
5.2.1 Aplicación Metodológica y Propuesta de Solución en el Caso Resuelto por Montgomery para Experimentos sin Réplicas Por motivos de efectividad en el reporte de investigación no se
desarrollará el problema por completo siendo que la obra del Prof. Montgomery
es ampliamente conocida se invita al lector a identificarla en primera fuente. En
el problema se busca reducir el contenido de formaldehido evitando la reducción
de los índices de filtración en un proceso químico, siendo un claro caso de “lo
mayor es lo mejor”. Se muestran los resultados logrados a continuación y en la
que se ha seguido la metodología propuesta en nuestro trabajo expuesta en el
capítulo 4.
54
5.2.1.1 Preparación y Determinación de Factores y Niveles
En el proceso se identifican cuatro factores que se denominarán como A,
B, C y D respectivamente y a dos niveles cada uno tal cual se resuelve en el
texto de Montgomery quien para resolver el caso desarrolla un factorial
completo equivalente a 16 corridas experimentales para obtener sus
conclusiones. El autor no detalla más información de los factores.
5.2.1.2 Asignación Experimental
En este caso se aplica un arreglo ortogonal )2( 48
L . Las interacciones
relevantes se han definido como la AB, AC y AD ya que la gráfica lineal asociada
con la mayor cantidad de interacciones posibles a medir solo permite el cálculo
de estas. Para el uso de Minitab se ha dejado abierta la opción que el software
elija las interacciones que se puedan calcular con el arreglo ortogonal
seleccionado. Se ha almacenado el factorial completo y los siguientes términos
no pueden estimarse y se eliminaron: B*C, B*D, C*D.
5.2.1.3 Experimentación y Análisis de Datos
Con los mismos datos experimentales que expone Montgomery se ha
aplicado el método Taguchi clásico obteniendo la tabla de respuestas mostrada
en la tabla 5.3. La gráfica de interacciones se muestra en la figura 5.3 donde se
aprecia que las conclusiones a las que se llega son similares en ambos casos.
Tabla 5.3 Tabla de respuestas para el experimento sin réplicas
Nivel A B C D
1 61,25 70,00 63,75 62,50
2 80,25 71,50 77,75 79,00
Delta 19,00 1,50 14,00 16,50
Clasificar 1 4 3 2
C
H
v
re
c
m
Segú
C respectiva
Segú
Hasta este
alidar las
esultados lo
aso expue
muestra en Análisi Fuente A C D A *C A *D Error Total S = 4,4
n el método
amente. El
Fig
n el métod
momento s
conclusion
ogrados po
esto resuel
la figura 5.4
Fig. 5.4 An
is de varianz
GL SC sec. 1 1870,6 1 390,1 1 855,6 1 1314,1 1 1105,6 10 195,1 15 5730,9
41730 R-cua
o Taguchi l
factor B no
. 5.3 Matriz
do Taguch
se ha logra
nes obtenid
or Montgom
to por Mo
4:
nálisis de Va
a para Y, uti
SC ajust. 1870,6 390,1 855,6 1314,1 1105,6 195,1
d. = 96,60%
los factores
o genera un
de interaccio
hi las intera
ado caracte
das por el
mery a contin
ontgomery
rianza para e
ilizando SC a
MC ajust. 1870,6 9 390,1 1 855,6 4 1314,1 6 1105,6 5 19,5
R-cuad.(aju
s relevantes
n efecto imp
ones entre fa
acciones r
erizar el pr
método T
nuación. E
con proye
el experimen
justada para
F P 5,86 0,000 9,99 0,001 3,85 0,000 7,34 0,000 6,66 0,000
stado) = 94,8
s para la m
portante.
actores
relevantes
roceso, con
Taguchi. S
El ANOVA o
ección en
nto sin réplic
pruebas
89%
media son A
son AD y
n el objetiv
e exponen
obtenido pa
el factor B
cas
55
A, D y
AC.
vo de
n los
ara el
B se
c
e
T
p
fa
ré
y
5
n
in
fa
5
El co
omo releva
sta instanc
Taguchi util
osteriorme
actorial com
éplica expe
y 063.70 +=
.2.1.4 Pro
Luego
uestra apo
nformación
actores A,
.5.
F
oeficiente d
antes los té
cia se ha lle
liza la mita
nte un mo
mpleto elim
erimental, e
A812.10 ++
oceso de O
o de habe
ortación m
coincide co
C y D son
Fig. 5.5 Aná
de determin
érminos A,
egado a las
ad de las
odelo de su
ina la colum
l modelo ob
C937.4 ++
Optimización
er generad
metodológica
on el ANOV
relevantes
lisis de sens
nación aju
C, D, AC y
mismas co
corridas e
uperficie d
mna del fa
btenido por
D 9313.7 −+
n
do todas la
a se obtuv
VA obtenido
s para la m
sibilidad para
stado es d
y AD para e
onclusiones
xperimenta
e respuest
ctor B gene
r Montgome
AC063.9 +
as iteracion
vo el sigu
o por Montg
media segú
a el experime
del 94,89%
explicar el
s por ambo
ales. Montg
ta, dado q
erando de
ery es el sig
AD312.8
nes que s
uiente corre
gomery rati
n se mues
ento sin répl
% considera
proceso. H
s métodos
gomery exp
ue a partir
esta forma
guiente:
se sugieren
elograma
ificando qu
stra en la fi
licas
56
ando
Hasta
pero
pone
r del
a una
5.1
n en
cuya
e los
igura
57
Procediendo a la regresión de los datos iterados para obtener la
superficie de respuesta según la ecuación predictiva del método Taguchi, el
modelo toma la forma según la expresión 5.2.
ADACDCAy 383705.45.695.1725.1 +−−++−= 5.2
Ambos métodos reflejan un modelo significativo del proceso, se llega a
las mismas conclusiones respecto a la caracterización del proceso. Sin embargo
con el método propuesto ha sido necesaria la mitad de corridas experimentales.
Más adelante se comparan ambos métodos para ver si con Taguchi se puede
lograr un modelo representativo del proceso a partir del arreglo ortogonal
utilizado.
Para estudiar la calidad de predicción de los modelos 5.1 y 5.2 obtenidos
en el caso se ha procedido a estudiar su precisión y su poder de predicción
frente a valores experimentales reales. El gráfico comparativo que se muestra
en la figura 5.6 contrasta los valores de la variable “Y” obtenidos mediante
ambos métodos de superficie de respuesta contra los valores experimentales
reales y en todas las combinaciones posibles del arreglo factorial.
En la figura 5.6 el ordenamiento creciente es para comodidad de la
interpretación gráfica en el eje horizontal se han colocado los “alias” de cada
combinación de niveles según la nomenclatura que usa Montgomery. No se
puede hacer un análisis completo de la comparación de estos modelos y es
necesario otros medios y herramientas como el diagrama de bigotes de los
residuales que posteriormente se muestra en la figura 5.7
58
Fig. 5.6 Comparación de modelos 5.1 y 5.2
La figura. 5.7 muestra las gráficas de caja para examinar y comparar la
tendencia central y variabilidad del error de ambos modelos con el fin de
identificar los valores atípicos, rango interquartílico, mediana y rango del error
generado en ambos modelos. Ambos modelos denotan prácticamente el mismo
error de predicción equivalente a un 4% según el estadístico que mide el error
porcentual (MAPE). Aunque en el modelo de predicción de Montgomery el error
no está tan disperso, el modelo obtenido a partir del método Taguchi puede ser
más preciso, esto nos da luces sobre el alcance de nuestra aportación
metodológica ya que al parecer no es prudente ajustar muchos factores a
niveles intermedios porque el rango interquartílico del error generado por
Taguchi es mayor que el obtenido por Montgomery y se puede sacrificar la
robustez del producto.
COMPARACION DE MÉTODOS
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
105
110
d I bd b ac ab abc c bcd a cd bc acd abcd ad abd
Y MONTOGMERYY TAGUCHI-FABIANIYREAL
59
Fig. 5.7 Comparación de la precisión entre los modelos 5.1 y 5.2
El modelo 5.1 que propone Montgomery da la sensación de ser más
preciso y en cambio el modelo 5.2 pareciera tener menos precisión aunque a
veces es más exacto probablemente debido a que Taguchi toma en cuenta el
efecto factorial puro. Ahora se tiene más claridad sobre el por qué Taguchi
sugiere experimentar con niveles alejados y a tres niveles en cada factor (Mori,
1946) y se concluye que es una muy buena aproximación. Se procede a
continuación a aplicar la metodología en el caso en que la media se puede
calcular a partir de un modelo teórico conocido.
5.2.2 Aplicación Metodológica en el Caso del Diseño Teórico de un Tubo Cilíndrico para Transmisión de Calor Cintas (1993) expone un caso interesante en la solución de problemas de
caracterización y modelamiento con modelos físico-químicos cuyos valores en la
variable de respuesta son conocidos debido a las leyes de la termodinámica
estudiando la robustez frente a ruido externo, es en este campo de aplicación
ERROR TAG-FABERROR MONTGOMERY
0,16
0,14
0,12
0,10
0,08
0,06
0,04
0,02
0,00
Dat
os
Gráfica de caja de ERROR MONTGOMERY. ERROR TAG-FAB
q
s
Hkté
Tde
c
c
te
n
c
u
c
lim
fo
q
c
c
ue se estu
uperficie ci
H : Flujo de calor (
:k Coeficiente de c
rmica (cal/s.cm.°c)
:1T Temperatura en
el cilindro (°c)
F
Se a
obre, k =
onsiderarse
emperatura
ominal des
onocido, e
una relación
ontra la que
En el
mitaciones
orma se co
ue la variab
aso según
ontinuación
udió con la
líndrica cuy
H
(cal/s)
conductividad
n la pared exterior
Fig. 5.8 Dato
asumió el c
= 0.92 cal/
e factores
a ambiente
seado de
n teoría, q
n b/a lo ma
e nada pod
caso de q
para T2, u
onsigue que
bilidad ento
los criterio
n.
a metodolo
yos datos d
)ln(
(2 2
ab
Tk −=
π
:2T Tempe
:L Longitu
:/ ab Rela
del cilindro.
os del diseño
coeficiente
/seg. cm.
de diseño
conseguid
H = 1,500
que para m
ayor posible
demos hace
que b/a pud
una solució
e el valor e
orno a este
os expuesto
gía Taguch
de diseño se
)
)1 LT
eratura en la pared
d del cilindro (cm)
ación entre el diám
o teórico para
de condu
ºc, y L=
, mientras
da. Para fin
0 cal/s. Af
minimizar la
e, ya que V
er”.
diera variar
ón teórica s
esperado E
valor sea l
os en la ap
hi el flujo d
e muestran
interior (°c)
metro exterior e inte
a un Intercam
uctividad té
1 cm, las
que 1T va
nes de dise
firma el au
variabilida
V (T1) es la
en el rang
sería: b/a =
E (H) coinci
a menor po
portación m
de calor a
n en la figu
erior
mbiador de C
érmica corr
s variables
ariará de a
eño se sup
utor del ex
ad de H, d
a varianza d
go (1.1, 1.3
= 1.3 T2 =
ida con el
osible. La s
metodológic
través de
ra 5.8.
Calor
respondient
2,, Tba pue
acuerdo co
pondrá un v
xperimento
debemos ut
del factor r
) y no hubi
93 °C. De
valor objet
solución de
a se mues
60
una
te al
eden
on la
valor
“Es
tilizar
ruido,
ieran
esta
ivo y
este
tra a
61
5.2.2.1 Preparación y Determinación de Factores y Niveles
La variable de respuesta es la cantidad de transferencia de calor (H) en
distintas combinaciones de los factores controlables como la temperatura de la
superficie interna (T2) y la relación entre radios interno y externo
respectivamente (b/a). Se ha identificado un factor no controlable o de ruido
definido como la temperatura de la superficie exterior del cilindro (T1) que
únicamente para fines experimentales puede ser regulable. Todos los factores
se han definido a dos niveles de experimentación y tradicionalmente se puede
resolver por un arreglo factorial 32 .
5.2.2.2 Asignación Experimental
Se ha utilizado un arreglo ortogonal 2 considerando todas las
interacciones posibles. Esto implica 8 corridas experimentales y un solo dato
experimental para cada corrida y así medir el poder de predicción que tiene el
método Taguchi.
5.2.2.3 Experimentación y Análisis de Datos
Siendo que se calculan los datos para un modelo físico-químico conocido
y deducido matemáticamente se supone que el efecto del ruido en este caso no
es importante cumpliendo así las recomendaciones de Montgomery para estos
casos donde se decide tomar un solo dato experimental.
Con los mismos datos experimentales obtenidos a partir del modelo de
transferencia de calor se ha aplicado el método Taguchi clásico. La tabla 5.4
muestra las respuestas para medias.
62
Tabla 5.4 Tabla de respuestas para el intercambiador de calor
Nivel T2 a/b T1
1 2274,2 413,4 1756,8
2 826,1 2686,9 1343,5
Delta 1448,0 2273,5 413,4
Los factores relevantes son la relación de radios interno y externo
respectivamente y la temperatura de la superficie interna. Y efectivamente existe
una interacción entre la relación de radios con la temperatura de la superficie
externa. Para verificar la relevancia de los factores mediante una gráfica de
distribución normal de los efectos se obtendría el reporte mostrado en la figura
5.9 donde, según el reporte, sólo el factor B es incidente.
Fig. 5.9 Gráfica normal de los efectos en el caso del intercambiador de calor
La figura 5.9 no brinda mayor información y es por este motivo que
algunos analistas prefieren en su lugar el uso de gráficas normales acumuladas
cuando las corridas son pocas (Montgomery, 2006).
200010000-1000-2000
99
95
90
80
7060504030
20
10
5
1
Efecto
Porc
enta
je
A T1B a/bC T2
Factor Nombre
No significativoSignificativo
Tipo de efecto
B
Gráfica normal de los efectos(la respuesta es H, Alfa = 0,05)
PSE de Lenth = 454,83
63
Hasta este momento con el método Taguchi se ha logrado caracterizar el
proceso, con el objetivo de validar las conclusiones obtenidas por dicho método
se exponen los resultados logrados por Montgomery a continuación:
El ANOVA obtenido para el caso expuesto, resuelto por Montgomery es el
siguiente:
*En esta tabla se ha cambiado el nombre de T1 por T2 para evidenciar el cálculo del ANOVA frente al método Taguchi
Fig. 5.10 Análisis de Varianza en el caso del intercambiador de calor
El coeficiente de determinación ajustado es del 95,77% considerando
como relevantes los términos T1 (T2 para Taguchi) y b/a para explicar el
proceso. Hasta esta instancia se ha llegado a las mismas conclusiones por
ambos métodos pero con Taguchi no es necesario comprobar los supuestos de
Fisher.
5.2.2.4 Proceso de Optimización
Luego de generar todas las iteraciones que se sugieren en nuestra
aportación metodológica se obtuvo el correlograma cuya información coincide
con el ANOVA obtenido por Montgomery ratificando que los factores b/a y T2
son relevantes para la media según se puede observar en la figura 5.11 la
sensibilidad de H contra los factores de diseño del intercambiador de calor.
Efectos y coeficientes estimados para H (unidades codificadas) Coef. Término Efecto Coef de EE T P Constante 1550,1 114,1 13,59 0,000 T1 -1448,0 -724,0 114,1 -6,35 0,003 a/b 2273,5 1136,8 114,1 9,97 0,001 T1*a/b -1061,9 -530,9 114,1 -4,65 0,010 S = 322,609 PRESS = 1665224 R-cuad. = 97,58% R-cuad.(pred.) = 90,32% R-cuad.(ajustado) = 95,77%
c
5
a
m
H
p
la
p
e
re
Fig.
Como
onstruido la
.4 donde
nteriores s
modelos con
1364,0H +−=
En la
uede aprec
a media co
redicción. N
xterno con
elación com
5.11 Análisi
o consecue
a superficie
se puede
e ha demo
n términos
/1182,0 ba −+
a tabla 5.5.
ciar la exac
n el métod
Nótese que
n un valor c
mo una fuen
is de sensibi
encia de la
e de respue
e apreciar
ostrado que
cuadráticos
1016,273 T +−
se muestr
ctitud que o
o Taguchi,
e en esta ta
constante i
nte de varia
ilidad en el c
regresión d
esta y toma
la existen
e arreglos o
s, Fabiani (
202,273 T ++
ra un extra
ofrece el m
lo que con
abla se ma
igual a 1.3
abilidad en
caso del inte
de los dato
a la forma
ncia de in
ortogonales
2007).
T/193,065 ba+
acto de las
odelo gene
nfirma la ex
ntiene la re
. Más adel
la transfere
rcambiador
os iterados
mostrada e
teracciones
s a tres nive
069,193T1 a−
iteraciones
eralizado de
xpectativa
elación de r
lante se co
encia de ca
de calor
para “H”, s
en la expre
s. En trab
eles genera
2/bTa
s logradas
e predicció
de su pode
radios inter
onsidera a
alor.
64
se ha
esión
bajos
arían
5.4
y se
ón de
er de
rno y
esta
65
Tabla 5.5 Error del modelo obtenido a partir del método Taguchi
Para estudiar la calidad de predicción del modelo 5.4 construido a partir
de la ecuación predictiva del método Taguchi se ha fijado la relación b/a=1.3
como valor de diseño. Generando valores aleatorios distribuidos por la función
de densidad triangular para las temperaturas superficiales se ha simulado
mediante la técnica Monte Carlo el modelo teórico para medir “H” según la
termodinámica, y el construido a partir del método Taguchi que se ha
denominado “H Taguchi” simultáneamente.
El reporte de esta simulación comparada muestra la precisión de ambos
modelos para estimar “H” y se expone en la figura 5.12 en la que se ha colocado
el valor de la media y de la desviación estándar logradas por ambos. Se puede
ver que el modelo de Taguchi para predecir la media en ese rango es confiable.
Trial values ERROR H vs H Taguchi H H Taguchi b/a T1 T215126 0,02 1.500,01 1.499,99 1,30 24,37 92,4532738 1,08 1.500,01 1.501,09 1,30 24,66 92,7226557 2,10 1.500,01 1.502,11 1,30 24,54 92,5751862 5,27 1.499,99 1.494,73 1,30 24,68 92,8827028 6,82 1.500,01 1.506,82 1,30 24,96 92,8871559 7,55 1.499,99 1.507,54 1,30 24,43 92,3329060 7,95 1.500,01 1.507,96 1,30 24,63 92,5212214 10,19 1.500,00 1.489,81 1,30 24,18 92,4964944 10,21 1.500,00 1.510,21 1,30 24,91 92,7529835 11,58 1.500,01 1.488,43 1,30 24,67 93,015514 11,74 1.499,99 1.511,73 1,30 24,88 92,68
m
p
s
in
p
p
a
Fig
El co
media tal cu
ara el error
ignifica un
nterquartílic
ercentiles 2
redicción d
Lo an
un nivel d
g. 5.12 Comp
omportamie
ual se mues
r en la pred
0,01062%
co marcado
25 y 75 res
de la media
Fig. 5.13
nterior fue r
de operaci
paración de
ento del “e
stra más ab
dicción de
%. El 50%
o por los p
spectivame
para la ecu
Función de
realizado ba
ón óptima
las funcione
error absolu
bajo en la f
la media re
de los da
puntos 0,0
ente confirm
uación pred
densidad de
ajo el supue
en el que
es de densida
uto porcen
figura 5.13
especto al m
atos están
1061% y 0
mando de e
dictiva que
e probabilida
esto que se
e se minim
ad de probab
tual” de pr
denota un
modelo teó
contenido
0,01065% q
esta maner
usa el méto
ades del erro
e ha fijado
ice la varia
bilidad
redicción d
valor espe
órico de “H”
os en el ra
que reflejan
ra la calida
odo Taguch
or
la relación
abilidad de
66
de la
erado
” que
ango
n los
ad de
hi.
“b/a”
e “H”
(b
e
p
la
lo
lo
v
T
d
u
p
d
c
s
m
c
b/a=1.3). C
n un alto p
oder de pre
a relación “b
o que se ex
os diseños
arianza del
Taguchi al
ecibelios, s
Fig. 5.14
Luego
tilizado de
ara medir
eseado. Re
onseguir un
uperficie y
matrices pro
omprueba
Como se ha
orcentaje p
edicción de
b/a” como u
xpone en la
de resoluc
l proceso d
respecto d
sin lugar a d
SuperposicTagu
o de la sim
Taguchi p
la variabil
evisando la
na buena a
y las diver
roducto con
plenament
a visto, la v
por la relaci
e la varianz
una nueva
a figura 5.1
ión III que
de manera c
de medir e
dudas es u
ión del modeuchi con el m
mulación se
para este ca
lidad de “H
a literatura
aproximació
rsas fuente
n más de
te la afirma
varianza de
ón de radio
za de “H” in
fuente de v
14 donde s
son lo que
confiable, e
el ruido com
n hallazgo
elo generadomodelo teóric
e llegó a la
aso no per
H” en los
encontram
ón para la v
es de varia
2 niveles
ación de Ta
e la transfe
os; entonce
troduciendo
variabilidad
se puede a
usa Taguc
esta es una
mo un com
importante
o a partir de co para calc
conclusión
rmitirá cons
valores p
os que Poz
varianza qu
ación exist
en los fac
aguchi sob
rencia de c
es, se tuvo
o al modelo
d obteniend
preciar que
chi no perm
a pista del p
mponente d
sobre el m
la ecuación ular “H”
n que el ar
struir un m
róximos al
zueta (200
ue recoja la
tentes hay
ctores de
re el tema
calor se ex
que estudi
o de simula
do como rep
e efectivam
miten model
pensamient
de la seña
método.
predictiva de
rreglo ortog
odelo conf
valor nom
1) afirma: “
curvatura d
y que parti
control, lo
”. No se pu
67
xplica
iar el
ación
porte
mente
lar la
to de
al en
e
gonal
fiable
minal
“para
de la
ir de
que
uede
68
derivar un modelo confiable para la varianza a partir del modelo de Taguchi y
toma especial importancia el estadístico “S/R” para medir la variabilidad además
el uso de experimentos a tres niveles es importante.
5.3 Discusión sobre la Generalización de las Ecuaciones Predictivas del Método Taguchi
La importancia de lograr la solución de casos de maximización y
minimización con la aportación metodológica propuesta en esta Tesis se basa
en que las ecuaciones 4.1 y 4.2, luego del proceso de regresión de los datos
iterados, puedan tomar la forma de la ecuación 4.4; siendo que, si esto es
posible se pueden obtener modelos de superficies de respuesta para la media y
la relación S/R que se pueden utilizar para la selección de niveles intermedios
con una programación matemática apropiada.
Para aplicar el método y resolver este tipo de casos se ha utilizado la
información contenida en publicaciones indexadas de diseño y desarrollo
experimental cuyos autores han utilizando el método de Taguchi. Esto ha
permitido contrastar resultados de optimización por diversos caminos y entender
mejor las particularidades del método.
Cuidando las características experimentales previstas por los autores en
cada caso encontrado en la literatura se ha almacenado la información en el
software diseñado en Excel. En la descripción de los casos resueltos se
muestran los títulos y datos de publicación en el idioma original. Una serie de
conclusiones de este proceso de investigación se han presentado en el trabajo
titulado originalmente: A computing approach based on the Taguchi methods
to optimize the selection of factors for the nominal-.the-best characteristics habilitado y expuesto en la XII Conferencia Anual Internacional de Ingeniería
69
Industrial: Teoría, Aplicaciones y Práctica. Cancún, México, nov. 4-7, 2007. A
continuación se desarrollan brevemente los dos casos con la aportación
metodológica propuesta y con el extracto de la información más relevante.
5.3.1 Resultados Obtenidos volviendo a solucionar un caso de “lo nominal es lo mejor” expuesto por Idris et.al. En su artículo titulado originalmente: “Optimization of cellulose acetate
hollow fiber reverse osmosis membrane production using Taguchi method”, Idris
(2002) de la Facultad de Ingeniería Química y Recursos Naturales de la
Universidad Tecnológica de Malaysia optimizan el proceso para preparar
membranas de Osmosis Inversa con un adecuado coeficiente de rechazo, así
como determinar las condiciones del giro y el tiempo de la coagulación de la
mezcla. En este estudio, un diseño experimental sistemático basado en el
método de Taguchi ha sido empleado para estudiar la relación entre el
coeficiente de rechazo, grado de penetración y las condiciones de fibras
húmedas para fabricar el acetato de celulosa. Para el proceso de optimización
aplicando la aportación metodológica de esta tesis se hace uso de la
metodología de Superficie de Respuesta.
5.3.1.1 Preparación y Determinación de Factores y Niveles
Seis variables a dos niveles han sido estudiadas, el objetivo es lograr
niveles de rechazo próximos al 99%, utilizando el caso de lo nominal es lo mejor.
Se puede apreciar la fijación de niveles en su idioma original en la figura 5.15.
con los valores de experimentación y la codificación que hacen los autores.
Siendo el objetivo lograr un valor nominal las ecuaciones y procedimientos
utilizados para este caso son las expuestas por Taguchi.
70
Fig. 5.15 Fijación de niveles por los autores en el caso resuelto por Idris.
5.3.1.2 Asignación Experimental
Los autores han elegido un arreglo ortogonal , en este arreglo han
dejado de usar la columna C, siendo que han previsto la interacción AB como
importante. Este arreglo se muestra en la figura 5.16 mostrada a continuación.
Fig. 5.16 Arreglo ortogonal elegido por Idris
71
5.3.1.3 Experimentación y Análisis de Datos
Hasta esta instancia el método Taguchi ha sido aplicado y se ha resuelto
el caso nuevamente en Minitab; adicionalmente a esto se ha almacenado la
información a la hoja de Excel diseñada. Se ha procedido a la generación de
todas las iteraciones a partir de la ecuación predictiva para la media y la
relación S/R. Se muestra a continuación una tabla donde se compara el análisis
de varianza logrado por los autores utilizando el método Taguchi tradicional:
Fig. 5.17 Análisis de Varianza calculada por Idris
Los autores han decidido que el factor B no incide en el fenómeno que se
estudia. Según el porcentaje de contribución los factores incidentes en la media
son F (61%), D (12,9%), A (6,48%), G (5,592%). En nuestro caso a continuación
se muestra el análisis de sensibilidad luego del proceso iterativo tanto para Y
como para S/R. El correlograma obtenido puede presentarse como aportaciones
a la varianza en términos porcentuales o el valor del coeficiente de Pearson
entre pares de variables. Este reporte se puede obtener en forma tabular con la
misma información.
72
Fig. 5.18 Análisis de sensibilidad para “Y” según el aporte metodológico
La lectura del correlograma logrado a partir del proceso iterativo coincide
con el reporte del ANOVA logrado por los autores (F, D y A). Puede verse el
lugar que ocupa el factor B siendo que no incide en la media del proceso. Llama
la atención la correlación negativa que muestra el factor G con la media; esta
información podría ser muy importante en instancias posteriores de optimización.
Fig. 5.19 Análisis de sensibilidad para “S/R” según el aporte metodológico
73
Los autores no muestran un ANOVA para la relación S/R. Según nuestro
análisis los factores que inciden en la relación S/R son G, D y E
respectivamente. Llama la atención la correlación negativa que tiene el factor G
con la relación S/R, esta información es importante. Los porcentajes inferiores al
5% no se toman en cuenta.
5.3.1.4 Proceso de optimización
Los autores han propuesto como condiciones óptimas los niveles de
factores siguientes A2, D2, E2, F2 y G1; el factor B ha sido fijado a un nivel
intermedio de 1.25. La variable de respuesta lograda fue de 95.715 % en la
corrida confirmatoria. El resultado obtenido del estadístico señal/ruido por los
autores fue de 48,11 db. Este reporte lo muestran de la siguiente forma:
Fig. 5.20 Condiciones óptimas propuestas por Idris.
Como fruto del proceso de iteraciones aplicado se sospecha de la
existencia de mejores resultados, esto por los valores contenidos en los
histogramas luego del proceso de simulación, según se muestra a continuación.
En la figura 5.21 donde se puede apreciar que los rangos de la media y de la
S/R asociada al proceso indicaron un valor teórico potencialmente mejor que el
logrado por los autores.
74
Fig. 5.21 Simulación realizada para evidenciar los rangos de variación para “Y” y
“S/R”
Se ha construido el modelo generalizado para “Y” y “S/R” a partir de los
datos obtenidos por el proceso iterativo aplicado a la ecuación predictiva de
Taguchi. Se validaron los modelos construidos contra las corridas
experimentales obtenidas por los autores del artículo; la comparación ha sido
satisfactoria como se puede apreciar en la tabla 5.6
Tabla 5.6 Validación de los modelos propuestos para el caso de Idris
Para el proceso de optimización se utilizó la programación matemática
mostrada a continuación.
A B D E F G Y Real Modelo Y SR Real Modelo SR25,00 1,00 2,50 0,27 0,90 2,00 17,5000 17,5004 21,9382 21,922025,00 1,00 4,00 0,62 1,00 4,00 91,8000 91,8005 25,5351 25,518525,00 1,50 2,50 0,27 1,00 4,00 54,0000 54,0051 15,8397 15,817925,00 1,50 4,00 0,62 0,90 2,00 58,0333 58,0378 51,5938 51,572627,00 1,00 2,50 0,62 0,90 4,00 23,6000 23,6008 28,7076 28,689627,00 1,00 4,00 0,27 1,00 2,00 93,5000 93,5001 39,4162 39,398927,00 1,50 2,50 0,62 1,00 2,00 92,6333 92,6385 37,1256 37,102527,00 1,50 4,00 0,27 0,90 4,00 57,6333 57,6384 26,4494 26,4260
75
Si: / 419.731 17.417 326.325 6.564 28.165 26.931 12.255
94.490 13.267 377.683 18.872 31.113 437.917 4.329 15.217
/
s.a. 99
5.5
5.3.1.5 Resultados de la Optimización
Los niveles óptimos logrados con Minitab aplicando Optimización de la
Superficie de Respuesta para Y y S/R se muestran en la tabla 5.7 contrastados
con los valores sugeridos por los autores.
Tabla 5.7 Comparación de niveles óptimos calculados por ambos métodos
FACTORES Solución global obtenida por nuestra metodología
Solución propuesta por Idris et.al.
A 27 27 B 1 1.25 D 4 4 E 0,615 0,615 F 0,987764 1 G 2 2
SR (dB) 49,5754 48,11 Y (%) 99 95,715
Con el que se gana 1.46 decibelios (de 48,11 a 49,57), generando en
teoría un proceso más robusto si se ajusta el factor F a 0,987 y B al nivel 1. Los
autores lograron un nivel de RO=95,7% en la corrida confirmatoria porque fijaron
el valor de B a un nivel medio de 1,25. Esta decisión sin duda ha afectado los
resultados y es el costo de sacrificar con la técnica “pooled” algunos factores
que al parecer no inciden en la robustez del producto. Con el aporte
metodológico se tiene más control sobre los resultados que se están logrando.
76
5.3.2 Resultados Obtenidos Solucionando Nuevamente un Caso de “lo mayor es lo mejor” Expuesto por Jiju et.al. En su artículo titulado originalmente “Teaching the Taguchi method to
industrial engineers” Jiju (2001) del Centro Internacional de Manufactura y
Departamento de Ingeniería de la Universidad de Warwick, Coventry, UK.
Propone como objetivo identificar los niveles óptimos de factores de control con
los que se maximice el tiempo de vuelo de helicópteros de papel (con mínima
variabilidad). Este caso se caracteriza por hacer uso de factores cualitativos que
por su naturaleza no permiten el ajuste a un valor intermedio. La aplicación de la
aportación metodológica y los análisis de la información se muestran a
continuación.
5.3.2.1 Preparación y determinación de Factores y Niveles
Para su experimentación los autores han propuesto seis factores cada
uno a dos niveles, más abajo se muestra un extracto del nombre de los factores
y su codificación. El objetivo del experimento fue determinar las condiciones de
diseño para maximizar el tiempo de vuelo de un helicóptero construido de papel;
la característica de calidad fue de “lo mayor es lo mejor”. Los autores muestran
la determinación de factores y niveles según se muestra en la figura 5.22.
Fig. 5.22 Determinación de factores y niveles por Jiju et.al.
77
Resalta en este experimento la naturaleza cualitativa de los factores A, E y F ya
que en estos no es posible definir niveles intermedios.
5.3.2.2 Asignación Experimental
Los autores han utilizado un arreglo ortogonal con 16 corridas
experimentales y 15 columnas, de las cuales han utilizado seis para medir el
efecto puro de los factores y han considerado que las interacciones BD, BC y AB
son importantes y deben ser estudiadas.
Fig. 5.23 Arreglo ortogonal propuesto por Jiju et.al.
Hasta esta parte se nota el uso de las gráficas lineales, aunque los
autores no mencionan cuál han utilizado se ha podido comprobar que es una
modificación de un arreglo que asigna los factores principales a las columnas
pares y la interacción de estos con el factor asignado en la columna 1 en las
columnas impares sucesivamente (Peace, 1993).
5
a
u
n
a
re
F
C
s
a
c
d
.3.2.3 Ex
Luego
utores han
na gráfica
ormal son
utores hici
eporte, hab
Fig. 5.24 Grá
Poste
C2, D1, E1
eg. que se
sociada de
Hasta
lásica para
atos en el
perimentac
o de obte
identificad
de probab
significativo
eron un a
blan que los
áfica normal
erior a este
1 y F1 logra
e corroboró
e 10,2034 d
a esta inst
a el caso d
programa
ción y Análi
ner las ta
do la incide
ilidades, lo
os y estos
nálisis sim
s factores F
para los efec
e análisis d
ando un tie
ó nuevame
B.
ancia se h
de “lo may
diseñado e
sis de Dato
blas de m
ncia de los
s efectos q
son C, A,
ilar para la
F y E son si
ctos en la qu
de efectos
empo de vu
ente en M
ha manteni
yor es lo m
en Excel y
os
medición de
s factores a
que se alej
E y F en o
a media y
gnificativos
ue Jiju et.al h
definen los
uelo del he
Minitab con
do el méto
mejor”. Se p
y a generar
e efectos
a la relación
an de un c
orden de im
aunque n
s.
han basado s
s niveles ó
elicóptero d
una relac
odo Taguch
procedió a
r las iteraci
principales
n S/R med
comportam
mportancia.
no muestra
sus conclusi
óptimos A1,
de papel de
ción señal/r
hi en su fo
almacena
iones segú
78
, los
iante
iento
. Los
n su
ones
, B1,
e 3,2
ruido
orma
r los
ún se
79
explicó en el capítulo 4 de esta tesis. Se obtuvo el siguiente reporte mostrado en
la tabla 5.8 en la que se muestran los coeficientes de los modelos logrados para
la media y el estadístico S/R y las distribuciones de frecuencia de probabilidades
respectivamente: Tabla 5.8 Reporte del proceso de iteraciones y regresión de los modelos para “Y” y “S/R”
5.3.2.4 Proceso de Optimización
Para validar que estos modelos permiten calcular la media y la relación
S/R del proceso de manera satisfactoria se procedió a recalcular los valores
conocidos de las corridas experimentales según la figura 5.25 con cada modelo,
es sorprendente como Taguchi logra una muy buena precisión en la predicción,
probablemente esto se deba a que trabaja con la cuantificación de los efectos
puros factoriales. Una vez más llama la atención el tratamiento que hace
Taguchi a las interacciones en la fase de diseño de productos ya que no solo las
toma en cuenta sino que las cuantifica de manera adecuada. Más precisiones de
este proceso están contenidas en el capítulo 6 de las conclusiones de esta
Tesis.
FACTOR Y SR
constante 5,11406 17,8239
D -1,13375 -4,1609
C 0,06484 0,1331
B 0,025 -0,0034
F -0,915 -3,0804
A -0,16938 -0,6487
E -0,965 -3,09
DC 0,02594 0,1142
DB -0,01281 -0,0117
DF 0,28375 0,9431
DA 0,01375 -0,0287
DE 0,29875 0,9426
CA -0,01531 -0,0253
Coeficientes para la media (y) y la relacion señal/ruido (S/R)
80
Fig. 5.25 Validación del modelo construido a partir del método Taguchi
Los modelos ajustados son realmente una generalización de la ecuación
predictiva que utiliza Taguchi, siendo esto posible se procede a hacer el análisis
de sensibilidad para saber qué factores y qué ajuste de niveles se deben hacer
para lograr mejores niveles de robustez, este análisis se muestra en la figura
5.26.
Fig. 5.26 Análisis de sensibilidad para el caso propuesto por Jiju et.al.
Los factores A, E y F son incidentes pero son de naturaleza cualitativa por
este motivo no se pueden ajustar a un nivel intermedio; el factor C que se puede
Y modelo
ajustado
Y prediccion
Taguchi
Y dato
s experimentales
SR m
odelo
ajustado
SR pr
edicc
ion Taguchi
SR da
tos ex
perim
entales
11
109
8
76
5
43
2
Dat
os
VALIDACION DE MODELOS AJUSTADOS PARA S/R y Y
81
fijar a un valor en un rango continuo tiene una sensibilidad positiva tanto para la
relación S/R y para la media. El factor D tiene una sensibilidad negativa para
ambas variables de respuesta, es decir, que a menores valores de D se logra
mayor tiempo de vuelo del helicóptero. Para aprovechar los niveles logrados por
el método Taguchi es que se generan a partir de estos una búsqueda de niveles
óptimos reajustando éstos a valores cercanos a los sugeridos por Taguchi. En
esta instancia se utilizó otro software que se basa en el algoritmo GR2G de
Solver de Excel, este se denomina OptQuest y es para búsqueda de niveles
factoriales que satisfacen ciertas condiciones de optimización con base en el
método Monte Carlo y redes neuronales. Los reportes que se logran aplicando
OptQuest comparados con los que logran los autores se muestra en la tabla 5.9.
Tabla 5.9 Comparación de niveles propuesto por Jiju et.al y nuestra aportación
metodológica Optimization Statistics
Total Number of Simulations: 322
Number of Trials per Simulation: 10000
Neural Network Engaged after simulation: 60
****BEST SOLUTION****
D: 1,95
C: 12,05
B: 7,95
F: 1
A: 1
E: 1
Objective: S/R: Final Value: 10,28619025
Requirement: Y: 3,223079625
Para comprobar la optimalidad y mejora lograda se ha supuesto que el
proceso tiene las mismas causas comunes de variación y que luego de fijar cada
factor al nivel de diseño, este nivel sufre una variación normal con una media
igual al valor de diseño y una desviación estándar de 0,01 unidades. Asumiendo
q
c
ro
c
m
m
ra
p
a
e
e
e
T
ue existiría
ausas com
obustez de
onsolidada
método Tag
muestra una
angos de lo
ara fortalec
Fig
Por lo
portación m
l método T
n campo y
xperimento
Taguchi par
a un buen c
munes se ti
el producto
. La gana
guchi clásic
a diferencia
os ejes. Un
cer el anális
g. 5.27 Gana
o tanto; ex
metodológic
Taguchi en
y con un
o propuest
ra explicar s
control esta
iene una e
o que se p
ncia en es
co se logró
a muy marc
na tabla de
sis, en nues
ancia en deci
xiste suficie
ca en teoría
el caso de
prototipo r
to por el
su técnica.
adístico de
evidente me
puede apre
ste caso fu
un valor de
cada porqu
e resumen
stro caso e
ibeles luego
ente eviden
a mejora le
la maximiz
real fue ne
mismo do
procesos q
ejora tanto
eciar en la
ue de 0.8
e S/R igua
ue se ha el
de estos v
sto no ha s
de la aporta
ncia estadí
evemente lo
zación de u
ecesaria y
octor para
que minimi
en la med
a figura 5.
decibeles
l a 10.2862
egido apro
valores se
sido necesa
ación metodo
ística para
os resultado
una variable
para esto
comproba
ice el efect
dia como e
.27 de ma
ya que co
2 dB. El rep
piadamente
puede obt
ario.
ológica
afirmar qu
os logrados
e. Una solu
se resolv
ar la hipót
82
to de
en la
anera
on el
porte
e los
tener
ue la
s por
ución
ió el
tesis,
83
5.4 Diseño de Parámetros Robustos para un Puente de Wheatstone Aplicando la Aportación Metodológica
Después que se ha decidido el diseño funcional de un sistema, el
propósito del diseño de parámetros es seleccionar los niveles óptimos para los
parámetros del sistema en cuestión. Esta es la etapa más importante del
proceso de diseño, porque en esta instancia se puede mejorar sustancialmente
la calidad y reducir el costo asociado a esta. En esta parte se discute sobre el
método de Taguchi aplicado al diseño de un “Puente de Wheatstone” y
posteriormente se aplica la aportación metodológica propuesta en esta tesis
para comparar logros y demostrar la hipótesis con una corrida confirmatoria en
un circuito físico.
5.4.1 Antecedentes del Experimento Realizado por Taguchi El propósito del diseño de parámetros es ajustar los niveles de los
factores de manera que la característica de calidad no sufra variaciones frente al
cambio del valor de los parámetros de diseño debido al ambiente. Taguchi
propone como un ejemplo clásico en la aplicación de su metodología el diseño
robusto de un circuito eléctrico conformado por resistores llamado “Puente de
Wheatstone” que es utilizado para conocer el valor de una resistencia “Y”
desconocida. En la literatura se han encontrado dos casos resueltos de este
experimento, el primero publicado por Cintas (1993) en su tesis doctoral en la
que plantea un método diferente de diseño robusto y compara sus logros con el
diseño de Taguchi precisamente utilizando el puente de Wheatstone. El segundo
caso es expuesto por el mismo Taguchi detallando los procedimientos de su
experimento en publicaciones de la American Supplier Institute (ASI, 1987).
Sobre la explicación que hace Taguchi se han encontrado al menos tres
publicaciones distintas, todas con la misma explicación metodológica aunque
con distinto grado de detalle en la aclaración del uso de fórmulas estadísticas.
84
5.4.2 Preparación y Determinación de Factores y Niveles Propuestos por Taguchi Para determinar los factores y niveles de experimentación se debe
entender el funcionamiento de un puente de Wheatstone, el circuito en cuestión
está representado en la figura siguiente:
Fig. 5.28 Circuito eléctrico que representa al puente de Wheatstone
El problema con el puente de Wheatstone es fijar el valor nominal (no la
tolerancia) de los parámetros A, C, D, E y F de forma que la resistencia “Y”
pueda conocerse con alta certeza frente a condiciones de ruido. En este caso
Taguchi fijó el valor de “Y” a 2Ω como el valor nominal verdadero. Los resistores
A, C, D, E y F son los factores de control. La resistencia variable B es no
controlable porque esta se ajusta hasta que la corriente que pasa por el
galvanómetro “X” sea prácticamente cero, Cintas (1993). En la tabla 5.10 se
muestra cómo Taguchi ha fijado tres niveles para cada factor de control. El nivel
1 es la quinta parte del nivel 2 y este es la quinta parte del nivel 3. Este estilo de
fijación de niveles es característico de Taguchi, Mori (1946).
85
Tabla 5.10 Niveles para los factores de control
FACTOR NIVEL 1 NIVEL 2 NIVEL 3
A (Ω) 20 100 500
C(Ω) 2 10 50
D(Ω) 2 10 50
E(volts) 1,2 6 30
F(Ω) 2 10 50
El objetivo del diseño de los parámetros es evaluar y medir la variabilidad
debida a ruido interno y externo a diferentes niveles de los factores de control, y
encontrar un diseño final que sea inmune a los posibles efectos del ruido. Los
factores de ruido en este problema se hacen presentes en la variabilidad de sus
resistores, galvanómetro y fuente de voltaje. Para medir el ruido se puede
estimar el error en estos componentes fijando tres niveles para cada factor. Esta
variabilidad fue ocasionada intencionalmente por Taguchi como parte de los
niveles de experimentación y se muestra en la tabla 5.11. En esta tabla puede
apreciarse la existencia de una importante fuente de variabilidad y es el error en
la lectura que ofrece el galvanómetro “X”, en el que se asume un error de lectura
de 0,2 miliamperios. Tabla 5.11 Niveles de error aplicados a los factores
FACTOR NIVEL 1 NIVEL 2 NIVEL 3
A´ (%) -0,3 0 0,3
B´ (%) -0,3 0 0,3
C´ (%) -0,3 0 0,3
D´ (%) -0,3 0 0,3
E´ (%) -5,0 0 5,0
F´ (%) -0,3 0 0,3
X´ (mA) -0,2 0 0,2
Respecto a la fuente de voltaje (E) ésta prácticamente no afectaría a la
medición de “Y” y se fijó una variación del 5% respecto a su valor nominal. El
diseño de un puente de Wheatstone robusto sabiendo que está compuesto
básicamente por resistores y siendo que estos son muy sensibles a la
86
temperatura es un importante aporte. Más tarde en esta Tesis se ha
comprobado en campo que la variación propuesta por Taguchi del 0,3% para los
resistores es suficiente.
5.4.3 Asignación Experimental en el Caso del Puente de Wheatstone La experimentación se realiza con cada factor a 3 niveles, con cinco
factores de control definidos como A, C, D, E y F que han sido asignados a las
columnas 1, 3, 4, 5 y 6 respectivamente de un arreglo ortogonal L36 (matriz
interna). Este arreglo ortogonal es de muy frecuente uso en el trabajo de diseño
de parámetros y tolerancias Taguchi (1986) porque (1) se definen 3 niveles para
los factores de diseño y para el error y (2) la interacción entre los factores de
control y el error asignado es tratada como un error experimental. El arreglo
ortogonal L36 distribuye la interacción de cualquier par de columnas casi de
manera uniforme entre todas las otras columnas.
Los niveles de los factores de ruido se adscriben a otra 36L separada
(matriz externa) igual a la anterior, pero con la diferencia de que ahora se utilizan
7 columnas ya que la variabilidad se genera también en la resistencia variable B
y al amperímetro X. La disposición 36L externa se aplica a cada uno de los 36
experimentos de la disposición interna, es decir que se obtiene información
completa de todos los escenarios de variabilidad, Cintas (1993). Se tiene de esta
forma la matriz producto entre los arreglos ortogonales interno y externo
generando total de 36*36=1,296 combinaciones. Los factores en el arreglo
externo que son A´, B´, C´, D´, E´, F´ y X´ se asignan a las columnas 1, 2, 3, 4, 5,
6 y 7 respectivamente, este arreglo se puede apreciar en la figura 5.29 mostrada
a continuación.
87
Fig. 5.29 Layout experimental propuesto por Taguchi
5.4.4 Experimentación y Análisis de los Datos Efectuados por Taguchi Como se anotó párrafos atrás, el resistor B se ajusta hasta que el
galvanómetro marque cero, es decir hasta que por la conexión que contiene al
resistor A no fluya corriente eléctrica. A partir del valor indicado por la resistencia
B en ese momento, se puede calcular el valor de “y” mediante la fórmula:
CBDy = 5.6
Siendo que Taguchi realizó la medida del error, ha supuesto que la
corriente que pasa por “X” no es exactamente cero, puede ser positiva o
negativa con alrededor 0,2 mA fluyendo por esta conexión. Estos niveles de
experimentación para simular el error son ocasionados por el analista. Dado que
hay variabilidad implícita en la experimentación una mejor aproximación al valor
verdadero de “Y” puede ser conocida a partir de la siguiente fórmula:
5.7
1 2 3 4 … 36A´ 1 1 2 3 1 … 3B´ 2 1 2 3 1 … 2C´ 3 1 2 3 1 … 3D´ 4 1 2 3 1 … 1E´ 5 … … … … … …F´ 6 … … … … … …X´ 7 … … … … … …e 13 … … … … … …
FACTOR
FACTOR
Arreglo interno
Arreglo externo
A e C D E´ F ,,, e1 2 3 4 5 6 … 13 y1,1 y1,2 y1,3 y1,4 … y1,36
1 1 1 1 1 … … … 1 y2,1 y2,2 y2,3 y2,4 … y2,362 2 2 2 2 … … … 1 y3,1 y3,2 y3,3 y3,4 … y3,363 3 3 3 3 … … … 1 y4,1 y4,2 y4,3 y4,4 … y4,364 1 1 1 1 … … … 1 y5,1 y5,2 y5,3 y5,4 … y5,36… … … … … … … … … … … … … …36 3 2 3 1 . … … 3 y36,1 y36,2 y36,3 y36,4 … y36,36
FACTOR
[ ][ ])()()()(2 CBFDCBCBDCDAEC
XC
BDy ++++++−=
88
Para cada combinación de factores de diseño se tienen 36 resultados
experimentales ocasionados por la matriz externa (factores de ruido) y a partir
de ellos puede calcularse el valor medio de la respuesta, la varianza y la relación
S/R.
Por ejemplo, para los niveles de factores de control en la corrida
experimental Nro. 2 del arreglo interno el primer efecto de ruido se define en la
corrida experimental Nro. 1 del arreglo externo, en este caso el efecto de ruido
se muestra en la primera columna de la tabla 5.12 donde se observa los valores
del resistor B y del galvanómetro X y cuyos valores nominales en este caso son
de 2Ω y 0 amperios respectivamente.
Tabla 5.12 Niveles de ruido asignados a la corrida experimental Nro. 2 del arreglo interno
FACTOR NIVEL 1 NIVEL 2 NIVEL 3
A (Ω) 99.7 100 100.3
B (Ω) 1.994 2 2.006
C(Ω) 9.97 10 10.03
D(Ω) 9.97 10 10.03
E(V) 5.7 6 6.3
F(Ω) 9.97 10 10.03
X(A) -0.0002 0 0.0002
Haciendo uso de la ecuación 12 se procede a calcular el valor esperado
de la resistencia “Y”, este valor es igual a 2.1123Ω. Taguchi procede a calcular
el error asumiendo un valor verdadero de “Y” igual a 2Ω; el error que se genera
con esta corrida experimental es de 0.1123. Este mismo cálculo se hace con el
resto de las 35 combinaciones factoriales. La suma del cuadrado de los
residuales en las 36 corridas experimentales fue denotada como ST y se calculó
como:
89
0.31141292 36 5.8
Taguchi procede luego a calcular la suma de cuadrados del error (Se)
mediante la resta del efecto debido a la media ( 1 10 ) de la variación
total (ST). Es una forma de medir el error puro quitando el efecto de la media del
proceso de la siguiente forma:
0.31140717 5.9
Taguchi estimó el valor de la varianza de los residuales (Ve) dividiendo el
resultado logrado en la expresión 5.9 entre los grados de libertad del arreglo
externo que en este caso son 35 se obtiene que Ve=0.008897347. Posterior a
este cálculo calcula la variabilidad en torno a la media comparada con el efecto
de la media del proceso, es decir la relación S/R de la siguiente manera:
η 1
36 144.0024 0.0088973470.008897347 449.552
5.10
Es necesario hacer una precisión en este momento sobre la importancia
de esta relación ya que conceptualmente, es una medida de potencia porque
indica el ratio entre una parte útil y una parte nociva para la señal. El diseño de
parámetros es intentar maximizar esta relación S/R cambiando los niveles de los
parámetros de control asociados (Wu, 1997). Por otro lado el belio es diez veces
el logaritmo de la relación entre la magnitud de interés y la de referencia y en
escala de decibelios el valor obtenido en este caso fue =26.7 dB. El
procedimiento antes descrito es aplicado a cada una de las 36 corridas del
arreglo interno para posteriormente medir el efecto medio de cada factor. En
90
este caso por ejemplo Taguchi midió el efecto medio del factor “A” de la
siguiente forma:
12
378.7 225.4 80.912 685
3700.21 2
5.11
Luego de medir el efecto medio para todos los factores y la varianza total,
Taguchi construye una tabla ANOVA tal como se muestra en la tabla 5.13.
Tabla 5.13 ANOVA de la relación S/R en el puente de Wheatstone
FACTOR f S V
A 2 3,700.21 1850.10
C 2 359.94 179.97
D 2 302.40 151.2
E 2 4,453.31 226.65
F 2 1,901.56 950.97
E 25 680 27.20
TOTAL 35 1,1397.42
La relación S/R es la característica objetivo y fue importante investigar
cómo varía respecto al cambio de niveles en los factores de control. Taguchi
sugiere que siempre se tome en cuenta como importante el costo implícito en
cada fijación de niveles. La tabla 5.14 muestra el efecto promedio de cada factor
de control en los niveles respectivos de experimentación, donde se puede ver
que la combinación de niveles que maximiza la relación S/R es A1, C3, D2, E3 y
F1.
91
Tabla 5.14 Cálculo de factores significantes: Promedio de decibeles logrados en cada nivel de experimentación
NIVEL A C D E F
1 31.56 14.56 20.91 5.66 27.58
2 18.78 21.10 21.24 18.52 19.68
3 6.73 21.42 14.93 32.89 9.81
Ganancia 12.78 0.32 0 14.37 7.9
Taguchi calcula el valor esperado de la ganancia en decibelios en relación
al valor medio de la relación S/R (asumiendo que todos los factores sean fijados
al nivel 2). Con el procedimiento anterior logra una ganancia mínima de 20.83
dB. Aunque no hace explícito este cálculo Taguchi mide la ganancia mínima
esperada a partir de un intervalo de confianza IC=14.54dB. Finalmente una
prueba confirmatoria del resultado consiste en realizar otros 36 experimentos en
el nivel de los factores elegido y considerado como óptimo aplicando los niveles
de ruido definidos por la matriz externa estimando la varianza del error y
verificando que es prácticamente cero (VT = 0.00008045). En nuestro caso se
utilizaron los datos experimentales generados por Taguchi y se aplicaron los
algoritmos propuestos en esta tesis, la verificación del diseño de parámetros
logrado se hace en un circuito electrónico físico.
5.4.5 Consideraciones de Análisis Estadístico y Metodológicas en el Experimento Realizado por Taguchi Para estudiar el efecto principal de cada nivel de los factores del diseño
experimental propuesto por Taguchi se estructuran las correspondientes
tablas de respuesta para la media y la relación señal/ruido aplicando Minitab.
Está claro que Taguchi definió su interés en el estudio de la robustez, la
resistencia de evaluación “y” tuvo un valor conocido igual a Ω2 , el
ordenamiento de los efectos principales se debe a la precisión de la 4ta. cifra
92
significativa lograda en la experimentación. Taguchi se aseguró que la señal
de salida del sistema sea siempre de un valor nominal conocido. Respecto a la
variabilidad medida mediante el estadístico “S/R” los efectos principales se
pueden distinguir con mayor claridad. La variación que introduce el doctor en
cada factor en el arreglo externo y que involucra al amperímetro y a la
resistencia variable B simula el efecto de la temperatura como un ruido
importante hasta en un 0.6% de variación en los valores de la resistencia.
Para comprobar la significancia de este rango de variación en el ruido se
procedió a medir la variación debida por la temperatura en una resistencia de
100Ω mostrándose los resultados en la tabla 5.15
Tabla 5.15 Validación del rango de variación en los factores de ruido
propuestos por Taguchi
Se introdujo en la hielera de un
refrigerador doméstico la resistencia, se
verificó que el valor medido inicialmente
de 100Ω de 68W baja hasta 99,7Ω en 10
min (implica una reducción del 0,3% y
coincide con lo propuesto por Taguchi).
La resistencia eléctrica es proporcional
a cambios de temperatura el valor fijado
por Taguchi tiene sentido práctico.
Se realizó el mismo experimento con la resistencia llevándola a un
ambiente con alta temperatura (40°C) dentro de un automóvil expuesto al sol y
se verificó que la resistencia sube hasta 100.3Ω validando de esta forma el
rango de variación propuesto por Taguchi en la matriz externa. En el resumen
93
estadístico mostrado en las figura 5.6 se verifican las condiciones de
normalidad para la relación S/R )( α>− valueP a 95% de confianza 0.05 y
la naturaleza del experimento, al menos como la describe Taguchi asegura las
condiciones de independencia.
Fig. 5.30 Prueba de normalidad y estudio de residuales para el estadístico “S/R”
Al no existir sesgos y siendo que las gráficas de residuos vs orden y
ajustes respectivamente muestran aleatoriedad según las gráficas de residuales
en la figura 5.30 los supuestos de Fisher se satisfacen (independencia y
homocedasticidad) por lo que el análisis de varianza que muestra Taguchi tiene
6050403020100-10-20-30
99
95
90
80
70
60504030
20
10
5
1
SR
Porc
enta
je
Media 19,86Desv .Est. 17,63N 36AD 0,343Valor P 0,472
PRUEBA DE NORMALIDAD PARA SRNormal
20100-10-20
99
90
50
10
1
Residuo
Por
cent
aje
40200
20
10
0
-10
-20
Valor ajustado
Res
iduo
151050-5-10-15-20
12
9
6
3
0
Residuo
Frec
uenc
ia
35302520151051
20
10
0
-10
-20
Orden de observación
Res
iduo
Gráfica de probabilidad normal vs. ajustes
Histograma vs. orden
Gráficas de residuos para SR
94
validez y la varianza del error (Ve) permite calcular el intervalo de confianza y
garantizar la ganancia de decibelios en su mínimo valor esperado. El intervalo
de confianza (IC) para la ganancia esperada se obtiene mediante la siguiente
expresión estadística:
101 5.12
Donde
F=4.24 es el coeficiente de Fisher para el error (f=25)
Ve=Varianza del error
ne=cantidad de datos por nivel
En base a toda le evidencia estadística se puede decir que el numerador
de la relación S/R siempre será constante y el resultado final es equivalente a
comparar únicamente la varianza del error (Ve). Para entender mejor el
funcionamiento del circuito y la complejidad de ajustar los valores de las
resistencias a niveles intermedios de hasta 2 cifras significativas una alternativa
fue el diseño de un análogo hidráulico, esta comparación y las conclusiones de
la analogía se mostraron en el artículo titulado Validación del método Taguchi
mediante un circuito hidráulico expuesto en el Instituto Tecnológico de
Orizaba en la versión 2008 del Coloquio de Investigación y Postgrado a nivel
Nacional. Por estar fuera del alcance de esta tesis no se exponen los detalles de
esta analogía aunque ayudó a entender el concepto de puente eléctrico utilizado
por Wheatstone, la interpretación adecuada del sentido de la corriente eléctrica
y la variabilidad en el ajuste de las llaves de paso (resistencias), (Reaugust,
1993).
Llamó la atención que Taguchi haya realizado 1,296 corridas
experimentales y además de manera aleatorizada en un circuito de esta
naturaleza, con lo que es válido suponer que se haya automatizado de alguna
95
forma la experimentación. Buscando en la literatura Taguchi explica que se usó
intensivamente el modelo descrito en la ecuación 5.7, es decir no se
experimentó en un circuito físico. Entonces se procedió a demostrar que la
ecuación teórica resuelve el circuito de Wheatstone satisfactoriamente para
poder generar todos los experimentos de forma confiable mediante un
computador.
5.4.6 Estudio de la Confiabilidad del Modelo Teórico Utilizado por Taguchi para Generar Datos Experimentales Con la intención de verificar que el modelo matemático mostrado en la
ecuación 5.7 resuelve el circuito eléctrico en cuestión se construyó el circuito
virtual en computadora con el software denominado Multisim, este diseño se
puede ver en la figura 5.31.
Fig. 5.31 Representación del circuito eléctrico virtual
Se procedió a realizar la comprobación ajustando todos los resistores a
los niveles óptimos logrados por Taguchi y como resultado se obtiene una
excelente aproximación de B y de los valores teóricos utilizados para la fórmula;
96
de esta forma se validó el circuito virtual. Se procedió entonces a armar el
circuito físico mostrado en la figura 5.32 y más adelante se muestra en la tabla
5.16 este procedimiento paso a paso.
Para armar el circuito se han utilizado
resistencias variables de hasta 20KΩ y una
fuente de voltaje de hasta 13 volts. Todo el
material ha sido construido en una tarjeta de
pruebas adecuada a construir el siguiente
circuito:
”
Fig. 5.32 Circuito físico construido para validar el modelo teórico utilizado por Taguchi
Se procedió a hacer una corrida experimental completa en el puente de
Wheatstone físico según los detalles a ser considerados en la tabla 5.16. Con
los valores de los componentes se almacenó la información a la ecuación 5.7 y
se logró un valor estimado de Y= 200.8Ω. El valor verdadero de la resistencia Y
era de 200Ω, por lo que la precisión de la ecuación 5.7 es importante (0.4% de
error). Se concluyó de esta manera que la ecuación teórica es suficiente para
generar todos los experimentos.
97
Tabla 5.16 Descripción del proceso de validación de la ecuación teórica
Se procedió a ajustar el valor de los
componentes resistencias a los siguientes
niveles experimentales:
A=2KΩ; C=5KΩ; D=1KΩ;
E=13 volts; F=200Ω
Se conectó la fuente de voltaje (E) y desde el
inicio presentó una variación porque marcó
13,2 volts. Se conectaron los cables entre la
salida del resistor A y el nodo ACD y se
detectó el flujo de corriente que marcó -
3.57A.
Tal cual marca el procedimiento descrito por
Taguchi se ajustó el valor del potenciómetro
B hasta que prácticamente no fluya corriente
entre el arco A-ACD, hasta este momento
marcó un valor de 0.05mA. Pretendiendo
que la corriente sea cero se notó que esto no
es posible.
Finalmente se midió el valor logrado para el
resistor B y es de 1.115KΩ. Se procedió a
medir las otras resistencias obteniendo los
siguientes valores:
A=1.996KΩ; C=5.06KΩ;
D=1.01KΩ;F=202Ω
98
5.5 Experimentación con el Puente de Wheatstone Se programó una hoja electrónica que genera los 1,296 experimentos
(36x36) incluido todo el análisis realizado por Taguchi, el análisis de varianza y
el cálculo de intervalos de confianza para la selección de niveles óptimos que
sugiere el método; en la figura 5.33 se muestra la matriz producto.
Fig. 5.33 Extracto de la hoja de cálculo diseñada
Para este programa se tuvo cuidado en cuanto a que el usuario pueda
elegir los valores de “Y” y realizar la asignación de niveles experimentales
libremente esta característica fue importante para la simulación realizada
posteriormente en la comprobación de la hipótesis. El uso de macros en Visual
Basic ha permitido sistematizar los cálculos para obtener todos los valores
experimentales. En versiones más recientes de Excel esta herramienta es
mucho más amigable para el usuario.
99
Tabla 5.17 Valores de la relación S/R en decibelios originales y calculados
En la tabla 5.17 se puede verificar la semejanza entre los valores
obtenidos contra los que obtuvo Taguchi y ya con esta certeza se procedió a
calcular el análisis de varianza obteniendo el reporte de la figura 5.34.
A B C D E F Ve y_barra S/R CALCULADO S/R ORIGINAL1 1 1 1 1 1 0,00240 2,00000082 32,2 32,22 2 2 2 2 2 0,00883 2,00000226 26,6 26,73 3 3 3 3 3 0,10632 2,00000935 15,8 15,91 1 1 1 2 2 0,00088 2,00000054 36,6 36,42 2 2 2 3 3 0,00566 2,00000197 28,5 28,63 3 3 3 1 1 0,78318 2,00001792 7,1 7,21 1 2 3 1 2 0,09281 2,00000988 16,3 16,52 2 3 1 2 3 0,20637 1,99999993 12,9 133 3 1 2 3 1 0,00643 2,00000304 27,9 281 1 3 2 1 3 0,12863 2,00000394 14,9 152 2 1 3 2 1 0,09322 2,00001368 16,3 16,43 3 2 1 3 2 0,01147 2,00000054 25,4 25,51 2 3 1 3 2 0,00012 1,99999991 45,1 43,82 3 1 2 1 3 27,91795 2,00020275 ‐8,4 ‐8,33 1 2 3 2 1 0,14318 2,00001462 14,5 14,61 2 3 2 1 1 0,00517 1,99999974 28,9 292 3 1 3 2 2 0,83881 2,00004116 6,8 6,93 1 2 1 3 3 0,14018 2,00000343 14,6 14,71 2 1 3 3 3 0,02933 2,00000732 21,3 21,52 3 2 1 1 1 0,07538 1,99999971 17,2 17,43 1 3 2 2 2 0,16522 2,00000252 13,8 141 2 2 3 3 1 0,00004 2,00000013 49,7 46,52 3 3 1 1 2 1,15753 1,99999207 5,4 5,53 1 1 2 2 3 27,04898 2,00020197 ‐8,3 ‐8,21 3 2 1 2 3 0,00755 2,00000063 27,2 27,32 1 3 2 3 1 0,00014 1,99999998 44,7 43,43 2 1 3 1 2 507,92568 2,00102389 ‐21,0 20,91 3 2 2 2 1 0,00011 2,00000015 45,6 44,12 1 3 3 3 2 0,00043 2,00000047 39,7 39,33 2 1 1 1 3 208,70526 2,00031112 ‐17,2 ‐171 3 3 3 2 3 0,02035 2,00000290 22,9 232 1 1 1 3 1 0,00011 2,00000017 45,8 44,23 2 2 2 1 2 5,01893 2,00005576 ‐1,0 ‐0,91 3 1 2 3 2 0,00014 2,00000038 44,7 43,42 1 2 3 1 3 24,08286 2,00019174 ‐7,8 ‐7,73 2 3 1 2 1 0,65938 1,99999109 7,8 8
100
Fig. 5.34 Análisis de Varianza con los datos calculados
La varianza total del error es conocida (Ve=26,2886) y se procedió a calcular los
intervalos de confianza para la ganancia en decibelios según la expresión 18,
esto se muestra en la tabla 5.18 mostrada en seguida.
Tabla 5.18 Selección de niveles óptimos propuestos por Taguchi
TABLA DE RESPUESTAS
NIVEL A C D E F
1 32,14 14,73 21,09 5,56 28,15
2 18,97 21,41 21,50 18,56 19,87
3 6,62 21,59 15,13 33,60 9,70
NIVELES ÓPTIMOS 1 3 2 3 1
GANANCIA 13,17 0,18 - 15,04 8,28
GANANCIA TOTAL (dB) 36,67 IC (95%) 14,29510639
GANANCIA MÁXIMA (dB) 50,97 GANANCIA MÍNIMA (dB) 22,38
Se confirma el nivel de ganancia en decibelios lograda por Taguchi a
partir de la hoja electrónica programada para sistematizar el procedimiento y
contrastada con los cálculos realizados originalmente estos son muy precisos.
Sin lugar a dudas se ha replicado el experimento de Taguchi y se puede aplicar
la Aportación Metodológica propuesta en esta Tesis.
FACTOR f S VA 2 3909,74 1954,87C 2 366,902 183,451D 2 304,522 152,261E 2 4727,98 2363,99F 2 2049,13 1024,56error 25 657,215 26,2886Total 35 12015,5
101
5.6 Aportación Metodológica al Diseño Robusto del Puente de Wheatstone Propuesto por Taguchi
El propósito de esta parte del trabajo es demostrar la hipótesis propuesta
en esta Tesis y discutir sobre el alcance del trabajo aplicando una vez más el
procedimiento expuesto en la figura 4.6 donde se muestra el diagrama
conceptual de la aportación metodológica propuesta en este trabajo de
investigación. La aportación metodológica está pensada en complementar la
fase de análisis y posterior optimización a partir de los métodos Taguchi, es
decir no en lugar de los métodos Taguchi sino todo al contrario se desea
aprovechar todas las ventajas experimentales que propone el método original y
realizar un análisis estadístico más fino.
5.6.1 Análisis de Sensibilidad Entre Niveles Factoriales, Media, Relación S/R y Varianza Experimental En el caso del Puente de Wheatstone se ha definido originalmente tres
niveles de experimentación para cada factor y como fruto de la experimentación
se obtuvo la tabla de respuestas 5.14 donde se muestra la ganancia puntual de
cada factor a cada nivel de experimentación y la ganancia total que no siempre
es la suma de ganancias puntuales si hay presencia de interacciones. Leyendo
esta tabla y entendiéndola como una forma de correlación entre variables de
entrada y de salida del sistema se puede interpretar como que en teoría a
mayores o menores niveles factoriales se pueden lograr mayores o menores
grados de robustez. Hasta la redacción de este documento no se ha encontrado
evidencia explícita sobre esta correlación aunque es muy probable que en el
fondo del análisis así sea no se ha encontrado una fuente impresa que lo
mencione.
102
La relación S/R en este caso se comporta normalmente según los
reportes estadísticos mostrados en la figura 5.30, entonces es posible calcular
los coeficientes de un modelo matemático que generalice el comportamiento de
la relación S/R del sistema a distintas combinaciones de niveles factoriales. Sin
embargo, la variabilidad tiene un componente importante: los factores de ruido
(B y X) y el modelo podría no ser representativo porque se basaría en el arreglo
interno y este arreglo no toma en cuenta a estos factores. En este caso se tiene
la hoja electrónica con los datos experimentales a partir de los cuales se puede
conocer con certeza el verdadero valor de la relación S/R así que, utilizando la
hoja electrónica se hizo uso de un software de simulación tipo Monte Carlo para
generar todas las posibles combinaciones de niveles factoriales con la media, la
varianza del error y la relación S/R y obtener el reporte de la sensibilidad entre
factores y la varianza del error experimental en la figura 5.35
Fig. 5.35 Sensibilidad entre factores y varianza del error experimental
103
La relación señal a ruido es inversamente proporcional a la varianza del
error experimental, por lo que en el diseño se debe reducir este valor y con esto
se maximizará la relación S/R. Los factores E, A y F son incidentes en la
robustez el puente de Wheatstone y se puede conocer el signo, sin lugar a
dudas esta información coincide con la tabla de respuestas obtenida por
Taguchi, sin embargo esa tabla de respuestas es medida en base al aporte en
decibelios de cada factor puntualmente y en nuestro caso la información de la
sensibilidad es tomando en cuenta todo el sistema, es decir que no es necesario
realizar una tabla de interacciones si estas fueran necesarias de ser estudiadas
ya que el método Taguchi las brinda de forma suficiente, sin lugar a dudas esta
es una ventaja importante del aporte metodológico. Existe un coeficiente de
correlación de Pearson negativo (ρ= -1) entre la varianza experimental y la
relación S/R según puede apreciarse en la figura 5.36
Fig. 5.36 Matriz de correlación entre estadísticos media, varianza experimental y relación
señal a ruido.
104
Aunque las diferencias se dan en hasta la 5ta. cifra significativa los
factores que inciden en la media, en cuanto a la exactitud y precisión del modelo
5.7 son C y D principalmente. Está claro que esto se debe a la configuración del
circuito eléctrico, esto se puede corroborar en la figura 5.37.
Fig. 5.37 Sensibilidad entre factores y media
Taguchi se ha centrado en el estudio de la robustez cuando un valor
nominal ya ha sido logrado, en este caso el valor de la resistencia Y es siempre
2Ω, por lo que el estudio de optimización será para seleccionar niveles
factoriales que minimicen la varianza del error experimental que significa
maximizar la relación S/R. Sin lugar a dudas los factores que se pueden
reajustar son E, A y F para no alterar la media del proceso. Llama la atención
que E si bien no afecta al valor de “y” se puede convertir en un factor crítico
porque determinaría, como lo veremos más adelante, la replicabilidad del diseño
teórico a prototipos físicos debido a la potencia de los resistores.
105
5.6.2 Optimización y Selección de Niveles Robustos Mediante Programación Matemática Para esta parte de la aportación metodológica se procede a la
programación matemática, una vez más siguiendo el diagrama conceptual de la
figura 4.6 la programación que aplica en este caso es de la siguiente forma:
[ ][ ]
21050
35,2525,15
2),,,,,(..
),(/max
===∈∈
=
FDCEA
FEDCBAYas
EARS
5.13
Para resolver la programación matemática se puede recurrir a varios
métodos de optimización, sin embargo el más flexible es el que ya incorpora el
software con el que se han generado todas las combinaciones, esta herramienta
se llama OptQuest que es una herramienta computacional que, al asociarse con
un software de simulación, sirve para optimizar modelos de simulación. Aunque es
un paquete independiente al de simulación, tiene mecanismos de comunicación
que permiten obtener resultados del modelo de simulación y modificar valores de
parámetros en la simulación. Así, se definen dos elementos básicos, el problema
(representado por el modelo de simulación) y el optimizador (representado por
OptQuest).
Una importante ventaja de esta herramienta es que el procedimiento de
optimización usa los productos (salidas) del modelo de simulación para evaluar los
resultados de los parámetros de entrada (entradas). Según esa evaluación y las
evaluaciones pasadas, que son integradas y analizadas con las salidas de la
106
simulación actual, el procedimiento de optimización decide sobre un nuevo conjunto
de valores de entrada. Ese procedimiento de optimización está diseñado para llevar
a cabo un procedimiento de "búsqueda no monótona", donde las entradas
producidas sucesivamente dan lugar a evaluaciones variadas, no siempre
mejorando pero que a largo plazo garantizan una trayectoria eficiente hacia la mejor
solución. El procedimiento continúa hasta que se satisface algún criterio de parada.
En cuanto a los procesos que llevan al optimizador a dar soluciones, se
implementan reglas metaheurísticas que encuentren soluciones aproximadas que
puedan evaluarse. OptQuest utiliza una combinación de tres métodos de esta
naturaleza: redes neuronales, búsqueda dispersa y búsqueda tabú, pero el principal
es la búsqueda dispersa.
La búsqueda dispersa (BD) tiene algunos aspectos en común con los
algoritmos genéticos, pero otros muy diferentes. La BD está diseñada para trabajar
con un conjunto de puntos llamados puntos de referencia que constituyen buenas
soluciones obtenidas en búsquedas anteriores. Luego, se generan
sistemáticamente combinaciones lineales de los puntos de referencia para crear
nuevos puntos, cada uno de los cuales es asociado con un punto factible.
Seguidamente se aplica la búsqueda Tabú (BT) para controlar la composición de
los puntos de referencia en cada etapa del proceso.
La BT tiene sus raíces en la inteligencia artificial y en la optimización y se
caracteriza por tener memoria adaptativa, que le permite hacer uso de la historia de
la búsqueda para guiar el proceso de solución. La más simple de las maneras de
memoria adaptativa consiste en prohibir la búsqueda de soluciones que ya han sido
visitadas. Sin embargo, el uso de la memoria en OptQuest es más complejo,
llamando funciones de memoria que incentiven la diversificación e intensificación.
Estos elementos de memoria permiten escapar de óptimos locales y, en varios
casos, encontrar el óptimo global.
107
Se programó OptQuest en la hoja electrónica que contiene los cálculos
del experimento del puente de Wheatstone, obteniendo mayor cantidad de
decibelios. Según se muestra en la figura 5.38 existe una mejor combinación de
niveles que logran mayor robustez aunque la ganancia es pequeña hay certeza
que Taguchi llega muy cerca del nivel óptimo en pocos pasos, siendo esta una
gran ventaja experimental que justifica el motivo de este proyecto de
investigación y su aporte metodológico.
Fig. 5.38 Salida del programa de optimización OptQuest
Optimization Statistics
Optimization File: UnNamed.optTotal Number of Simulations: 2434Neural Network Engaged after simulation: 50Number of Simulations Avoided Due to Neural Network: 0
****BEST SOLUTION****
Values of Variables:A: 15E: 35Objective: n db: Final_Value: 51,4144614129886 Requirement FeasibleRequirement: y_barra: 1,99999999144439Additional details may be found below...
Simulation: 5 ****NEW BEST SOLUTION****
Values of Variables:A: 15,6893666369564E: 34,5005805382169
Objective: n db: Final_Value: 51,3600746958426 Feasible Requirement: y_barra: Final_Value: 2
Simulation: 1 ****NEW BEST SOLUTION****
Values of Variables:A: 20E: 30
Objective: n db: Final_Value: 50,8471604345449 Feasible Requirement: y_barra: Final_Value: 2
108
Según el reporte de optimización se logran nuevos niveles de los factores
de control que hacen que el puente de Wheatstone sea más robusto, estos son:
A=15Ω, C=50Ω, D=10Ω, E=35 volts y F=2Ω; esta nueva combinación logra
51,41 dB frente a los 50,85 dB que obtiene el método Taguchi clásico. Para
verificar la ganancia total de esta fijación de niveles se procedió a almacenar los
datos a la hoja electrónica diseñada con los nuevos niveles experimentales
mostrados en la tabla 5.19.
Tabla 5.19 Fijación de nuevos niveles experimentales
FACTOR NIVEL 1 NIVEL 2 NIVEL 3
A 15 100 500
C 2 10 50
D 2 10 50
E 1,2 6 35
F 2 10 50
Una vez que se corrieron todos los experimentos se procedió a calcular la
tabla de respuestas que se muestra en la tabla 5.20
Tabla 5.20 Selección de niveles óptimos logrados en la aportación
TABLA DE RESPUESTAS
NIVEL A C D E F
1 34,09 15,80 22,14 6,14 28,95
2 19,35 22,25 22,41 19,11 20,83
3 7,06 22,44 15,96 35,25 10,72
NIVELES ÓPTIMOS 1 3 2 3 1
GANANCIA 14,73 0,19 - 16,13 8,11
GANANCIA TOTAL (dB) 39,17
IC (95%) 14,57364126
GANANCIA MÁXIMA (dB) 53,74 GANANCIA MÍNIMA (dB) 24,60
109
Finalmente la verificación de la ganancia en decibelios con esta nueva
combinación de niveles se realizó comparando las tablas 5.18 y 5.20
respectivamente donde se puede apreciar una ganancia máxima de 2.77 dB y
mínima de 2.22 dB. Taguchi (1989) explica que a mayor ganancia de decibelios
( ) se reduce el costo según la siguiente expresión:
12 5.14
Taguchi estima una ganancia mínima para su experimento original
equivalente a 22,38 dB, con estos datos se puede calcular que el costo de
calidad debido a la variabilidad se reduce en un 40%, generando mayor
rentabilidad y precisión al operar con el puente de Wheatstone con estos nuevos
niveles. En la industria es normal que un proceso productivo esté sujeto a
causas comunes de variación debido al material, la mano de obra, el método de
trabajo, el ajuste de la maquinaria, las mediciones entre otros, dada la
confiabilidad del modelo 5.7 la forma práctica de estimar y garantizar la robustez
de este nuevo diseño es aplicando simulación Monte Carlo.
Para aplicar la simulación se hizo uso intensivo de la distribución
triangular toda vez que no existe información histórica sobre las funciones de
densidad de probabilidad de variación de los factores de control, esto es lícito
toda vez que se puede definir un valor modal igual al valor nominal y una
variación de 1Ω (0,3%) para fijar los límites de los rangos de variación aleatoria
de cada nivel de factor, estos datos se fijaron según la prueba de campo
realizada a la variación de los resistores con la temperatura. Para la simulación
se usó un software cuya aplicación es en hojas electrónicas de Excel
denominado “CrystalBall” (bola de cristal) que muestra un reporte muy
importante de valores esperados y es de uso flexible.
110
Los resultados de este procedimiento se muestran en las figuras 5.39 y
5.40 donde se compara la ganancia esperada (S/R – S/R FG) y el
comportamiento de la media (Y – Y FG) respectivamente, donde las letras FG
hacen referencia a la aportación metodológica.
Fig. 5.39 Ganancia de decibeles esperada
En la figura 5.40 se corrobora que la ganancia en decibelios de la nueva
combinación de niveles factoriales propuesta como fruto de la aportación
metodológica es sostenible frente a causas comunes de variación.
Fig. 5.40 Comportamiento de la media con los nuevos niveles factoriales
111
En este caso la varianza del error experimental (Ve) se reduce de
0,000032911 que se logra inicialmente con Taguchi hasta a 0,00002888 que se
genera con la nueva fijación de niveles factoriales, esto es un 12,24% de
reducción de la varianza de la media generando así mayor robustez.
5.6.3 Discusión sobre la Optimización Lograda por Taguchi y la que se Logra según un Diseño Factorial Completo
Está claro que un arreglo es una muestra del factorial completo,
Taguchi (1989) explica que este arreglo en particular permite simular un proceso
para garantizar el diseño robusto de un producto. No se ha encontrado en la
literatura consultada una explicación estadística o al menos conceptual de este
fenómeno, por este motivo es que basados en la ventaja de trabajar con hojas
electrónicas se experimentó en un diseño factorial completo tanto para el arreglo
interno como para el arreglo factorial externo, generando así 531,441
experimentos en total y de esta manera corroborar el grado de optimalidad que
se logra con el método Taguchi para validar de esta manera la importancia del
uso de este método.
En la literatura revisada se ha encontrado un caso muy interesante que
propone unos niveles diferentes a los factores del puente de Wheatstone, el
doctor Pedro Cintas (1993) de la Universidad Politécnica de Cataluña propone
una búsqueda de niveles factoriales utilizando un diagrama construido a partir de
la varianza experimental comparada con la media del proceso. El doctor expone
que una mejor combinación de niveles factoriales que Taguchi es A=20Ω,
C=17,5Ω, D=6Ω, E=30 volts y F=2Ω logrando 51,43 dB. En este entendido se
sometió el proceso el factorial completo a la simulación para conocer la forma de
la superficie de respuesta para S/R logrando el reporte que se muestra en la
figura 5.41.
112
Fig. 5.41 Estudio de la Superficie de Respuesta de la relación S/R frente a los niveles de factores de control
113
La relación S/R en el puente de Wheatstone tiene varios óptimos locales
ya que la forma exponencial que asume debido al ajuste de cada factor hace
pensar en una forma platicurtica de la curva de respuesta de la relación S/R, es
decir que a cierto ajuste de parámetros no se incrementará significativamente la
cantidad de decibelios. La superficie de respuesta está acotada a la selección
previa de niveles factoriales, esto refuerza la idea que la selección de niveles
debe hacerse con un grupo de expertos que validen los rangos de operación y
de viabilidad de ajuste de los factores. Por ejemplo: en teoría se puede aceptar
una combinación con valores muy pequeños para el resistor “A” y muy grandes
para la fuente de voltaje “E” para maximizar la relación S/R; esto es imposible de
reproducir aguas abajo del proceso porque la potencia de la resistencia debe ser
demasiado grande y eso en la realidad no es práctico ni viable.
En nuestra práctica de laboratorio hemos comprobado que arriba de 10
volts un circuito con resistores de potencia normal (68W) se quema en fracción
de segundos. Esto sin duda llama la atención de la limitante práctica del diseño
de productos robustos haciendo una vez más que la ingeniería concurrente sea
una fortaleza antes que una necesidad en una organización. Como prueba de lo
anotado si se elige por ejemplo la mezcla de factores logrados por nuestro
método con el del Dr. Cintas (A=10Ω, C=17.5Ω, D=6Ω, E=35 volts y F=2Ω) se
tiene un valor de la relación S/R de 51,76 dB que es mayor a los dos aportes y
tiene sentido porque es la lógica de los algoritmos genéticos.
Para comprobar que a mayores ajustes no se gana más decibelios se
realizó un ajuste “factor por factor” según el sentido que marca el análisis de
sensibilidad para ver el comportamiento de la relación S/R del sistema
obteniendo el reporte de la figura 5.42 donde se puede apreciar que Taguchi
llega al diseño robusto en pocos pasos y que nuestro aporte metodológico
mejora ligeramente el diseño robusto del puente de Wheatstone.
114
Fig. 5.42 Sensibilidad de la relación S/R a distintas combinaciones posteriores a las
logradas por Taguchi
Finalmente se calcula la relación S/R en el diseño factorial completo
obteniendo los resultados mostrados en la tabla 5.21 donde puede apreciarse
que en realidad un arreglo ortogonal (con 36 experimentos frente a 2,187 en
el caso de la matriz de factores de ruido) es de manera sorprendente
significativa según puede verse en la tabla 5.21
Tabla 5.21 Comparación entre valores obtenidos a partir de un diseño factorial completo y
un arreglo .
COMBINACION A C D E F
S/R CON FACTORIAL COMPLETO
(dB)
S/R CON ARREGLO L36 (dB)
TAGUCHI 20 50 10 30 2 50,97 50,85
FABIANI-GARCIA 15 50 10 35 2 51,54 51,41
CINTAS GRIMA 20 17,5 6 30 2 51,55 51,43
FABIANI-GARCIA & CINTAS GRIMA 10 17,5 6 35 2 52,02 51,90
De manera sorprendente el valor obtenido a partir de la experimentación
con el factorial completo es idéntico al valor superior del intervalo de confianza
35,00
37,00
39,00
41,00
43,00
45,00
47,00
49,00
51,00
53,00
Series1
115
construido a partir de los 36 experimentos de Taguchi. Con esta evidencia se
puede aseverar que los arreglos ortogonales propuestos por Taguchi más allá
de ser efectivos en cuanto a la experimentación por el estilo de ordenar los
niveles factoriales son altamente eficientes ya que las conclusiones son
reproducibles en la etapa de producción; se justifica entonces que la aportación
metodológica propuesta en este trabajo de investigación tiene sentido práctico
por cuanto se sustenta en estos métodos y aprovecha estas ventajas.
5.7 Experimento Confirmatorio de los Diseños Propuestos por la Aportación Metodológica de este Trabajo de Investigación
Aunque el experimento confirmatorio está implícito en la experimentación
del factorial completo donde se comprueban los resultados obtenidos para
absolutamente todos los escenarios, este no deja de ser un cálculo teórico y
para validar la ganancia en decibelios lograda se realizó un ciclo de
experimentos con el circuito físico del puente de Wheatstone.
Una primera limitante del diseño del circuito fue conseguir una fuente
variable de voltaje que permita el ajuste superior a 30 volts, aunque esto hubiera
sido posible los resistores de alta precisión comerciales no tienen la potencia
suficiente para soportar una cantidad de voltaje mayor a 13 volts; por lo que fue
necesario repetir el experimento teórico diseñado por Taguchi. Únicamente se
reajustaron niveles experimentales para la fuente de voltaje y así desarrollar
nuevamente la experimentación mediante hojas electrónicas. Los componentes
electrónicos disponibles en el mercado local actualmente son resistores
variables de alta precisión pero con baja potencia, es decir que soportan poca
cantidad de voltios antes de quemarse.
116
5.7.1 Replanteamiento del Diseño Experimental Desarrollado por Taguchi El reajuste de niveles experimentales se muestran en la tabla 5.22 en la
que puede observarse que se ha reajustado el valor de la fuente de voltaje con
un límite superior de 4.5 volts.
Tabla 5.22 Niveles para los factores de control
FACTOR NIVEL 1 NIVEL 2 NIVEL 3
A (Ω) 20 100 500
C(Ω) 2 10 50
D(Ω) 2 10 50
E(volts) 0,18 0,9 4,5
F(Ω) 2 10 50
Con esta fijación de niveles se obtiene como resultado una nueva
combinación óptima según se muestra en la tabla 5.23 donde se puede apreciar
que los niveles propuestos por Taguchi se mantienen excepto para el
componente “C” el que se ha reajustado al nivel 2. Con un 95% de confianza la
ganancia mínima esperada respecto a la combinación de niveles medios de los
componentes es de 23.21 dB.
Tabla 5.23 Selección de niveles óptimos logrados por el método Taguchi
TABLA DE RESPUESTAS
NIVEL A C D E F
1 16,77 -0,88 5,09 -10,34 12,53
2 3,27 5,92 5,87 2,76 4,19
3 -9,27 5,73 -0,19 18,35 -5,96
NIVELES ÓPTIMOS 1 2 2 3 1
GANANCIA 13,51 - - 15,59 8,34
GANANCIA TOTAL (dB) 37.44 IC (95%) 14,2358
GANANCIA MÁXIMA (dB) 51,.68 GANANCIA MÍNIMA (dB) 23.21
117
Con esta evidencia teórica ha sido posible construir el circuito físico con
potenciómetros de precisión tal cual se muestra en la figura 5.43. Los
instrumentos para medir y los equipos necesarios han sido los disponibles en el
laboratorio de Ingeniería Mecatrónica del I.T.C.J.
Fig. 5.43 Circuito físico del puente de Wheatstone
Para evitar fuentes de variabilidad extrañas al proceso se tuvo la
precaución de experimentar con equipos y materiales que hayan recibido
calibración reciente y que estén funcionando en su plenitud. Estudios R&R o tipo
M.S.A. no han sido necesarios porque se supone que el diseño robusto ya
habría considerado efectos de factores de ruido externo. La instalación completa
de la mesa de trabajo para la experimentación puede apreciarse en la figura
5.44. El registro de cada experimento ha sido cuidando la independencia de
cada dato desactivando los instrumentos de medida en cada lectura y esperando
un tiempo prudente de “warm up” para que la corriente en el circuito fluya sin
turbulencias electrónicas debido al desgaste generado por el calor y la
manipulación en los resistores.
118
Fig. 5.44 Mesa de trabajo para la experimentación
Se procedió nuevamente a validar el circuito físico mediante la ecuación
5.7 y el circuito virtual diseñado para este caso con los valores de la fuente de
voltaje que se han ajustado para la experimentación en las hojas electrónicas y
es resultado una vez más fue favorable. En esencia un puente de Wheatstone
como un instrumento de medición robusto debe poder medir el valor verdadero
“Y” de una resistencia desconocida con precisión y exactitud durante el tiempo y
a diferentes escalas; es decir, que el residual “e” entre la lectura que se obtiene
a partir de la ecuación 5.7 y el valor verdadero conocido de la resistencia debe
ser en lo posible cero sea cual sea su valor.
119
5.7.2 Corridas Confirmatorias con el Circuito Físico Se tomaron 30 valores de resistencias de forma aleatoria y se procedió a
leer cada una con el puente de Wheatstone según los parámetros fijados por el
método Taguchi obteniendo las lecturas mostradas en la tabla 5. 24.
Tabla 5.24 Residuales obtenidos con el diseño según el método Taguchi
(Ω) Ω (Ω) (Ω) Ω (Ω) (Ω) Ω (Ω)
2,1 2,10 0,00 24,6 24,60 0,00 34,7 35,10 0,40
4,8 4,80 0,00 11,5 11,60 0,10 28,2 27,60 -0,60
7,7 7,80 0,10 6,2 6,20 0,00 30,9 31,00 0,10
0,7 0,80 0,10 14,6 14,20 -0,40 33 30,30 -2,70
5,9 5,70 -0,20 14,6 14,40 -0,20 16,6 15,00 -1,60
17,2 18,00 0,80 23,2 23,10 -0,10 8,8 8,30 -0,50
9,4 9,80 0,40 23,2 23,20 0,00 16,2 16,10 -0,10
17,5 18,00 0,50 20,3 20,00 -0,30 25,2 24,30 -0,90
7 7,60 0,60 27,7 27,50 -0,20 41 40,80 -0,20
11,3 11,60 0,30 31 29,70 -1,30 31 31,60 0,60
Luego de terminar con el ciclo de estas lecturas se procedió a ajustar el
valor de la resistencia “A” a 15Ω y la fuente de voltaje a 6 volts para repetir otras
30 lecturas con estos niveles obtenidos a partir de la aplicación de la aportación
metodológica y el análisis de sensibilidad expuestos anteriormente, estos
resultados se muestran en la tabla 5.25.
120
Tabla 5.25 Residuales obtenidos con el diseño según la aportación metodológica
(Ω) Ω (Ω) (Ω) Ω (Ω) (Ω) Ω (Ω)
5,90 5,90 0,00 29,40 29,40 0,00 35,70 35,80 0,10
6,50 6,50 0,00 47,70 45,60 -2,10 35,10 35,40 0,30
18,30 18,30 0,00 46,20 45,90 -0,30 56,70 56,00 -0,70
25,30 25,40 0,10 42,30 42,30 0,00 49,40 51,20 1,80
26,10 26,30 0,20 45,70 46,00 0,30 44,60 45,60 1,00
30,70 30,90 0,20 29,20 27,76 -1,44 47,50 48,90 1,40
28,10 28,10 0,10 27,20 27,80 0,60 28,20 27,40 -0,80
28,30 28,20 -0,30 27,80 26,70 -1,10 18,70 19,50 0,80
31,20 31,10 -0,10 51,70 52,90 1,20 2,15 2,15 0,00
29,60 29,30 -0,30 56,60 55,30 -1,30 14,30 14,30 0,00
Como las 30 lecturas en cada caso son diferentes a la primera muestra,
es decir son completamente independientes se tuvo que uniformizar el criterio de
comparación de residuales mediante la desviación absoluta porcentual de cada
lectura respecto al valor verdadero de “Y”. Es decir, se han realizado 2 corridas
confirmatorias, una para los niveles definidos con el método Taguchi clásico y la
otra con los niveles ajustados en base al análisis de sensibilidad y superficie de
respuesta debido a la aportación metodológica expuesta en este documento. La
desviación absoluta porcentual se ha denominado como “δ” y está calculada
como el valor absoluto de la diferencia entre el valor verdadero del resistor y el
valor estimado, esta diferencia es comparada con el valor verdadero y
121
expresada en términos porcentuales. Simbólicamente se muestra en la ecuación
5.15
100 % 5.15
Se forma así entonces dos grupos de datos que son dos muestras
independientes y con la cantidad tomada se asume una alta probabilidad de
comportamiento normal de los datos por lo que el contraste de muestras a partir
de hipótesis es factible. Los valores obtenidos para cada muestra según la
ecuación 5.15 se muestran en la tabla 5.26 donde el símbolo corresponde al
cálculo para los valores obtenidos a partir del ajuste de parámetros con la
aportación metodológica y a los obtenidos con el método Taguchi clásico.
Tabla 5.26 Desviaciones absolutas porcentuales para las dos muestras
(%) (%)
0,00 0,00 0,36 2,21 0,28 5,68 4,25 1,15 0,00 0,02
0,00 4,40 2,84 1,06 0,85 0,62 3,57 2,13 0,87 0,00
0,00 0,65 3,96 0,32 1,23 0,43 0,49 0,32 0,00 1,30
0,40 0,00 2,32 1,01 3,64 0,00 1,94 8,18 2,74 14,29
0,77 0,66 2,30 4,28 2,24 4,65 1,48 9,64 1,37 3,39
0,65 4,94 0,00 0,00 2,95 0,72 4,19 2,86 8,57 2,65
122
5.7.3 Análisis Estadístico para Comparación de las dos Muestras Con los valores tomados a partir del circuito físico del puente de
Wheatstone según el diseño propuesto por el método Taguchi y según el ajuste
debido a la aportación metodológica de este trabajo se ha procedido a comparar
estadísticamente las dos muestras tomadas utilizando los valores “δ” para cada
caso. Se han realizado todas las pruebas pertinentes para lograr evidencia
estadística respecto a la comprobación de la hipótesis de este trabajo de
investigación.
Se calcularon estadísticas y gráficas para cada muestra, y se ejecutaron
varias pruebas para determinar si hay diferencias estadísticamente significativas
entre las dos muestras. El primer criterio que se usó fue el obtener las
estadísticas descriptivas de las dos muestras y compararlas. El rango de
variación para los datos obtenidos a partir del diseño de Taguchi van desde 0 a
10% de desviación absoluta porcentual respecto al valor verdadero de la
resistencia “Y” y para el caso de los componentes ajustados posteriormente el
rango va desde 0 hasta 5% de variación, esto y otros valores descriptivos se
pueden ver en la tabla 5.22.
Tabla 5.22 Resumen de estadísticas descriptivas para ambas muestras ESTADÍSTICOS FG TAGUCHI
Recuento 30 30
Promedio (MAPE) 1,477 2,635
Mediana 0,81 1,71
Moda 0,0 0,0
Desviación Estándar 1,549 2,711
Mínimo 0,0 0,0
Máximo 4,94 9,64
Rango 4,94 9,64
Sesgo Estandarizado 2,015 2,685
Curtosis Estandarizada -0,5203 0,8188
123
De particular interés son el sesgo estandarizado y la curtosis
estandarizada que pueden usarse para comparar si las muestras provienen de
distribuciones normales. Valores de estos estadísticos fuera del rango de -2 a
+2 indican desviaciones significativas de la normalidad, lo que tendería a
invalidar las pruebas que comparan las desviaciones estándar. En este caso,
ambas muestras tienen valores de sesgo estandarizado fuera del rango normal.
Ambas curtosis estandarizadas se encuentran dentro del rango esperado. Sin
embargo, el análisis anterior es considerando el valor absoluto de las
desviaciones porcentuales de cada valor respecto al valor verdadero de “Y”. Las
densidades suavizadas de ambas muestras se exponen en la figura 5.45.
Fig. 5.45 Densidades Suavizadas para las dos muestras obtenidas
El segundo criterio de análisis es la comparación de las medias
muestrales, el supuesto de que con el ajuste de parámetros se logra menos
error en términos de desviación porcentual respecto al valor verdadero de “Y” se
comprueba con este análisis. La figura 5.46 muestra el reporte obtenido en este
análisis y se puede comprobar que el ajuste de parámetros reduce el error, es
VariablesFGTAGUCHI
Densidades Suavizadas
0 2 4 6 8 100
0,04
0,08
0,12
0,16
0,2
0,24
dens
idad
124
decir hace que el puente de Wheatstone sea más preciso y exacto respecto a la
detección de valores verdaderos de “Y”. Se realizó una prueba-t para comparar
las medias de las dos muestras. También se construyeron los intervalos de
confianza para cada media y para la diferencia entre las medias.
El acotamiento por derecha del intervalo de confianza del 95,0% para la
media de FG es de 1.958. El acotamiento superior para el intervalo de confianza del
95,0% para la media de TAGUCHI es de 3.476. Finalmente según el intervalo de
confianza del 95,0% la diferencia entre las medias sin suponer varianzas iguales es de
-0.2008 e indica el valor más grande para la diferencia que es soportado por los
datos. Estadísticamente esta diferencia es una ligera ventaja.
También puede usarse una prueba-t para evaluar hipótesis específicas
acerca de la diferencia entre las medias de las poblaciones de las cuales
provienen las dos muestras, en este caso se muestra el planteamiento y
solución obtenida en la expresión 5.16.
Hipótesis nula: = Hipótesis Alterna: < sin suponer varianzas iguales: t = -2,031 valor-P = 0,02403
5.16
En este caso, la prueba se ha construido para determinar si la diferencia
entre las dos medias es igual a 0,0 versus la hipótesis alterna de que la
diferencia es menor que 0,0. Puesto que el valor-P calculado es menor que
0,05, se puede rechazar la hipótesis nula en favor de la alterna. Es decir, que
125
hay evidencia estadística para afirmar que la media del error porcentual en
términos absolutos del circuito eléctrico y físico del puente de Wheatstone con
los parámetros ajustados luego del análisis de sensibilidad y del estudio de la
Superficie de Respuesta tal cual se sugiere en la aportación metodológica de
esta tesis es menor que la media del error porcentual logrado con el método
Taguchi clásico. La comparación de los diagramas de caja que se expone en la
figura 5.46 que muestra gráficamente que esta conclusión es válida, es decir que
se logra mejores niveles de robustez.
Fig. 5.46 Diagrama de Caja para las dos muestras
Un último análisis para demostrar que el ajuste de parámetros se ha
hecho en el mismo circuito físico y que este ajuste del resistor “A” y la fuente de
voltaje “E” produce mejore niveles de precisión y por ende de robustez del
puente de Wheatstone es la prueba de “Kolmogorov-Smirnov” para comprobar
que no hay diferencia estadística en la forma de las distribuciones de
probabilidad en ambos casos es comparar las distribuciones de las dos
Gráfico Caja y Bigotes
0 2 4 6 8 10
FG
TAGUCHI
126
muestras. Los cuantiles son aquellos valores de la variable, que ordenados de
menor a mayor, dividen a la distribución en partes, de tal manera que cada una
de ellas contiene el mismo número de frecuencias. El gráfico de cuantiles para el
análisis se muestra en la figura 5.47.
Fig. 5.47 Gráfico de cuantiles para las dos muestras
La distancia máxima entre las distribuciones acumuladas de las dos
muestras da un valor de 0,2333, que puede verse en la figura 5.47 anterior.
Estadístico DN estimado = 0,2333
Estadístico K-S bilateral para muestras
grandes = 0,9037
Valor P aproximado = 0,392
5.17
Debido a que el valor-P es mucho mayor que 0,05, no hay diferencia
estadísticamente significativa entre la forma de las dos distribuciones.
VariablesFGTAGUCHI
Gráfico de Cuantiles
0 2 4 6 8 100
0,2
0,4
0,6
0,8
1
prop
orci
ón
127
6. CONCLUSIONES
Se exponen las conclusiones respecto a los puntos importantes del
trabajo tales como los componentes estratégicos de la investigación, las
ventajas y limitaciones que se ha evidenciado en la aplicación del método
Taguchi como una práctica en ingeniería, el alcance y las recomendaciones de
la aplicación de la aportación metodológica y las conclusiones respecto al
proceso de investigación propiamente dicho, así como evidenciar los factores
que han ayudado a que este esfuerzo logre su cometido.
6.1 Conclusiones Respecto a los Componentes Estratégicos y Operativos del Proceso de Investigación
El diseño estratégico de la investigación no ha permanecido inmutable en
el tiempo porque a medida que se han encontrado hallazgos algunos aspectos
han tomado más fuerza como por ejemplo la necesidad de indagar otros
escenarios más óptimos a partir de la interpretación de la Superficie de
Respuesta de la relación señal/ruido. Otros aspectos han perdido relevancia en
cuanto a indagar sus beneficios porque se corroboró que ya habrían sido
plenamente justificados por el método Taguchi como por ejemplo la necesidad
de la técnica “pooled” para construir en análisis de varianza. Las conclusiones
más relevantes se exponen a continuación.
128
6.2 Conclusiones Respecto al Problema Planteado El problema se planteó de la siguiente manera:
“La única evidencia de optimización que ofrece el método Taguchi para el
diseño de productos robustos es la experimentación confirmatoria. Otras
combinaciones de niveles intermedios factoriales deberían considerarse para
poder garantizar la mejor combinación y el método Taguchi no lo hace”.
Hasta la fecha de la redacción de este documento no se ha encontrado
alguna publicación o literatura especializada en los métodos Taguchi que haga
referencia a mayores evidencias de optimización más allá que la
experimentación confirmatoria, (Ealey,1992); aunque algunas tesis doctorales
como la de Cintas(1993) hacen referencia al tratamiento simultáneo de la
varianza del error experimental con la media como garantía de optimización en
tiempo real este enfoque está orientado a cuestionar el método Taguchi, en
nuestro caso es todo al contrario hemos dado un aporte al método porque sus
ventajas en el campo de la ingeniería aplicada son de gran envergadura.
El estudio realizado a la Superficie de Respuesta de la relación
señal/ruido que se ha basado en la correlación y sensibilidad entre variables ha
demostrado que existen otras combinaciones de niveles intermedios; que logran,
aunque ligeramente, mayores grados de robustez. Por lo que la definición del
problema de investigación ha sido consecuente con una oportunidad real de
investigación. Las conclusiones respecto al problema planteado son las
siguientes:
• Se ha encontrado suficiente evidencia estadística para afirmar que los
métodos Taguchi son altamente efectivos, prácticos y de sencillo uso, no
requieren de técnicas estadísticas sofisticadas y por tanto se recomienda
129
su uso ampliamente. Por lo tanto, una aportación metodológica
aprovechando sus ventajas lleva consigo un sentido práctico que en la
vida industrial es indispensable cuando no se cuenta con todos los
recursos disponibles.
• La optimización que logra el método Taguchi es suficiente en términos
prácticos y la aportación metodológica propuesta brinda mayor
información en cuanto al signo de la sensibilidad de cada nivel factorial
con la media o la relación señal/ruido del proceso ofreciendo de esta
manera mayor control en la fase de diseño.
• Efectivamente existen otras combinaciones de niveles intermedios que
proporcionan mejores niveles de robustez con mayor ganancia en
decibelios y es necesario considerar estos escenarios a partir de las
iteraciones aplicadas a las ecuaciones predictivas de la media y de la
relación señal/ruido del proceso.
• La tabla de respuestas que se obtiene a partir del método Taguchi es un
indicio de la sensibilidad de la variable en estudio respecto a los cambios
en niveles de cada factor, este análisis está restringido a estudiar el
efecto puro factor por factor. En contra parte el análisis de sensibilidad
que se sugiere en la aportación metodológica evalúa la correlación de
cada factor con la variable de respuesta considerando el sistema
completo ya que se mide una vez que se han variando de forma
simultánea todos los factores debido al proceso iterativo.
130
6.2.1 Conclusiones Respecto a la Pregunta de Investigación y la Respuesta Propuesta La pregunta de investigación que se ha propuesto se ha redactado de la
siguiente manera:
¿Cómo lograr la mejor selección de niveles factoriales en el diseño robusto de
un producto aprovechando las ventajas que tiene el método Taguchi?.
La respuesta a esta pregunta se detalla en los siguientes pasos que
explican la aportación metodológica propuesta:
Paso 1: Una vez construidas las ecuaciones predictivas de la relación
S/R y de la media según el método Taguchi se debe programar en Excel
estas ecuaciones utilizando las tablas de respuestas validadas mediante
el cálculo de intervalos de confianza y con variables sin codificar.
Paso 2: Una vez que se ha programado una hoja electrónica en Excel
según el paso anterior se debe iterar todas las posibles soluciones para
“Y” y “S/R” utilizando el software de simulación Crystal Ball. Se sugiere
obtener como reportes histogramas, estadísticas descriptivas de las
variables y matrices/gráficas de análisis de sensibilidad/correlación entre
variables.
Paso 3: Se debe extraer los datos iterados en el paso 2 y mediante
técnicas de regresión construir las ecuaciones generalizadas de los
modelos predictivos que propone Taguchi. Se sugiere verificar si son
modelos confiables re calculando los valores conocidos en el experimento
original y haciendo un análisis de residuales. Para esta etapa se sugiere
utilizar Minitab o Statgraphics. En caso que los modelos no sean
131
confiables se sugiere no tomar en cuenta los pasos 4 y 6. La corrida
confirmatoria será necesaria.
Paso 4: Explorar la Superficie de Respuesta Local de las variables en
estudio mediante la interpretación de las matrices de correlación entre
variables. Si hay evidencia de mejores escenarios con ganancia de
decibelios, o que existen factores que aportan exclusivamente a la
variable en estudio estos pueden reajustarse manualmente o utilizando un
software de optimización como OptQuest programado según las
necesidades del analista.
Paso 5: Ajustar ligeramente los factores que aportan a la variable de
respuesta en estudio respetando el sentido de la sensibilidad y que no
afecte a la media del proceso si es que se quiere lograr un valor nominal.
Un limitante en esta etapa es que el diseño respete los criterios prácticos
y de fabricación del producto.
Paso 6: Se debe comparar y garantizar la ganancia en decibelios
programando nuevamente los modelos obtenidos en el paso 3 en hojas
electrónicas de Excel, fijar la variación natural debida a causas comunes
en cada nivel elegido utilizando la distribución triangular y proceder a la
simulación Monte Carlo utilizando el software Crystal Ball.
Paso 7: Verificar que la ganancia en decibelios es real procediendo a una
experimentación corta confirmatoria de campo con el fin de evidenciar si
las conclusiones son reproductibles.
132
6.2.2 Conclusiones Respecto a la Hipótesis y Objetivos de este Trabajo de Investigación La hipótesis planteada en este trabajo de investigación fue la siguiente:
“El análisis de sensibilidad y de correlación entre variables permite explorar la
superficie de respuesta de la relación señal/ruido y garantizar la mejor selección
de niveles factoriales en el diseño robusto de productos”.
Las conclusiones respecto a la hipótesis son las siguientes:
• El coeficiente de correlación de Pearson que es utilizado en el análisis de
sensibilidad en la aportación metodológica muestra una relación lineal
entre variables, puede existir relaciones no lineales y que el coeficiente de
Pearson no pueda detectarlas. Por este motivo el reajuste de niveles
factoriales debe estar cercano a los niveles elegidos por Taguchi
ajustados en el sentido que indica la sensibilidad. En intervalos pequeños
de la superficie de respuesta existe una relación lineal evidente.
• Se ha recopilado evidencia estadística para demostrar que los métodos
Taguchi logran un resultado prácticamente óptimo así que un ajuste a los
niveles factoriales según el análisis de sensibilidad respecto a la relación
señal/ruido generará una ligera ganancia en decibelios. El análisis de
sensibilidad otorga mayor control al diseño del producto.
• Se ha demostrado estadísticamente que la hipótesis se convierte en una
tesis ya que hasta la redacción de este documento en ninguna instancia
arbitrada en las cuales se han presentado avances de esta investigación
se ha dado a lugar una refutación del planteamiento de la hipótesis ni de
su demostración.
133
• Respecto a los objetivos específicos del proyecto se procede a medir el
logro de cada uno de estos ya que el cumplimiento de estos objetivos
permite asegurar el cumplimiento del objetivo general.
En el caso de los objetivos específicos, cada uno ha sido validado en
distintas instancias arbitradas, se han convertido en hitos de la investigación que
de no cumplirse alguno de ellos plenamente, la investigación en su totalidad
podría perder incidencia, tal es el caso por ejemplo del componente
metodológico para generalizar las ecuaciones predictivas del método Taguchi.
Tabla 6.1 Verificación del cumplimiento de objetivos específicos
OBJETIVO LOGRO
Estimar el error del modelo de predicción de parámetros que usan los
métodos Taguchi respecto a la tendencia central y variabilidad del proceso. SI
Diseñar el componente metodológico con el que sea posible obtener todas las
posibles combinaciones de niveles de factores y su respectiva predicción de
parámetros de tendencia central y variabilidad.
SI
Diseñar el componente metodológico que permita construir un modelo de
regresión que generalice las ecuaciones predictivas obtenidas por el método
Taguchi clásico.
SI
Diseñar el componente metodológico que, a partir de las ecuaciones
generalizadas construidas previamente, logre el valor deseado de las
variables de respuesta con mejores niveles de robustez.
SI
Integrar todos los componentes metodológicos y validar la metodología
propuesta en distintos escenarios teóricos y prácticos. SI
Aportar a los métodos Taguchi un componente metodológico que permita
garantizar teóricamente el diseño de parámetros robustos logrando el valor
nominal deseado en el producto.
SI
El aspecto más destacable innovador de la aportación metodológica es el
análisis que se hace respecto al signo de la sensibilidad para elegir los valores
óptimos de los factores de diseño. El análisis ANOVA clásico calcula el
134
porcentaje de contribución a la variabilidad y sin embargo no hace mención del
signo de este aporte.
6.3 Conclusiones Respecto a las Ventajas que se han Evidenciado en la Aplicación del Método Taguchi
En la revisión de la literatura se ha encontrado que muchos autores han
escrito sobre las ventajas y desventajas del método Taguchi y si hay que tomar
una posición al respecto se pueden exponer las siguientes conclusiones
basadas en nuestra experiencia en este trabajo de investigación:
• Los métodos Taguchi son una herramienta de optimización en Ingeniería
de Calidad de alta efectividad. Sus procedimientos de cálculo así como la
interpretación de sus resultados son muy prácticos. Los métodos son una
importante herramienta en el mejoramiento y aseguramiento de la calidad.
• Los procedimientos estadísticos que utiliza Taguchi son un conjunto de
técnicas simples y después de la experimentación estadística, la
metodología de Taguchi permite predecir el valor de la media y de la
relación señal a ruido con buena precisión.
• No se necesitan satisfacer supuestos teóricos para su uso, en la práctica
industrial muy pocos procesos satisfacen el criterio de la igualdad de
varianzas, o la normalidad de los datos. La transformación de los datos no
es necesaria con los métodos Taguchi, Box (1988).
• En cuanto al logro de niveles óptimos, el método Taguchi no garantiza el
logro del óptimo global, pero se ha demostrado en la exploración de la
135
Superficie de Respuesta del puente de Wheatstone que en pocos pasos
llega a un excelente resultado reproducible en la etapa de producción.
• Se ha verificado que el uso de arreglos ortogonales garantiza que la
experimentación sea de bajo costo.
• En cuanto al estadístico señal/ruido se ha utilizado el caso de modelos no
dinámicos y este permite caracterizar un proceso de manera confiable.
Está fuera del alcance de este trabajo cuando se toman en cuenta
familias de productos, mezclas o aplicaciones concretas en ingeniería
eléctrica con circuitos de corriente alterna.
• Para aplicar los arreglos ortogonales y maximizar los beneficios de su uso
se necesita hacer una adecuada interpretación de las gráficas lineales
que propone Taguchi, hasta la redacción de este documento no se ha
encontrado una fuente que explique el origen o las reglas heurísticas que
soportan mencionadas gráficas lineales. Si bien se ha descubierto que los
arreglos ortogonales son porciones ordenadas de factoriales completos
muy poco se podrá aportar al desarrollo de esta técnica en particular. El
trabajo de la ingeniería concurrente es trascendental en esta etapa de la
experimentación.
6.4 Conclusiones Respecto a la Aportación Metodológica Propuesta en este Trabajo de Investigación
Se ha presentado en este trabajo de investigación una aportación a los
métodos Taguchi mediante un componente metodológico que garantice la mejor
selección de niveles factoriales en el diseño robusto, las conclusiones son las
siguientes:
136
• Aunque los programas utilizados para generar las iteraciones son
comerciales, es decir están disponibles al usuario en el mercado, su uso
requiere cierta capacidad de análisis y conocimiento de conceptos
relacionados a las técnicas de simulación. Esto en países en los que no
hay cultura de reflexión académica puede ser más limitante que
beneficio. El profesor Mori (1946) reclama en su obra que los ingenieros
no reciben una adecuada formación en estadística y en las técnicas
matemáticas de optimización, pese a la gran distancia en tiempo de esa
afirmación en países en vías de desarrollo tecnológico parecería ser una
realidad.
• La aportación metodológica es una suma de distintas técnicas y
herramientas de optimización y análisis en ingeniería cuyos supuestos
fundamentales como ciencia deben respetarse; por lo que la naturaleza
de los datos experimentales o elementales sugieren comprobar que éstos
se satisfagan, por ejemplo la normalidad, linealidad, igualdad de
varianzas, etcétera.
• El ajuste de niveles factoriales no debe estar muy alejado del valor
calculado a partir de los métodos Taguchi. En caso de tener que
experimentar con factores de naturaleza cualitativa se sugiere como
valores óptimos los que propone Taguchi. De lo contrario se tendría que
fabricar por ejemplo nuevos materiales y eso no es práctico.
• Aunque un componente de la aportación metodológica es el uso de la
simulación monte Carlo posterior a la determinación de niveles óptimos
será necesario comprobar que los resultados son reproductibles mediante
corridas experimentales complementarias.
137
• En el campo industrial es muy frecuente, dependiendo de la compañía, no
contar con todos los recursos necesarios para la experimentación. En
este sentido toma fuerza el análisis que se propone en la aportación
metodológica que se basa en los métodos Taguchi.
• El uso intensivo de hojas electrónicas de cálculo es un requisito básico
para llevar adelante el análisis estadístico y procesos de simulación que
contiene el aporte metodológico propuesto. El uso de esta herramienta es
muy común en la industria.
• La aportación metodológica sirve para las relaciones señal/ruido del tipo
no dinámicas. En el diseño robusto frente a la existencia de factores
señal, corriente alterna y mezclas la aportación requiere ser ajustada a la
naturaleza de los datos en cada caso. Por ejemplo; en la solución de
circuitos electrónicos que funcionan con corriente alterna los estadísticos
tienen un componente imaginario y requieren experiencia en el llamado
“cálculo fasorial”. Este análisis está fuera del alcance de este trabajo.
• Cuando se logra construir modelos de superficie de respuesta para la
relación señal/ruido y media del proceso y debido a los arreglos
ortogonales del método Taguchi éstos modelos pueden llevar un
componente lineal y un componente cuadrático o un componente lineal y
un componente de interacciones. En todo el proceso de investigación no
ha sido posible construir modelos cuadráticos completos.
• Si hay sospecha que la relación señal/ruido no refleja la naturaleza del
proceso en estudio se sugiere utilizar relaciones dinámicas que conlleva
la construcción de este estadístico a medida del proceso para esto se
puede estudiar la obra de Wu (1997).
138
La validación y la comprobación que se hizo sobre la hipótesis inicial y la
pregunta de investigación de este trabajo ha requerido reconstruir el
experimento realizado por el doctor Taguchi en el puente de Wheatstone, con
base en sus mismos datos se ha logrado una mayor ganancia en decibeles. Se
han encontrado aportes al diseño robusto de productos tales como Cintas (1993)
y Pozueta (2001) que por su naturaleza de tesis doctoral en el tema nos han
brindado la confianza de que este aporte metodológico es actual a las
necesidades de desarrollo tecnológico de nuestros países.
6.5 Conclusiones y Sugerencias Respecto al Proceso de Investigación desarrollado en el ITCJ
El apoyo moral y orientación técnica en la investigación por parte del
asesor de este trabajo ha sido decisivo para que se logren los objetivos
propuestos. Para tener la certeza de que la aportación metodológica es
relevante se ha tenido que exponer en instancias arbitradas todos los
componentes de la aportación metodológica como un requisito impuesto por la
seriedad de la investigación.
Durante el proceso de investigación se notó que falta afianzar la relación
posgrado-industria para que la investigación tenga matices prácticos lo que
probablemente ahorrarían muchos recursos y garantizaría un aporte
consecuente a las necesidades tecnológicas del desarrollo industrial.
Cuando se ha presentado algunos componentes metodológicos a
ingenieros en la industria, en ocasión de retroalimentar el trabajo para concursos
de creatividad, sobresale la necesidad de formación estadística y actualización a
estos profesionales, el departamento de posgrado debería satisfacer esta
necesidad mediante programas cortos de capacitación. En la industria todavía
139
se confunde la comodidad basada en la ley del “mínimo esfuerzo” contra la
reflexión práctica en la solución de problemas de ingeniería.
Sin lugar a dudas con este tipo de trabajos se propone construir
herramientas prácticas que sirvan para incrementar la competitividad de las
unidades de negocio con escasos recursos y se reafirma la oportunidad que
tiene el departamento de posgrado para realizar investigación aplicada.
Finalmente se sugiere ahondar más en los métodos Taguchi ya que
muchas oportunidades de investigación y de aplicación son consecuentes a la
realidad industrial donde el factor económico de la experimentación decide si
esta se desarrolla.
140
7. BIBLIOGRAFÍA
Abadie, J.(1978): «The GRG Method for Nonlinear Programming» en Greenberg, H.J.(Ed),Design and Implementation of Optimization Software, Sijthoff and Noordhoof, pp. 325-363.
American Supplier Institute, Inc. (1987). Introduction to Quality Engineering:
Course Manual. Center for Taguchi Methods, USA. Box, G. (1988) Signal-to-noise ratios, performance criteria, and
transformations(with discussions). Technometrics, 30, 1–40. Cesatrone, J. (2001). "The Power of Taguchi", IIE Solutions, November, pp. 36-
40. Cintas, P. (1993). Aportaciones metodológicas al diseño de productos robustos.
Tesis Doctoral de la Universidad Politécnica de Cataluña, Barcelona, España.
Ealey, L. (1992). "The "methods" of a quality master: An interview with Genichi
Taguchi, father of Quality Engineering", The McKinsey Journal, No. 4, pp. 3-17.
Fabiani-Bello et.al (2008). Ventajas y Desventajas del método Taguchi aplicado
al diseño de los experimentos factoriales no replicados, Memorias 1er. Congreso Internacionales de Investigación y Postgrado de los Institutos Tecnológicos de Chihuahua, Oct 7-10, 2008.
Fabiani-Bello et.al. (2008). Simulation of the Experimental Design in the
Characterization of factors that Influence the Astenopia, Memorias Décimo Congreso Internacional de Ergonomía y XIV Reunión Binacional de Ergonomía, May 2008.
Fabiani-Bello, A. et.al. (2008). Aportación Metodológica al Diseño de Productos
Robustos según la Metodología de Genichi Taguchi, Memorias del 2do. Congreso Internacional Multidisciplinario del Instituto Tecnológico de Monterrey, Campus Cd. Juárez, Cd. Juárez, México.
141
Fabiani-Bello, A. et.al. (2008). Validación del Método Taguchi Mediante un Circuito Hidráulico, Memorias del Coloquio de Investigación y Postgrado del Instituto Tecnológico de Orizaba, Orizaba, México.
García-Castellanos et.al. (2007), A Computing Approach Based On The Taguchi
Methods To Optimize The Selection Of Factors For The Nominal-The-Best Characteristics, Proceedings Of The 12th Annual, International Conference On Industrial Engineering, Theory, Applications and Practice, Cancun, Mexico, Noviembre.
Hicks, W. (1990). Zero defects, Harvard Business Review. March-April, 228-229. Idris et.al. (2002), Optimization of cellulose acetate hollow fiber reverse osmosis
membrane production using Taguchi method. Journal of Membrane Science, 205, 223–237
Jiju, A. et.al. (2001). Teaching the Taguchi method to industrial engineers. Work
Study, Montgomery, D. (2006). Diseño y Análisis de Experimentos. Wiley, N.Y. USA. Mori, T. (1946). The New Experimental Design, ASI Press, USA Nair, V. (1992) Taguchi’s parameter design: a panel discussion.
Technometrics,34, 127–161. Okada, A (2001). “ Medición de la Fatiga Visual", Panasonic Service Catalog,
Barcelona, España. Peace, S. (1993), Taguchi Methods: a hands-on approach, Addison-Wesley,
USA. Pozueta, L. (2001). Errores en la búsqueda de condiciones robustas.
Metodologías para evitarlos, Tesis Doctoral de la Universidad Politécnica de Cataluña, Barcelona, España.
Reaugust, D. (1993). The evolution of an approach for using analogies in
teaching and learning science. Research in Science Education, 23, 293-301.
Reyes-Martínez, R.M. (2005). Ergoftalmología: Análisis de los Factores que
Inciden Astenopía de los Trabajadores de Inspección Visual Industria Electrónica de Ciudad Juárez, Memorias del VII Congreso Internacional de Ergonomía, Nuevo León, México.
142
Ross, Phillip J. (1996). Taguchi Techniques for Quality Engineering. McGraw-
Hil, USA. Shu-Kai, S. (2003). A Different View of Ridge Analysis From Numerical
Optimization. Engineering Optimization, 35, 627–647 Taguchi, G. (1991b) Taguchi Methods: Research and Development. ASI Press,
Dearborn, MI. Taguchi, G. (1989). Quality Engineering in Production Systems. McGraw-Hill,
Inc., New York. Taguchi, G. (1991a) Taguchi Methods: Signal-to-Noise Ratio for Quality
Evaluation. ASI Press, Dearborn, MI. Wu, A. (1997). Diseño Robusto utilizando los métodos Taguchi. Díaz de Santos,
Madrid, España.
143
8. ANEXOS
Como evidencia de trabajo de investigación sistemática, se presentan los
abstractos de los artículos publicados y validados en otras instancias
académicas que sustentan este proyecto, así como una carta de presentación
detallando la actividad académica del autor sobre el tema de la Tesis de Grado.
Los artículos y ponencias son:
1. GARCÍA-CASTELLANOS et.al. (2007), A Computing Approach Based On The Taguchi
Methods To Optimize The Selection Of Factors For The Nominal-The-Best Characteristics, Proceedings Of The 12th Annual, International Conference On Industrial Engineering, Theory, Applications and Practice, Cancun, Mexico, Noviembre.
2. FABIANI-BELLO et.al. (2008). Simulation of the Experimental Design in the Characterization of factors that Influence the Astenopia, Memorias Décimo Congreso Internacional de Ergonomía y XIV Reunión Binacional de Ergonomía, May 2008.
3. FABIANI-BELLO et.al (2008). Ventajas y Desventajas del método Taguchi aplicado al diseño de los experimentos factoriales no replicados, Memorias 1er. Congreso Internacionales de Investigación y Postgrado de los Institutos Tecnológicos de Chihuahua, Oct 7-10, 2008.
4. FABIANI-BELLO, A. et.al. (2008). Aportación Metodológica al Diseño de Productos Robustos según la Metodología de Genichi Taguchi, Memorias del 2do. Congreso Internacional Multidisciplinario del Instituto Tecnológico de Monterrey, Campus Cd. Juárez, Cd. Juárez, México.
5. FABIANI-BELLO, A. et.al. (2008). Validación del Método Taguchi Mediante un Circuito Hidráulico, Memorias del Coloquio de Investigación y Postgrado del Instituto Tecnológico de Orizaba, Orizaba, México.
6. FABIANI-BELLO, A et.al (2009). El pensamiento gerencial japonés: El caso del diseño robusto de circuitos electrónicos. Memorias del 3er. Congreso Internacional Multidisciplinario del Instituto Tecnológico de Monterrey, Campus Cd. Saltillo, Nuevo León, México.
144
145
A COMPUTING APPROACH BASED ON THE TAGUCHI METHODS TO OPTIMIZE THE SELECTION OF FACTORS FOR THE NOMINAL-THE-BEST CHARACTERISTICS
Víctor García-Castellanos1, Alois C. Fabiani-Bello1 and Humberto Hijar-Rivera1
1División de Estudios de Posgrado e Investigación
Instituto Tecnológico de Ciudad Juárez Ave. Tecnológico No. 1340
Ciudad Juárez, Chih. México C.P. 32500 [email protected], [email protected], [email protected]
Abstract: Two objectives of Quality Engineering are: reduce the variability and move the mean to the target. This process generates degrees of robustness that reduce the damage caused to the customer by a non-quality product. On the “robust design” the selection of the operative levels of the factors is critical. In this paper we propose, a methodology for the selection of parameters. Our method is based on the Taguchi Methods taking into account the degree of interaction that exists between factors. For this purpose, the method not only takes into account the effect of interactions in the traditional way but also considers the degree of correlation between factors. The method also analyses all possible combinations of factors and levels to assure the best value of the response variable. It is based on Monte Carlo simulation by choosing the best levels of factors and incorporating the degree of correlation among them.
The 12th Annual International Conference on Industrial Engineering Theory, Applications & Practice
October, Cancún, México
146
SIMULATION OF THE EXPERIMENTAL DESIGN IN THE CHARACTERIZATION OF FACTORS THAT INFLUENCE THE ASTENOPIA
Alois Clark Fabiani-Bello 1 , Rosa María Reyes-Martínez 1 and María T. López-Hernández 1 1División de Estudios de Posgrado e Investigación
Instituto Tecnológico de Ciudad Juárez Ave. Tecnológico No. 1340
Ciudad Juárez, Chih. México C.P. 32500 Corresponding author’s e-mail: [email protected]
Abstract: In the industry the visual examination of parts is an activity of the normal cycle of work it is important that in the phase of design of the place of work there decide the levels of the operative factors and of environment; so that in the repetitive work the damage is minimized to the health of the person. In this article we propose a methodology that allows characterizing of quantitative form the factors that the company can control, those factors that contribute in the Visual Fatigue of the operator more properly the illness known as Astenopia. Of a more specific form we study the ocular fatigue in the use of the computer, commonly called CVS (Computer Vision Syndrome). The statistical methods based on the Chi-square of test ( 2χ ) are much used by the ergonomics and these need from a significant and big size of the sample with the corresponding use of resources and it contains an important dose of the subjectivity. Due to the cost of opportunity the methodologies must be more rapid in the treatment of the information, must be more economic and to take decisions with the best statistical information. In our work the concepts of the Ergonomics, Quality Engineering and the Experimental Design together have allowed to abstract the problem of systemic form and to characterize the factors that influence to the Visual Fatigue. By means of the simulation it is possible to know theoretically the Analysis of Variance of the incidental factors and his grade of interrelation with the problem, all this with few experimental tests and based on orthogonal arrangements in a design factorial with only one reply, with the application of the method Taguchi and Simulation Monte Carlo.
RunprpuunLoorDdsi(Mapreelveap
VENTAJAS
Resumen: Enna variable eráctica es couede desarron diseño conoos programartogonales y
Dr. Taguchi esía con el proistema produMontgomery, plica un procegresiona el ml estudio de entaja de eprovechamien
S Y DESVENTEXPE
Alois1D
la Ingenieríaen estudio es mún contar c
ollar el experiocido como ds especializapermiten defistas interaccioceso producuctivo (Mori, 2006) para eceso iterativomodelo se cosensibilidad
este método nto de la infor
TAJAS DEL MERIMENTOS
s Clark FabianDivisión de Est
Instituto TAve
Ciudad Juáalo
a de Calidad a importante
con pocos rementador est
diseño factoriaados en estanir las interaciones son coctivo siendo q1946). Los
estimar una eco para gene
onstruye una eentre variabpropuesto
rmación de la
MÉTODO TAFACTORIAL
ni-Bello1 y Vícttudios de Posgecnológico de . Tecnológico N
árez, Chih. Méoisclark@hotm
aplicada la capara ahorrar cursos de extá limitado, eal no replicadadística induscciones signifnocidas porqque es partearreglos ortocuación predi
erar todas lasexpresión dinles de entradel costo re
a sensibilidad
AGUCHI APLILES NO REPL
tor García-Casrado e InvestigCiudad JuárezNo. 1340 xico C.P. 3250ail.com
aracterizaciónrecursos en
xperimentacióen el diseño co.
strial permitenficativas entreque el equipoe del “know hogonales sonctiva de la mes posibles c
námica de la mda y salida deducido de entre variabl
ICADO AL DLICADOS
stellanos1 gación z
00
n de los factoel proceso e
ón y el númeclásico de exp
n obtener dise factores. Se de analistashow” de losn una buenaedia del procombinacionesmedia, pudiendel sistema sexperimentaces.
ISEÑO DE L
res que incidexperimental. ro de réplicaperimentos s
seños de arregún la filosofs conviven dís que gestion muestra faceso, si a estas factoriales ndo además siendo la princión y un
147
OS
en en En la s que e usa
reglos fía del a con
nan el ctorial
a se le y se
hacer ncipal mejor
148
APORTACIÓN METODOLÓGICA AL DISEÑO DE PRODUCTOS ROBUSTOS SEGÚN LA FILOSOFÍA DE GENICHI TAGUCHI
Alois Clark Fabiani-Bello1 y Víctor García-Castellanos1
1División de Estudios de Posgrado e Investigación Instituto Tecnológico de Ciudad Juárez
Ave. Tecnológico No. 1340 Ciudad Juárez, Chih. México C.P. 32500
Cel. 0052 1 656 312 75 87 [email protected]
Resumen: Dos objetivos de la Ingeniería de Calidad son reducir la variabilidad “aguas abajo” de un proceso/producto y ajustar la tendencia central de este a un valor nominal frente al ruido externo, esto genera grados de robustez que reducen el perjuicio de la no-calidad en el cliente. En el “diseño robusto” la selección de los niveles operativos de los factores es trascendental, pueden conseguirse diseños de productos que mantengan un alto nivel de calidad aunque sus condiciones de uso no sean las óptimas (o nominales) (Taguchi ,1986). El proyecto se ha basado en el método del Dr. Genichi Taguchi para el diseño robusto de productos y pretende mejorarlo/complementarlo ya que pese a sus grandes ventajas, en el mismo no existe suficiente información para asegurar que la combinación lograda por el método sea completamente óptima porque los niveles de factores son pre-establecidos y solamente un factor puede ajustarse a un nivel intermedio para fijar la mejor combinación de niveles factoriales. Nuestra propuesta se fundamenta en que, con base en el modelo predictivo del método del Dr. Taguchi para predecir la media y la relación señal a ruido según ecuaciones y modelos del caso de “lo nominal es lo mejor” y generando todas las combinaciones de niveles de factores mediante un proceso iterativo tipo Monte Carlo, se obtiene una población de escenarios experimentales diferentes que permite construir la función de transferencia generalizada del sistema, esta función es susceptible a la optimización a fin de lograr el valor deseado de las variables de respuesta para niveles intermedios de los factores mejorando el desempeño de la metodología clásica del Dr. Taguchi aprovechando las ventajas implícitas en su filosofía.
149
VALIDACIÓN DEL MÉTODO TAGUCHI MEDIANTE UN CIRCUITO HIDRÁULICO
Humberto García-Castellanos, Alois Clark Fabiani-Bello, Víctor García-Castellanos Instituto Tecnológico de Ciudad Juárez
Ave. Tecnológico No. 1340 Ciudad Juárez, Chih. México C.P. 32500
Resumen:En la Ingeniería de Calidad aplicada, la caracterización de los factores que inciden en una variable en estudio es importante para ahorrar recursos en el proceso experimental. En la práctica es común tener pocos recursos de experimentación y el número de replicas está limitado. Los programas especializados en estadística industrial permiten obtener diseños de arreglos ortogonales y permiten definir las interacciones significativas entre factores. Según la filosofía del Dr. Taguchi estas interacciones son conocidas porque el equipo de analistas conviven día con día con el proceso productivo siendo que es parte del “know how” de los que gestionan el sistema productivo (Mori, 1946). Los arreglos ortogonales son una buena muestra factorial (Montgomery, 2006) para una ecuación predictiva de la media del proceso, si a esta se le aplica un proceso iterativo para generar las posibles combinaciones factoriales, al regresionar los datos se construye una expresión dinámica, pudiendo hacer el estudio de sensibilidad entre variables de entrada y salida del sistema, siendo una ventaja de este método propuesto el costo reducido de experimentación y el mejor aprovechamiento de la información sobre la sensibilidad entre variables. Para demostrar la hipótesis descrita, se diseñó un circuito hidráulico para que con base en una analogía entre electrónica e hidráulica se pueda simular datos con un software que permita validar teóricamente la metodología Taguchi mejorada propuesta en el artículo: APORTACIÓN METODOLÓGICA AL DISEÑO DE PRODUCTOS ROBUSTOS SEGÚN LA FILOSOFÍA DE GENICHI TAGUCHI (Fabiani-Bello y García-Castellanos, 2008).
150
LA FILOSOFÍA GERENCIAL JAPONESA: EL CASO DEL DISEÑO ROBUSTO DE CIRCUITOS ELECTRÓNICOS APLICANDO TÉCNICAS DE LA INGENIERÍA DE CALIDAD
Alois Clark Fabiani-Bello1 y Víctor García-Castellanos1
1División de Estudios de Posgrado e Investigación Instituto Tecnológico de Ciudad Juárez
Ave. Tecnológico No. 1340 Ciudad Juárez, Chih. México C.P. 32500
Resumen:Como muestra del pensamiento gerencial japonés uno de los casos más típicos expuestos por Taguchi (1986) como ejemplo de aplicación y validación de su técnica es el que se refiere a la fabricación de un sencillo circuito eléctrico de corriente directa para la medición de resistencias eléctricas, denominado "Puente de Wheatstone". El circuito está representado en la figura siguiente:
Fig. Circuito eléctrico que representa al puente de Weatsthone
La forma de uso de este circuito es la siguiente: se coloca la resistencia desconocida "" y se mueve la resistencia variable B hasta que no pasa corriente por el amperímetro "" x . A partir del valor indicado por la resistencia B en ese momento, se puede calcular el valor de “y” mediante expresiones basadas en la Ley de Kirchof y solución por mallas correspondiente a circuitos de CD. El problema termina aquí si se considera que los elementos constructivos del circuito no presentan ninguna variabilidad respecto a su valor nominal (caso de las resistencias A, C, D, F y la fuente de alimentación E), o sus prestaciones (en el caso del amperímetro X y la resistencia variable B). Como en la práctica sí existirá dicha variabilidad, el problema consiste en determinar cuáles son los valores nominales óptimos de los factores de diseño para minimizar la variabilidad de "" y en torno a su valor real.