Escolar Documentos
Profissional Documentos
Cultura Documentos
DE SEVILLA
NDICE
1. Marco del Proyecto
2. Antecedentes
3. Objetivos
7
8
9
13
15
16
16
17
19
19
20
46
47
47
48
50
52
55
59
60
5. Six Sigma
5.1. Marco histrico
5.2. Objetivo
5.3. Definicin
5.4. Formacin y entrenamiento
5.5. Medicin de la calidad
5.6. Beneficios
62
62
65
67
73
78
85
86
86
89
90
93
97
98
99
101
106
112
7. El Diseo de Experimentos
7.1. Antecedentes
7.2. El Anlisis del Proceso
7.2.1. Hoja de Control: Construccin
7.3. El Control Estadstico del Proceso
7.3.1. La Distribucin Normal
7.3.2. Lmites de control y especificaciones. Exactitud y Precisin
7.4. La Capacidad del Proceso
7.5. Diseo de Experimentos: Taguchi
7.5.1. Introduccin
7.5.2. Objetivos
7.5.3. El Mtodo Taguchi
7.5.4. Beneficios
113
113
114
118
124
126
130
133
138
138
140
141
149
8. Caso Prctico
8.1. Introduccin
8.2. Antecedentes y Objetivo
8.3. Causas de la Variacin
8.4. Implantacin
8.4.1. Equipo de trabajo
8.4.2. Formacin
8.4.3. Implantacin VMEA
8.4.4. Implantacin DoE
8.5. Estudio de resultados y conclusiones
150
150
156
157
158
158
160
161
183
206
9. Beneficios
210
10. Bibliografa
212
213
214
222
246
1.
Este proyecto forma parte de un proyecto europeo, que a su vez est dentro del marco
de un proyecto internacional en el que tienen una participacin muy fuerte Estados
Unidos y Japn. El europeo est integrado por 15 participantes de 6 pases, y suponen
una representacin diversificada de compaas,
universidades e institutos de
investigacin de la UE.
La Metodologa del Diseo Robusto para reducir la variacin es originaria de Japn y
ha sido aplicada ampliamente all y cada vez ms en Estados Unidos. En cambio en
Europa su uso es limitado, el mtodo tal y como se ha desarrollado en Japn y EEUU
no ha sido capaz de adaptase a las compaas europeas. Sera importante desarrollar una
metodologa mejorada que se adapte a las necesidades de los procesos de desarrollo del
producto europeo.
El objetivo entonces del proyecto es proveer a la industria europea con una
metodologa para reducir la sensibilidad a las variaciones en los productos y los
procesos. La meta es desarrollar nuevas herramientas innovadoras de la ingeniera de
diseo.
El esquema de trabajo de este proyecto, (ver Figura 1) se viene desarrollando desde
hace ao y medio y an le queda un ao para finalizar, de forma que mi participacin en
l est enfocada en una parte, concretamente en el estudio de la situacin actual en
Espaa del Diseo Robusto y la eleccin de una empresa para aplicar dichos
conocimientos y dos de sus herramientas ms comunes, VMEA y Diseo de
Experimentos.
Operadores
Material
Clientes
VMEA
Simulacin
y Tests
Equipos
Gestin de las
tolerancias
Nuevas herramientas
de anlisis
Entorno
2.
ANTECEDENTES
Actualmente, los desafos que deben afrontar las compaas en un ambiente competitivo
son muchos:
El impulso para minimizar el tiempo de preparacin del producto hasta que sale
al mercado (TTM-Time to Market). Los ciclos de vida del producto se estn
acortando, llevando a la necesidad de lanzar productos ms rpidamente. Esto es
una verdad particular de los productos tecnolgicos.
Antecedentes
le afecten las fuentes de variacin, a las que nos referiremos como ruido o
factores de ruido (NFs, Noise Factors), y que pueden causar variaciones en las
caractersticas.
concepto
relativamente nuevo relacionado con la Six Sigma, llamado Diseo para la Six sigma
(DFSS), ha aparecido y guarda una gran semejanza con la Metodologa de Diseo
Robusto. La Six Sigma se usa para reaccionar ante eventos no deseados y solucionarlos,
mientras que el DFSS se usa para prevenir eventos no deseados. Lo que ocurre es que es
un concepto nuevo y an falta por desarrollarlo, sobre todo es conceptual. Es por eso
que el Diseo Robusto se debe realizar siempre desde un marco de trabajo como el de la
Six Sigma.
Por otro lado, hay dos estrategias bsicas para controlar el efecto de los factores de
ruido. El primero es controlar los factores de ruido, y el segundo es crear un diseo
robusto en el que los factores de ruido no tengan efecto sobre el funcionamiento. Un
fundamento para usar la segunda estrategia ms que la primera es que los factores de
ruido algunas veces son imposibles de controlar o resulta demasiado caro. Una
herramienta de la que disponemos para lograr esta insensibilidad ante las variaciones es
el Anlisis Modal de variaciones y Efectos (VMEA, Variation Mode and Effects
Analysis). Bsicamente consiste en que las Caractersticas Clave del Producto (KPCs,
Key Product Characteristics) y las Sub-Caractersticas Clave (Sub-KPCs) son elegidas
por los expertos en ingeniera, tambin son definidos los factores de ruido o fuentes de
variacin, adems del tamao de su variacin. Para cada Sub-KPC se calcula un Valor
de la Prioridad del Riesgo de la Variacin (VRPN) y de ah se deducir la Sub-KPC
ms importante o crtica del proceso en cuestin.
Antecedentes
Antecedentes
3.
OBJETIVO
Objetivo
4.
4.1
La Variacin en la Industria
4.2
Taguchi llama ruido a cualquier cosa que causa que una caracterstica de la calidad se
desve de su objetivo, el cual a su vez causa una prdida de la calidad. Ruido es
variabilidad.
Factores de ruido son los factores que causan variaciones, son generalmente
incontrolables. Ej. La temperatura, altura, nivel de combustible, son considerados
factores externos de ruido porque ocurren fuera del producto; partes crticas de la
maquinaria que se deterioran, y la variabilidad pieza a pieza en los componentes
fabricados de un coche.
Un buen diseo es aquel que traslada completamente y con xito las
especificaciones y necesidades del cliente a las caractersticas de funcionamiento del
producto o proceso. En este sentido, un buen ingeniero de diseo debera ser capaz de
desarrollar el traslado de caractersticas comentado y de hacer cumplir con su funcin al
producto/ proceso segn las necesidades del cliente, a pesar del ruido esperado.
Un artculo con buena calidad es aquel que realiza sus funciones intencionales sin
variabilidad, y causa pequeas prdidas a travs de los defectos de tipo dainos, incluso
el costo de usarlo. Si el control de costo se preocupa por reducir las diferencias antes de
que el producto sea enviado, el control de calidad se preocupa por reducir los dos tipos
de prdidas que puede causar a la sociedad despus de que se enva.
El modo ms efectivo de evitar los efectos perjudiciales de la variacin y su
habilidad para afectar a las expectativas de los clientes, es disear productos y procesos
de forma que disminuya la sensibilidad de stos productos a la variacin y sin incurrir
en gastos extra. La Metodologa del Diseo Robusto (RDM, Robust Design
Methodology) es una forma de hacerlo.
El Diseo Robusto es la sostenibilidad de las salidas (Ys) a travs del control basado en
las variaciones (Xs).
Con objeto de utilizar el RDM de una manera ms efectiva para lograr esta meta,
es importante conocer las fuentes de variacin de importancia para la satisfaccin y la
insatisfaccin del cliente.
10
Factores de ruido
Producto
O
Proceso
Factores de seal
Respuesta
Factores de control
Figura 2. Diagrama-P, de Phadke (1989)
11
Categoras de Ruido
Off-Line
On-Line
Variaciones
en la
condiciones de
Produccin
uso
Diseo de Producto
Diseo de Procesos
Produccin
12
4.3
La Metodologa del Diseo Robusto (RDM) est logrando una atencin creciente.
Genichi Taguchi desarroll inicialmente el RDM en Japn en los aos cincuenta,
basndose en las ideas del Diseo de Experimento y en una nueva percepcin de que la
Variacin es una variable de respuesta al menos tan importante o incluso ms que la
Media. Las primeras aplicaciones aparecieron en la industria estadounidense a
principios de los ochenta, donde con el tiempo se integr en las principales corrientes
estadsticas usadas en la industria. Este proceso de integracin est en curso y
recientemente est siendo objeto de una amplia atencin debido a los programas de
mejora usados en la industria, como la Six Sigma y el Diseo para la Six Sigma. Ha
llegado a ser ms y ms claro para los lderes de la industria el hecho de que la robustez
tiene que ser introducida en una fase temprana del los procesos de desarrollo del
producto. Un marco de trabajo para el Diseo Robusto generalmente reconocido es el
que desarrollaron Clausing y Cohen (2000), llamado Ingeniera de Sistemas
Comerciales (Comercial Systems Engineering). Este identifica 3 fases en el desarrollo
del
sistema:
Requisito,
Concepto,
Mejora
(RCI-
Requirement,
Concept,
Improvement).
El enfoque de Taguchi est en el diseo del sistema, el diseo de parmetros y el diseo
de tolerancias, que se relacionan ante todo con el aspecto de la Mejora del RCI.
Han habido algunos trabajos tericos en la aplicacin del RDM a los aspectos del
Requisito y el Concepto del RCI, sin embargo los procesos de desarrollo de la
industria actual estn an muy verdes. Hay una necesidad de investigacin emprica y
de desarrollo para superar las aparentes dificultades para la industria a la hora de
asimilar estas ideas.
Adems de Taguchi, Phadke, Kackar , Box y Jones han contribuido de forma
significativa a establecer el RDM como una metodologa para mejorar la calidad del
producto y el proceso. Como argumentaron Nair, Fowlkes y Creveling, el RDM es un
marco de trabajo ms que un mtodo especfico. Este marco est basado en la
conciencia de la variacin y la importancia de disear productos y procesos insensibles
a la variacin.
13
La naturaleza de los mtodos es probablemente una de las razones por la que son ms
aceptados en la cultura industrial japonesa, ms estructurada, y por qu son ms
desatendidos en Europa.
Otro ejemplo de la insuficiente cobertura de la Metodologa del Diseo Robusto para el
proceso de desarrollo es la ausencia de herramientas prcticas simples para analizar un
nuevo producto en sus fases tempranas de desarrollo. Se podr hacer un anlisis con
nuestro mtodo propuesto en este documento, el Anlisis Modal de variaciones y Efecto
(VMEA).
14
4.4
VMEA
DoE
INSENSI
BILIDAD
15
4.5
4.5.1
16
4.5.2
Mtodo
Este informe est basado en una encuesta llevada a cabo como parte de un paquete de
trabajo del proyecto europeo en el que est enmarcado mi proyecto; ms concretamente
como parte de la tarea :Estado del diseo robusto. La encuesta ha sido llevada a cabo
en Alemania, Irlanda, Holanda, Espaa y por la Universidad Tecnolgica de Chalmers
en Suecia. Se us un esquema de entrevista idntico en todos los pases, en total el
informe contiene 226 compaas, principalmente compaas manufactureras, y la
persona encuestada el encargado de desarrollo del producto. Si una persona con este
cargo no era accesible, entonces nos dirigamos al jefe de calidad. El nmero de
respuestas de los cinco pases se muestra en la Tabla 2.
Pas
Respuestas
Holanda
30
Alemania
12
Irlanda
42
Espaa
55
Suecia
87
Total
226
.
Tabla 2. Sumario de las respuestas
Como se indic en el apartado anterior, el informe cubre las siguientes reas; conciencia
de la variacin, conocimiento y uso del RDM y mtodos de soporte, y finalmente,
factores que afectan al uso del RDM. El orden de aparicin de estas reas en el
cuestionario se ilustra en la Figura 3 de abajo.
17
Informacin base
Uso de mtodos
adecuados en el
marco del RDM
Uso de mtodos
adecuados en el marco
del RDM
Factores que afectan al
uso del RDM
18
4.5.3
4.5.3.1 Introduccin
El propsito de esta encuesta y, por consiguiente, del estudio que aqu presento es saber
ms sobre el uso actual del Diseo Robusto y los mtodos de calidad aplicados en los
procesos de desarrollo del producto por las industrias manufactureras en Espaa.
La encuesta fue enviada por e-mail en una primera fase a 121 empresas de diferentes
tipos y que operaban en distintos sectores como el del automvil, aeronutica, metal y
sector mecnico. En la segunda fase, 83 de las 121 compaas fueron contactadas por
telfono. Las entrevistas tuvieron un gran nivel de respuesta, 53 compaas (un 64% de
las compaas) aceptaron ser entrevistadas y recibir una copia de los resultados. El 26%
de las que no tomaron parte en el estudio fue debido a que el responsable de calidad no
estaba disponible en ese perodo de tiempo o porque no estaba interesado en participar.
Las 53 compaas que participaron son fabricantes de distintos tamaos y regiones de
Espaa: Madrid, Catalua, Pas Vasco, Cantabria, Galicia, Navarra, Comunidad
Valenciana, Castilla Len y Andaluca, de forma que todas ellas suponen una
representacin de todos los sectores.
Para la evaluacin de la encuesta he anotado los datos obtenidos en la encuesta
telefnica, y he analizado cada cuestin usando un grfico circular, aparte de algunos
comentarios sobre los mismos. Al final tambin se presentan las conclusiones
principales.
19
8%
S
92%
Grandes
diferncias
No
Nmero de
compaas: (53)
18
15
13%
36%
8%
15%
28%
20
No imp.
Nmero de
compaas: (53)
Muy imp.
35
El 91% de las compaas considera importante el hecho de que todos los productos
tengan caractersticas idnticas. El 73% lo considera muy importante y slo el 9%
afirma que no es muy importante debido a la naturaleza de sus trabajos.
9%
0%
9%
13%
69%
Buen
Conocimiento
No
Nmero de
compaas: (53)
20
23
El 98% de las compaas afirma saber las causas de estas diferencias entre las muestras.
Slo el 2% no lo sabe. Adems, la mayora de las compaas que afirman saberlo,
consideran que tienen buen conocimiento o muy bien conocimiento del problema.
21
2%
2%
17%
41%
38%
Nada
Nmero de
compaas: (53)
Bastante
11
16
20
El 98% de las compaas trabaja activamente para asegurar la conformidad entre las
muestras, solo el 2% no lo hace. El 68% asegura que adems lo hace con mucho
empeo.
38%
2% 9%
21%
30%
Afirmacin
Nmero de
compaas: (53)
32
25
22
El 66% de las compaas separa los productos para encontrar aquellos que no cumplen las
especificaciones y as rechazarlos, o disea los productos de forma que las caractersticas del
producto sean insensibles a la fabricacin o a las condiciones de los usuarios. El 21% usa una
combinacin de ambos y el 13% usa otra forma de trabajar para lograr la conformidad.
13%
40%
21%
26%
No
Nmero de
compaas: (53)
Bastante
35
Segn el nmero de respuestas, el 64% de las compaas nunca ha odo hablar del
RDM. Slo un 17% lo ha hecho. El resto han odo hablar pero no saben muy bien lo que
es.
8% 9%
8%
11%
64%
No
Nmero de
compaas: (18)
Bastante
23
De las 53 compaas, slo 18 conocan el RDM, un 34%, y a ellas se les pregunt sobre
su aplicacin. De stas, solo el 38% lo aplican con gran extensin. El 23% lo usa
ocasionalmente, y el 39% afirma que nunca lo ha aplicado.
0%
0%
9%
9%
18%
64%
8a. Mtodos que usan las compaas usuarias del RDM para conseguir que sus
productos sean insensibles ante la variacin.
Ocasionalmente
a. SPC (Proceso
estadastico)
de
Nmero de
Sin
compaas:
uso
11
control
Regularmente
Todas las compaas que han odo hablar del mtodo del Diseo Robusto han
hecho algn uso del SPC. El 64% de las empresas lo usan regularmente.
0% 9% 9%
64%
18%
24
Ocasionalmente
Nmero de
Sin
compaas:
uso
11
Regularmente
El 18% de las empresas usan el DOE regularmente, el 9% lo usa algunas veces y el 18%
nunca lo ha usado. Este parece ser el menos popular entre las compaas que usan SPC.
18%
18%
9%
9%
28%
18%
Ocasionalmente
c. Herramientas de
(Producto o proceso)
simulacin
Nmero de
Sin
compaas:
uso
11
Regularmente
El 27% de las empresas usan herramientas de simulacin (tanto para productos como
para procesos) regularmente, ninguna lo usa ocasionalmente y el 28% nunca usa este
mtodo.
27%
28%
0%
27%
0%
18%
25
Ocasionalmente
c. Herramientas de
(Producto o proceso)
simulacin
Nmero de
Sin
compaas:
uso
11
Regularmente
Casi todas las compaas conocen y usan este mtodo y la mayora lo aplica
regularmente. El 55% declara usar el DFMEA regularmente.
9%0%
9%
0%
55%
27%
Ocasionalmente
Nmero de
Sin
compaas:
uso
11
Regularmente
0% 9% 0%
18%
73%
26
Ocasionalmente
Nmero de
Sin
compaas:
uso
11
Regularmente
9% 0%
9%
55%
27%
Ocasionalmente
g.
DFM/DFA
(Diseo
Manufacturacin/ensamblaje)
Nmero de
Sin
compaas:
uso
11
de
Regularmente
36%
46%
0%
9%
0%
9%
27
Ocasionalmente
Nmero de
Sin
compaas:
uso
11
Regularmente
El 27% de las empresas regularmente usa los mtodos Taguchi (una versin del DOE),
ninguna de ellas lo usa ocasionalmente y el 28% nunca lo ha usado.
27%
28%
0%
9%
9%
27%
Ocasionalmente
Nmero de
Sin
compaas:
uso
11
Regularmente
El 37% de las empresas usan regularmente el Anlisis del rbol de fallos (FTA),
ninguna de ellas lo usa ocasionalmente y el 18% nunca usa este mtodo.
18%
37%
0%
18%
18%
9%
28
Nota: Las compaas entrevistadas no usan otros mtodos para insensibilizar sus
productos ante la variacin, y slo aplican los anteriores.
8b. Mtodos usados por las compaas (que no utilizan el Diseo Robusto) para
hacer los productos menos sensibles a la variacin.
Ocasionalmente
a. SPC (Proceso
estadstico)
de
Nmero de
Sin
compaas:
uso
42
control
Regularmente
16
5%
10%
37%
10%
21%
17%
Ocasionalmente
Nmero de
Sin
compaas:
uso
42
17
Regularmente
29
7% 12%
40%
10%
12%
19%
Ocasionalmente
c.
Herramientas
de
simulacin
(Producto o proceso)
Nmero de
Sin
compaas:
uso
42
16
Regularmente
10
24%
38%
10%
7% 7%
14%
Ocasionalmente
Nmero de
Sin
Regularmente
15
compaas: uso
d. Herramientas de
(Producto o proceso)
simulacin
42
15
36%
36%
14%
2%
0%
12%
30
Ocasionalmente
Nmero de
Sin
Regularmente
19
compaas: uso
e. PFMEA (Proceso a prueba de
fallos y anlisis de efectos).
42
14%
12%
45%
0%
17%
12%
Ocasionalmente
Nmero de
Sin
Regularmente
10
19
compaas: uso
f. Estudios de capacidad (Proceso
de capacidad)
42
El 45% de las empresas usan regularmente los estudios de capacidad (capacidad del
proceso), el 7% lo hace ocasionalmente y el 10% nunca usa este mtodo.
10% 7%
7%
45%
7%
24%
31
Ocasionalmente
g.
DFM/DFA
(Diseo
Manufacturacin/ensamblaje)
Nmero de
Sin
compaas:
uso
42
16
de
Regularmente
21%
39%
19%
12%
7%
2%
Ocasionalmente
Nmero de
Sin
compaas:
uso
42
25
Regularmente
Un 5% de las compaas regularmente usan los mtodos Taguchi (una versin del
DOE), el 12% lo hacen ocasionalmente y el 59% nunca usa este mtodo. Parece ser el
ms impopular de todos.
5%
7%
5%
12%
12%
59%
32
Ocasionalmente
Nmero de
Sin
Regularmente
compaas: uso
j. FTA (Anlisis de rbol de fallos)
42
15
35%
19%
17%
10%
5%
8c. Por lo tanto, considerando a todas las compaas entrevistadas, los resultados
segn los mtodos son los siguientes:
Ocasionalmente
Nmero de
Sin
Regularmente
10
23
compaas: uso
a. SPC (Proceso
estadstico)
de
control
53
4% 8%
43%
9%
19%
17%
33
Ocasionalmente
Nmero de
Sin
compaas:
uso
53
19
Regularmente
37%
11%
11%
17%
11%
Ocasionalmente
c. Herramientas de
(Producto o proceso)
simulacin
Nmero de
Sin
compaas:
uso
53
19
Regularmente
13
25%
36%
13%
9%
6%
11%
34
Ocasionalmente
Nmero de
Sin
Regularmente
24
compaas: uso
d. PFMEA (Proceso a prueba de
fallos y anlisis de efectos).
53
16
30%
46%
2%
13%
0%
9%
Ocasionalmente
Nmero de
Sin
compaas:
uso
53
Regularmente
27
11%
9%
2%
52%
13%
13%
35
Ocasionalmente
Nmero de
Sin
compaas:
uso
53
Regularmente
13
25
6%
46%
8%
25%
Ocasionalmente
g.
DFM/DFA
(Diseo
Manufacturacin/ensamblaje)
de
Nmero de
Sin
compaas:
uso
53
20
Regularmente
14
26%
17%
38%
11%
6%
2%
36
Ocasionalmente
Nmero de
Sin
compaas:
uso
53
28
Regularmente
El 9% de las empresas normalmente usan los mtodos Taguchi (una versin del DOE),
el 9% lo hace ocasionalmente y el 54% nunca usa este mtodo.
6%
9%
11%
11%
54%
9%
Ocasionalmente
Nmero de
Sin
compaas:
uso
53
17
Regularmente
10
10
El 19% de las empresas regularmente usan el Anlisis del rbol de fallos (FTA),
el 8% lo hace ocasionalmente y el 31% nunca lo usa.
19%
31%
19%
15%
8%
8%
Nota: En trminos generales, las compaas no usan otros mtodos que les ayuden a
hacer sus productos menos sensibles a la variacin, y solo aplican los mtodos
anteriores.
37
Totalmente
en desacuerdo
a. Usar
el Diseo Robusto
incrementa la competitividad de la
empresa.
Totalmente
de acuerdo
Nmero de
compaas
11
Un 73% de las empresas estn totalmente de acuerdo en que el uso del Diseo
Robusto mejora la competitividad de una compaa, el 9% no lo cree en absoluto.
9%
0%
9%
9%
73%
Totalmente
en desacuerdo
Nmero de
compaas
11
b. Usar el Diseo Robusto mejora la
satisfaccin del cliente.
Totalmente
de acuerdo
Un 64% de las empresas esta totalmente de acuerdo en que el uso del Diseo
Robusto acrecienta la satisfaccin del cliente. Ninguna esta en desacuerdo con esto.
0%
0%
18%
64%
18%
38
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
El 46% de las empresas estn totalmente de acuerdo en que el uso del Diseo
Robusto minora el coste de desarrollo de productos. Ninguna est en desacuerdo
con esto.
0% 9%
46%
18%
27%
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
10
d. El apoyo administrativo es un
importante requisito para el uso del
Diseo Robusto.
0% 9%
91%
39
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
El 82 % de las compaas estn totalmente de acuerdo que para tener xito en el Diseo
Robusto, es importante que la metodologa sea incorporada en el proceso de desarrollo
del producto. Ninguna de las companas estn en desacuerdo.
0%
18%
82%
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
El 64% de las compaas estn totalmente de acuerdo en que las quejas del cliente,
devoluciones y feedback son importantes razones para aplicar el Diseo Robusto, el 9%
de las compaas no estn de acuerdo.
9%
0%
9%
64%
18%
40
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
10
91%
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
Un 27% de las empresas no estn de acuerdo que la principal razn para usar el Diseo
Robusto es que el consumidor quiera que la empresa lo haga. El 37% esta de acuerdo
con esta afirmacin.
18%
37%
9%
9%
27%
41
Totamente
en desacuerdo
Totalmente
de acuerdo
Nmero de
compaas
11
Un 28% de las empresas estn totalmente de acuerdo con que el hecho de que los
clientes estn insatisfechos es una razn para aplicar el Diseo Robusto, el 18% no est
de acuerdo con esto.
18%
28%
18%
18%
18%
9b. Razones por las que las compaas que han odo hablar de Six sigma, no la
usan.
Nmero de
compaas
a. Usaramos Diseo Robusto si la
diferencia entre los ejemplos de los
mismos productos fuesen percibidas
como un problema.
Verdade
Falso
ro
Sin opinin
1
20%
40%
40%
42
Nmero de
compaas
b. Usaramos Diseo Robusto si fuese
parte de nuestro proceso de desarrollo de
producto.
Verda
Falso
dero
3
Sin opinin
1
El 60% de las compaas usaran el Diseo Robusto si fuese parte del proceso
del desarrollo de su producto. El 20% no considera esta razn.
Nmero de
compaas
c. Usaramos Diseo Robusto si fuese un
requisito de nuestros clientes.
Verd
Falso
adero
3
Sin opinin
0
El 60% de las companas usaran el Diseo Robusto si fuese un requisito de los clientos.
Esta no es ta razn por la que el 40% restante no lo usara.
0%
40%
60%
Nmero de
compaas
d. Una de las razones por la que no
usamos el Diseo Robusto es que no
vemos
ninguna
ventaja
en
su
metodologa.
Verd
Falso
adero
1
Sin opinin
0
Slo un 20% de las compaas no usan el Diseo Robusto porque no ve ninguna ventaja
en la metodologa. El 80% no esta de acuerdo con esta afirmacin.
0%
20%
80%
43
Nmero de
compaas
e. Una de las razones por las que no
usamos el Diseo Robusto es que
consume demasiado tiempo.
Verda
Falso
dero
1
Sin opinin
1
El 20% de las empresas que no usan el Diseo Robusto es porque les consume
demasiado tiempo, el 60% no esta de acuerdo con esto.
20%
20%
60%
Nmero de
compaas
f. Usaramos el Diseo Robusto si alguien
de nuestra compaa tuviera suficiente
conocimiento de la metodologa.
Verda
Falso
dero
4
Sin opinin
0
20%
0%
80%
44
10%
10%
3%
77%
45
4.5.3.3
Conclusiones
Podemos destacar algunos puntos de toda la informacin recogida tras las entrevistas,
para as tener la visin general sobre el estado actual en Espaa.
La utilizacin del mtodo del Diseo Robusto entre las empresas espaolas es
limitada, ya que un 64% de las empresas nunca han odo hablar de esta metodologa.
Por otra parte, solo el 39% de las compaas que han odo hablar de este lo aplican.
Es una sensacin comn entre las empresas que es importante que la administracin
apoye a que alguien con conocimientos del Diseo Robusto que lidere y gue la
implementacin y uso de esta metodologa para conseguir el xito del Diseo
Robusto.
Las empresas que conocen el Mtodo del Diseo Robusto estn de acuerdo en que
su uso aumenta la competitividad de la compaa, incrementa la satisfaccin del
cliente y disminuye el coste de desarrollo del producto.
46
4.5.4
47
La Figura 4 revela que menos del 50% de los encuestados conocen el RDM, y un poco
menos del 10% asegura conocerlo muy bien. Sin embargo, una cuestin ms interesante
es qu extensin de las compaas que lo conocen, lo aplican. As que se expuso otra
pregunta concerniente al uso del RDM: Con qu extensin aplica su compaa el
RDM? La respuesta a esta pregunta se muestra en la Figura 5. Se indica que un 75% de
los encuestados que conocan el RDM aplican esta mitologa (de 2 a 5), y menos del
20% lo usan con un gran alcance (valoracin 5). Comparado con el total de encuestados,
el 34% usa el RDM.
Suecia
Alemania
Holanda
Espaa
Irlanda
Figura 5. Extensin del uso del RDM; 1= nada y 5= un uso amplio. Nmero de
respuestas: 103
48
Durante las ltimas dcadas, los programas de Six Sigma han aumentado su
popularidad. Una reciente tendencia entre las compaas es expandir los esfuerzos para
incluir el desarrollo de los productos; este esfuerzo es a menudo etiquetado como
Diseo para las Six Sigma (DFSS). La base del DFSS y del RDM es ms o menos la
misma, i.e., disear productos insensibles a la variacin. Es por lo tanto interesante ver
cuntos encuestados estn familiarizados con el Six Sigma, el nivel de familiaridad se
muestra en la Figura 6.
Suecia
Alemania
Holanda
Espaa
Irlanda
Si
No
Figura 6. Conocimiento de Six Sigma por pas; s o no. Numero de respuestas: 226
En total, el 77% de los encuestados afirmaron que han odo hablar del Six Sigma. El
resultado por pas se muestra en la Figura 6. Se investig tambin cuntas de las
compaas que conocan el Six Sigma estaban involucrados en un programa de Six
Sigma o haban planeado introducir un programa de este tipo en sus compaas. El 13%
de las compaas indicaron que haban implementado un programa Six Sigma, y adems
un 12% planeaba hacerlo. Considerando que el Six Sigma es una iniciativa ms reciente
que el RDM, es interesante saber que cerca de un 80% de las compaas conocen el Six
Sigma mientras que menos del 50% conocen el RDM.
49
50
La figura 7 muestra que aproximadamente un 80% de los que usan el RDM estn de
acuerdo con que el uso del RDM incrementa la competitividad de la compaa y la
satisfaccin del cliente. As que quiz deba concluirse que los esfuerzos dentro del
RDM son considerados exitosos por un gran nmero de usuarios. Otra opinin
igualmente comn era que es importante que los ingenieros de diseo tengan un buen
conocimiento del RDM. Finalmente, cerca de un 90% de las compaas pensaron que el
RDM deba ser incorporado al proceso de desarrollo del producto y que la devocin de
de la direccin es un prerrequisito para un amplio uso del RDM. Si la direccin no se
interesa, existe el riesgo de que las cuestiones relacionadas con la reduccin de la
variacin tengan una prioridad muy baja en la organizacin.
51
52
Figura 8. Utilizacin de los mtodos. Azul= Alto nivel; Granate= Bajo nive;
Blanco= No lo usan. Nmero de respuestas: 226
Como se ve en la figura 8, el nivel de uso de los nueve mtodos de investigacin es en
general bastante alto. Todos los mtodos excepto el de Taguchi lo usan ms de un 60%
de las compaas. Sin embargo, los datos no revelan el propsito del uso de esos
mtodos. Por ejemplo, el DoE puede ser usado tanto para encontrar soluciones de
diseo que mejoren el nivel de funcionamiento del producto como para reducir la
La Metodologa del Diseo Robusto
53
variacin del funcionamiento. Una investigacin del propsito del uso de los mtodos
habra requerido unas preguntas abiertas y sin fin, las cuales no son adecuadas para
encuestas telefnicas, debido a las restricciones de tiempo. Una manera posible de de
obtener una indicacin de si los mtodos son o no usados para lograr la robustez es
comparar el nivel de uso entre las compaas que usan el RDM y las compaas que no
lo hacen.
54
Factores de ruido
Producto
O
Proceso
Factores de seal
Respuesta
Factores de control
Figura 9. Diagrama-P del diseo robusto
Conciencia de la Variacin
La conciencia de la variacin comienza a un nivel ms bsico que el hecho de tener
conocimiento de los factores de ruido que afectan a un producto especfico. Este nivel
bsico de conciencia se diriga a una de las primeras cuestiones planteadas a cada
compaa. La cuestin era: Ve usted diferencias entre muestras de un mismo
producto? La escala de respuesta estaba entre 1 (no) y 5 (amplio contraste). Los
resultados de la pregunta se indican en la Figura 10 de abajo.
55
Suecia
Alemania
Holanda
Espaa
Irlanda
Figura 11. Conocimiento de las causas de las diferencias entre las caractersticas de
las muestras; 1= no y 5= muy bueno. Nmero de respuestas: 225.
Como se vio en la Figura 11, un 70% de las compaas tienen buen o muy buen
conocimiento de las causas de las variaciones en las caractersticas del producto. Una
pregunta adicional relacionada con el conocimiento de la variacin y sus efectos
concerna a la importancia de lograr ajuste, amoldarse. La pregunta era: Cmo es de
importante el hecho de que todos los productos tengan caractersticas idnticas? y la
respuesta fue dada en una escala de uno a cinco. Los resultados mostrados en la Figura
56
12, muestran que el 60% de los encuestados piensa que es muy importante lograr el
ajuste o amoldamiento entre muestras del mismo producto.
Suecia
Alemania
Holanda
Espaa
Irlanda
57
58
59
4.6
Pasa/ No Pasa
Fraccin defectuosa
Nmero de Defectos
Produccin
Apariencia
La calidad en ppm
60
KPC o Caractersticas Clave del Producto, que son las que se utilizan para
desarrollar el VMEA. Adems una KPC puede ser dividida en Sub-KPC y stas
a su vez en Factores de Ruido NFs.
Esta ltima asignacin ser la que tendremos en cuenta para el desarrollo del Anlisis
Modal de Variaciones y Efectos y que explicar con detalle ms adelante.
61
5.
SIX SIGMA
5.1
Marco histrico
Los
servicios
de
telecomunicaciones
transmitiran
1.314
llamadas
errneas.....cada 60 minutos.
Six Sigma
62
Por suerte las cosas funcionan mejor de lo previsto, as los informes reales muestran que
de los 67.000 pacientes quirrgicos diarios, solamente 25 no lograran salir del trance en
la actualidad. Esto significa un 0,037%, lo que equivale a un promedio de xito del
99,963% (15 veces mejor que la norma del 99,9%). En el caso de las aerolneas, si se
consideran los accidentes como defectos, su nivel actual sera de 6,5 Sigma. Pero en el
manejo del equipaje, el nivel es apenas del 3,5 Sigma.
Al igual que en la industria de los semiconductores, otras como la textil, la
siderrgica, las mquinas herramientas, la electrnica, y la automotriz entre otras tantas
han visto perder competitividad, mercado y utilidades da a da por haber estado
ancladas a paradigmas que ya no eran vlidos dentro del nuevo esquema mundial.
La empresa de finales de los ochenta parece haber encontrado su nuevo credo: el de la
calidad total. Las empresas que se limitaban a hacer el control a posteriori de su nica
calidad presentaron la quiebra una tras otra. Las empresas de hoy si quieren sobrevivir,
deben trabajar para sus clientes ms que para s misma.
Algunos de los motivos que justifican la adopcin de la calidad total como proyecto de
gestin son:
-
La
competencia
desenfrenada
en
un
mundo
ms
interconectado
Six Sigma
63
Que existe un proceso de calidad total y que ciertas economas lo han adoptado,
por lo que todas aquellas que no lo han hecho han visto abrirse a toda velocidad
un abismo en su competitividad.
En los aos ochenta la TQM (Gestin de Calidad Total) fue muy popular, pero sufri un
proceso de desgaste. Era menester generar un mtodo que motivar un liderazgo por la
calidad. Esto se dio con la Six Sigma en funcin de tres caractersticas:
1. Six Sigma est enfocada en el cliente.
2. Los proyectos Six Sigma producen grandes retornos sobre la inversin. En un
artculo de la Harbara Budines Rebin, Passer y Reichheld sealan que las
compaas pueden ampliar sus ganancias en casi un 100% si retienen slo un 5%
ms de sus clientes gracias al logro de un alto grado de calidad.
3. Six Sigma cambia el modo que opera la direccin. Six Sigma es mucho ms que
proyectos de mejora. La direccin y los supervisores aprenden nuevos enfoques
en la forma de resolver problemas y adoptar decisiones.
As como en Japn empresas como Toyota, Honda, Mazda, Fujitsu, Cannon y NEC
entre otras fueron base del desarrollo del Just in Time y del Kaizen, en el caso de Six
Sigma empresas como Motorola, General Electric, Honeywell, Sears Roebuck,
American Express, Johnson & Johnson, Federal Express y Ford Motor le han servido
como plataforma de investigacin y desarrollo.
Bases del xito:
La nueva piedra filosofal de la calidad total permite a la empresa satisfacer siempre
mejor al cliente y siempre ms barato. Se demuestra que la calidad no cuesta ms caro;
al contrario, rinde porque permite vender. Lo que cuesta caro es la no-calidad, es decir,
el fracaso, los costes intiles, los retrasos; todo esto es producto de una mala
organizacin que se le factura como multa al cliente y que le sorprende, le disgusta y
finalmente le desva hacia otros proveedores, porque tienen de ahora en adelante el
dilema de elegir.
Six Sigma
64
5.2
Objetivo
Llegar a los Seis Ceros: cero defectos, cero stocks, cero averas, cero plazos, cero
papeles y cero accidentes.
El objetivo global es a largo plazo, pero en las organizaciones nos vemos obligados a
presentar resultados a corto plazo tambin, mientras trabajamos en el largo plazo; Six
Sigma permite cumplir simultneamente con ambos objetivos a la vez.
Los objetivos se pueden englobar en 3.
1. Mejora de procesos: Medir es necesario pero no suficiente a la larga, para
estimular a las personas a que realicen cambios. El anlisis de los defectos por
milln y de sus correspondientes valores sigma dar una orientacin acerca de
cuales son los procesos que tienen mayores potenciales de mejora; una vez hemos
detectado donde estn los potenciales de mejora hemos de poner en prctica los
instrumentos y capacidades para mejorar estos procesos.
2. Mejora de productos: Six Sigma permite establecer una sistemtica de mejora
continua de productos; pero con Six Sigma podemos ir mucho ms all, pues es un
apoyo excelente para el diseo robusto de productos y para una dinmica de
simplificacin de productos.
Los ingenieros de diseo para desarrollar sus productos robustos y simplificados
necesitan conocer la capacidad de los procesos, con ello pueden reducir los costes de
fabricacin al tiempo que disean productos con menor variabilidad en su proceso
de fabricacin.
3. Una sistemtica para la resolucin de problemas: Cuando se presenta un
problema en un proceso, lo normal es que en primer lugar acudamos a nuestra
experiencia pasada para encontrar soluciones o buscar causas, luego acudimos a
procedimientos de anlisis tipo Ishikawa, Pareto, etc. Estos mtodos no siempre nos
llevan a soluciones ptimas.
Six Sigma nos aporta una sistemtica ms precisa y concluyente con la aplicacin
del diseo de experimentos, la utilizacin adecuada del anlisis de regresin, SPC y
otros muchos mtodos estadsticos. La sistemtica de medida y resolucin de
problemas utilizando probadas tcnicas estadsticas junto con una adecuada
Six Sigma
65
Six Sigma
66
5.3
Definicin
Six Sigma implica tanto un sistema estadstico como una filosofa de gestin.
Podemos definir Six Sigma como:
siendo sta una forma estadstica de describir cunta variacin existe en un conjunto de
datos.
Tcnicamente, calidad Six Sigma equivale a un nivel de calidad con menos de
0,000003 defectos por oportunidad (3 defectos por milln de oportunidades).
Desafortunadamente, no hay una regla, inmediata, sencilla y fcil para alcanzar tal nivel
de calidad. Six Sigma es una metodologa que ayudara a alcanzar tal objetivo.
En la terminologa de Six Sigma, los requerimientos y expectativas de los clientes
se llaman CTQs (Crticos para la Calidad).
A corto plazo aporta soluciones rpidas a problemas sencillos o repetitivos; a largo
plazo aporta una metodologa de diagnstico, diseo robusto, establecimientos de
tolerancias, al tiempo que aporta un medio sencillo de comunicacin y establecimiento
de metas.
Aporta herramientas de mejora: diseo de experimentos, anlisis de regresin,
tolerancias, diseo robusto y otros mtodos sistemticos para reducir la varianza.
No menos importante es la estructura organizativa que utiliza Six Sigma con los
Black Belt, empleados especialmente entrenados para mover a la organizacin a la
consecucin de los objetivos marcados.
Six Sigma
67
DEFINIR
Definir el problema
Debe definirse claramente en qu problema se ha de trabajar, por qu se trabaja en ese
problema en particular?, cules son los requerimientos del cliente?, cmo se lleva a
cabo el trabajo en la actualidad?, cules son los beneficios de realizar una mejora?
Enfocarse en el cliente. Las necesidades y requerimientos del cliente son fundamentales.
Siempre debe tenerse en cuenta que definir correctamente un problema implica tener un
50% de su solucin.
Medir
El medir persigue dos objetivos fundamentales:
1. Tomar datos para validar y cuantificar el problema o la oportunidad de mejora.
Siempre es menester tener una clara nocin de los defectos que se estn produciendo
en cantidades y expresarlos tambin en valores monetarios.
Six Sigma
68
Six Sigma
69
Six Sigma aporta las enseanzas para encontrar dicha ecuacin, y requerir ayuda
estadstica.
2. Black Belts
Son los agentes de cambio, entrenados en el uso de mtodos estadsticos. Hay quien
los llama "comandos infiltrados, estn bien entrenados y se les asignan objetivos
ambiciosos.
Estos agentes de cambio conocen bien la propia organizacin, los productos y las
personas y se les ensea la metodologa Six Sigma.
Six Sigma
70
defectos administrativos, trabajos innecesarios, etc. Todos los defectos, son por
supuesto, trabajos sin valor aadido. Actualmente el nivel de defectos oscila entre el
15 y 20 % de la facturacin, esto es una buena indicacin del potencial de ahorro
que tenemos en nuestras manos.
2. El segundo dinamizador es la ruptura de la complacencia. Six Sigma impulsa hacia
una sensacin de urgencia y necesidad de situarse en los niveles de estndar
mundial. Six Sigma es un instrumento esencial para crear tal concienciacin, con el
propsito ltimo de mejorar la rentabilidad y competitividad.
Six Sigma
71
Six Sigma
72
5.4
Formacin y Entrenamiento
No cabe duda de que un aspecto imprescindible de una iniciativa como Six Sigma se
sustenta en una formacin adecuada de todas las personas que intervienen en el proceso.
Una empresa que ha decidido incorporar en sus procesos de desarrollo la Six Sigma
debe de tener adecuadamente informados a todos sus empleados y aportarles la
formacin necesaria en funcin de su nivel de participacin.
Mucho se ha dicho acerca de la importancia del papel de la direccin en
cualquier actividad de una empresa, esto es tan evidente que no hara falta decirlo; pero
muchas iniciativas de mejoras, lentas o rpidas, a largo plazo o a corto, con muchos
recursos o pocos, han fracasado por falta de actuacin
de la direccin. Cuando
Six Sigma
73
Amarillos
Verdes
Black Belt
Ingeniera
Contenido
principal
Requisitos del
BB
Muy bsico
Bsico
Normal
Completo
Avanzado
Duracin
2 das
1 da
2 das
4 das
13 das
15 das
Directores
generales, de
planta, divisin..
Directores de
ingeniera,
produccin,
calidad
X
X
Otros directores
Ingenieros de
diseo, de
produccin
Ingenieros de
calidad
Gestin de
aprovisionamiento
Contabilidad,
personal,
planificacin
Pruebas,
marketing
O
O
Fases de implantacin
Un plan exitoso de Six Sigma comprende cuatro etapas fundamentales, cada una de las
cuales esta constituidas por sub-etapas (las cuales pueden desarrollarse en forma
paralela)
1 Decisin del Cambio
2 Despliegue de Objetivos y Capacitacin
Estrategia de implantacin
3 Desarrollo del Proyecto
4 Evaluacin de Beneficios
Six Sigma
74
decisiones,
creatividad,
pensamiento
lateral,
mtodos
de
creatividad,
Six Sigma
75
Cinturones y Lderes
Como una forma de identificar a determinados miembros del personal que cumplen
funciones especficas en el proceso de Six Sigma, e inspirados en las artes marciales
como filosofa de mejora continua y elevada disciplina, se han conferido diversos
niveles de cinturones para aquellos miembros de la organizacin que lideran y ayudan a
liderar los proyectos de mejoras.
As con el Cinturn Negro (Black Belt) tenemos a aquellas personas que se dedican a
tiempo completo a detectar oportunidades de cambios crticas y a conseguir que logren
resultados.
Six Sigma
76
Six Sigma
77
5.5
Medicin de la Calidad
Aquello que es rentable mejorar y aquellas variables que deseas modificar con los
programas de mejora.
Aquellas variables que tienen que garantizar que los programas en marcha den
resultados.
Six Sigma
78
Six Sigma
79
Figura 17. Nivel 6 sigma: controlado y muy capacitado para cumplir las
especificaciones del cliente. Producir 3.4 defectos por milln de oportunidades.
Siempre que la medicin est dentro del intervalo USL-LSL diremos que el
producto o servicio es conforme o de calidad. En este caso se siguen las ideas de
Crosby, quien considera la calidad como sinnimo de cumplimiento de las
especificaciones.
Six Sigma
80
(con los distintos sistemas de medicin en funcin del tipo de bien o servicio) por el
total de defectos factibles (CTQ) y luego lo multiplicamos por un milln obtenemos los
defectos por milln de oportunidades (DPMO). Luego revisando la tabla de sigma se
tienen los niveles de sigma.
Cada uno de los parmetros que vayamos a medir puede implicar una o varias
oportunidades.
CTQ N artculos producidos = Total defectos factibles = Oportunidades de fallo
Dpmo= (
Fallos dectados
) 1.000.000
Total defectos factibles
Cuando se contabilizan varios dpmo de puede calcular un dpmo global y este dpmo se
puede convertir en valor sigma
DPMO
1.000.000
900.000
800.000
700.000
600.000
500.000
400.000
300.000
200.000
100.000
0
0,00
1,00
2,00
3,00
4,00
5,00
6,00
7,00
Six Sigma
81
Estadstica bsica:
La mayora de los procesos productivos siguen una distribucin normal, con una
distribucin de frecuencias siguiendo la campana de Gauss y con una probabilidad de
que algunos valores queden fuera de los lmites superior e inferior; esta probabilidad es
lo que entendemos por "probabilidad de defecto"
Nuestro proceso ser tanto ms fiable cuanto mas centrada respecto a los lmites y
cuanto mas estrecha y alta sea la campana. Una campana achatada y descentrada es
consecuencia de grandes probabilidades de defectos. De forma grfica, el rea de la
campana de Gauss que queda fuera de la zona marcada por los lmites superior e
inferior es precisamente la probabilidad de defecto. Por ejemplo, en la Figura 19, las
zonas sealadas por las flechas naranjas son las que no cumplen con los requerimientos.
p1
p2
Para calcular el porcentaje de productos que cae fuera de las especificaciones, p1 y p2, se
usa el valor Z y la tabla de la distribucin normal estndar.
Zlower = X LSE /
Six Sigma
82
El resultado, con dos decimales, indica que el LSE est situado a una distancia
Zlower de la media total. Introduciendo este valor de Z en la tabla de la normal
obtendremos la probabilidad de que ocurra esto.
Zupper = USL X /
Indica cuntas desviaciones estndar estimadas existen entre la media total y el
lmite de especificacin superior. Introduciendo este dato en la tabla de la
normal obtendremos la probabilidad p2 de fabricar productos que estn por
encima de la especificacin superior.
Six Sigma
83
Six Sigma
84
5.6
Beneficios
Podemos considerar a la Six Sigma como la nueva piedra filosofal de la calidad total
que permite a la empresa satisfacer mejor al cliente y siempre ms barato. Esto ha sido
la clave de su xito. Se demuestra que la calidad no cuesta ms caro; al contrario, rinde
porque permite vender. Lo que cuesta caro es la no-calidad, es decir, el fracaso, los
costes intiles, los retrasos; todo esto es producto de una mala organizacin que se le
factura como multa al cliente y que le sorprende, le disgusta y finalmente le desva hacia
otros proveedores, porque tienen de ahora en adelante el dilema de elegir.
Las mejoras producidas se evalan despus de la implementacin de los cambios
resultantes del desarrollo de los diversos proyectos. Ello se manifiesta tanto en niveles
de rendimientos, como en niveles de sigma, DPMO y ahorros obtenidos. Adems, ser
conveniente hacer un seguimiento constante de los niveles de satisfaccin tanto de los
clientes internos como externos.
Objetivos difciles pero alcanzables son los que mejores resultados dan. No se debe
esperar que en un ao podamos pasar de un nivel de calidad de 3 a 4 Valor Sigma, el
valor global tardar probablemente ms tiempo en alcanzarse.
Six Sigma
85
6.
6.1
Introduccin
Es esencial para las grandes compaas gestionar las variaciones no deseadas para poder
mejorar la calidad y la fiabilidad de sus productos y procesos (de ahora en adelante
usaremos el trmino producto tanto para producto como para un proceso). Con ese
propsito, numerosos proyectos de mejora de la calidad son llevados a cabo. Estos
proyectos, siempre conducidos bajo el marco de trabajo de la Six Sigma, han
proporcionado ahorros significativos en los costes, han mejorado la fiabilidad y han
aumentado la satisfaccin del cliente. De hecho, es bien sabido que la variacin causa
prdidas econmicas.
La variacin en el funcionamiento o desarrollo del producto puede ser atribuida a
diferentes fuentes, generalmente conocidas como factores de ruido (NFs). Los factores
de ruido son las fuentes de variacin que afectan al funcionamiento del producto y no
pueden ser controladas generalmente por los diseadores. Una forma de controlar la
variacin indeseada es dirigirse a la fase del diseo del producto y hacer las
caractersticas del producto insensibles a los factores de ruido. Esta metodologa hace
referencia a un diseo robusto.
El uso del Diseo de experimentos (DoE) es aconsejable para lograr un diseo
robusto de una forma cientfica y eficiente. Sin embargo, sin un buen conocimiento del
producto bajo estudio, el uso directo del DoE quiz requiera un gran nmero de pruebas
experimentales. Los altos costes de los experimentos siempre desaniman a los
ingenieros y directores a hacer experimentos encaminados a lograr un diseo robusto.
As que se necesita un trabajo preparatorio antes de comenzar las pruebas.
Un procedimiento sugerido para planificar y dirigir el diseo de experimentos es
mantener una sesin de brainstorming para as identificar los factores controlables y
las fuentes de variacin antes de que se lleve a cabo el experimento. Algunos de los
siguientes pasos a realizar seran definir el problema, elegir los factores y niveles y
elegir la respuesta. Tambin sera recomendable usar una gua de pre-diseo para
facilitar la planificacin y el diseo, y documentar el experimento industrial de forma
sistemtica. Sin embargo ningn autor comenta como valorar y priorizar los factores de
VMEA
86
VMEA
87
Mtodo VMEA
El VMEA para establecer una teora estadstica, i.e. el Mtodo de los Momentos
Conclusin
VMEA
88
6.2
Objetivo
Prioridad
Areas
Crticas
Sensibilidad
VRPN
KPCs
Sub-KPC
NFs
VMEA
89
6.3
Necesidades y
requerimientos del
cliente
VMEA
PCs
KPCs
1. Desglose de KPCs
2. Valoracin de la
sensibilidad
3. Valoracin del
tamao de la
variacin
4. Calculo del riesgo
de la variacin
Brainstorming
Figura 22. Proceso de seleccin de las KPCs y VMEA
VMEA
90
Glosario de Trminos
VMEA-Variation Mode and Effects Analysis-Anlisis Modal de Variaciones y
Efectos
Mtodo para analizar los efectos causados en un producto por las variaciones
producidas por diferentes causas. Mtodo de fcil uso para obtener una vista general
estratgica de los riesgos que diferentes parmetros pueden implicar en el desarrollo
total del proyecto. El FMEA (Anlisis Modal de Fallos y Efectos) ha sido la base de
este nuevo mtodo.
KPC-Caracterstica
clave
del
producto/proceso
Key
Product/Process
Characteristic)
Una KPC es una caracterstica clave del producto/proceso para la que las variaciones no
deseadas podran tener un efecto importante en la seguridad del producto/proceso, en la
satisfaccin de regulaciones gubernamentales o sobre requisitos de funcionamiento.
Sub-KPC
Un Sub-KPC es un elemento del producto/proceso mediante el cual se transmiten las
variaciones a las KPCs. Un Sub-KPC normalmente puede ser controlado por el
diseador.
NF-Factor de Ruido-Noise Factor
Los factores de ruido son fuentes de variacin que afectan al producto/proceso. Un
factor de ruido no puede ser controlado normalmente por el diseador. Ejemplos tpicos
son aquellos ruidos originados por el uso del producto y variaciones en la produccin.
VMEA
91
VMEA
92
6.3.1
VMEA
93
Produccin
NF
Desconocidas
NFs
Inobservables
Conocidas
Incontrolabl
Observables
Controlables
VMEA
94
VMEA
95
VMEA
96
6.3.2
Puntuacin
1-2
3-4
5-6
7-8
9-10
VMEA
97
6.3.3
Puntuacin
1-2
3-4
5-6
7-8
9-10
VMEA
98
6.3.4
(1)
Aqu:
S1, es la sensibilidad de la KPC a la accin de la Sub-KPC que est influenciada a su vez
por el NF (valorado en el paso 2);
S2, es la sensibilidad de la Sub-KPC a la accin del NF (valorado en el paso 2);
V, es el tamao de la variacin del NF (valorado en el paso 3).
Si uno y el mismo Sub-KPC est influenciado por varios NFs, es posible calcular el
Nmero de Prioridad del Riesgo de la Variacin (VRPN) para Sub-KPC sumando los
VRPN NF/Sub-KPC calculados respecto a esa Sub-KPC.
VRPN Sub-KPC = VRPN NF/ Sub-KPC
(2)
Los fundamentos de las frmulas (1) y (2) vienen de una teora estadstica establecida,
que se explicar en la siguiente seccin. Adems, si uno y el mismo NF afecta a varias
Sub-KPCs, es posible calcular el VRPN
NF/Total
VMEA
99
Ver criterio 2
Ver criterio 1
VMEA
100
6.4
(3)
( x x0 ) 2
f
2 f
f
x 0 y 0
z (x 0 , y 0 ) +
x 0 y 0 (x- x 0 ) +
x 0 y 0 (y- y0) +
+
2
x
x
2
y
2 f
y 2
x0, y0
( y y0 )2
2
(x x0 )( y y0 )
2 f
+
x0 y 0 .
xy
2
(4)
Var {X}=x2,
Var{Y}= y2
VMEA
101
Z f ( z . , y )
(Y X )
f
f
2 f
+
z y . (X X ) +
Z X . (Y y )+
Z y .
2
Y
Y
X
2
(Y y ) + 2 f . ( X Z )(Y y )
2 f
.
z y
z y
2
Y 2
2
XY
2
(5)
1 =
1 2 f
f
f
1 2 f
zx , 2 =
Z Y , 1 =
=
z y
z
y
2
X
Y
2 Y 2
2 Y 2
(6)
Usando la frmula (5), ahora ya es posible calcular los dos primeros momentos de la
variable aleatoria Z. Para el valor esperado, se usar la aproximacin de segundo orden
completa. Para el clculo de la varianza, slo se considerarn los trminos de primer
orden para conseguir as una formulacin simple. Obtenemos:
E {z} f ( z , y ) + 1 x2 + 2 y2
(7)
Var {Z } 12 x2 + 22 y2
(8)
La extensin de los resultados (7) y (8) a una relacin con cualquier nmero de
variables independientes aleatorias es sencilla.
Las frmulas (7) y (8) constituyen la mayor parte del mtodo de los momentos.
Tambin se les llama frmulas de propagacin del error y se usan sobre todo en el
campo de las tolerancias.
Procediendo con este ejemplo ilustrativo, ahora asumimos que la aleatoriedad de
las variables X e Y est causada por varias fuentes de variacin. Concretamente,
llamamos N1, N2, N3,...Nm a las fuentes de variacin que afectan a X y M1, M2,...Mn
aquellas que afectan a Y.
VMEA
102
(9)
(10)
Donde:
1i =
X
Para
N i
i=1,,m
2i =
Y
para j=1,,n.
M j
2
Var {} = 12 112 n21 + ... + 12m m2 + 22 21
M2 1 + ... + 22n M2 n
(11)
(12)
VMEA
103
VMEA
104
factor de ruido. Como resultado, se puede hacer una clasificacin de los factores de
ruido para valorar su importancia relativa, i.e. su efecto relativo en la KPC seleccionada.
Los resultados previos pueden generalizarse fcilmente al caso de cualquier nmero de
KPCs y a cualquier nivel de Sub-KPCs. Por ejemplo, si el factor de ruido Mijkl afecta a
la SubSub-KPCijk de la Sub-KPCij de la KPCi , entonces su VRPN ser evaluado como:
VMEA
105
6.5
VMEA
106
Adems de sealar las sub-KPCs, se pidi a los ingenieros que identificaran un nmero
de factores de ruido (NFs) que afectan a cada sub-KPC. Estos incluan dilucin, flujo
refrigerante, ajuste de la mquina, desgaste de la mquina, variabilidad del proveedor,
dao de la herramienta, desgaste de la herramienta y electricidad. El diagrama final de
Ishikawa de este case study se muestra en la Figura 27. Como puede entenderse de la
Tabla 7 y de la Figura 27, esta ilustracin slo aborda el problema de la gestin de la
variacin no deseada en la fabricacin, cuando las variaciones causadas por el desgaste
y el envejecimiento no estn presentes.
Tabla 7. Sub-KPCs para la KPC
Sub-KPC
Descripcin
Profundidad de la Mquina Herramienta
La mquina herramienta se usa en la primera
fase
de
perforacin
(desbaste).
Su
profundidad es un factor importante.
Dimetro de la Maquina Herramienta
Sistema refrigerante
VMEA
107
Velocidad Hta.
Acabado
Electricidad
Desgaste
Mquina
Dilucin
Refrigerante
Ajuste
Mq.
Flujo
Desgaste
Mquina
Ajuste
Mq.
Profundidad Mq.
Hta.
Dao Hta.
Desgaste Hta.
Variabilidad
proveedor
Desgaste
Mquina
Alimentacin Hta.
Acabado
Ajuste
Mq.
Electricidad
Dimetro
Mq. Hta.
Dao Hta.
Desgaste Hta.
Variabilidad
proveedor
Desgaste
Mquina
Ajuste
Mq.
Ajuste
Mq.
Desgaste
Mquina
Desgaste Hta.
Dao Hta.
Variabilidad
proveedor
Dimetro Mq.
Hta.
Dimetro
Interno
una
KPC
Interno
Sub-KPC
Sensibil
idad
KPC a
SubKPC
Refrigerante
Hta. Acabado
10
Alimentacin
Hta. acabado
Velocidad Hta.
acabado
Profundidad
corte
Hta. corte
VMEA
VRPN
(NF)
2
9
2
8
2
3
2
2
64
2916
1600
25600
25600
10
10
3
6
6
3
2
2
4
1
2
6
1
2
2
1
2
2
2
2
40000
360000
225
3600
3600
225
400
400
3136
196
196
10
1
2
8
2
6
2
2
19600
1764
1024
16384
1024
10
2
2
6
25600
9216
VRPN
(Sub-KPC)
2980
452800
7425
1025
24892
53248
109
tuvieron la
Velocidad
Mq. Acab.
SUB-KPC
VMEA
110
Desgaste
Hta.
Dao
Hta.
Desgaste
Mquina
Variab.
Ajuste
Proveedor. Mq.
Flujo
Electric
Dilucin
Factores de ruido
Figura 28b. Contribucin relativa de los NFs
VMEA
111
6.6
VMEA
FMEA
VMEA
Fallo
s
Variacin
112
EL DISEO DE EXPERIMENTOS
7.1
Antecedentes
Caso Prctico
113
7.2
Todo proceso vara. Esta tendencia inherente de los productos a no ser idnticos se
conoce como Variabilidad el Proceso, mientras que la habilidad de fabricar un producto
de forma que estn dentro de unos lmites predecibles de similitud es la Capacidad del
Proceso.
Usar una y otra vez el mismo proceso dar lugar a muchas tandas de productos que
parezcan similares, pero alguna vez en algn momento se obtendr una tanda que sea
bastante diferente. Cuando esto ocurre, el producto est fuera de la variabilidad normal
del resto, por eso se le llama fuera de lmite.
Algo especial fuera de su proceso definido ocurri y dio lugar a esos fuera de lmite,
por ejemplo, el operario subi la temperatura del horno sin darse cuenta o emple ms
tiempo del necesario, se dice que su proceso se ha ido fuera de control debido a causas
del Proceso.
El Anlisis del Proceso consiste en observar y medir los parmetros crticos que afectan
a un proceso en los intervalos regulares y predefinidos, y registrar las observaciones y
resultados. Los parmetros crticos para monitorizar son escogidos de forma que
representen colectivamente el estado del proceso completo, pero como la
Caso Prctico
114
estimado por el
comportamiento de otro, entonces slo hay que monitorizar uno de ellos. El propietario
del proceso debera eliminar todas las redundancias en la monitorizacin del proceso.
Los resultados del monitor quiz slo se anoten en los libros de registro, pero la
simplicidad de este mtodo tiene un gran inconveniente. Los nmeros escritos en papel
son difciles de analizar de forma visual y no llaman la atencin del propietario del
proceso
emplean las Hojas u Grficos de Control en lugar de grabar las medidas de sus
monitores.
Las Hojas de Recogida de Datos, los Histogramas y los Diagramas de Pareto, son
instrumentos que, partiendo de un conjunto de datos recogidos durante un perodo de
tiempo, revelan valiosas informaciones de sntesis que permanecan ocultas en le
conjunto bruto de los datos. Pero se trata de informacin esttica que no pone de
manifiesto los detalles de la evolucin de los datos en le tiempo.
Para una empresa tambin es fundamental conocer cmo evoluciona cualquier
caracterstica de calidad de los productos que fabrica a lo largo del tiempo. Slo de ese
modo es posible llevar a cabo las acciones necesarias para corregir los defectos que
puedan originarse durante el proceso productivo. Por ello es necesario disponer de
herramientas de informacin dinmica. Las Hojas de Control son instrumentos grficos
de informacin dinmica que pueden utilizarse tanto en el anlisis como en el control
estadstico del proceso.
En condiciones normales de funcionamiento, cualquier variable de cualquier proceso, o
caracterstica de calidad (peso, temperatura, longitud, concentracin, etc.), presenta a lo
largo del tiempo una variabilidad natural. Esta se pone de manifiesto cuando los valores
medios de los datos de cada perodo de tiempo ( X ) y los recorridos del mismo perodo
de tiempo (R, diferencia entre los valores mximo y mnimo de dichos datos), se
Caso Prctico
115
mantienen comprendidos entre dos valores, uno mximo y otro mnimo que se
denominan lmite superior e inferior de control.
Por ejemplo, supongamos que recogemos durante 25 das consecutivos 5 datos cada da
relativos a los valores de una caracterstica de calidad del proceso en anlisis y se
construye con los 125 datos un grfico en el que se registra la media de los 5 datos
diarios, tambin haremos otro con los recorridos.
El grfico completo, denominado X -R, revela la evolucin da a da de ambos valores.
En el Anlisis del Proceso todos los puntos ( X , R), estadsticos de las muestras, deben
estar comprendidos entre ambas lneas para poder asegurar que el proceso est
normalizado y estandarizado, no habiendo existido durante todo el perodo causas
estadsticas asignables que, de existir, originaran puntos fuera de los lmites,
invalidando estos para el posterior control del proceso en perodos sucesivos. En
resumen, los lmites calculados slo son vlidos si todos los puntos ( X , R) obtenidos,
quedan dentro de ellos durante el perodo (hora, turno, das, mes) de anlisis del
proceso.
El objetivo del Anlisis del Proceso es averiguar mediante los datos recogidos, si el
proceso est bajo control estadstico.
Caso Prctico
116
Caso Prctico
117
7.2.1
1. Determinar los datos a reunir. Que habrn de referirse a una variable del proceso
considerada relevante.
En el ejemplo que ilustrar esta exposicin, los datos correspondern a: tiempo en
responder a una solicitud de servicios sociales comunitarios.
Caso Prctico
118
X1 + X 2 + X 3 + ... + X n
X=
X1 + X 2 + X 3 + ...X n
k
R=
R1 + R 2 + R 3 + ... + R n
k
7. Calcular los lmites de control para las medias y los rangos. Tanto los superiores
(UCL, Upper Control Limit) como los inferiores (LCL, Lower Control Limit)
Para el grfico de control de las medias:
UCL = X + A 2 R
LCL = X A 2 R
Caso Prctico
119
UCL = D4 R
LCL= D3 R
Caso Prctico
120
Caso Prctico
121
Por el contrario, cuando un slo punto est fuera de los lmites de control, puede
estar sealando la ausencia de control del proceso. No obstante, esta
probabilidad sera pequea por lo que tal vez no sea oportuno efectuar cambios.
Caso Prctico
122
dos desviaciones tipo de la lnea central. Esta situacin hace sospechar la presencia de
causas asignables, o especficas, de variacin en el proceso.
Caso Prctico
123
7.3
Una variacin del recorrido del proceso sin cambio en la media se pone de
manifiesto en la hoja de control R y tambin se ve afectada la hoja de control X
aproximndose sus puntos a su lnea central cuando el recorrido del proceso
disminuye, y alejndose de ella cuando el recorrido del proceso aumenta.
Pero es necesario hacer notar que para que la utilizacin de las hojas de control sea
eficaz, es fundamental el conocimiento detallado del proceso que se trata de controlar.
Los grficos de control slo informan de la existencia de un problema, pero no nos
dicen cules son las causas ni cmo evitarlas.
Caso Prctico
124
Medir el proceso.
Vigilar el proceso.
Mejorar el proceso.
Este ciclo de cuatro pasos quiz sea empleado una y otra vez para una mejora continua.
Gran cantidad de conceptos del SPC usados hoy en da fueron desarrollados basndose
en la premisa de que el parmetro del proceso que est siendo controlado sigue una
distribucin normal. Cualquier profesional del SPC debe estar enterado de que el
parmetro primero debe confirmar seguir la normal antes de ser sujeto a anlisis
basados en conceptos del comportamiento normal. As que, cualquier discusin sobre el
SPC debe estar precedida por una discusin sobre qu tipo de normal es.
Caso Prctico
125
7.3.1
La Distribucin Normal
Media
un nmero dado de
desviaciones estndar es constante. Por ejemplo, decir que la desviacin estndar del
proceso 1 es 100, y la desviacin estndar del proceso 2 es 200. El proceso 1 y el 2
tendrn una forma de distribucin de datos diferente (el proceso 1 es ms estable), pero
Caso Prctico
126
para ambos procesos, el 66% de datos bajo la curva de la normal caer dentro de +/- una
desviacin estndar de la media de la distribucin (i.e. entre {MEDIA 1 } y
{MEDIA + 1 }) y el 37% de los datos estar fuera de esto. La Tabla 11 muestra los
porcentajes de datos que caen bajo diferentes nmeros de sigma.
# de Sigmas
% de datos cubiertos
% de datos fuera
+/- 1 Sigma
66%
37%
+/- 2 Sigmas
95%
5%
+/- 3 Sigmas
99.73%
0.27%
+/- 4 Sigmas
99.9936%
0.0063%
+/- 5 Sigmas
99.99995%
0.00005%
-3
68.26%
95.46%
99.73%
Caso Prctico
127
Distribuciones asimtricas
Las curvas perfectamente normales son difciles de conseguir con datos o muestras
finitas. As que, algunas distribuciones de datos que son tericamente normales quiz
no lo sean al dibujarlas, es decir, la media quiz no est en el centro de la distribucin o
haya una ligera falta de simetra. Si una distribucin normal parece inclinarse hacia el
lado derecho de la distribucin, se dice que es asimtrica a la izquierda. A una
distribucin normal que se inclina hacia la izquierda se le llama asimtrica a la derecha.
El objetivo del SPC es producir distribuciones de datos que sean estables, predecibles y
buenas dentro de los lmites especificados para el parmetro que se est controlando.
En relacin con las discusiones precedentes, esto es equivalente a lograr distribuciones
de datos que estn centradas entre los lmites de especificacin, y tan estrechas como
sea posible. Un buen centrado entre los lmites y una variacin insignificante se traduce
en parmetros que estn siempre entre las especificaciones, que es la verdadera esencia
del control del proceso.
Para calcular el porcentaje de productos que cae fuera de las especificaciones, p1 y p2, es
necesario encontrar cuntas desviaciones estndar existen entre la media total y cada
lmite de especificacin. El nmero de desviaciones estndar se conoce como el valor Z.
Los valores Z se usan con la Tabla de la distribucin normal estndar:
Caso Prctico
128
0.4
CDF
0.3
0.2
0.1
0.0
-3
-2
-1
Normal
Caso Prctico
129
7.3.2
El que un proceso
El lmite de control inferior LCL y el lmite superior de control UCL pueden calcularse
de la media y la desviacin estndar (o sigma) de los datos representados como sigue
una vez obtenidos X , R y n o tamao de cada subgrupo:
LCL = Media - (3 )
UCL = Media + (3 )
As que la distancia entre el LCL de un proceso y su UCL es 6 sigma, ver Figura 34. La
probabilidad de conseguir puntos fuera del rango de +/- 3 sigma es muy baja (ver la
Tabla 11). Encontrar una medida fuera de este margen debera por lo tanto advertir a un
ingeniero de que algo anormal est ocurriendo, i.e., el proceso quiz se est yendo fuera
de control. Esta es la razn por la que estos lmites se conozcan como lmites de control.
Caso Prctico
130
USL
LSL
UCL
LCL
6
tolerancia
Figura 34. Distancia entre LCL-UCL.
Una vez los lmites de control hayan sido incluidos en los grficos de control (tambin
en forma de lneas horizontales como los lmites de especificacin), el operario puede
comenzar a usar el grfico de forma visual para detectar tendencias anmalas en el
proceso y que deberan notificarse al ingeniero.
Figura 35. Ejemplo de un grfico de control con puntos ligeramente separados del
centro.
Por ejemplo, alguna medida fuera de los lmites de control es causa automtica de
alarma, porque la probabilidad de que ocurra es baja. Cuatro (4) o ms puntos
consecutivos alineados de forma creciente o decreciente forman una tendencia que no es
normal, y por lo tanto tambin merecen atencin. Seis (6) puntos consecutivos a un
mismo lado de la media tambin necesitan una investigacin. Cuando estas
Caso Prctico
131
anormalidades
Caso Prctico
132
7.4
Antes de emplear ninguna tcnica para reducir la variabilidad del proceso, es necesario
tener una medida de su capacidad para hacer frente a esa variabilidad.
Supongamos que mediante el empleo de alguno de los instrumentos ya mencionados
(hojas de control, anlisis cusa-efecto, diagrama de Pareto, brainstorming, etc.) hemos
eliminado las causas asignables de variacin del proceso en estudio; es decir, est bajo
control estadstico, y hemos conseguido identificar al proceso por su valor medio, X , y
por su recorrido, R . De otro modo: slo hay una distribucin normal de los valores de
la caracterstica de calidad del proceso representativa de este.
El proceso as definido, es capaz de dar lugar a un producto de acuerdo con las
especificaciones del cliente?
Ser capaz de seguir un proceso en situaciones que estn fuera de control es una cosa;
conocer cmo funciona realmente un proceso es otra. La forma en que se distribuyen los
datos nos puede dar una informacin rpida y til de cmo el proceso correspondiente
se comporta, pero no es de gran ayuda cuantificando el funcionamiento real y
potencial del proceso. Es por esta razn por la que los estadsticos han aportado
mtodos para expresar el comportamiento y la capacidad de las distribuciones de un
proceso en trminos de unos nmeros llamados ndices de capacidad de un proceso.
La capacidad de un proceso se refiere a la habilidad de un proceso para cumplir los
requerimientos del cliente o los lmites de especificacin, i.e., cmo de consistente es su
salida para lograr estar dentro de los lmites especficos superior e inferior. Un ndice de
capacidad del proceso debera por lo tanto ser capaz de indicar cmo de bien puede el
proceso satisfacer sus especificaciones.
Las Especificaciones o requerimientos son los objetivos o metas numricas dentro de
los cuales se espera que opere el sistema, es decir, los valores mnimos y mximos
aceptables. A veces slo hay uno. Los clientes, ingenieros, o jefes del proceso son los
que normalmente fijan las especificaciones. Es importante recordar que las
especificaciones no son lo mismo que los lmites de control. Los Lmites de control
vienen de los grficos u hojas de control y estn basados en los datos.
Caso Prctico
133
Indice Cp
El ndice de capacidad del proceso ms bsico es conocido como el ndice de
capacidad del proceso simple, con la notacin Cp. Cp cuantifica la estabilidad de un
proceso, i.e., la consistencia de su salida. Como se mencion antes, supondremos
siempre que el proceso es normal. Como tal, la inconsistencia del proceso puede ser
medida en trminos de desviacin estndar o sigma de los datos de salida del proceso.
Esto es lo que hace el Cp, usa la sigma para cuantificar la variacin de un proceso, y la
compara con la distancia entre el lmite superior especfico (USL) y el lmite especfico
inferior (LSL) del proceso.
Matemticamente:
Cp = (USL - LSL) / (6 )
La cantidad (USL - LSL) es bsicamente la gama de salidas o resultados que debe
satisfacer el proceso, mientras que 6 sigma se corresponde con +/- 3 sigma de la media,
o un 99.73% de todos los datos de salida del proceso. Luego el Cp indica cuntas veces
cabe o se ajusta el proceso dentro de las especificaciones. Cuanto ms pequeo sea el
valor de 6 sigma, ms estrecha ser la distribucin de la salida del proceso, indicando
una gran estabilidad. As que el Cp aumenta cuando la estabilidad del proceso aumenta.
-
Cp =2 indica que hay 12 entre los lmites, esto es muy bueno, pero an no
sabemos si estara centrada la distribucin.
6 = USL-LCL
6 > USL-LCL
Caso Prctico
134
Indice Cpk
Este punto dbil del Cp es controlado por otro ndice de capabilidad del proceso, Cpk, el
Cpk mide cmo est de centrada la salida del proceso entre los lmites superior e inferior,
adems de cmo de variable es la salida. El Cpk se expresa como el ratio de la distancia
de la media de los datos desde el lmite de especificacin ms cercano (el centro del
proceso) hasta tres veces su desviacin estndar (la variabilidad del proceso).
CPL = ( X - LSL) / (3): ndice de capacidad del proceso para el lado del lmite
de especificacin inferior.
CPU = (USL - X ) / (3): ndice de capacidad del proceso para el lado del
lmite de especificacin superior.
Cpk = min. {CPL, CPL}: ndice de capacidad del proceso para ambos lmites de
especificacin.
Caso Prctico
135
Lo que estas formulas significan es: el Cpk toma el valor del C PL o del CPU, segn al
que se aproxime ms. Si la media de los datos del proceso est ms cerca del LSL,
entonces Cpk = CPL, luego si la media de los datos del proceso est ms prxima al USL,
entonces Cpk = CPU.
Un proceso ideal es aquel cuya salida est siempre justo entre los lmites de
especificacin, de forma que la media de los datos de salida se corresponde justo con el
centro y la desviacin estndar es cero. El Cpk de este proceso ideal es infinito (entonces
es la Cpk de otros procesos cuya sigma = 0, con tal de que LSL< media < USL).
-
Cpk > 1 indica que el sistema est produciendo dentro de las especificaciones.
Cpk < 1 indica que el sistema est produciendo algunos productos fuera de las
especificaciones.
Caso Prctico
136
La esencia del SPC, por lo tanto, es ser capaz de reconocer si un Cpk bajo es debida a la
media del proceso o su sigma, y llevar a cabo las acciones necesarias para corregir el
problema, siendo esto centrar los datos o hacerlos menos variables. En cualquier
proceso, las acciones necesarias para centrar los datos de salida pueden ser diferentes
de las que se necesitan para hacer los datos menos variables. El conocimiento de los
principios bsicos del SPC es por lo tanto necesario en todos los procesos de ingeniera.
Todo depender siempre de los lmites de especificacin que imponga el cliente en el
proceso de fabricacin. Y es ms, al final del da debera ser siempre un propsito del
fabricante centrar sus resultados entre estos lmites de especificacin de la manera ms
consecuente que fuera posible.
Se ha visto que no basta con que el proceso est bajo control estadstico, sino que es
necesario satisfacer las necesidades de los clientes, quienes requieren dos condiciones a
la caracterstica de calidad del producto que reciben: exactitud y precisin, y, desde el
punto de vista de la empresa, reducir el coste del producto fabricado, lo que tambin se
consigue con un proceso exacto y preciso; en consecuencia, ambas condiciones
originarn un producto de alto valor.
Esquemticamente, para mejorar el proceso habr que:
Centrar la campana
Estrechar la campana
Relajar especificaciones y restricciones internas que no son realmente necesarias
para que haya menos problemas de defecto
Caso Prctico
137
7.5
7.5.1
Introduccin
Hay varios tipos de diseo de experimentos, que se apoyan a su vez en otros tantos
mtodos estadsticos:
El clsico, el de Taguchi y el de Shainin. El modo clsico est basado en los trabajos de
sir Ronald Fisher que aplic las tcnicas del DoE en el campo de la agricultura hacia
1930. El Dr. Taguchi de Japn adapt el modo clsico para desarrollar la tcnica de las
tablas ortogonales. El tercer tipo es una coleccin de tcnicas concebidas por Dorian
Shainin consultor de muchas empresas lderes en EEUU. Cualquiera de estos enfoques
es mejor que los experimentos tradicionales en los cuales se hace variar un factor en el
Caso Prctico
138
tiempo, mientras todos los dems se mantienen constantes, lo que imposibilita separar
los efectos principales de los efectos de interaccin.
Los mtodos estadsticos son:
1. Diseos Factoriales Clsicos;
2. Arreglos Ortogonales o Fracciones Factoriales;
3. Superficies de Respuesta;
4. Diseos Mixtos; y
5. Diseo Robusto de Taguchi.
Se destaca este ltimo, dentro de la Ingeniera de Calidad de Taguchi, ya que su impacto
ha sido sobresaliente en el plano internacional, sobre todo en Japn y los pases del
primer mundo.
La exposicin tan slo medianamente detallada de cualquiera de los mtodos se sale de
los lmites de este proyecto, por eso slo cabe detenerme en el de Taguchi, adelantando
que aparte de la teora que aqu incluyo, para la aplicacin del caso prctico en la
empresa considero de ms valor y claridad la formacin recibida sobre el diseo de
experimentos y cuyas diapositivas estn adjuntas en el Anexo.
Caso Prctico
139
7.5.2
Objetivos
Una vez identificadas las variables influyentes a travs del Anlisis Modal de
Variaciones y Efectos, ya sean parmetros de produccin o proceso, materiales o
factores medioambientale, o equipos de medida, aislar las variables ms
importantes, generalmente no ms de cuatro.
Caso Prctico
140
7.5.3
El Mtodo de Taguchi
Conceptos y Principios.
Este mtodo define que la calidad de un producto debe ser medida en trminos de
reducir al mnimo las prdidas que ese producto trae a la empresa desde que se inicia su
fabricacin hasta concluir su ciclo de vida, estas prdidas sociales equivalen a las
prdidas de la empresa en el mediano y largo plazo. Enfoque al cliente en vez de
enfoque al fabricante. Taguchi plantea que:
-
El objetivo del mtodo de Taguchi es lograr productos y procesos "robustos" frente a las
causas de la variabilidad (ruidos) que hacen que las caractersticas funcionales de los
productos se desven de sus valores ptimos provocando costos de calidad.
La propuesta de Taguchi es una filosofa y un conjunto de mtodos y
procedimientos que se ha dado en llamar Diseo Robusto de Parmetros cuyas
principales propiedades de producto o proceso son:
-
El trmino diseo en el nombre del mtodo de Taguchi se refiere al diseo del proceso o
sistema, y el trmino parmetro se refiere a los parmetros del sistema, conocidos
comnmente como factores o variables
Caso Prctico
141
Diseo de Parmetros.
Taguchi establece que pueden emplearse mtodos de diseo experimental para hallar un
mejor diseo del producto y/o del proceso. Aunque la bsqueda de diseos robustos no
es algo nuevo, Taguchi merece el crdito por observar que el diseo experimental puede
utilizarse como una parte formal del proceso de diseo tcnico, siendo la estrategia
clave de Taguchi la reduccin de la variabilidad.
Los factores de entrada se han determinar mediante tcnicas como la del Anlisis Modal
de Variaciones y Efecto, que dan prioridad a las ms crticas. Las de salida sern las
caractersticas clave del proceso o decisivas para el cumplimiento del producto con su
requerimiento. El resultado del experimento ser dar los valores de los parmetros de
entrada que dan un producto o salida de mejor calidad que el anteriormente utilizado.
En relacin con las estrategias de modelado, debera hacerse hincapi en que, en
general, la optimizacin de los procesos puede estar bastante sobreestimada. Un
ingeniero o cientfico puede encontrar siempre razones por las que las condiciones
ptimas dadas por el mtodo no deben ser adoptadas, o deben analizarse primero, y
posteriormente guiarse entonces por la experiencia.
Funcin de Prdida.
La funcin de prdida o de costo social establece una medida financiera del
descontento del usuario con la actuacin de un producto cuando se desva de un valor
designado como meta (t=target). Esta se expresa algebraicamente segn una
aproximacin de una expansin de la serie de Taylor alrededor de dicho t:
L (y) = k (y-t)2
L (y) = k y
L (y) = k (1/ y )
Caso Prctico
142
Tabla ANOVA.
La tabla ANOVA o de Anlisis de la Varianza (Anlisis of Variance), utiliza la
descomposicin de la varibilidad total en parte explicada (variabilidad entre las medias
y la media general) y variabilidad no explicada o residual (variabilidad dentro de los
grupos). La columna MS o de varianza se obtiene dividiendo la suma de cuadrados SS
por sus grados de libertad correspondientes.
De la tabla podemos obtener varios valores que nos ayudarn a sacar conclusiones:
F Ratio: Que debe ser >5 para que el experimento sea vlido.
Caso Prctico
143
Comienzo
Reglas para
seleccionar un
Diseo Experimental
Aclarar:
el Problema
el Contexto
los Objetivos
Determinar
qu medir
(Respuestas)
Cuntos
3
niveles para
cada
factor? No todos
Tipos de
factores
cuantitativos, al
menos uno
cualitativoone
K<4
Cuntos
factores?
(k)
6< k < 11
k=3
Slo cuantitativos
Experimenta
-cin
Cuntos
fctores?
(k)
4<k<7
6<k<7
MODELO O
EXPERIMENTACIN?
Modelo
K= 5
FACTORIAL
COMPLETO
FACTORIAL
FRACCIONAL
2 5-1
k<5
PLACKETTBURMAN o
TAGUCHI
Experimentos
n reps>3
n reps >4
FACTORIAL
COMPLETO
k=2..n reps> 7
k=3 ..n reps >3
TAGUCHI
L18 Experim.
D-Optimal
n reps>4
Central Composite
o BOX-BEHNKEN
k=2..n reps. > 9 (CCD)
k=3 ..n reps. >5 (CCD/BB)
k=4 ..n reps.>3 (CCD/BB)
En nuestro caso, siguiendo adems los consejos sobre el mtodo aplicar dependiendo de
la meta, como estamos en el caso de un diseo robusto, podemos usar el mtodo de
Taguchi, adems del Plackett-Burman y el Factorial Fraccional.
Factorial completo.
Tiene en cuenta todas las combinaciones posibles de los factores. Se usa cuando hay
pocos factores y slo tienen dos niveles. Es el ms bsico.
Factoriales fraccionales.
A veces el nmero de puntos para el diseo puede ser demasiado elevado si hay ms de
dos o tres factores de inters, para eso usamos el factorial fraccional.
Caso Prctico
144
Se tata de disear un experimento con un nmero reducido de pruebas de tal forma que
usemos todos los niveles de cada factor al menos una vez y en las mismas proporciones
que los dems, y que no se repita lgicamente ninguna de las combinaciones de
factores.
Hay que tener en cuenta que si disminuye el nmero de experimentos, disminuye el
tiempo empleado y el costo.
Plackett-Burnam.
Permite realizar un nmero intermedio de experimentos. Sirve para identificar los
factores ms importantes de un grupo de factores numeroso, una vez que conocemos los
importantes podemos llevar a cabo otros tipos de experimentos. No da informacin
sobre interacciones entre factores.
Caso Prctico
145
Cuando un factor tiene tres niveles, cada factor tendr dos grados de libertad, y la
suma de cuadrados asociada se puede descomponer en dos componentes: una que
representa el efecto lineal del factor y el otro que representa el efecto cuadrtico.
Interacciones.
Aunque en raras ocasiones la interaccin entre dos factores puede ser de ms inters
para el experimento que la accin del propio factor, por lo general elegiremos estudiar
los efectos principales antes que hacerlo sobre las interacciones, esto ltimo estar ms
relacionado con la experiencia del ingeniero de diseo. Cuando se estudian las
interacciones se recurre a los alias, es decir, las interacciones de factores se pueden
representar o estudiar por las acciones de factores individuales, como ocurre con el
Taguchi, y donde las interacciones entre tres factores son ya despreciables.
Arreglo Ortogonal.
Son un conjunto especial de cuadros en latn, construidos por Taguchi para planear los
experimentos del diseo del producto.
El arreglo ortogonal es una herramienta ingenieril que simplifica, y en algunos casos
elimina gran pare de los esfuerzos de diseo estadstico. Es una forma de examinar
simultneamente muchos factores a bajo costo. El Dr. Taguchi recomienda el uso de
arreglos ortogonales para hacer matrices que contengan los controles y los factores de
ruido en el diseo de experimentos. Nosotros no estudiaremos estos ltimos en el
experimento.
Mientras las interacciones sean relativamente suaves, el anlisis de los efectos
principales nos proporcionar las condiciones ptimas y una buena reproducibilidad del
experimento.
Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar cmo
de robusto es el diseo del proceso y del producto con respecto a los factores de ruido.
La serie L9 (3,4) permite estudiar en 9 pruebas, 4 factores con 3 niveles cada uno. Tiene
8 grados de libertad, a 2 por cada factor.
Caso Prctico
146
Segn la disposicin de la tabla ortogonal del Taguchi L9, que es el modelo que
usaremos en nuestro caso prctico y en el que nos centraremos para el desarrollo de
nuestra teora, (debido a la extensin del Diseo de experimentos, como antes
mencion) la combinacin de los factores viene predeterminada por la Tabla 12.
Prueba
Ventajas.
Pueden ser aplicados al diseo experimental involucrando un gran nmero de factores.
Caso Prctico
147
en casos especiales en que tras estudiar la tabla anova se vea que el alias ejerce un gran
peso sobre la respuesta.
Caso Prctico
148
7.3
Beneficios
Caso Prctico
149
8.
CASO PRCTICO
8.1
Introduccin
MEUPE S.L. (Mecanizados Eulogio Pea) es una empresa fundada en 1957, por D.
Eulogio Pea Garca, cuya actividad principal es el mecanizado de piezas de precisin.
Hoy en da trabaja para sectores tan exigentes como el aeronutico y el de la
automocin.
Dispone de instalaciones de tratamientos trmico, como el revenido y maduracin
de aceros, y montajes de conjuntos. Sus instalaciones estn ubicadas el Polgono
industrial La Era Empedrada, Umbrete.
Cuenta con una superficie total de 5 400 m2 entre talleres de mecanizado y de
montajes, y con 700 m2 de oficinas.
La plantilla la forman 46 empleados, 18 son indirectos y 25 directos con
una
Ingeniera
Produccin
Calidad
Econmico financiero
Caso Prctico
150
Departamento de ingeniera
El Departamento de Ingeniera se encarga principalmente de la elaboracin, control de
evoluciones y custodia de toda la documentacin necesaria para el mecanizado de las
elementales, los procesos finales, y montajes de cada elemento, generando para ello
rutas de procesos, planos, instrucciones de verificacin y asignando tiempos de
ejecucin de cada operacin hasta definir el proceso completo de cada producto.
Para ello cuentan con un eficaz software en constante evolucin, diseado y realizado
hasta adaptarse totalmente a sus necesidades, que proporciona un control de la
configuracin del producto y sus evoluciones, con MRP II para la gestin del stock.
tcnicas
de
sus
clientes
potenciales
clientes,
el
Departamento de Produccin
Se encarga de llevar un estricto seguimiento de las partidas, tanto dentro de la empresa
como en nuestros subcontratistas.
Para conseguir los hitos de entrega de sus clientes se apoyan en un potente software de
control con MRP II y un sistema de seguimiento durante el proceso de fabricacin
informatizado y en tiempo real.
Caso Prctico
151
Caso Prctico
152
Caso Prctico
153
Departamento de Calidad
El Departamento de Calidad de MEUPE S.L. est constituido por un equipo profesional
formado por personal tcnico altamente especializado debido a la gran exigencia tcnica
que requiere el sector aeronutico que es con el que principalmente trabajan.
Est certificada con la ISO 9002 desde 1999.
Cuenta con las instalaciones necesarias y equipos de medicin dimensional de ltima
generacin precisos para garantizar la correcta verificacin de los elementos fabricados.
Para ello se dispone, entre otros aparatos de medida, de una mquina de medicin de
coordenadas de puente.
Todo el proceso es controlado mediante un moderno sistema informtico con el que es
posible, adems, obtener informacin en tiempo real de la evolucin de la Calidad
cuando se desee.
Actualmente est en proceso de adaptacin a la nueva y exigente norma aeronutica EN
9100 lo que va a hacer mejorar an ms el Sistema de Calidad de MEUPE S.L., y por lo
tanto, la Calidad que reciben los clientes.
Caso Prctico
154
Caso Prctico
155
8.2
Antecedentes y Objetivo
Caso Prctico
156
8.3
Causas de la Variacin
Caso Prctico
157
8.4
Implementacin
8.4.1
Equipo de trabajo
Caso Prctico
158
Caso Prctico
159
8.4.2
Formacin
Caso Prctico
160
8.4.3
Implantacin VMEA
TALLADORA
Descripcin del proceso: segn el operario Paco Lugo.
El proceso consiste en hacer un dentado sobre ejes.
Partimos de un redondo de distintos dimetros segn el tipo de pieza que se quiera
fabricar.
rbol acanalado
Flauta de titanio
Flauta de acero
Caso Prctico
161
Preparacin de la mquina:
1) Segn el nmero de dientes que posea la pieza habr que utilizar unas ruedas u
otras; ruedas que se encuentran en el interior de la mquina.
2) Se instala el redondo o la pieza semiterminada sobre el plato giratorio, y se realiza el
centrado correspondiente de la pieza.
Mediante Nonios (rueda milimetrada decimalmente situada a la derecha de la
mquina) se va graduando con el fin de conseguir la medida exacta de la pieza.
El flanco o profundidad de la pieza se mide con varilla o micro.
Con la primera pieza se experimentan las medidas ajustando el nonio.
Profundidad del flanco, la longitud del diente tiene menos importancia porque es
ms fcil de conseguir y tiene unas tolerancias menos estrictas.
Medidas. El cliente pide una exactitud centesimal. Y los nonios vienen en dcimas.
Caso Prctico
162
Dificultad a la hora de programar las medidas, dado que el nonio viene en dcimas y
el cliente solicita tolerancias en centsimas.
Dureza del material. El tipo de material utilizado es muy importante, el titanio por
ejemplo consigue un gran nmero de piezas sin fallos, porque no es un material duro
y no ofrece resistencia.
El acero PH 13 y PH 14 son mucho ms duros.
Caso Prctico
163
Detalles:
El dimetro de este esprrago suministrado por el cliente suele ser de 6, 7 y 8 y
mediante el proceso de prelaminado que se realiza en un proceso anterior al roscado por
laminacin, usando una mquina rectificadora, se consigue una medida exacta del
dimetro Ej. 5.32 (porque mediante la presin el dimetro aumenta), este esprrago se
introduce en la mquina de roscado por laminacin hasta conseguir medidas las
establecidas en tablas y las especificaciones del plano. Cada rosca de un mtrico
determinado requiere unos rodillos.
Lo ideal es que cada mtrico de rosca lleve sus rodillos, pero si las series a roscar no son
muy grandes y no hay disponibilidad del rodillo adecuado, un mismo rodillo puede
servir para roscas 2mm por encima o por debajo, dado que el trabajador que manipula la
mquina tiene una amplia experiencia en la realizacin de este proceso. El proveedor de
rodillos es RODIN.
Caso Prctico
164
Preparacin de la mquina:
Caso Prctico
165
A. TALLADORA
Operario Paco Lugo.
Dentado sobre ejes.
Los ejes de acero dan problemas porque la herramienta se gasta rpido (el director
elige la fresa).
Caso Prctico
166
Hay que conseguir que el dimetro exterior de la pieza una vez acabada tenga unas
medidas de 32+164 mm y 32-244 mm, (1.5 centsimas de tolerancia). De esta forma
se est controlando la profundidad del flanco.
A veces los agujeros ya viene mal hechos y centrados y hay que devolverlo al
proceso anterior para arreglarlo, no da problema.
Caso Prctico
167
Segn el material hay que tener en cuenta el enfilamiento del rodillo, la presin y el
tiempo de laminado, aunque si se excede este ltimo tampoco ocurre nada porque la
maquina est ajustada con unos valores al inicio de la operacin y no seguira
avanzando, por mucho que pasara el tiempo.
Segn la dureza del material a cada uno hay que aplicarle una presin pero no hay
medidas, sino a ojo segn la experiencia. Ms presin menos pasadas.
Caso Prctico
168
Centrado pieza
Velocidad de giro
10
Ajuste nonio
10
SUB-KPC
Angulo de corte
KPC
sensible
a la SubKPC
Profundidad de
ranura,
flanco
KPC
TALLADORA
3
8
Holgura de engranaje
Engrasado de engranaje
Afilado de la herramienta
Precisin nonio
Pericia operario
8
8
10
10
10
Tamao Sensibilidad
de la
de Sub-KPC a
NF
variacin
Pericia operario
NF
VMEA :
Analisis modal del fallo y efecto
20736
147456
5184
2025
3600
14400
1225
625
400
250000
4900
40000
129600
10000
25600
VRPN
(NF)
173376
21250
1025
424500
35600
VRPN
(SubKPC)
Destreza operario
Pericia operario
Dureza del material
1
10
5
4
6
10
6
5
5
9
Altura regleta
Refrigerante muelas
Enfilamiento rodillos
Presin laminado
Avance rodillos
Flanco
Paso de la rosca
Caudal
Dilucin taladrina
Dimetro de la muela
Dimetro del
esprrago
(milsimas)
2
4
2
3
1
1
Calibracin de mquina
Desgaste rodillo
Calibracin de mquina
Calibracin de mquina
Dureza del material
Calibracin de mquina
Pericia operario
Desgaste muela
10
SUB-KPC
KPC
9
6
10
4
7
10
6
2
VMEA :
Analisis modal del fallo y
efecto
26244
46656
8100
1600
30625
1296
160000
5184
1024
7056
900
160000
36
4
5184
291600
VRPN
(NF)
72900
9700
30625
1296
160000
5184
8080
900
160000
40
5184
291600
VRPN
(Sub-KPC)
Caso Prctico
171
paso
diametro
exterior
KPC
Altura regleta
2
2
2
Presin laminado
Estado rodillo
Velocidad penetracion
rodillos
Velocidad penetracion
rodillos
10
Estado rodillo
2
2
Presin laminado
10
10
Enfilamiento rodillos
6
4
10
Altura regleta
Enfilamiento rodillos
SUB-KPC
KPC sensible
a la Sub-KPC
proveedor
Destreza operario
Equipo Hidraulico
9
5
2
10
Desgaste rodillo
Dureza del material
Equipo Hidraulico
Destreza operario
Juego en Nonius
Conocimiento operario
Pericia operario
Calibracin de mquina
desgaste
Destreza operario
9
5
Destreza operario
Equipo Hidraulico
6
10
Desgaste rodillo
Equipo Hidraulico
Dureza del material
10
Juego en Nonius
Conocimiento operario
Pericia operario
Calibracin de mquina
proveedor
Destreza operario
7
7
desgaste
NF
2
3
2
3
Sensibilidad Tamao
de Sub-KPC a
de la
NF
variacin
900
1296
256
6400
144
64
64
256
64
1024
6400
16
64
3600
5184
57600
25600
14400
20736
1600
102400
25600
16384
36
6400
3136
12544
VRPN
(NF)
8596
256
464
128
1024
6400
80
34384
57600
137536
27200
16384
36
6400
15680
VRPN
(Sub-KPC)
calidad
superficial
flanco
10
8
8
10
8
8
10
9
10
6
Estado rodillo
Velocidad penetracion
rodillos
Altura regleta
Enfilamiento rodillos
Presin laminado
Estado rodillo
Velocidad penetracion
rodillos
10
6
4
Presin laminado
10
Enfilamiento rodillos
Altura regleta
proveedor
9
5
10
Destreza operario
Equipo Hidraulico
5
6
Equipo Hidraulico
Desgaste rodillo
10
Juego en Nonius
Conocimiento operario
Pericia operario
Calibracin de mquina
desgaste
Destreza operario
9
5
10
Desgaste rodillo
9
5
10
Juego en Nonius
Destreza operario
Conocimiento operario
Pericia operario
Calibracin de mquina
proveedor
Destreza operario
desgaste
2
3
2
3
8100
11664
57600
57600
18225
26244
1600
129600
25600
65536
64
6400
3136
12544
14400
20736
57600
102400
14400
20736
1600
102400
25600
16384
36
6400
3136
12544
77364
57600
174069
27200
65536
64
6400
15680
137536
57600
137536
27200
16384
36
6400
15680
Caso Prctico
174
Velocidad
penetracin
Calibracin
mq.
Equipo
hidrulico
Dureza
material
10
Destreza
operario
Enfilamient
o rodillos
10
Destreza
operario
Estado
rodillo
10
Desgaste
rodillo
Conocimient
o operario
Equipo
hidrulico
Dureza
material
10
Destreza
operario
Proveedor
Dimetr Velocidad
giro rodillo
o
externo
[mm]
Presin
laminado
Altura
regleta
Ajuste
entre
rodillos
Caso Prctico
36
3600
25600
34384
5184
6400
6400
57600
57600
16384
16384
14400
102400
137536
20736
3136
10
36
15680
Desgaste
Pericia
operario
12544
25600
27200
Juego nonius
1600
175
Sub-KPC
Tiempo
laminado
mn.
Velocidad
penetracin
Sensibilidad
KPC a SubKPC
2
NF
Sensibilidad Tamao
VRPN(Subsub-KPC a variacin VRPN(NF)
KPC)
KPC
NF
Calibracin
Mq.
Equipo
hidrulico
900
Dureza
material
10
6400
Destreza
operario
1296
8596
Enfilamiento
rodillos
10
Destreza
operario
6400
6400
Estado
rodillo
Desgaste
rodillo
2304
2304
Conocimiento
operario
4096
4096
Equipo
hidrulico
900
Dureza
material
10
6400
Destreza
operario
1296
Proveedor
196
Desgaste
784
Pericia
operario
1024
Juego nonius
64
Paso Velocidad
[mm] giro rodillo
Presin
laminado
Altura
regleta
Ajuste entre
rodillos
Caso Prctico
8596
980
1088
176
Velocidad
penetracin
Dimetro
medio
[mm]
Calibrado
Mq.
Equipo
Hidrulico
Dureza
material
10
Destreza
operario
Enfilamiento
rodillo
10
Destreza
operario
Estado
rodillo
10
Desgaste
rodillo
Velocidad
giro rodillo
Conocimient
o operario
Equipo
hidrulico
Dureza
material
10
Destreza
operario
Proveedor
Presin
laminado
Altura
regleta
Ajuste entre
rodillos
10
36
36
14400
102400
137536
20736
6400
6400
57600
57600
16384
16384
14400
102400
137536
20736
3136
15680
Desgaste
Pericia
operario
12544
25600
27200
Juego nonius
Caso Prctico
1600
177
Velocidad
penetracin
Calibracin
Mq.
64
Equipo
hidrulico
8100
-Dureza
material
10
57600
Destreza
operario
11664
64
77364
Enfilamiento
rodillos
10
Destreza
operario
6400
6400
Estado
rodillo
10
Desgaste
rodillo
57600
57600
Conocimiento
operario
65536
65536
Equipo
hidrulico
18225
Dureza
material
10
129600
Destreza
operario
26244
Proveedor
3136
desgaste
12544
Pericia
operario
25600
Juego nonius
1600
Calidad
Velocidad
superficial giro rodillos
Presin
laminado
Altura
regleta
Ajuste entre
rodillos
Caso Prctico
10
174069
15680
27200
178
Caso Prctico
179
Caso Prctico
180
Caso Prctico
181
Caso Prctico
182
8.4.3
Implantacin DoE
Antecedentes.
En el proceso de produccin de unas roscas se presentaba la siguiente problemtica:
Algunas veces las roscas eran rechazadas por mala calidad, logrando pasar en un 76 %
de los casos, el resto se rechazaban o se reparaban para que cumplieran los
requerimientos impuestos por el cliente.
La rosca la realiza el operario de la lnea correspondiente, de forma que es una
prueba subjetiva porque depende en parte del estado de nimo del operario cada da.
Adems intervenan otros parmetros y la gente de produccin y calidad no lograban
ponerse de acuerdo en las causas del problema y mucho menos en las posibles acciones
correctoras. No se tena claro que parmetros influan directamente, ni el criterio para
controlarlos. De ah que se planteara la aplicacin del VMEA, tras el cual obtuvimos los
parmetros ms crticos del proceso, y sobre los que, variando sus valores de entrada,
podramos experimentar y estudiar, para as obtener un producto ptimo y sin rechazos.
Determinacin.
Ante todo esto se plante aplicar la metodologa del diseo de experimentos, esperando
que nos dijera qu parmetros influan directamente y con ms peso, tambin nos
recomendara combinaciones ptimas de los valores de entrada.
Las variables de entrada y sus rangos, seran:
A. Tiempo de laminado: 4,5,6 (segundos)
B. Presin de roscado: 70, 85, 100 (bares)
C. Velocidad de giro de rodillos: 32, 66, 100 (rpm)
D. Velocidad de penetracin: rpido, medio, lento (cualitativa)
D min= 5,27
Dmn = 5, 87
Caso Prctico
183
Qu mtodo usar?
Nos dirigimos al esquema dado en el captulo del diseo de experimentos, tenamos 4
factores con 3 niveles y uno de ellos cualitativo. El resultado era obvio, usar un Taguchi
que en este caso sera un L9 (3, 4).
Segn esto, tambin podamos disear el experimento, cmo se combinaran los
factores, y lo haramos con 4 rplicas puesto que no sabamos a priori que los 4 factores
tuvieran la misma importancia, y tampoco sabamos si las interacciones seran
significativas.
Con el experimento ya totalmente diseado procedimos al diseo de la matriz, ver
Tabla 16, y posteriormente la Tabla 17 rellenada en el experimento, tras el cual
introdujimos los datos en el software desarrollado para ello. Los comentarios estn
despus de ste.
Caso Prctico
184
4
4
4
5
5
5
6
6
6
70
85
100
70
85
100
70
85
100
32
66
100
66
100
32
100
32
66
Rpido
Medio
Lento
Lento
Rpido
Medio
Medio
Lento
Rpido
D Medio 2
D Medio 1
1
2
3
4
5
6
7
8
9
D Medio 4
D Medio 3
6
6
8
9
85
100
70
100
85
70
100
85
70
32
66
100
32
100
66
100
66
32
Lento
Rpido
Medio
Medio
Rpido
Lento
Lento
Medio
Rpido
D Externo 4
D Externo 3
D Externo 2
D Medio 4
D Medio 3
D Medio 2
5,3
5,3
5,31
5,3
5,3
5,3
5,3
5,3
5,3
5,3
5,3
5,29 5,29
5,3
5,9
5,9
5,9
5,9
5,89
5,9
5,9
5,9
5,9
5,3
5,3
5,3
5,3 5,89 5,89 5,89 5,89
5,28 5,27 5,27 5,27 5,91 5,9 5,88 5,9
5,31 5,31
5,29 5,29
5,29 5,29
5,29 5,29
5,3
5,29
D Medio 1
Tiempo
Presin
de
laminado
Velocidad Velocidad
de
en
roscado de giro de
de
Prueba segundos en bares rodillos Penetracin
D Externo 1
Diseo de Experimentos
Rugosidad 1
7
5
10
10
Rugosidad 2
7
7
10
10
Rugosidad 3
7
7
Rugosidad 4
7
7
10
Geometra 1
7
5
10
Geometra 2
7
7
Geometra 3
7
7
10
7
7
Geometra 4
Caso Prctico
187
Caso Prctico
198
Caso Prctico
199
Caso Prctico
200
Caso Prctico
201
Caso Prctico
202
Caso Prctico
203
Caso Prctico
204
Caso Prctico
205
8.5
D externo
Rugosidad
XX
Caso Prctico
70
XX 85
XX 66
66
XX
lento
cualquier
X 6
XX
85
XX
66
XXX
XXX
lento
lento
Geometra
Varianza Media
XX
_
XX
XX
XX 4
X 85100
XXX
100
XXX
lento
Varianza
XX
XXX
_
XXX
206
La dificultad de este experimento est en que no slo estamos analizando una respuesta,
sino varias, y lo que favorece a una puede que no haga ningn bien a otra, por eso juega
aqu un papel muy importante la experiencia del ingeniero n le proceso que est
diseando. Puede que no haya una sola solucin ptima, sino varias.
La que yo propongo haciendo un estudio de la tabla, y considerando que el estudio
de las varianza afecta ms a los dimetros, son:
1. Un valor s est clarsimo en todos, es la velocidad de penetracin lenta.
2. Para el tiempo, depende de la caracterstica de salida en al que quiera centrarme
ms, si nos fijamos ms en que los valores no cambien respecto al valor
nominal, entonces 5 segundos.
Si nos fijamos en obtener un buen acabado de la superficie y la geometra,
entonces hay que tener en cuenta que en la tabla Anova de la rugosidad, el
tiempo tiene un valor P= 0,859, i.e., que no ejerce influencia sobre la rugosidad,
pero s en la geometra (P= 0,186), que recomienda 4 seg.
Ahora bien, los valores del ratio P para los dimetros son 0,08 y 0,02
respectivamente, es decir, que este factor tiempo realmente tiene una gran
actuacin aqu.
Definitivamente nos quedamos con un tiempo de laminado de 5 segundos.
El valor (1- P) da el % de seguridad de que dicho factor ejerce influencia sobre
las no conformidades.
3. Para la presin de roscado, respecto a la variabilidad estaramos entre 70 y 80
bares, y respecto al valor medio, nos movemos entre 85 y 100, teniendo ms
peso 85 segn el diagrama de Pareto. Una buena opcin sera quedarnos con le
valor medio 85.
Comparando los valores P, el factor B no es significativo en la geometra, y lo es
poco en la rugosidad en comparacin con su efecto sobre el dimetro medio y
externo, donde alcanza unos valores inferiores a 0,01.
Luego nos quedaramos con una presin de roscado de 85 bares.
4. Por ltimo, para la velocidad de giro, por la varianza tomaramos 66rpm y por
los valores medios entre 66 y 100. analizando los valores P tenemos que para
los dimetros es menor a 0,02 y para las otras dos variables de salida, casi llega
a 0,5 en la rugosidad, en cambio tiene un valor de 0,032 para la geometra.
Caso Prctico
207
66 o 100 rpm.
Tabla ANOVA.
Ahora evaluaremos la importancia relativa de los factores y sus niveles.
Cuantificaremos cunto nos queda por mejorar. Recordemos
que conforme
Caso Prctico
208
Conclusin.
El hecho de haber querido medir un nmero considerable de respuestas a la vez,
concretamente 4, ha sido determinante a la hora de haber obtenido algunos resultadso
dudosos con le experimento,. Los resultados parecen apuntar a que se han dejado
circunstancias y consideraciones por el camino.
En cambio, s que nos podemos centrar en el estudio de una sola respuesta, la del
Dimetro Medio, que caracteriza al flanco, que s tiene unos valores bastante buenos y
se mueve dentro de los permitidos para un buen experimento. Teniendo en cuenta esto,
entonces los valores de entrada son: t= 5 seg, p= 85 bares, Vgiro = 66 rpm y
Vpenetracin = lenta. seran los correctos para darnos un dimetro medio de salida
ptimo e insensible a la variacin.
Ahora habra correspondido a Meupe tomar la decisin propia de hacer una
comparativa de resultados, pero lo dejarn para ms tarde puesto que esto requiere un
tiempo y dedicacin, y prefirieron comprobar con el da a da el hecho de que ya no
tendran que rechazar tantas piezas o enviarlas a reparar.
Caso Prctico
209
9.
BENEFICIOS
Los beneficios que aporta la aplicacin de la Metodologa del Diseo Robusto, podemos
decir que son un compendio de los beneficios obtenidos de la aplicacin de los distintos
mtodos y herramientas que abarca, es decir:
Six Sigma,
Anlisis Modal de Variaciones y Efectos
Diseo de Experimentos
Est claro que al tener siempre presente la calidad total, los beneficios irn encaminados
tanto al cliente, que impone su voz o requerimientos ms exigentes, como a la empresa,
que debe pensar en el exterior, puertas afuera de la compaa, pero tambin debe mirar
por su propio beneficio, que es el econmico y temporal, estos dos a su vez deberan
influir sobre el beneficio del personal.
Los principales resultados vistos desde la implementacin del RDM son los
resultados econmicos:
Beneficios
210
Concretamente, en relacin con los beneficios que obtuvo MEUPE, al estar aplicado
este proyecto sobre una empresa real, siempre depende de las decisiones ltimas que
tome la propia empresa sobre lo que se va a aplicar, y adems, teniendo en cuenta que
este proyecto est enmarcado en uno europeo con una duracin aproximada de unos tres
aos, y que an queda un ao para que finalice, una vez realizado el diseo de
experimentos y tras recomendarles cules eran los parmetros o factores de entrada
sobre los que tenan que actuar, y sus valores con los que se obtena una produccin
ptima, no se pudo hacer ninguna comparativa en cifras del porcentaje de piezas que se
tuvieron que rechazar o devolver a la cadena de fabricacin para repararlas. Aunque es
evidente que ese porcentaje habr disminuido en relacin con el porcentaje defectuoso
que se obtena antes de la aplicacin de la metodologa, y que era de un 24%.
Beneficios
211
10.
BIBLIOGRAFA
Anderson, P. (1996): A practical method for noise factor identification and failure
Hahn, G.J. (1999). The impact of Six Sigma Improvement- A glimpse into the
Ryan, Thomas P. (2000): Statistical Methods for Quality Improvement. WileyInterscience Publication.
Bibliografa
212
Anexo: Formacin
213
2004-04-02
214
215
2004-04-02
Diagrama-P
Dentro del marco de un diseo robusto es comn representar
un producto o un sistema con el Diagrama-P:
Factor de ruido (N)
Respuestas (y)
216
Diagrama-P y VMEA
VMEA es un intento para dirigir:
El problema de encontrar la respuesta del sistema
El problema de identificacin y priorizacin de los
factores de ruido
El problema de localizacin de reas (subsistemas)
para los cuales puedan ser dainos
2004-04-02
QFD
Caractersticas
estandar del
Producto(SPC)
Caractersticas
del
Producto(PCs)
Caractersticas Clave
del Producto(KPC)
Una KPC es una caracterstica clave del producto para las cuales una
variacin razonablemente anticipada podra afectar de forma significativa
a la seguridad del producto, o a la conformidad de los estndares o
regulaciones gubernamentales, o afectar a la satisfaccin del cliente con
un producto, ver el Sistema de Designacin de las Caractersticas Clave
de la General Motors(1998).
2004-04-02
217
Caracterstica clave
Del producto (KPC)
Los factores de ruido son fuentes de variacin que causan desviaciones en caractersticas
importantes del producto. Pueden ser desconocidos; o inobservables, aunque conocidos (su
observacin requiere un equipo demasiado caro o no disponible); o incontrolable, aunque
conocido y observable (si no es posible fijar los factores en algn valor especfico previsto).
Las Sub-KPCs son caractersticas de un sistema o sub- sistema que afectan al KPC. En
general se conocen y son controladas por los ingenieros.
2004-04-02
2.Valoracin de la sensibilidad
En el tercer paso del procedimiento los ingenieros examinan los Factores de Ruido
y calculan el tamao de su variacin de acuerdo a los criterios dados.
10
218
Peso
1-2
3-4
5-6
7-8
9-10
2004-04-02
11
2004-04-02
Peso
1-2
3-4
5-6
7-8
9-10
12
219
VRPNSub-KPC = VRPN NF
2004-04-02
13
Tabla de VMEA-Ejemplo
KPC
Sub-KPC
Refrigerante
Coolant
Hta.
Finish.
cut.
diam.
acabado
KPC
sens. to
a
Sub-KPC
2
10
Inner
Interno
diameter
Finish. cut.
Alimentacin
Hta.feed
acabado
Finish.
cut.
Velocidad
speed
Hta.
acabado
NF
Sub-KPC
NF
sens. to
Tamao
a variation
NF
de size
variac.
VRPN
(NF)
Dilucin
Dilution
64
Flow
Flujo
2916
Machine
Ajuste
de la
mquina
setting
1600
Desgaste
de la
Machine
mquina
wear
25600
Supplier del
Variabilidad
proveedor
variability
25600
Tool
Dao
de la
herramienta
damage
Desgaste de la
Tool
wear
herramienta
10
40000
10
360000
Electricidad
Electricity
225
Machine
Ajuste de la
setting
mquina
Machine
Desgaste de la
mquina
wear
3600
3600
Electricidad
Electricity
225
Machine
Ajuste de la
setting
mquina
400
2004-04-02
VRPN
(SubKPC)
2980
452800
7425
1025
14
220
Estadsticas de VMEA-Ejemplo
Estadsticas de la Sub-KPC
2004-04-02
15
221
Diseo de experimentos
Mdulo 1
Junio 2004
Nov 2003
GREEN
BELT
Formacin: DoE
222
Control
Controldel
del
Proceso
Proceso
Mejora
Mejoradel
del
Proceso
Proceso
Entender a clientes,
suministradores y el
entorno de uso
Control del
Procedimiento de
actuaciones estndar
Analisis Funcional y de
Requisitos
Recoleccin e
interpretacin de medidas
de diagnstico.
-Resolucin de
Problemas (causa raz)
- Plan de Mediciones
- Muestreo y Clasificacin
- Estratificacin y
visualizacin
Determinar la actuacin.
-Salidas frente a
Factores controlables y
de ruido.
-Optimizacin
Diseo
Diseo
Factores
Factores
controlables
controlables
(Entradas)
(Entradas)
Formacin: DoE
X
X11
X
X22
Variables
del proceso
Proceso
Y
Y11
Y
Y22
Respuesta
(Salidas)
(Salidas)
X3
X4
223
Bin
Cumulative
Relative
Frequency Frequency
0
0
1
0.0025
2
0.0025
7
0.0125
34
0.0675
95
0.1525
162
0.1675
235
0.1825
301
0.165
349
0.12
379
0.075
394
0.0375
398
0.01
399
0.0025
400
0.0025
400
0
Cumulative
Relative
Frequency
0
0.0025
0.005
0.0175
0.085
0.2375
0.405
0.5875
0.7525
0.8725
0.9475
0.985
0.995
0.9975
1
1
86
0
M
or
e
84
0
82
0
80
0
78
0
76
0
72
0
Registro del
muestreo
80
70
60
50
40
30
20
10
0
74
0
Distribucin
de Frecuencia
Freque ncy
Histogram
Media =
1.6787
Las
Distribuciones
de Probabilidad
modelan la
relacin entre las
muestras
observadas y su
probabilidad de
que ocurran.
Desviacin
estndar
Frecuencia con la
que cada medida
caracterstica del
proceso es
observada
(
or s)
Variacin
0
0
68%
Escala de medida
para caractersticas
del proceso (y)
95%
99.7%
Media
del
Proceso
Y
Formacin: DoE
224
Voz del
Consumidor
OK
Voz del
proceso
Frecuencia
Defectos
Defectos
Frecuencia
Lmite Superior de
Especificiones
Lmite Inferior de
Especificaciones
LSL
p1
Caractersticas del proceso
medidas (x)
p1,p2 = proporcin de las salidas del proceso que son noconformidades (fuera de lmites de especificaciones)
USL
p2
Objetivo
(T)
Media del
Proceso Y
Formacin: DoE
225
LSL
USL
Objetivo
LSL LSL
USL USL
Opciones de
experimentacin
No todos los experimentos se hacen igual ...
Un factor cada vez
Experimentacin diseada
Formacin: DoE
226
1 1
1 1
1
1
1
1
2 1
1 2
2
2
2
2
1
1
1
1
2
1
1
1
1
2
3
4
2
2
2
2
Nos conduce a
...
Formacin: DoE
Experimentos diseados
Cambios organizados en variables
independientes (factores) con el
propsito de observar cambios
relacionados con las variables
dependientes (respuestas).
227
Factores
controlables
(Entradas)
Factores de
rudo
X11
X22
Dentro
del
proceso
Proceso
X33
Y1
Y2
Respuestas
(Salidas)
X44
Objetivos de la Experimentacin
Proyeccin
Proponer
Problemas
Metas
Orientacin de
Procesos
Diseo Robusto
Buscar estrategias a
bajo coste para tratar
factores de ruido del
mundo real
Estabilizar el
seguimiento del
proceso a un objetivo
mientras se minimiza
la variacin.
Modelado/
Caracterizacin
Construir un modelo
que relacione factores
(e interacciones,
efectos de alto rango)
con las respuestas
Mtodos
Plackett-Burman
D-ptimo
Caracterizar el
funcionamiento del
proceso
Caracterizar mezclas
Factorial Completo
Factorial
Fracional
Optimizacin
Diseos Taguchi
Factorial Fracional
D-ptimo
Factores de ruido
incluidos.
Central Composite
Grficas de
Conveniencia
Algoritmos de
Bsquedas de ptimos
Algoritmos Gnticos
Box-Behnken
(Redes Neuronales)
Formacin: DoE
228
P
l
a
n
Clarificar
objetivos
Determinar
respuestas
Check
Anlisis
Determinar
factores
. Adecuacin estadstica
. Rangos
. Anlisis grfico
. Niveles
Combinacin
de lneas de
investigacin
. Ecuacin predictiva
Do
Llevar a cabo
el experimento
Confirmacin
Prediccin
Capacidad del DOE
Modelo
Determinar el
orden de las
lneas
Determinar las
necesidades
de rplica
Formacin: DoE
Act
Integracin de
los
conocimientos
229
Procedimientos?
Flujos del proceso?
Condiciones de uso?
Metrica y objetivos?
Determinar RESPUESTA(S)
Decidir qu medir
Considerar:
1.
2.
Medicin en contnuo
Mejor que
Categoras multievaluadas
Mejor que
0
1
Pasa/ Falla
Frecuencia
con la que la
categora es
observada.
0
Categora
Formacin: DoE
230
Determine FACTORS
Para cada respuesta...
1) Equipo de Brainstorming para factores influyentes...
Por ejemplo:
Golpe del
a de
l filo
Presin de
cojinete
cojinete
tura
Tempera
ente
de disolv
Prdida
Humedad
Uso de
as
planch
l
ricos de
les esf
Materia
to
substra
BAJO
(-1)
RANGO
FACTOR
ALTO
(+1)
Formacin: DoE
231
Determinar Nivel de
Factores
NIVELES
BAJO
(-1)
Onda
Onda
Modelo
Linear
Linear
ALTO
(+1)
FACTOR
Pico oo Pendiente
Pendiente suave
suave
Ganancia
Ganancia Simple
Simple Pico
N de Niveles
(0)
44
Quadrtico
Quadrtico
Cbico
Cbico
Respuesta
Ajuste
de
cdigos
-1
+1
-1
+1
-1
+1
D-ptimo
Central
Composite
Box-Behnken
Subconjunto
estadsticamente
desequilibrado de las
combinaciones
Todas las
combinaciones
posibles
Subconjunto
estadsticamente
equilibrado de todas las
posibles combinaciones
Pros
Taguchi
Plackett-Burman
Informacin de
todos los
efectos lineales
e interacciones
Contras
Factorial
completo
Demanda
considerable
de recursos
Formacin: DoE
Superposicin de
efectos de los
factores puede
confundir el anlisis
3 ms niveles
Recursos y
anlisis
desperdiciados si
son impropios
232
Tiempo
Tiempo Temp.
Temp. base
base
enlace
enlace
11
11
22
11
22
22
11
22
22
11
33
22
11
22
11
22
11
22
11
22
Desglose
Ejemplo:
k=3
factores
Formacin: DoE
233
BAJO
ALTO
Ajustado
Velocidad
de la Cinta
800
30
12
1000
40
18
Fuerte
+
+
+
+
1
2
3
4
5
6
7
8
Factores
Suave Suave
+
+
+
+
+
+
+
+
2)Considerar aadir
pruebas de punto central
Pruebas con los niveles
sintonizados en el punto
medio. (0)
Los puntos centrales pueden
proporcionar:
- Informacin mejorada sobre
ruido experimental
- Indicaciones sobre
desviaciones del modelo
lineal.
Formacin: DoE
prueba
1
2
3
4
5
6
7
8
9
10
11
12
+
+
+
+
0
0
0
0
+
+
+
+
0
0
0
0
+
+
+
+
0
0
0
0
234
1
2
3
4
5
6
7
8
9
10
11
12
0
+
0
+
+
0
+
0
0
+
0
+
0
+
+
0
0
0
+
+
0
+
+
0
3) Pruebas de punto
central puden estar
alternadas para detectar
cambios
Factores
Flujo
del
Gas
1
2
3
4
5
6
7
8
+
+
+
+
Velocidad
Temperatura
de la
del Horno
cinta
+
+
+
+
Y1
Y2
...
Yn
+
+
+
+
Cambio
de la
media
Cambio de la
Variabilidad
Formacin: DoE
235
Factores
Flujo
Cinta
de gas
1
2
3
4
5
6
7
8
+
+
+
+
Temp.
del horno
+
+
+
+
Cambios de la
media
Observaciones
Y1
Y2
...
Yn
+
+
+
+
Cambios de
la varianza
Ejecutar el Experimento
Prechequear la logstica del experimento
Flujo de materiales y medios
Documentar los procedimientos estndar de operacin
Formacin: DoE
236
Datos Experimentales
Shea r Strength
Factores
Volu me
Prehea t
Te mp
+
+
+
+
0
0
0
+
+
+
+
0
0
0
+
+
+
+
0
0
0
y1
y2
y3
y4
ybar s
ln(s+1)
59.02
37.19
48.66
51.48
57.5
53.1
39.23 39.98 33.96
46.6 46.16 47.11
55
38
47
3.6
2.7
1.1
1.5
1.3
0.7
61.93
83.18
59.24
62.72
78.05
59.32
73.81
67.89
68.19
81.35
57.72
73.84
63.4
70.35
75.23
60.72
84.04
38.17
65.21
78.63
1.0
1.9
2.6
1.5
1.3
59.2
61.5
56.7
58
60
63.2
60.5
58.9
63.6
61.1
58.3
57.5
60 1.8
79 5.7
57 13.2
67 3.3
78 2.5
60 1.4
60 1.4
60 3.7
Formacin: DoE
Anlisis
Respuestas
0.9
0.9
1.5
medias
ln(s+1)
varianzas
237
+
+
+
+
El diseo
experimental
proporciona
contrastes
equilibrados para el
anlisis
ALTO
BAJO
+
+
+
+
+
+
+
+
55
38
47
60
79
57
67
78
Haciendo media de
las 4 pruebas se
refleja el proceso cuando
el tiempo es elevado (+)
= ALTO- BAJO
/2
1) Completar el clculo de valores promedios, , y /2
1.
Respuesta
Ymax
Eje vertical ,
escalado para
cubrir los valores
de respuesta
observados
ALTO
Muestra la respuesta
media de cada nivel
del factor.
Conecta los puntos
con lneas
apropiadas
Y se centrar entre
ALTO y BAJO en
un grfico de 2
niveles.
BAJO
Ymin
-1
BAJO
2.
Formacin: DoE
Factor
+1
ALTO
238
Diagrama de Pareto
100%
3 Opcional: dibujar
una lnea
deproporcin
cumulativa.
Esto puede ser
usado para
localizar las
barras que estn
a la izquierda del
80% (para una
regla de Pareto
80:20 )
|
/2|max.
1
Dibujar un eje
vertical,
escalndolo
para cubrir el
rango de valores
absolutos del
delta/2 :| /2|
0%
D
2
Ecuacin predictiva
(Principales efectos)
Shear
V olu m e Pre he at T em p Strength
La respuesta
prevista,
en cualquier
ajuste de factores
^ =Y +
Y
high
low
/2
)A
+
+
+
+
58.3
61.9
-3.7
-1.84
+
+
+
+
+
+
+
+
63.0 70.2
57.2 50.0
5.8 20.2
2.90 10.11
)B
55
38
47
60
79
57
67
78
60.1
0
60.1
+ (
Para factores de
2 niveles:
Los valores /2
son
coeficientes de
la ecuacin
predictiva
)C
La media principal
del experimento
Formacin: DoE
239
Ecuacin Predictiva
un anlisis ms detallado
A
La respuesta
prevista, en
CUALQUIER
ajuste de los
valores de los
factores
Response
-1
+1
^
Y = Y + ( -1.84 )( A ) + (
/2 representa
la importancia
del factor
-1
2.90
-1
+1
+1
)( B ) + ( 10.11 )( C )
s12
F= 2
s2
varianza1
varianza2
Excel
Excel
=FTEST(rango1,rango2)
=FTEST(rango1,rango2)
oousa
usaHerramientas
Herramientasde
de
Anlisis
Anlisisde
dedatos
datospara
paraelelFF
Test
Test
Formacin: DoE
240
Variable Dependiente
Nmero de Pruebas
R mltiple
Cuadrado de R mltiple
Ajustada Cuadrado de R mltiple
Estimacin del Error Estdar
Variable
Fuente
Coeficiente
Suma de Cuadrados
DF
Cuadrado de la Media
P(2 Cola)
Ratio F
28
Formacin: DoE
241
Factoriales
completos
3
4
5
6
8
16
32
64
.
.
.
.
.
.
B C D E
Interacciones 2 a 2:
AB
BD
5 AD
AC
5 * 4 AE BC
2 = 2 * 1
BE
CD CE DE
Interacciones 3 a 3:
5
10
10
2k
Efectos pples.: A
Interacciones 4 a 4:
ABCD ABDE ACDE BCDE ABCE
Interaccin 5 a 5:
Media + 31 trminos
1
2
3
4
5
6
7
8
Formacin: DoE
A
+
+
+
+
B
+
+
+
+
C AB BC AC ABC
+
+ +
+
+
+
+
+
+ +
+
+
+
+
+
+ +
+ +
+
242
A B C
1
2
3
4
5
6
7
8
A
+
+
+
+
B
+
+
+
+
C AB BC AC ABC
+
+ +
+
+
+
+
+
+ +
+
+
+
+
+
+ +
+ +
+
A B
1
2
3
4
A
+
+
Formacin: DoE
B AB
- +
- + + +
C
Alias
Factor
AB
AC
BC
243
A B C
1
2
3
4
5
6
7
8
A
+
+
+
+
B
+
+
+
+
C AB BC AC ABC
+ + +
+
+
+
+
+
+ +
+
+
+
+
+
+ + + +
+
ABC = D
A = BCD
B = ACD
C = ABD
AB = CD
BC = AD
AC = BD
AD = BC
El sistema de calidad del Dr. Genichi Taguchi incluye tablas con matrices ortogonales. Mientras que la
codificacin y el lenguage necesita poca traduccin (ver apndice) los diseos son directamente dirigidos en los
tradicionales factoriales completos y fraccionales.
Diseos de Plackett-Burman
Optimizados para mostrar los efectos principales, cubriendo 2 puntos de niveles de diseo (cada 4) entre
puntos factoriales.
Factorial Completo
# pruebas
PlackettBurman
#pruebas
8
12
12
16
16
20
20
24
24
28
28
32
potencias de 2
Formacin: DoE
32
mltiplos de 4
244
Comienzo
Reglas para
seleccionar un
Diseo Experimental
Aclarar:
el Problema
el Contexto
los Objetivos
Determinar
qu medir
(Respuestas)
Cuntos
3
niveles para
cada
factor? No todos
Tipos de
factores
cuantitativos, al
menos uno
cualitativoone
K<4
Cuntos
factores?
(k)
6< k < 11
k=3
Slo cuantitativos
Experimenta
-cin
Cuntos
fctores?
(k)
4<k<7
6<k<7
Modelo
K= 5
FACTORIAL
COMPLETO
k=2..n reps > 9
k=3 ..n reps >5
k=4 ..n reps >3
FACTORIAL
FRACCIONAL
2 5-1
n reps>3
Formacin: DoE
MODELO O
EXPERIMENTACIN?
k<5
PLACKETTBURMAN o
TAGUCHI
Experimentos
n reps >4
FACTORIAL
COMPLETO
k=2..n reps> 7
k=3 ..n reps >3
TAGUCHI
L18 Experim.
D-Optimal
n reps>4
Central Composite
o BOX-BEHNKEN
k=2..n reps. > 9 (CCD)
k=3 ..n reps. >5 (CCD/BB)
k=4 ..n reps.>3 (CCD/BB)
245
Tabla de la Normal
246