Diseño de Experimentos para prototipar o para fabricación

445 visualizaciones

Publicado el

La optimización de prototipos o de un proceso requiere sistemática y la herramienta estadística de diseño de experimentos ayuda a emprender esta fase con rigor. Importante comenzar conociendo el modo que medimos y las fuentes de variabilidad en el tiempo: esto nos aporta las primeras pistas sobre dónde poner el foco. EL último paso, el de la optimización, requiere planes experimentales eficientes, adecuadamente diseñados y monitorizados para poder distinguir la señal del efecto de factores de un modo evidente sobre el ruido que genera lo que no controlamos. Importante probar a aprender planes experimentales comenzando con objetivos sencillos.

Publicado en: Ingeniería
0 comentarios
0 recomendaciones
Estadísticas
Notas
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Sin descargas
Visualizaciones
Visualizaciones totales
445
En SlideShare
0
De insertados
0
Número de insertados
17
Acciones
Compartido
0
Descargas
13
Comentarios
0
Recomendaciones
0
Insertados 0
No insertados

No hay notas en la diapositiva.

Diseño de Experimentos para prototipar o para fabricación

  1. 1.     Diseño  de  Experimentos  para  dis1ntas  situaciones  en  fases   de  proto1pado  o  de  fabricación       Dra.  Lourdes  Pozueta    
  2. 2.         LinkedIn lourdes.pozueta@avancex.com     Licenciada  Matemá1cas            (Universidad  de  Zaragoza)   Master  in  Science              (University  of  Madison-­‐Wisconsin)   Doctor  por  la  UPC  en  Estadís1ca  Industrial    (ETSEIB-­‐UPC,  Barcelona)     Master  Black-­‐Belt  en  metodología  Six  Sigma     Profesor  en  excedencia  de  la  UPC.  2  años  Jefe  de  proyecto  en  TECNALIA.  Socio  fundador  de   Avancex+i,  miembro  fundador  Ideas2value.  Vocal  Comité  Seis  Sigma  de  la  AEC.  Colaboradora   formación  a  profesionales  en  la  Mondragon  Unibertsitatea.  
  3. 3.   Nuestro  lema  es  "EXperimentar  para  AVANzar”  a  través  de  comprender  y   aprender  sobre  lo  que  nos  rodea.       Trabajamos  con  personas  que  desean  aprender  rápido  del  comportamiento  de  sus   productos-­‐máquinas-­‐procesos-­‐tecnologías  (su  variabilidad,  las  condiciones   ópUmas  ...)  para  lograr  mejorarlas  o  innovar.     Fomentamos  la  sistemáUca  y  el  rigor,  la  observación  consciente,  el  diagnósUco  y  la   experimentación,  el  trabajo  comparUdo  con  un  equipo,  ...  y  tratamos  de  hablar  en  base   a  DATOS  y  EVIDENCIAS.    
  4. 4. 4.   Ingeniería  de  la   Calidad   Herramientas   Estadís1cas   aplicadas  a  Mejora  de   Producto/Proceso   Ru1nas  para  el  logro   de  habilidades  de   Diagnós1co,   Experimentación,   análisis,  ….     Despliegue  de  Metodologías  de   Mejora  Avanzada  en  Empresa.     Sistemá1ca  RP  basada  en  datos   Cursos-­‐Talleres   Consultoría  on-­‐line   ESTUDIOS  CONCRETOS   Protocolos  Aceptación  líneas   Protocolos  de  aceptación  de  lotes   Op1mización  parámetros  de  Proceso   Diseño  de  recetas  de  mayonesas     Lean-­‐Six  Sigma  para  BB   Diseño  de  Experimentos   Control  estadís1co  de  procesos  (SPC)   Taller  Crea1vidad   Ges1ón  de  la  Innovación   Procesos  de  Crea1vidad   Diseño  Robusto   Six  Sigma,  Calidad  Total…a  medida   SERVICIOS   ASESORÍA  estadís1ca   Planes  recogida  de  Datos   Tratamiento  Datos   Visualización  información   Homologación  productos   Perito  estadís1co  en  juicios    
  5. 5.     Diseño  de  Experimentos  para  dis1ntas  situaciones  en  fases   de  proto1pado  o  de  fabricación     Dra.  Lourdes  Pozueta  (avancex+i)  
  6. 6. 17 © Todos los derechos reservados Materializando la innovación en tecnologías médicas. El reto de la ejecución Fuente: Forbes tenemos una gran idea pero ¿por qué no apuestan por ella? 23 © Todos los derechos reservados Materializando la innovación en tecnologías médicas. El reto de la ejecución Technology Rediness Level La experimentación con rigor ayuda a pasar el valle de la muerte
  7. 7. Herramientas  de  Ingeniería  para  pasar  Valle  de  la  muerte   –  ProtoUpado  virtual  mediante  simulación  computacional   (desarrollo  in  silico)   –  Construcción  rápida  de  protoUpos  Zsicos  (AM/3DP)   –  Diseño  de  Experimentos  (DOE)   •  Selección  estratégica  de  condiciones  de  experimentación   •  EsUmación  de  modelos  predicUvos   •  Estudio  de  condiciones  ópUmas   –  DOE  a  la  experimentación  Zsica  y  virtual   •  Simulación  según  condiciones  DOE  
  8. 8. El  futuro  que  emerge   •  Desarrollo  muy  rápido  de  nuevas  tecnologías   •  Necesidad  de  aprender  rápido   •  Necesidad  de  entender-­‐comprender-­‐dominar  la  fabricación  de  productos   –  Receta  ópUma  y  robusta   –  Proceso  ópUmo  y  robusto   ¿Cómo  Aprendo?   Hace  falta  PROTOTIPAR  con  Método  Ciencfico     3 aspectos  
  9. 9. 3  aspectos   Preguntas   Hta   Idea  general  de  la  ru1na   Imagen   1-­‐Medir  BIEN   ¿Es  suficientemente  preciso  mi  procedimiento   de  medir?  ¿Repite?  ¿Puedo  dis4nguir  recetas   que  el  cliente  ve  diferentes  (10-­‐20%  de  variación  sobre   tolerancias)?     Acciónè  Estrategia  para  Medir  mejor   R&R   ANOVA   Repe4r  medidas  de   proto4pos  diferentes  y   comparar  con  tolerancias             2-­‐Localización  de  la   Variabilidad   Si  no  logro  repe4r  los  proto4pos,  ¿Dónde  se   localiza  la  mayor  contribución  a  la   variabilidad?  ¿Dónde  percibo  síntomas?  ¿En  el   corto  plazo  al  medir  en  zonas  diferentes?  ¿En   el  intento  de  repe4r  un  proto4po  a   con4nuación  del  otro?  ¿a  largo  plazo?     Acciónè  Iden5ficar  Causas  raíz.   Experimentar  para  op5mizar   MulUvari   ANOVA   Tomar  muestras  desde  lo   más  próximo  localmente   a  lo  más  lejano  e   iden4ficar  fuente  de   mayor  variabilidad.                   3-­‐Op1mización  de   Parámetros   Dada  una  lista  de  factores  que  podrían   afectar,  ¿Qué  factores  son  clave?  ¿Cómo  es  la   relación  con  la  respuesta  de  interés?  ¿qué   recetas  son  óp4mas  y  por  qué?  ¿Es  posible   atacar  la  variabilidad  que  provoca  el   usuarioa?  ¿puedo  obtener  una  receta   robusta?     Acciónè  Diseño  óp5mo  lo  más  robusto   MulUtud  de  Diseños:  ,…ANDOE,   Box-­‐Behken,  Cluster,    Cuadrado   LaUnos,  Modelo  General  Lineal..   Experimentar  según  un   plan  que  selecciona   protoUpos  de  modo   ordenado  en  el  espacio   teniendo  en  cuenta   todos  los  factores  a   estudio                 Eje Diametro 321 0,2510 0,2505 0,2500 0,2495 321 321 321 321 8:00 9:00 10:00 11:00 12:00 Max Min Posicion Multi-Vari Chart for Diametro by Posicion - Hora Panel variable: Hora
  10. 10. 1-­‐Evaluar  Sistema  de  Medida    (Colágeno):              PLAN  Experimental*     (*)  El  plan  puede  ser  más  complejo  e  incluir  factores  que  podrían  influir  en  la  medida:  envejecimiento,  operador,  …etc.  hacerlo  con  ANOVA   Acostumbren  a  VER  los  Datos  y  sus  patrones  de  variabilidad.     Depende  del  Requerimiento  del  Cliente  esto  es  o  no  aceptable   Iden4fica  que  hay  diferencia  significa4va  entre   medir  por  lado  A  o  B   Análisis de varianza de Dureza! ! Fuente GL SC MC F P! Producto 1 4536,90 4536,90 863,67 0,000! Probeta. 4 57,65 14,41 2,74 0,045! LADO. 1 122,50 122,50 23,32 0,000! Error 33 173,35 5,25! Total 39 4890,40! ! ! S = 2,29195 R2. = 96,5% R2(ajustado) = 95,81%! ! Proyecto  
  11. 11. Brainstorming   en  Equipo   2-­‐Localización  de  Variabilidad  (Colágeno)   ANOVA: Dureza vs. Vaca; Zona; Tiempo ! ! Factor Tipo Niveles Valores! Vaca fijo 4 V1; V2; V3; V4! Zona fijo 2 Cuello; Falda! Tiempo fijo 3 t1; t2; t3! ! ! Análisis de varianza de Dureza! ! Fuente GL SC MC F P! Vaca 3 1249,56 416,52 27,60 0,000! Zona 1 2310,19 2310,19 153,09 0,000! Tiempo 2 19,04 9,52 0,63 0,537! Error 41 618,69 15,09! Total 47 4197,48! ! ! S = 3,88458 R2. = 85,26% R2(ajustado) = 83,10%! ! Proceso  controlado  en  el  4empo  con  fuerte  influencia  de  zona  de  la  piel.  (Variación  entre  vacas  s2=400)   PLAN  Experimental    
  12. 12. 12. Plasti'icante Queratina Carbonato tiempo Tª Rodillo   3-­‐Op1mizar  Parámetros.  Diseño  de  Experimentos   (proto1po  óp1mo)   PLAN  Experimental    
  13. 13. 3-­‐Op1mizar  Parámetros.  Diseño  de  Experimentos   (proto1po  óp1mo)     •  La  ESTADíSTICA  como  ciencia  aporta  planes  experimentales:   •  ANOVA:  modelo  general  asignar  tratamientos   •  DOE  factorial  2k-­‐p  :  secuencialidad,  sencillez,  permite  modelo  predicUvo  1r  orden   •  DOE  Central  compuesto  y  Box-­‐Behnken:  permite  modelo  predicUvo  cuadráUco   •  Diseños  de  mezcla:  alimentación,  gasolinas,…   •  Diseños  en  cuadrados  la1nos  o  greco  la1nos,  Plackei-­‐Burman:  reducción  drásUca   •  Diseños  de  medidas  repe1das:  posible  influencia  a  lo  largo  del  Uempo….   •  Modelo  general  lineal:  generalización  de  todos  los  diseños   •  …..   •  Estrategia  experimental  clave   para  el  éxito:  Permite   APRENDER  RÁPIDO   •  Estrategia  “prueba-­‐error”  y   “mover  un  factor  cada  vez”   MUY  LENTAS,  COSTOSAS  e   INEFICAZ   www.slideshare.net  Lourdes  Pozueta  hlp://cort.as/Y6Ki    
  14. 14. Factor  A -­‐ + 16  ensayos:  1  factor   A D   +     E     -­‐   B   16  ensayos:    5  factores!!   Factor  A -­‐ + Factor  B   +               -­‐ -­‐ + 3  factores   Factor  A -­‐ + Factor  B   Factor  B     Factor  A +               -­‐ 16  ensayos:     2  factores   A B   A B   -­‐                                D                                  +   4    factores   EFICIENCIA   Selección  óp1ma  de  condiciones     •  Coste  experimental  êê   •  Conocimiento                    éé   3-­‐Op1mizar  Parámetros     (proto1po  óp1mo)     Diseños  2k-­‐p:  Sencillos  y  eficientes  
  15. 15. 5,7 5,9 6,1 6,3 6,5 6,7 7050 7150 7250 24800 25300 25800 temperatura Presion Contour Plot of Porosidad 7050 5,5 6,0Porosidad temperatura 7150 temperatura 7050 6,5 25000 7250 25500 Presion25000 26000 Presion Surface Plot of Porosidad 740720700680660640620 1050 950 850 750 temperatura Presion 685 3 4 Porosidad Temperatura 695 705 Temperatura 685 695 5 820 810 715 870 860 850 840 Presión830 820 880 870 Presión Surface Plot of Porosidad 2,87862 3,22419 3,56976 3,91533 4,26090 4,60647 4,95204 5,29761 5,64318 5,98875 6,33432 6,67989 7,02546 7,37103 7,71660 725715705695685675 900 890 880 870 860 850 840 830 820 810 800 Temperatura Presión Contour Plot of Porosidad Estimated Regression Coefficients for Porosida Term Coef SE Coef T P Constant 6,1017 0,04508 135,345 0,000 temperat -0,2950 0,05521 -5,343 0,013 Presion 0,3300 0,05521 5,977 0,009 S = 0,1104 R-Sq = 95,5% R-Sq(adj) = 92,6% Analysis of Variance for Porosida Source DF Seq SS Adj SS Adj MS F P Regression 2 0,78370 0,78370 0,391850 32,13 0,009 Linear 2 0,78370 0,78370 0,391850 32,13 0,009 Residual Error 3 0,03658 0,03658 0,012194 Lack-of-Fit 2 0,01853 0,01853 0,009267 0,51 0,702 Pure Error 1 0,01805 0,01805 0,018050 Total 5 0,82028 EFICIENCIA   Selección  óp1ma  de  condiciones     •  Coste  experimental  êê   •  Conocimiento                    éé   3-­‐Op1mizar  Parámetros     (proto1po  óp1mo)     Estudio  de  modelos  estadís1cos  
  16. 16. Ejemplo  1     Diseño  de  recetas  de  Mayonesa   (basado  en  experiencia  real  con  una  de  estas  marcas)     ¿Hay  que  modificar  la  receta  actual?   ¿qué  factores  afecta  a  la  aceptación  del  consumidor?     ¿Qué  proto1pos  gustan  más?  ¿  Por  qué?   ¿Qué  sabores  gustan?     ¿Igual  para  todos  los  grupos  de  población?     ¿Cómo  estamos  respecto  a  la  competencia?  
  17. 17. Ejemplo  Plan  experimental:  Receta  +  Grupo  de  Interés   Modificaciones  de  receta  actual   Zona  geográfica  /  Edad/  Consumidor  habitual/ ocasional    /Hombre/mujer   Diseño     Central  Compuesto   Producción  proto1pos   Selección  de  público  de  interés     CATA   consumidor   CATA   Sensorial   DATOS  
  18. 18. Diseño     Box-­‐Behnken   Ejemplo  Plan  experimental:  Receta  +  Grupo  de  Interés   Modificaciones  de  Receta  Actual   Producto  Nuevo:  “receta  casera”   IdenUficación  de  Upologías   95  recetas   3  ciudades   3  grupos  por  hábitos  con  mayonesa  casera   Jueces:  17  variables  sensoriales  
  19. 19. Análisis  Estadís1co   ¿Qué receta prefieren? ¿Por qué? (A. Sensorial) ¿Qué característica influye más en la puntuación global? ¿Cómo afectan los ingredientes de la receta? ¿Por qué gustan unas recetas más que otras? ¿Cuál es la más barata? ¿Cuál es la más fácil de industrializar? ¿Se puede hacer una única receta para toda la geografía?
  20. 20. Ejemplos  Planes  Experimentales  para  op1mizar  “recetas”   •  Receta  de  Proceso  de  Fabricación  Chips   •  Respuesta:  Espesor  (media  y  homogeneidad)   •  Factores:  Tipo  baño,  agitación,  lámpara,  Uempos,…   Posición 9 Posición 6 Espátula 6 agi Varilla +ConductEstándar Lámpara Varilla Baño 876,083 882,000837,000 895,000 855,000 861,000899,500 866,500 Gráfica de cubos (medias de los datos) para Mediana Htas:  Diseño  Experimentos  25-­‐1  y   Modelo  de  Superficie  de  Respuesta  
  21. 21. 21.   ! Fagor  Ederlan   Producto:  Caliper   Caracterís1ca:  Ruido  (FRF)   A B   A B   -­‐                                D                                  +   +   Causa  Raíz  ES  Cota  X   Variación  en  Frecuencia3  según  localización     Cavidades  en  molde  idénUcas  pero  Cota  X  en  producto  varía   Alta  correlación  entre  FR3  y  Cota  Xè  PUEDE  SER  la  causa   (correlación  no  implica  causalidad)   OBSERVAR  PROCESO:  Diagnós1co   EXPERIMENTAR  (provocar  escenarios  independientes)   1)  Compensar  U1llaje   2)  Diseño  producto  robusto   Prueba  piloto  
  22. 22. 22.   Capacitación  en  abierto   SESIÓN DE LANZAMIENTO - METODOLOGÍA- METODOLOGÍA testeado con éxito - PROFESORADO:- PROFESORADO: Expertos en materia - SOPORTE WEB...- SOPORTE WEB... - APOYO TUTORES- APOYO TUTORES - PLAN ENTRENAMIENTO FLEXIBLE:- PLAN ENTRENAMIENTO FLEXIBLE: - Material adaptado - Rutinas para potenciar hábitos - Casos prácticos - Proyectos compartidos Campamento base para aclimatar: puesta en común y debate constructivo HITO 1 HITO 2 • Importancia e impacto proyecto • Cliente y requisitos • Alcance: procesos y personas DEFINIR MEDIR ANALIZAR IMPROVE CONTROL • Conocer proceso • Medir y valorar las salidas del proceso (efectos) • Diagnóstico situación de partida • Idear soluciones • Verificar resultados • Exportar aprendizaje • Estandarizar y acreditar proceso • Verificar resultados • Explotar aprendizaje • Determinar las entradas clave (causas raiz) • Decidir acciones de cambio DINÁMICASHERRAMIENTASENTO - IDENTIFICAR- IDENTIFICAR organizaciones interesadas - PROYECTOS- PROYECTOS con retorno - PROMOTOR DE APOYO- PROMOTOR DE APOYO (Champion) - LÍDER- LÍDER motivado para acudir al curso - ROLES- ROLES claros - OPERATIVA/PREPARATIVOS- OPERATIVA/PREPARATIVOS previos UNA TIDA CC IÓN Curso  Avanzado  en  Programas  de   Mejora  ConUnua  Lean-­‐Six  Sigma   Diseño  de  Experimentos    (3  módulos)   Marzo-­‐Junio  2016   Diciembre-­‐Feb  2016   Alumnos  del  úl1mo  curso  DOE:   Aplicación  de  DOE  en  la  fabricación   de  Chips  en  Fagor  Electrónica   Colaboran:  
  23. 23. Ejemplo  :  artefactos  que  “vuelen”   •  Tengo  protoUpos  (y  “se  reproducirlos”  porque   veo  lo  que  Uenen….no  siempre  es  así)   •  ¿Cuál  es  mejor?  ¿El  mejor  protoUpo  para  el   mercado?   •  Requerimientos?   –  Que  vuela  recto?   –  Qué  vuelva?   –  Que  planee?   –  Máximo  Uempo?   –  Que  llegue  lejos?   –  Bonito?   –  Dure?   •  ¿Cómo  valoro  con  rigor?  Azul,  Verde  o  Rojo   (cada  color  disUnto  diseño  para  que  la  genet   opine  facil  por  colores)   –  hlps://www.youtube.com/watch? v=nsx5jRdq7YA   •  ¿Cómo  logro  la  mejor  receta  que  sea  fabricable   con  mínima  variabilidad?  (Innovación  producto   y  proceso)  
  24. 24. LinkedIn 24.    Innova1on  testers:         Una  vez  logrado  el  diseño  conceptual  del  producto,  y  antes  de  la  realización  de  protoUpos  y  series  piloto,  es  necesario  establecer  el  modo  en   que  se  va  a  medir  el  éxito  del  protoUpo,  o  del  proceso  de  generación  del  mismo,  y  las  condiciones  en  que  se   van  a  elaborar  los  proto1pos  para  poder  evaluar  con  rigor  cien{fico  los  diferentes  aspectos  que  interesa  a  una  organización.       Analizamos  el  comportamiento  de  protoUpos  ante  variación  de  condiciones  de  diseño  de  producto  y  proceso,  iden1ficando  factores   que  afectan  y  op1mizando  diseño.       Establecemos  pruebas  piloto  para  evaluar  la  capacidad  de  los  procesos  de  fabricación  de  lograr  los  requisitos  de   producto  y  realizamos  propuestas  de  diseño  de  producto  o  proceso  robustos  a  esta  variabilidad.     Innova1on  trainers         Ofrecemos  servicios  de  entrenamiento  en  competencias  relacionadas  con  la  Mejora  Con1nua   y  el  Diseño  de  Experimentos.  Potenciamos  desarrollar  el  “staUsUcal  thinking”  en  las  organizaciones:  el  pensamiento  que   persigue  chequear/aceptar  teorías  en  base  a  hechos/evidencias.     Lourdes  Pozueta  Fernández        Socio  fundador  de   Avancex+i,  miembro  fundador  Ideas2value     Coordina  el  área  diseño  de  experimentos    y   análisis  estadísUco  de  Ideas2Value  Network   Servicios  para  Innovación,   Mejora,  Aprendizaje   lourdes.pozueta@avancex.com  
  25. 25. Caucho termoplástico de colágeno Jesus Ollokiegi 25 BLUE RUBBER Transform rubbish in rubber
  26. 26. Caucho termoplástico de colágeno Hinchamiento y debilitamiento de la piel en medio alcalino Piel debilitada con colágeno nativo Desnaturalización y masticación contoladas Adición de los ingredientesCaucho termoplásticoConformación en Producto final Combinación de la tecnología tradicional del cuero y la del caucho 26 Tecnología
  27. 27. Inyección Granza Producto conformado diferentes fomulaciones Caucho termoplástico de colágeno Cabezal hilo Cabezal film Hilo Film Extrusión Moldeo por compresión Pezuñeras : solo colágeno, con serrín, con posos de café Gorritos pastelero: con pelo, con cáscaras de huevo Plancha colágeno lino 27 Transformación
  28. 28. Materia prima CUELLO CRUPON F A L D A F A L D A Cuello Parte más regular. 15-20 Shore A Falda Parte más irregular. Zona blanda < 10 Zona dura > 30 Parámetro dureza Shore A: mayor dureza mayor PM y mayor nº entrecruzamientos Caucho termoplástico de colágeno
  29. 29. Hinchamiento alcalino Tiempo 2-6 días Temperatura 10-35ºC Hidrólisis parcial del colágeno. A mayor Tª o tiempo mayor hidrólisis o reducción del PM. Peores propiedades mecánicas Caucho termoplástico de colágeno
  30. 30. Procesamiento en rodillos Dos procesos simultáneos Desnaturalización: destrucción de la estructura cristalina. Obligatorio. Tª > 50ºC Masticación: reducción del peso molecular. A controlar. Cualquier Tª A mayor Tª o tiempo mayor reducción del peso molecular Caucho termoplástico de colágeno
  31. 31. Aditivación. Control de las propiedades PlastificantesCargas reforzantes Cáscara de huevo: carbonato cálcico Serrín: celulosa Plumas o pelos: queratina Según el grado de masticación, tipo y cantidad de carga y cantidad de plastificante GOMA O PLÁSTICO Caucho termoplástico de colágeno 31 Procesamiento en rodillos Entre 0 y 60% Entre 20 y 60% Influye: Cantidad y tamaño de partícula
  32. 32. Inyección Caucho termoplástico de colágeno Cabezal hilo Cabezal film Extrusión Moldeo por compresión 32 Transformación A mayor Tª y cizallamiento peores propiedades A mayor nº de ciclos peores propiedades
  33. 33. Resistencia < 10 MPa > 50 Mpa a tracción: Estiramiento > 500% < 5% a la rotura: Dureza: < 50 Shore A > 80 Shore D Resistencia al agua: disolución a hinchamiento menor del 100% Variables y Propiedades GOMA TERMOPLASTICO RIGIDO HIDROLISIS RECICLADOADITIVACION MASTICACION Caucho termoplástico de colágeno

×