Los problemas de paradas …hace que el proceso de forja sea variable en cotas. Para ello se toma contramedidas con energías de golpe y Temperatura…En la actualizad es manual control de cotas y acciones. Se investiga en definir un proceso automático que gestiona a partir del peso y actúa en parámetros clave.
Se identifica patrone de variabilidad típicas de forja y mediante Diseño de Experimentos se identifica efectos de parámetros de proceso y modelo matemático para utilizar para contrarrestar variabilidad
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.
(se apoya ppt con vídeos en Youtube)
Resolución de un Problema de Variabilidad de frecuencia de Vibración en Fundición aplicando Ingeniería Estadística (con metodología apoyada en Seis Sigma)
Experiencia real en empresa.
Permiso de la empresa para compartir.
Se muestra en 3 webinar un resumen de las etapas de resolución de problemas:
Webinar 1: Entender proceso y primeros pasos orientados a Descripción de comportamiento
Webinar 2: Recogida de datos al detalle para encontrar modelos de Predicción y variables correlacionadas que podrían explicar el comportamiento variable de la respuesta
Webinar 3: Enfocado a experimentar con factores correlacionados para identificar factores causa y desterrar factores correlacionados que no afectan
Se fomenta:
1) MÉTODO de PENSAR diferente
2) numerosas herramientas
"Diseño estadístico de Experimentos: de las Ideas a las Evidencias" (Lourdes...Lourdes Pozueta Fernández
La charla se enmarca dentro del acto "Táctica en la experimentación para innovar rápido" en la Semana de Gestión Avanzada.
Participan Lourdes Pozueta y empresas con las que Lourdes Pozueta colabora como experta en planificación experimental.
Esta charla da pautas para experimentar con ejemplos aplicados en el entorno de las empresas participantes
(se apoya ppt con vídeos en Youtube)
Resolución de un Problema de Variabilidad de frecuencia de Vibración en Fundición aplicando Ingeniería Estadística (con metodología apoyada en Seis Sigma)
Experiencia real en empresa.
Permiso de la empresa para compartir.
Se muestra en 3 webinar un resumen de las etapas de resolución de problemas:
Webinar 1: Entender proceso y primeros pasos orientados a Descripción de comportamiento
Webinar 2: Recogida de datos al detalle para encontrar modelos de Predicción y variables correlacionadas que podrían explicar el comportamiento variable de la respuesta
Webinar 3: Enfocado a experimentar con factores correlacionados para identificar factores causa y desterrar factores correlacionados que no afectan
Se fomenta:
1) MÉTODO de PENSAR diferente
2) numerosas herramientas
Evento: Martes de Innobasque. Innovación e Ingeniería. Febrero 2015
La importancia de entender las fuentes de variabilidad para incorporar este conocimiento desde el diseño de producto y proceso
Charla"¿Preparados para gestionar la salud de los procesos?" impartida por Lourdes Pozueta (CEO y socia de Avancex+i) en Semana en Gestión Avanzada dentro de un evento titulado: "Prohibido No cuestionar: Saber tratar los Datos"
En esta charla se sugiere cuestionarse 5 aspectos: La métrica, el resumen que se hace de los datos de partida, el seguimiento de los estándares, las competencias para diagnosticar procesos a partir de datos y las competencias para tratar los procesos y evaluar el éxito a partir de planes experimentales adecuados
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.
(se apoya ppt con vídeos en Youtube)
Resolución de un Problema de Variabilidad de frecuencia de Vibración en Fundición aplicando Ingeniería Estadística (con metodología apoyada en Seis Sigma)
Experiencia real en empresa.
Permiso de la empresa para compartir.
Se muestra en 3 webinar un resumen de las etapas de resolución de problemas:
Webinar 1: Entender proceso y primeros pasos orientados a Descripción de comportamiento
Webinar 2: Recogida de datos al detalle para encontrar modelos de Predicción y variables correlacionadas que podrían explicar el comportamiento variable de la respuesta
Webinar 3: Enfocado a experimentar con factores correlacionados para identificar factores causa y desterrar factores correlacionados que no afectan
Se fomenta:
1) MÉTODO de PENSAR diferente
2) numerosas herramientas
"Diseño estadístico de Experimentos: de las Ideas a las Evidencias" (Lourdes...Lourdes Pozueta Fernández
La charla se enmarca dentro del acto "Táctica en la experimentación para innovar rápido" en la Semana de Gestión Avanzada.
Participan Lourdes Pozueta y empresas con las que Lourdes Pozueta colabora como experta en planificación experimental.
Esta charla da pautas para experimentar con ejemplos aplicados en el entorno de las empresas participantes
(se apoya ppt con vídeos en Youtube)
Resolución de un Problema de Variabilidad de frecuencia de Vibración en Fundición aplicando Ingeniería Estadística (con metodología apoyada en Seis Sigma)
Experiencia real en empresa.
Permiso de la empresa para compartir.
Se muestra en 3 webinar un resumen de las etapas de resolución de problemas:
Webinar 1: Entender proceso y primeros pasos orientados a Descripción de comportamiento
Webinar 2: Recogida de datos al detalle para encontrar modelos de Predicción y variables correlacionadas que podrían explicar el comportamiento variable de la respuesta
Webinar 3: Enfocado a experimentar con factores correlacionados para identificar factores causa y desterrar factores correlacionados que no afectan
Se fomenta:
1) MÉTODO de PENSAR diferente
2) numerosas herramientas
Evento: Martes de Innobasque. Innovación e Ingeniería. Febrero 2015
La importancia de entender las fuentes de variabilidad para incorporar este conocimiento desde el diseño de producto y proceso
Charla"¿Preparados para gestionar la salud de los procesos?" impartida por Lourdes Pozueta (CEO y socia de Avancex+i) en Semana en Gestión Avanzada dentro de un evento titulado: "Prohibido No cuestionar: Saber tratar los Datos"
En esta charla se sugiere cuestionarse 5 aspectos: La métrica, el resumen que se hace de los datos de partida, el seguimiento de los estándares, las competencias para diagnosticar procesos a partir de datos y las competencias para tratar los procesos y evaluar el éxito a partir de planes experimentales adecuados
Metodologias para la Mejora, respaldadas por los software Minitab.
Abstract
La competitividad en el mercado actual le plantea a las empresas la necesidad de revisar su desempeño, para lo cual existen diferentes metodologías estructuradas que permiten planificar y gestionar estos proyectos de Mejora Continua. Lean Seis Sigma, fusión de Lean Manufacturing y de Seis Sigma, es una de las más desarrolladas. Se soporta en una serie de herramientas conocidas como “duras” de estadísticas- Control Estadístico de Procesos y el Diseño Experimental entre otras- y otra serie de herramientas “blandas” de gestión. El software MINITAB es un soporte muy útil para los trabajos estadísticos. Por otra parte el software QUALITY COMPANION permite Definir, Organizar y Ejecutar Proyectos de Mejora, con diversidad de herramientas, abordando las diferentes etapas de todo proyecto.
Diertante: Lic. Diego A. Lafont
Licenciado en Química y Especialista en Estadística de la Facultad de Ciencias Exactas y Naturales de la UBA. Desde 1991 trabaja en las áreas de Calidad e Investigación y Desarrollo de las empresas de CALSA, Georgalos S. A., Refinerías de Maíz S.A. y Unilever S.A. Es docente Universitario en el Posgrado “Seis Sigma e ISO 9000” de USAL en las Materias Diseño Experimentos, Control Estadístico de Procesos Avanzado.
Diertante: Cdor. Guillermo C. Alvarez
Contador Público (UBA) y MBA (IAE Escuela de Negocios- Universidad Austral). Es docente en instituciones educativas líderes en las áreas de estrategia de negocios y áreas relacionadas. Formó y Lideró equipos de Lean Seis Sigma. Condujo grupos interdisciplinarios y regionales orientados a la calidad, diseño y mejora de procedimientos en las áreas de planificación, finanzas corporativas y tesorería internacional.
www.congresodecalidad.com.ar
Metodologias para la Mejora, respaldadas por los software Minitab.
Abstract
La competitividad en el mercado actual le plantea a las empresas la necesidad de revisar su desempeño, para lo cual existen diferentes metodologías estructuradas que permiten planificar y gestionar estos proyectos de Mejora Continua. Lean Seis Sigma, fusión de Lean Manufacturing y de Seis Sigma, es una de las más desarrolladas. Se soporta en una serie de herramientas conocidas como “duras” de estadísticas- Control Estadístico de Procesos y el Diseño Experimental entre otras- y otra serie de herramientas “blandas” de gestión. El software MINITAB es un soporte muy útil para los trabajos estadísticos. Por otra parte el software QUALITY COMPANION permite Definir, Organizar y Ejecutar Proyectos de Mejora, con diversidad de herramientas, abordando las diferentes etapas de todo proyecto.
Diertante: Lic. Diego A. Lafont
Licenciado en Química y Especialista en Estadística de la Facultad de Ciencias Exactas y Naturales de la UBA. Desde 1991 trabaja en las áreas de Calidad e Investigación y Desarrollo de las empresas de CALSA, Georgalos S. A., Refinerías de Maíz S.A. y Unilever S.A. Es docente Universitario en el Posgrado “Seis Sigma e ISO 9000” de USAL en las Materias Diseño Experimentos, Control Estadístico de Procesos Avanzado.
Diertante: Cdor. Guillermo C. Alvarez
Contador Público (UBA) y MBA (IAE Escuela de Negocios- Universidad Austral). Es docente en instituciones educativas líderes en las áreas de estrategia de negocios y áreas relacionadas. Formó y Lideró equipos de Lean Seis Sigma. Condujo grupos interdisciplinarios y regionales orientados a la calidad, diseño y mejora de procedimientos en las áreas de planificación, finanzas corporativas y tesorería internacional.
www.congresodecalidad.com.ar
LINEA DE TIEMPO Y PERIODO INTERTESTAMENTARIOAaronPleitez
linea de tiempo del antiguo testamento donde se detalla la cronología de todos los eventos, personas, sucesos, etc. Además se incluye una parte del periodo intertestamentario en orden cronológico donde se detalla todo lo que sucede en los 400 años del periodo del silencio. Basicamente es un resumen de todos los sucesos desde Abraham hasta Cristo
Este documento ha sido elaborado por el Observatorio Ciudadano de Seguridad Justicia y Legalidad de Irapuato siendo nuestro propósito conocer datos sociodemográficos en conjunto con información de incidencia delictiva de las 10 colonias y/o comunidades que del año 2020 a la fecha han tenido mayor incidencia.
Existen muchas más colonias que presentan cifras y datos en materia de seguridad, sin embargo, en este primer acercamiento lo que se prevées darle al lector una idea de como se encuentran las colonias analizadas, tomando como referencia los datos del INEGI 2020, datos del Secretariado Ejecutivo del Sistema Nacional de Seguridad Pública del 2020 al 2023 y las bases de datos propias que desde el 2017 el Observatorio Ciudadano ha recopilado de manera puntual con datos de las vıć timas de homicidio doloso, accidentes de tránsito, personas lesionadas por arma de fuego, entre otros indicadores.
Reporte homicidio doloso descripción
Reporte que contiene información de las víctimas de homicidio doloso registradas en el municipio de Irapuato Guanajuato durante el periodo señalado, comprende información cualitativa y cuantitativa que hace referencia a las características principales de cada uno de los homicidios.
La información proviene tanto de medios de comunicación digitales e impresos como de los boletines que la propia Fiscalía del Estado de Guanajuato emite de manera diaria a los medios de comunicación quienes publican estas incidencias en sus distintos canales.
Podemos observar cantidad de personas fallecidas, lugar donde se registraron los eventos, colonia y calle así como un comparativo con el mismo periodo pero del año anterior.
Edades y género de las víctimas es parte de la información que incluye el reporte.
Ipsos, empresa de investigación de mercados y opinión pública, divulgó su informe N°29 “Claves Ipsos” correspondiente al mes de abril, que encuestó a 800 personas con el fin de identificar las principales opiniones y comportamientos de las y los ciudadanos respecto de temas de interés para el país. En esta edición se abordó la a Carabineros de Chile, su evaluación, legitimidad en su actuar y el asesinato de tres funcionarios en Cañete. Además, se consultó sobre el Ejército y la opinión respecto de la marcha en Putre.
2. Pág. 2
Equipo de trabajo:
• Alcorta Forging Group:
– Oskar Andrés, Jesús Mari Beitia, Juan Antonio Beneitez,
Ruben de la Peña, Mikel Luque y operarios de proceso
• Avancex+i
– Lourdes Pozueta
– Becario doctorando TECNUN: Martin Tanco
• Centro Tecnológico INASMET-Tecnalia
– Félix Peñalba
3. Pág. 3
Índice
1. Presentación empresa / productos
2. Oportunidad detectada
3. Objetivo proyecto
4. Plan de trabajo por hitos
Hito 1: Modelo Mental del Equipo
Hito 2: Caracterizar Variabilidad Producción/Chequeo H1
Hito 3: Diseño Plan Experimental (DOE)
Hito 4: Ejecución e interpretación resultados/ comunicación
Hito 5: Prueba piloto
5. Conclusiones
4. Pág. 4
1- Presentación Empresa
• www.alcortagroup.com
• Fundada en 1911
• Evolución accionariado:
Local (Familiar) è Internacional (Brockhaus, Mahle) è Local (F.+trabajadores)
• Evolución del producto:
– armas y herramientas de mano è Sector Automoción
• Tecnología
– Automatización: alta tecnología de producción de forja con 7 líneas parcial o
totalmente automatizadas
– Tecnología Preforma (reducción peso bruto en pieza)
• Trabajo en equipo (minicompañías,…)
5. Pág. 5
2- Oportunidad detectada
PROCESO ACTUAL
Critical To Quality • Piezas homogéneas en espesor
OPORTUNIDAD: AUTOMATIZAR
Inicio: Parámetros proceso
Ajustes: Operario
modelos
conformados
Temperatura
tiempo
EnergíaGolpeo
Posiciones
Corte Horno
taco MARTILLO
+ Operario
Rebabado
Control
Espesor
tacocaliente
Piezabruta
barra
Laminado
6. Pág. 6
3-Objetivo
Voz del CLIENTE
• El estado del arte de la tecnología de forja con martillo permite controlar de forma muy
precisa la energía que en cada golpe es aplicada. Esta capacidad abre posibilidades
que eran impensables con las tecnologías antiguas. Una de las principales es la poder
obtener un espesor en las piezas mucho más estable, es decir, un proceso más
controlado que fabrique piezas con una mejor calidad.
• Para obtener la estabilidad de espesores es necesario aplicar la energía de
deformación necesaria en cada golpe y para cada barra de materia prima forjada. Un
defecto de energía producirá sobreespesores de pieza y un exceso producirá
desplazamientos en los utillajes, estos desplazamientos generarán paros para efectuar
correcciones en el proceso productivo.
• La pregunta es ¿cuánta energía se debe aplicar en cada golpe? Para responderla se
hace necesario modelizar el proceso de forja de tal forma que en tiempo real el
autómata del martillo pueda recalcularla y enviar la consigna.
OBJETIVO
1. Modelizar el Proceso de Forja è Identificar X’s vitales y relación
2. Establecer procedimiento ajuste automático “on line” mediante
peso
7. Pág. 7
Hito 1: Modelo Mental del Equipo
è Recoger Hipótesis
Hito 2: Caracterizar Variabilidad Producción. Situación partida
èEstimar capacidad de proceso
è Chequear relación espesor-peso
è Identificar síntomas de Hipótesis
è Seleccionar X’s para experimentar
Hito 3: Diseño Plan Experimental (DOE)
è Plan de pruebas para estimar modelo Espesor = F(X’s)
Hito 4: DOE Ejecución e interpretación resultados/ comunicación
Hito 5: Prueba piloto ajuste
Hito 6: Propuesta automatización
4-Plan trabajo
8. Pág. 8
4.1 Modelo Mental
espesor taco
Variabilidad
Martillo
Horno
Environment
Measurements
Methods
Material Personnel
C onocimiento
A justes
C olocación pieza
martillo
Energía absorbida
Prov eedor
Dureza
Espesor
Longitud taco
Proc. ajsutes desgaste
Proc. de A justes proceso
Proc. paros cortos
Proc. A rranque
medida
Frecuencia
equipo
V ariabilidad
seleccionada
C ota
Suciedad
Tª ambiente
Tiempo
Temperatura
Temperatura Utillaje
entrada de taco
Temperatura de
Estado prensa
Utillajes
en Golpes
Parámetros Energías
Diagrama Causa Efecto
"paciente"?
observar al
permiten
Datos que me
¿Dónde hay
¿Qué factores pueden afectar la variabilidad en el espesor?
9. Pág. 9
Observar al Proceso a corto, medio plazo
– Registrar estado de X’s principales
– Recoger datos de “espesor” y “peso”
Analizar
– Síntomas de variación no natural
– Bondad de la relación “peso-espesor”
Plan de recogida de datos:
– Periodo que cubra en torno el 80% de variación del
proceso (cambio de lotes, turnos,…).
– Intensificación en periodos corto, medio y largo plazo.
– Mínima intervención en el proceso
4.2 Caracterizar variabilidad
10. Pág. 10
332925211713951
15,2
15,0
14,8
SampleMean
__
X=15,0359
UCL=15,2054
LCL=14,8664
332925211713951
0,4
0,2
0,0
SampleRange
_
R=0,1657
UCL=0,4265
LCL=0
3530252015
15,3
15,0
14,7
Sample
Values
15,4515,3015,1515,0014,8514,7014,55
LSL USL
LSL 14,5
USL 15,1
Specifications
15,515,014,5
Within
O v erall
Specs
StDev 0,0978706
C p 1,02
C pk 0,22
Within
StDev 0,17389
Pp 0,58
Ppk 0,12
C pm *
O v erall
1
11
11
11
11
1
1
Process Capability Sixpack of Espesor14,5+0,6
Xbar Chart
R Chart
Last 25 Subgroups
Capability Histogram
Normal Prob Plot
A D: 0,996, P: 0,012
Capability Plot
540
525
510
495
480
3,9612E+103,9612E+103,9611E+103,9611E+10
15,4
15,2
15,0
14,8
14,6
14,4
3,9612E+103,9612E+103,9611E+103,9611E+10
15,6
15,4
15,2
15,0
14,8
14,6
0,3
0,2
0,1
0,0
-0,1
Peso Espesor14,5+0,6
Espesor_Cazuela Desplazamiento72-71
Variación de Peso y Espesor de Piezas (y Desplazamiento) a largo Plazo
Frecuencia: 1 muestra/hora
Periodo 11 Junio 13:30-13 Junio 4:45.
CAPACIDAD A CORTO / NO CAPAZ a LARGO PLAZO (reproceso de conformado frío posterior)
520510500490480470
15,50
15,25
15,10
15,00
14,75
14,50
14,25
Peso_LARGO
Espesor14,5LARGO
S 0,102955
R-Sq 65,9%
R-Sq(adj) 65,6%
Regression
95% CI
95% PI
Fitted Line Plot
Espesor14,5LARGO = 7,316 + 0,01553 Peso_LARGO
MALAS MALASBUENAS
Buenas"
"Casi
Malas"
"Casi
Bondad Modelo Espesor=F(peso) R2 65%
s= 0,10 (tolerancia ± 0,30) Incertidumbre alta en
predicción (similar a var. corto plazo espesor)
El peso lo utilizaré para detectar variabilidad en espesor y rechazar piezas pequeñas (más rápido),
NO para dar medida de espesor para el resto.
4.2 Caracterizar variabilidad: capacidad, espesor-peso,…
12. Pág. 12
4.2 Caracterizar variabilidad:…, tendencias, asociación,..
3,9613E+103,9612E+103,9612E+103,9611E+10
1400
1350
1300
1250
1200
15,4
15,3
15,2
15,1
15,0
14,9
14,8
14,7
14,6
X-Data
VarValue-Temperatura
Espesor14,5+0,6
VarValue-Temperatura * Time_ms
Espesor14,5+0,6 * time ms-piezaslargo
Variable
Temperatura y Espesor14,5 (hay decalaje en medida)
1 hora
3,9613E+103,9612E+103,9612E+103,9611E+103,9611E+103,9610E+103,9610E+103,9609E+10
1500
1400
1300
1200
1100
1000
900
800
700
600
Time_ms
VarValue
06:00-13:00
10 Junio
22:00-24:15
10 Junio
12 Junio 06:40
11 Junio 12:00 -
08:00-15.30
12 Junio
Junio 01.46
12 Junio 15:30-13
08:45-13.30
13 Junio
Temperatura vs Time_ms
3,9612E
+10
3,9611E
+10
3,9610E
+10
3,9612E+
10
3,9611E+
10
3,9610E+
10
550
500
450
400
350
3,9612E+10
3,9611E+10
3,9610E+10
550
500
450
400
350
VarValue-Golpe1*Time_ms
450
VarValue-Golpe 2*Time_ms_2 VarValue-Golpe 3*Time_ms_3
VarValue-Golpe 4*Time_ms_4 VarValue-Golpe5*Time_ms_5
450
11 Junio 12:00 - 13 Junio 06:00
Periodo Estable
10 Junio 05:00-12:00 22:00-24:00
Periodo Inestable.
ENERGÍA GOLPES DE MARTILLO
Se ha tocado: Temperatura Horno y las velocidades de Golpe 1, 4 y 5
Difícil establecer asociaciones en presencia de variabilidad cuando se
tocan muchas cosas a la vez
Ante paradas, los primeros
tacos salen “fríos” (se separan)
13. Pág. 13
3,9612E+10
3,9612E+10
3,9612E+10
3,9612E+10
3,9612E+10
3,9611E+10
3,9611E+10
3,9611E+10
3,9611E+10
3,9611E+10
550
500
450
400
350
300
15,4
15,3
15,2
15,1
15,0
14,9
14,8
14,7
14,6
14,5
14,4
X-Data
EnergíadeGolpeo
Espesor14,5+0,6
3
2
4
5
1
Espesor
Energía de Golpeo (por Golpes) y Espesor
paradas
comienzos buenos con
estabilidad
problemas, pocas piezas
comienzos buenos con paradas
estabilidad
Lo intentamos explicar…
“Cuando la máquina comienza a trabajar el espesor está alto y va bajando con las consignas de Golpe estables
hasta llegar a un nivel que coincide con máxima actividad de máquina. Baja la actividad y trabaja con Golpe 1
más bajo, el espesor con la máquina a medio rendimiento sube y para bajarlo se acaba subiendo el Golpe 4 y a
continuación el Golpe 5. Además se había subido anteriormente la consigna de Temperatura en Horno”
¿Por qué se toca?
Para compensar efectos de contingencias en proceso (utillaje frío tras paradasèespesor alto, ….)
Porque se interpreta que algo está ocurriendo
Porque se cree que se va a mejorar con la “habilidad personal”
4.2 Caracterizar variabilidad:…,X’s candidatas
X’s candidatas:
X1: Temperatura Horno
X2 : Energía Golpe 4 (velocidad)
X1: Energía Golpe 5 (velocidad)
14. Pág. 14
• Nº Ensayos: 10 23 + 2 réplicas (Duración prevista 6 horas)
ensayo 1 (puesta pto) se repite al inicio, medio y fin del experimento
• Nº piezas por ensayos: 6 piezas (1/5 minutos, 30’ total) huella 3
• Datos: Y’s (Espesor, peso) y variables de proceso (X’s)
• Personal durante experimentación:
– 2 personas con experiencia en Martillo + Supervisor
– Consultor + Técnico Forja (Centro Tecnológico)
4.3 Diseño Plan Experimental (DOE)
B.
Procedimiento
para
experimentar
1. Puesta
a
punto
de
proceso
hasta
llevar
a
condición
1
(el
último
registro
de
la
última
producción).
Determinar
cuando
el
proceso
está
estable:
al
comienzo
surgen
piezas
de
más
grosor
hasta
que
se
logra
estabilidad.
2. Tomar
primera
muestra
de
6
piezas
de
la
marca
72
(extraídas
una
cada
5
minutos)
y
datos
de
las
variables
de
interés
(plantilla)
3. Cambiar
las
consignas
de
proceso.
Contar
nº
de
piezas
que
se
tiran
hasta
comenzar.
Tomar
a
continuación
la
primera
pieza
de
muestra
y
seguir
cada
5
minutos,
hasta
obtener
las
6
piezas
4. Repetir
pasos
3
hasta
acabar
con
las
10
condiciones
del
proceso.
Durante
todo
el
tiempo
que
dura
el
periodo
de
experimentación
los
únicos
cambios
que
se
realizarán
en
las
consignas
del
proceso
son
las
determinadas
por
el
plan
experimental.
En
caso
de
paro
de
máquina,
el
puesta
a
punto
se
realizará
en
las
consignas
que
toque
en
ese
momento.
C.
Características
de
la
plantilla
de
histórico
1.
O bjetivo:
Se
utilizará
una
plantilla
para
registrar
todos
los
datos
de
interés
que
sucedan
en
el
proceso
durante
el
tiempo
de
experimentación
2.
En
ella,
se
registrarán
en
primer
lugar,
todos
los
cambios
realizados
a
los
parámetros
de
interés.
3.
También,
se
desea
registrar
cualquier
incidencia
que
ocurra
durante
la
experimentación
4.
Además,
se
prestará
atención
a
la
cantidad
de
piezas
necesarias
para
lograr
la
estabilidad
desde
que
llega
la
primera
barra,
hasta
la
primera
aceptable.
5.
El
sistema
automático
de
M.
Luque
permite
recolectar
automáticamente
las
energías
de
golpeo
y
la
temperatura
de
las
barras
a
la
salida
del
horno
durante
toda
la
experimentación.
D.
Características
de
la
plantilla
de
muestras
15. Pág. 15
02/10/2008
18:37
02/10/2008
17:43
02/10/2008
16:36
02/10/2008
15:04
02/10/2008
14:23
02/10/2008
13:43
02/10/2008
12:45
02/10/2008
10:18
02/10/2008
09:43
02/10/2008
09:00
530
520
510
500
490
480
470
460
450
440
TiempoGolpe4
470
510
Time Series Plot of Golpe4
1
2 3
4 1b 5
6
7
8 1c
02/10/2008
19:13
02/10/2008
18:33
02/10/2008
17:40
02/10/2008
16:35
02/10/2008
15:01
02/10/2008
14:23
02/10/2008
13:46
02/10/2008
12:46
02/10/2008
10:17
02/10/2008
09:43
02/10/2008
09:00
530
520
510
500
490
480
470
460
450
Time Series Plot of Golpe5
1 2
3 4
1b 6
5 7
8 1c
02/10/2008
19:13
02/10/2008
18:29
02/10/2008
17:34
02/10/2008
16:27
02/10/2008
14:55
02/10/2008
14:14
02/10/2008
13:31
02/10/2008
12:31
02/10/2008
10:24
02/10/2008
09:42
02/10/2008
09:00
1330
1320
1310
1300
1290
1280
1270
1260
1250
TimeString
VarValue
1305
1275
Time Series Plot of Temperatura
1a
2
3
4
1b 5 6
7 8
1c
510
470
510
470
13051275
Golpe 5
Golpe 4
Temperatura
0,48883
0,494500,50350
0,50117
0,50317
0,500170,51383
0,50917
Cube Plot (data means) for Peso
Exp: 1a, 1b, 1c
Exp. 2
Exp. 3
Exp. 4 Exp. 5
Exp. 6
Exp. 7
Exp. 8
estabilidad
4.4 DOE: Ejecución, …
No hay evidencia de que no se
haya seguido bien el plan….
16. Pág. 16
4.4 DOE:…, Análisis,…
15,4
15,2
15,0
19:1518:0315:2514:1512:3009:40
15,4
15,2
15,0
14,8
19:1518:0315:2514:1512:3009:40
0,52
0,51
0,50
0,49
0,48
Espesor Caz.
Hora
Espesor
Peso 8
1a
1b
1c
2
3
4
5
6
7
Referencia
Time Series Plot of Espesor Caz.; Espesor; Peso
No se detectan grandes anomalías
ambiar en el proceso?)
n última réplica a tener en cuenta en análisis (¿qué ha podido
xtrema (1305ºC, 510, 510) y se observa una pequeña diferencia
Las referencias 1a, 1b y 1c son réplicas de la condición más
e la variabilidad.
Claramente el proceso responde a cambios de consigna a pesar
Claramente la Señal supera al Ruido
Estabilidad entre 1a y 1b; algo + alta 1c
30’ presenta variabilidad bien
121086420
98
95
90
85
80
70
60
50
40
30
20
10
0
Absolute Standardized Effect
Percent
A Temperatura
B Golpe 4
C Golpe 5
Factor Name
ABC
BC
AB
C
A
Half Normal Plot of the Standardized Effects
(response is Espesor, Alpha = 0,05)
Significativos
Efectos
876543210
98
95
90
85
80
70
60
50
40
30
20
10
0
Absolute Standardized Effect
Percent
A Temperatura
B Golpe 4
C Golpe 5
Factor Name
ABC
C
A
Half Normal Plot of the Standardized Effects
(response is Peso, Alpha = 0,05)
Efectos Significativos
¿Qué factores
hacen mover?:
Temperatura
Golpe 5
17. Pág. 17
510470
15,4
15,3
15,2
15,1
15,0
14,9
14,8
14,7
510470
1275
Golpe 5
Espesor
1305
470
510
Golpe 4
Multi-Vari Chart for Espesor by Golpe 4 - Temperatura
Temperatura
Exp. 1a, 1b, 1c
Exp. 2
Exp. 3
Exp. 4
Exp. 5
Exp. 6
Exp. 7
Exp. 8
4.4 DOE:…, Análisis,…
13051275
15,20
15,15
15,10
15,05
15,00
510470
Temperatura
Mean
Golpe 5
Main Effects Plot for Espesor
Fitted Means
Modelos (Unidades codificadas)
Espesor = 15,112 – 0,102 Temp. -0,085 Golpe 5 S = 0,073mm R2= 82,04
Peso = 0,501 – 0,0056 Temp. -0,0052 Golpe 5 S = 0,0051gr R2= 72,82%
19. Pág. 19
4.4 DOE: …política de control variabilidad..
Modo de detectar el aumento en peso. Operativa:
• Puesta a punto de máquina.
o Producir hasta que se consigue estabilidad
o Registrar pesos a partir de ese punto (media hora por ejemplo).
o Calcular el peso promedio del periodo estable. MEDIA REFERENCIA
o No activar el ajuste en este periodo
o
• Activar control/ajuste
o Tomar medias móviles de n unidades (a determinar). MEDIA MOVIL
o Si |MEDIA MÓVIL- MEDIA |> 2 *0,04/raiz(n) ajustar el proceso
o Ajuste
[(MEDIA MÓVIL- MEDIA)*0,015 /( 0,102/15) ] grados
[(MEDIA MÓVIL- MEDIA)*0,015 /( 0,085/20) ] Energía de Golpeo 5
• Ejemplo:
Si el cambio en peso es de 10 gramos (MEDIA MÓVIL- MEDIA) = 10
El ajuste sería de
10 * 0,015 / (0,102/15) = 0,15 / 0,068 = 22ºC ó
10 * 0,015 / (0,085/20) = 0,15 / 0,068 = 35 unidades de Golpe 5
1019181716151413121111
15,4
15,3
15,2
15,1
15,0
14,9
14,8
14,7
Sample
MovingAverage
__
X=15,07
UCL=15,2255
LCL=14,9145
Moving Average Chart of Espesor14,5+0,6_2
0,08
Ajuste
CONTROL / AJUSTE:
• CONTROL: Moving Average del PESO de huella 3
• AJUSTE: por TEMPERATURA o por Velocidad de Golpe 5
[(MEDIA MÓVIL- Nominal)*0,015 /( 0,102/15) ] grados
[(MEDIA MÓVIL- Nominal)*0,015 /( 0,085/20) ] Energía de Golpeo 5
20. Pág. 20
• Prueba Piloto:
• Resultados Ok.
• Menor ajustes de lo habitual
• Estado actual:
– Línea Nueva con pesado incorporado
– Fase piloto de incorporación del software para unir peso al
control del Martillo y Horno
• Control por Golpe 5 antes que Temperatura
• No tocar Golpe 4 si no necesario
4.5 Prueba Piloto / Automatización
21. Pág. 21
5. Conclusiones
• Cambio Modelo Mental
– Los sobreajustes aumentan la variabilidad
– Golpe 4 poco efizaz
• Conocimiento de qué afecta y cómo afecta
• Incorporación de conocimiento a nuevas
tecnologías è Aumento Competitividad
(+productividad + calidad +imagen cliente)
• Participación minicompañía: Ayuda a Gestión del
cambio
22. Pág. 22
Equipo de trabajo:
• Alcorta Forging Group:
– Oskar Andrés, Jesús Mari Beitia, Juan Antonio Beneitez,
Ruben de la Peña, Mikel Luque y operarios de proceso
• Avancex+i
– Lourdes Pozueta
– Becario doctorando TECNUN: Martin Tanco
• Centro Tecnológico INASMET-Tecnalia
– Félix Peñalba