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.
LICENCIA DE CONSTRUCCION, Y EDIFICACIONES RESPECTO A LA LEY 29090.pptx
Diseño de Experimentos para prototipar o para fabricación
1.
Diseño
de
Experimentos
para
dis1ntas
situaciones
en
fases
de
proto1pado
o
de
fabricación
Dra.
Lourdes
Pozueta
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.
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.
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.
Diseño
de
Experimentos
para
dis1ntas
situaciones
en
fases
de
proto1pado
o
de
fabricación
Dra.
Lourdes
Pozueta
(avancex+i)
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. 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. 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. 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. 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
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. 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
êê
• Conocimiento
éé
3-‐Op1mizar
Parámetros
(proto1po
óp1mo)
Diseños
2k-‐p:
Sencillos
y
eficientes
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
êê
• Conocimiento
éé
3-‐Op1mizar
Parámetros
(proto1po
óp1mo)
Estudio
de
modelos
estadís1cos
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. 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. 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. 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. 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.
!
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.
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. 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. 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
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. 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. 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
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. 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. 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. 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