diseño de experimentos para prototipar o para fabricación
TRANSCRIPT
Diseño de Experimentos para dis1ntas situaciones en fases
de proto1pado o de fabricación
Dra. Lourdes Pozueta
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.
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.
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
Diseño de Experimentos para dis1ntas situaciones en fases
de proto1pado o de fabricación
Dra. Lourdes Pozueta (avancex+i)
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
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
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
3 aspectos
Preguntas Hta Idea general de la ru1na Imagen
1-‐Med
ir 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
Varia
bilid
ad
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-‐Op1
mización de
Pa
rámetros
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 M
ulUtud
de Diseño
s: ,…
ANDO
E,
Box-‐Be
hken
, Cluster, Cu
adrado
LaUn
os, M
odelo Ge
neral Lineal.. Experimentar según un
plan que selecciona protoUpos de modo ordenado en el espacio teniendo en cuenta todos los factores a estudio
Eje
Diam
etro
321
0,2510
0,2505
0,2500
0,2495
321
321
321
321
8:00 9:00 10:00 11:00 12:00
MaxMin
Posicion
Multi-Vari Chart for Diametro by Posicion - Hora
Panel variable: Hora
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
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.
Plasti'icante
Que
ratin
a
Carbonato tiempo
Tª
Rodillo
3-‐Op1mizar Parámetros. Diseño de Experimentos (proto1po óp1mo)
PLAN Experimental
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
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
5,7 5,9 6,1 6,3 6,5 6,7
7050 7150 7250
24800
25300
25800
temperatura
Pre
sio
n
Contour Plot of Porosidad
7050
5,5
6,0Porosidad
temperatura7150
temperatura7050
6,5
25000
7250
25500Presion
25000
26000
Presion
Surface Plot of Porosidad
740720700680660640620
1050
950
850
750
temperatura
Presion
685
3
4
Porosidad
Temperatura695
705Temperatura685
695
5
820810
715
870860
850840 Presión830820
880870
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
Pre
sión
Contour Plot of Porosidad
Estimated Regression Coefficients for Porosida
Term Coef SE Coef T PConstant 6,1017 0,04508 135,345 0,000temperat -0,2950 0,05521 -5,343 0,013Presion 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 PRegression 2 0,78370 0,78370 0,391850 32,13 0,009 Linear 2 0,78370 0,78370 0,391850 32,13 0,009Residual 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 0,018050Total 5 0,82028
EFICIENCIA Selección óp1ma de condiciones • Coste experimental êê • Conocimiento éé
3-‐Op1mizar Parámetros (proto1po óp1mo) Estudio de modelos estadís1cos
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?
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
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
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?
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.
!
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.
Capacitación en abierto
Introducción Metodología
Material y recursos formativos
Objetivos
Dirección y organiza-ción del programa
Si una organización ya tiene un producto o servicio que el mercado valora, y que por consiguiente está dispuesto a comprar, se ha de preguntar de forma permanente: ¿Dónde tengo inefi ciencias? ¿Por qué haciéndolo igual sale diferente, e incluso mal?, ¿Cómo lo puedo diseñar o producir de forma más robusta y efi ciente?.
Este curso ayuda a dar respuestas a las preguntas anteriores.
Los Programas de Mejora “Lean” y “Six Sigma” abarcan metodologías y herramientas que ayudan a lograr los conocimientos y las habilidades para llevar a cabo las actividades anteriores, enfocándose en proyectos de “adelgazar” procesos para reducir costes y en proyectos de identifi car causas raíz de la variabilidad de los procesos para reducirla o para aplicar el conocimiento en el diseño de productos y procesos robustos.
La observación consciente es fundamental en la mejora y parte de esta observación ha de dirigirse a la identifi cación de actividades de “despilfarro” que no aportan valor y a cuestionarse el modo de organizar los procesos.
El perfi l de los alumnos y de las organizaciones que han pasado por alguna de las ediciones del curso es muy variado. Estas experiencias nos han servido para replantearnos el modo de entrenar a las personas y adaptar continuamente los materiales y el método de enseñanza.
No hay mejor analogía a la de una “expedición de montaña” para refl ejar el modo que hemos diseñado este curso.
Partiendo de las experiencias de más de 20 años impartiendo formaciones similares, hemos identifi cado 5 factores clave para el logro del éxito del curso (o expedición):1. Seleccionar empresas-proyectos-líder con interés de participar
en la experiencia, con “Cimas-objetivos” alcanzables y recursos disponibles.
2. Marcar un ritmo de aprendizaje perseverante de 1 día/semana durante 5 meses. Lograr tono muscular poco a poco y sin abandonarlo.
3. Elaborar una Hoja de Ruta DMAIC para toda la expedición con soporte en herramientas, rutinas, casos,… que faciliten el aprendizaje y permitan sortear las difi cultades cada momento. Profesores expertos en conocimiento y en metodología. Lograr que la mochila se sepa utilizar.
4. Caracterizar los Proyectos que los alumnos traen al curso e identifi car el modo que cada equipo ha de llevar la expedición con recursos y herramientas adecuadas. Acuerdos previos al curso.
5. Emprender la expedición conjuntamente compartiendo las experiencias y aprendiendo tanto de los ejercicios como de los casos reales. Aclimatación conjunta. Presentaciones en hitos clave.
Con la fi nalidad de hacer las partes 3. y 4. más efi cientes, está previsto preparar con antelación el lanzamiento y para ello se captarán empresas interesadas en la experiencia y se llevarán a cabo sesiones preparatorias.
Es recomendable que durante el curso el alumno desarrolle un proyecto real de la metodología Six Sigma. Dispondrá de tutores como apoyo de forma puntual o intensiva.
- El material ha sido desarrollado y adaptado teniendo en cuenta las difi cultades que encuentran los alumnos en el aprendizaje y aplicación de herramientas.
- Además de los recursos “tradicionales”, los alumnos tendrán acceso a la plataforma virtual de MU para resolver dudas mediante foros, tutorizaciones Online,…
- MINITAB: Para el tratamiento estadístico de datos.
La adquisición de este software correrá por cuenta de la organización. MU dará la posibilidad de acceder a MINITAB durante el curso.
- Para la realización de la formación, será necesario que cada alumno asista con un ordenador portátil desde donde accederá a la plataforma online del curso, donde trabajará en los ejercicios y proyecto.
Al fi nalizar el curso los asistentes estarán más capacitados para:- Identifi car oportunidades de mejora con impacto y abordables
con la metodología.- Liderar y asesorar a equipos que trabajen en proyectos de
complejidad media.- Diagnosticar procesos e identifi car en qué situaciones es
conveniente aplicar cada una de las técnicas disponibles con éxito.
- Formar a otras personas en las habilidades y herramientas aprendidas durante el curso.
Lourdes PozuetaSocia Fundadora AVANCEX+I
Aitor OrueDepartamento de Mecánica
y Producción Industrial de MONDRAGON UNIBERTSITATEA
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
DINÁMICASHERRAMIENTASENTRENAMIENTO APROPIADO1
- 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
PREPARAR UNA EXPEDICIÓN COMPROMETIDA3
HOJA DE RUTA DMAICDMAIC EN EXPEDICIÓN
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:
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.
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 Inno
vación,
Mejora, Aprendizaje
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 ingredientes Caucho termoplástico Conformación en Producto final
Combinación de la tecnología tradicional del cuero y la del caucho
26
Tecnología
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
Materia prima
CUELLO
CRUPON
FALDA
FALDA
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
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
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
Aditivación. Control de las propiedades
Plastificantes Cargas 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
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
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
RECICLADO ADITIVACION
MASTICACION
Caucho termoplástico de colágeno