diseño de experimentos para prototipar o para fabricación

Diseño de Experimentos para dis1ntas situaciones en fases

de proto1pado o de fabricación

Dra. Lourdes Pozueta

LinkedIn

[email protected]

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)

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 Inno

vación,

Mejora, Aprendizaje

[email protected]

Caucho termoplástico de colágeno Jesus Ollokiegi

25

BLUE RUBBER Transform rubbish in rubber

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


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


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


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


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


31

Procesamiento en rodillos

Entre 0 y 60%

Entre 20 y 60%

Influye:

Cantidad y tamaño de partícula

Inyección


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


diseño de experimentos para prototipar o para fabricación

Engineering