Diseño de experimentos para ingenieros y científicos

Diseño de experimentos para ingenieros y científicos

Sobre el Libro

Diseño de experimentos para ingenieros y científicos (Design of Experiments for Engineers and Scientists) es un libro de 220 páginas escrito por Dr. Jiju Antony y publicado en el año 2014 por la editorial Elsevier en su segunda edición.

Descripción del Libro

Las herramientas y técnicas utilizadas en el Diseño de Experimentos (DDE) han demostrado ser exitosas para enfrentar el desafío de la mejora continua en muchas organizaciones de fabricación durante las últimas dos décadas. Sin embargo, la investigación ha demostrado que la aplicación de esta poderosa técnica en muchas empresas es limitada debido a la falta de conocimiento estadístico requerido para su implementación efectiva.

Aunque se han escrito muchos libros sobre este tema, son principalmente de estadísticos, para estadísticos y no apropiados para ingenieros. El diseño de experimentos para ingenieros y científicos supera el problema de las estadísticas adoptando un enfoque único utilizando herramientas gráficas. Se alcanzan los mismos resultados y conclusiones que mediante el uso de métodos estadísticos y los lectores encontrarán los conceptos de este libro familiares y fáciles de entender.

Esta nueva edición incluye un capítulo sobre el papel del DDE dentro de la metodología Six Sigma y también muestra a través del uso de estudios de casos simples su importancia en la industria de servicios. Es una lectura esencial para ingenieros y científicos de todas las disciplinas que abordan todo tipo de problemas de calidad de fabricación, productos y procesos y será un recurso ideal para los estudiantes de este tema.

Reseña del Libro

Este es un libro que describe un método de diseño de experimentos muy adecuado para aquellos en el campo de la fabricación, es para quienes está escrito … Jiju presenta un método excelente, Diseño de experimentos (DDE), para mostrar cómo se pueden lograr mejoras. Si bien el tema no es nuevo … el enfoque exclusivo que le da a los problemas de fabricación y la comprensión más amplia de las consideraciones humanas si la teoría se va a llevar a la práctica exitosa son admirables. El libro está bien estructurado para preparar al lector, para explicarle y luego confirmarlo con conjuntos de ejercicios.
– Tribology International, Volumen 37, Número 9

Sobre el autor

El Dr. Jiju Antony es profesor de Gestión de la Calidad y Director Adjunto del Instituto de Gestión de Operaciones de la Universidad de Strathclyde. También es formador y consultor en DDE y ha trabajado como tal para varias empresas, incluidas Motorola, Vickers, Procter and Gamble, Nokia, Bosch y un gran número de pymes.

Tabla de Contenido

1 – Introducción a la experimentación industrial.
2 – Fundamentos del Diseño de Experimentos.
3 – Comprensión de interacciones clave en procesos.
4 – Una metodología sistemática para el diseño de experimentos.
5 – Diseños de cribado.
6 – Diseños factoriales completos.
7 – Diseños factoriales fraccionales.
8 – Algunos consejos útiles y prácticos para que sus experimentos industriales sean exitosos.
9 – Estudios de caso.
10 – Diseño de Experimentos y sus Aplicaciones en la Industria de Servicios.
11 – Diseño de experimentos y su papel dentro de Six Sigma.

1 – Introducción a la experimentación industrial

Este capítulo ilustra la importancia de la experimentación en las organizaciones y una secuencia de actividades a tener en cuenta al realizar un experimento industrial. Este capítulo ilustra brevemente las habilidades clave requeridas para la aplicación exitosa de un experimento diseñado industrialmente. El problema fundamental asociado con el enfoque de experimentación de una variable a la vez también se demuestra en este capítulo con un ejemplo. La última parte de este capítulo se centra en el pensamiento estadístico y su función en el contexto del Diseño de Experimentos (DDE). Los ingenieros y gerentes industriales del siglo XXI tienen dos trabajos: realizar su trabajo diario y buscar continuamente formas de mejorar su trabajo. Para producir los mejores resultados mediante el uso del pensamiento estadístico, los administradores del siglo XXI deberían cambiar la forma en que trabajan. El autor cree firmemente que la esencia del pensamiento estadístico puede alentar a muchos gerentes en las organizaciones a utilizar aplicaciones más amplias del DDE como una técnica poderosa de resolución de problemas.

Palabras clave: experimentos; pensamiento estadístico; diseño de experimentos; habilidades; una variable a la vez; resolución de problemas.

1.1 Introducción

Actualmente se realizan experimentos en muchas organizaciones de fabricación para aumentar nuestra comprensión y conocimiento de varios procesos de fabricación. Los experimentos en las empresas de fabricación a menudo se llevan a cabo en una serie de ensayos o pruebas que producen resultados cuantificables. Para la mejora continua de la calidad del producto / proceso, es fundamental comprender el comportamiento del proceso; la cantidad de variabilidad y su impacto en los procesos. En un entorno de ingeniería, a menudo se realizan experimentos para explorar, estimar o confirmar. La exploración se refiere a la comprensión de los datos del proceso. La estimación se refiere a determinar los efectos de las variables o factores del proceso en la característica de rendimiento de salida. La confirmación implica verificar los resultados previstos obtenidos del experimento.

En los procesos de fabricación, a menudo es de interés principal explorar las relaciones entre las variables (o factores) clave del proceso de entrada y las características de rendimiento de la salida (o características de calidad). Por ejemplo, en una operación de corte de metal, la velocidad de corte, la velocidad de avance, el tipo de refrigerante, la profundidad de corte, etc. pueden tratarse como variables de entrada y el acabado de la superficie de la pieza terminada puede considerarse como una característica de rendimiento de salida. En los procesos de servicio, a menudo es más difícil comprender qué se va a medir; además, la variabilidad del proceso en el contexto del servicio puede atribuirse a factores humanos, que son difíciles de controlar. Además, la prestación de la calidad del servicio depende en gran medida de las influencias situacionales de la persona que presta el servicio.

Uno de los enfoques comunes que emplean muchos ingenieros en la actualidad en las empresas de fabricación es One-Variable-At-a-Time (OVAT), donde variamos una variable a la vez y mantenemos fijas todas las demás variables del experimento. Este enfoque depende de conjeturas, suerte, experiencia e intuición para su éxito. Además, este tipo de experimentación requiere grandes cantidades de recursos para obtener una cantidad limitada de información sobre el proceso. Los experimentos de OVAT a menudo no son confiables, ineficientes y requieren mucho tiempo y pueden producir condiciones óptimas falsas para el proceso.

El pensamiento estadístico y los métodos estadísticos juegan un papel importante en la planificación, realización, análisis e interpretación de los datos de los experimentos de ingeniería. El pensamiento estadístico nos dice cómo lidiar con la variabilidad y cómo recopilar y usar datos para que se puedan tomar decisiones efectivas sobre los procesos o sistemas con los que tratamos todos los días. Cuando varias variables influyen en una determinada característica de un producto, la mejor estrategia es diseñar un experimento para que se puedan extraer conclusiones válidas, fiables y sólidas de forma eficaz, eficiente y económica. En un experimento diseñado, a menudo hacemos cambios deliberados en las variables de entrada (o factores) y luego determinamos cómo varía el rendimiento funcional de salida en consecuencia. Es importante señalar que no todas las variables afectan el desempeño de la misma manera. Algunos pueden tener una fuerte influencia en el rendimiento de salida, algunos pueden tener influencias medias y algunos pueden no tener ninguna influencia. Por lo tanto, el objetivo de un experimento diseñado cuidadosamente es comprender qué conjunto de variables en un proceso afectan más el desempeño y luego determinar los mejores niveles de estas variables para obtener un desempeño funcional de salida satisfactorio en los productos. Además, también podemos establecer los niveles de variables sin importancia en sus entornos más económicos. Esto tendría un impacto inmenso en los ahorros financieros para el resultado final de una empresa (Clements, 1995).

El Diseño de Experimentos (DDE) fue desarrollado a principios de la década de 1920 por Sir Ronald Fisher en la Estación de Investigación Agrícola de Rothamsted en Londres, Inglaterra. Sus experimentos iniciales se centraron en determinar el efecto de varios fertilizantes en diferentes parcelas de tierra. La condición final del cultivo dependía no solo del fertilizante sino también de una serie de otros factores (como la condición subyacente del suelo, el contenido de humedad del suelo, etc.) de cada una de las parcelas respectivas. Fisher usó DDE que podría diferenciar el efecto del fertilizante de los efectos de otros factores. Desde entonces, DDE ha sido ampliamente aceptado y aplicado en campos biológicos y agrícolas. Muchos fabricantes estadounidenses y europeos han informado sobre varias aplicaciones exitosas de DDE durante los últimos 15 años aproximadamente.

Las posibles aplicaciones de DDE en los procesos de fabricación incluyen (Montgomery et al., 1998):

  • Rendimiento y estabilidad mejorados del proceso.
  • Mejores ganancias y retorno de la inversión.
  • Capacidad de proceso mejorada.
  • La variabilidad reducida del proceso y, por tanto, una mejor consistencia del rendimiento del producto redujo los costes de fabricación.
  • Reducción del tiempo de diseño y desarrollo de procesos.
  • Elevación de la moral de los ingenieros con éxito en la resolución de problemas crónicos.
  • Mayor comprensión de la relación entre las entradas y salidas clave del proceso.
  • Aumento de la rentabilidad empresarial al reducir la tasa de desperdicio, la tasa de defectos, el reproceso, la repetición de pruebas, etc.

De manera similar, las posibles aplicaciones de DDE en los procesos de servicio incluyen:

  • Identificar el proceso de servicio clave o las variables del sistema que influyen en el rendimiento del proceso o sistema.
  • identificar los parámetros de diseño del servicio que influyen en las características de calidad del servicio en los ojos de los clientes.
  • minimizar el tiempo para responder a las quejas de los clientes.
  • minimizar errores en las órdenes de servicio.
  • reducir el tiempo de entrega del servicio a los clientes (por ejemplo, bancos, restaurantes).
  • reducir el tiempo de respuesta en la producción de informes para los pacientes en un entorno sanitario, etcétera.

Los experimentos industriales involucran una secuencia de actividades:

  1. Hipótesis: una suposición que motiva el experimento.
  2. Experimento: una serie de pruebas realizadas para investigar la hipótesis.
  3. Análisis: comprender la naturaleza de los datos y realizar un análisis estadístico de los datos recopilados del experimento.
  4. Interpretación: comprensión de los resultados del análisis experimental.
  5. Conclusión: declarar si la hipótesis del conjunto original es verdadera o falsa. Muy a menudo se deben realizar más experimentos para probar la hipótesis y, a veces, establecemos una nueva hipótesis que requiere más experimentos.

Considere un proceso de soldadura donde la principal preocupación de los ingenieros es la resistencia de la soldadura y la variación en los valores de resistencia de la soldadura. A través de la experimentación científica, podemos determinar qué factores afectan principalmente la resistencia media de la soldadura y la variación en la resistencia de la soldadura. A través de la experimentación, también se puede predecir la resistencia de la soldadura en diversas condiciones de parámetros o factores clave de la máquina de soldadura de entrada (por ejemplo, velocidad de soldadura, voltaje, tiempo de soldadura, posición de la soldadura, etc.).

Para la aplicación exitosa de un experimento de diseño industrial, generalmente requerimos las siguientes habilidades:

Habilidades de planificación: Comprender la importancia de la experimentación para un problema en particular, el tiempo y el presupuesto experimental necesarios para el experimento, cuántas personas están involucradas en la experimentación, establecer quién está haciendo qué, etc.

Habilidades estadísticas: El análisis estadístico de los datos obtenidos del experimento, la asignación de factores e interacciones a varias columnas de la matriz de diseño (o diseño experimental), interpretación de los resultados del experimento para tomar decisiones sólidas y válidas para la mejora, etc.

Habilidades de trabajo en equipo: Comprender los objetivos del experimento y tener una comprensión compartida de los objetivos experimentales a alcanzar, mejor comunicación entre personas con diferentes habilidades y aprendizaje entre sí, lluvia de ideas de factores para el experimento por parte de los miembros del equipo, etc.

Habilidades de ingeniería: Determinación del número de niveles de cada factor y el rango en el que se puede variar cada factor, determinación de qué medir dentro del experimento, determinación de la capacidad del sistema de medición implementado, determinación de qué factores pueden ser controlado y lo que no se puede controlar para el experimento, etc.

Referencias

Comprar en Amazon

Más Libros en Predictiva21

0 comentarios

Enviar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Revista #34 Predictiva21

ver todas las ediciones

Prueba nuestra nueva versión y da el salto a Fracttal con un increíble plan de migración. El futuro del mantenimiento está aquí. Ingresa a www.fracttal.com para más información.

¿Te interesa IBM Maximo? Solex partner de IBM, los invita a registrase gratis en ELUM, Encuentro Latinoamericano de Usuarios Maximo. Regístrate aquí: https://elum.cl/

Suscríbete a Predictiva21

Síguenos en Linkedin

×

Hola

Haz clic en nuestro representante para hablar por WhatsApp o escríbenos al correo contacto@predictiva21.com

× ¿Cómo podemos ayudarte?