MEJORA DE PROCESOS Y DISEO: CREATIVIDAD, UNIVERSIDAD NACIONAL METODOLOGA DE MAYOR DE SAN MARCOS SUPERFICIE DE (Universidad del Per, Decana

de Amrica) FACULTAD DE INGENIERIA INDUSTRIAL RESPUESTA Y REDES NEURONALES

MEJORA DE PROCESOS Y DISEO: CREATIVIDAD, METODOLOGA DE SUPERFICIE DE RESPUESTA Y REDES NEURONALES

CURSO DOCENTE : : Sistemas de Calidad Ing. Luis Vivar Morales

GRUPO DE INVESTIGACION: Chvez Palomino, Juan Pablo Estares Martnez, Shirley Linares Vsquez, Guillermo Llapa Ramos, Marley Valencia Lmaco, Lorena Valencia Lmaco, Pamela 07170017 08170189 08170028 08170102 08170158 08170062

Mayo del 2012

INDICE
Contenido 1. 2. Pg. Mejora de Procesos y Diseo .................................................................................................. 3 Creatividad .............................................................................................................................. 5 2.1. 2.2. 2.3. 2.4. 3. SESGOS A LA CREATIVIDAD ............................................................................................. 5 BARRERAS A LA CREATIVIDAD ......................................................................................... 6 SECRETOS PARA DESARROLLAR LA CREATIVIDAD........................................................... 6 TCNICAS DE CREATIVIDAD ............................................................................................. 7

METODOLOGA DE SUPERFICIE DE RESPUESTA .................................................................... 17 3.1. 3.2. 3.3. 3.4. 3.5. 3.6. 3.7. DEFINICIN.................................................................................................................... 17 TERMINOLOGIA ............................................................................................................. 17 POLINOMIO DE PRIMER ORDEN.................................................................................... 19 METODO DE MAXIMA PENDIENTE EN ASCENSO .......................................................... 20 POLINOMIO DE SEGUNDO ORDEN ................................................................................ 21 DISEOS EXPERIMENTALES PARA AJUSTAR SUPERFICIE DE RESPUESTA...................... 24 EJEMPLO NUMERICO..................................................................................................... 28

4.

REDES NEURONALES ARTIFICIALES ....................................................................................... 42 4.1. 4.2. 4.3. 4.4. 4.5. CARACTERSTICAS DE LAS REDES NEURONALES ARTIFICIALES ..................................... 42 Elementos de una Red Neuronal Artificial .................................................................... 43 ESTRUCTURA BSICA DE UNA RED NEURONAL ............................................................ 43 FUNCIONAMIENTO........................................................................................................ 45 APLICACIONES DE LAS REDES NEURONALES ................................................................. 45

5.

BIBLIOGRAFIA ........................................................................................................................ 48

MEJORA DE PROCESOS Y DISEO: CREATIVIDAD, METODOLOGA DE SUPERFICIE DE RESPUESTA Y REDES NEURONALES

1. Mejora de Procesos y Diseo
Definamos en primera instancia que entendemos por un proceso: una serie de tareas de valor agregado que se vinculan entre s para transformar un insumo en un producto, mercadera o servicio. Los datos recopilados del seguimiento y la medicin de los procesos deben ser analizados con el fin de conocer las caractersticas y la evolucin de los procesos. De este anlisis de datos se debe obtener la informacin relevante para conocer: Qu procesos no alcanzan los resultados planificados. Dnde existen oportunidades de mejora.

La empresa tiene que definir qu procesos le interesa mejorar. Es importante seleccionarlos atendiendo a los problemas reales o potenciales evidenciados. Por ejemplo: Problemas y/o quejas de clientes externos. Problemas y/o quejas de clientes internos. Proceso con alto costo. Proceso con tiempos de ciclo prolongado. Existencia de una mejor forma conocida de realizar el proceso que se quiere adoptar. Incorporacin de nuevas tecnologas. Prdidas de mercados. Existencia de peleas o malas comunicaciones interfuncionales. Visualizacin de mejoras al realizar la representacin del proceso. No se est cumpliendo con las especificaciones establecidas.

Puede ocurrir que existan procesos los cuales no alcanzan sus objetivos, aqu debe actuarse sobre las variables de control con el fin de obtener salidas conformes en el proceso. Tambin el caso de que aun cuando un proceso alcance los resultados planificados, se pueda identificar oportunidades de mejora debido a la importancia de dicho proceso en la organizacin.

En estos 2 casos lo que se busca es el aumento de la capacidad de los procesos, es decir aumentar la eficiencia o efectividad de cada uno de ellos. 3

FASE DE MEJORA: Toda fase de mejora sigue esencialmente, en cualquier tipo de sistema de gestin o de produccin conocido, los siguientes pasos: 1. Generacin de alternativas de solucin por mtodos creativos 2. Evaluacin de alternativas de solucin 3. Simulacin de diversas alternativas 4. Seleccin de la mejor alternativa 5. Implementacin de la mejor alternativa: Registro electrnico de excepciones 6. Verificacin de la efectividad de la solucin y documentacin de la misma

Generar alternativas de solucin, evaluarlas, implementarlas y verificar su efectividad

FASE DE MEJORA

1. Generacin de alternativas de solucin por mtodos creativos

Solucin creativa de problemas TRIZ Diversos mtodos de creatividad

6. Implementacin de alternativas de solucin seleccionadas

Diagrama 5W-1H Diagrama de Gantt / PERT / CPM

7. Verificacin de efectividad de las soluciones y su documentacin

Diagrama de pareto Capacidad de proceso nueva ruebas de hiptesis para verificar las mejoras (ver anlisis inciso 6) Comparacin contra metas y evaluacin de beneficios finales

2. Generacin de alternativas de solucin por Diseo de Experimentos

Diseos de experimentos factoriales, 2K, fraccionales, anidados Ingeniera estadstica de Shainin Ingeneira de calidad de Taguchi Mtodos de superficie de respuesta (CCD, etc.) Experimentacin con mezclas Revisin de la confiabilidad

5. Actualizacin del FMEA del problema

Acciones seleccionadas, fechas y responsables

3. Generacin de alternativas de solucin por Simulacin

Programacin lineal y de transporte SImulacin de procesos continuos (Simulink Matlab, Lab view)

4. Evaluacin de alternativas de solucin (ventajas, desventajas y factibilidad)

Diagrama de rbol Diagrama 5W-1H

Ahora enfocaremos la mejora de procesos y diseo, como se observa en el cuadro anterior, a la generacin de alternativas de solucin donde intervengan todos los participantes como equipo, y as aporten con sus habilidades creativas e innovadoras. 4

2. Creatividad
Resulta difcil ofrecer una definicin general y simple de creatividad. Limitaremos nuestro estudio de la creatividad a lo relacionado con las tareas de solucin de problemas. Creatividad es la habilidad para cuestionar asunciones, romper lmites, reconocer patrones, ver de otro modo, realizar nuevas conexiones, asumir riesgos y tentar la suerte cuando se aborda un problema. En otras palabras, lo que se hace es creativo si es nuevo, diferente y til. Se debe considerar que la creatividad en un individuo tiene tres componentes: experiencia, habilidades de pensamiento creativo y motivacin.

En base a los componentes que debe poseer un individuo para pensar con creatividad a fin de solucionar problemas con mayor fluidez, flexibilidad y originialidad, mencionaremos algunas de las tcnicas ms utilizadas mundialmente para estimular la produccin de ideas.

Pensar Fuera de la caja La expresin "pensar fuera de la caja" significa pensar ms all de tu zona de comodidad. Esto no es tan fcil como suena, ya que la mayora de las personas prefieren trabajar con algo seguro y familiar. Para forzarte a ir ms all de este modelo, debes intentar ejercicios de creatividad que fomenten la exploracin de nuevas ideas. Asumir nuevas perspectivas. Hacer cosas diferentes y de manera diferente. Enfoque en el valor de las nuevas ideas. Respetar las ideas de los dems.

2.1.

SESGOS A LA CREATIVIDAD

Son percepciones negativas que el hombre se proporciona de manera personal que despus de todo lo termina creyendo por conviccin propia. Existen 3 tipos de sesgos: Credenciales Sucede cuando una persona pretende aparentar lo que no es valindose de credenciales de valor o de estudios. Sesgos a la creatividad Atribuye a otro los fracasos y se da todo el crdito por sus triunfos. Sesgos a la creatividad Las situaciones desfavorables propias son leves comparadas a los de los dems. 5

2.2.

BARRERAS A LA CREATIVIDAD

Son percepciones negativas que el hombre se proporciona de manera personal que despus de todo lo termina creyendo por conviccin propia. Existen 3 tipos de sesgos: Miedo al cambio Algunas personas temen los cambios y se retraen. Son aquellas que aguantan, tolera la situacin porque el coste del cambio les parece insoportable. Otras son capaces de percibir en el cambio oportunidades y se acercan a l sin inhibiciones. La rutina Uno de los enemigos del xito es la falta de entusiasmo, y habitualmente las personas pierden el entusiasmo cuando caen en la rutina. Se dice que una rutina es una costumbre arraigada o un hbito adquirido por mera prctica que permite hacer las cosas sin que yo pueda razonarlas, algunos la llaman hacer las cosas de forma automtica. Temor a equivocarse Quien teme cometer errores comete el error de sentir ese temor. Y gracias a ello, adems, ms se equivoca. La misma presin por no fallar lo lleva a fallar. En cambio, si uno vive con la alegra de hacer las cosas lo mejor posible, pero sin temor a equivocarse, es ms, acepta con naturalidad la posibilidad de fallar es cuando mejor se hacen las cosas y lo que es ms beneficioso: se vive mejor.

2.3.

SECRETOS PARA DESARROLLAR LA CREATIVIDAD

2.3.1. PRIMER SECRETO: APAGA EL PILOTO AUTOMATICO Uno de los mayores obstculos que nos impiden desarrollar todo nuestro potencial creativo radica en el hecho de que los seres humanos nos acostumbramos demasiado a nuestros hbitos y rutinas. Frecuentemente creemos utilizar todas las posibilidades de nuestro cerebro de forma diferente, pero si analizaramos profundamente nuestro comportamiento, nos daramos cuentas que lo hacemos solo de forma parcial, porque pensamos casi siempre muy parecido.

2.3.2. SEGUNDO SECRETO: VIVIR EN ABUNDANCIA DE IDEAS Uno de los grandes peligros del pensamiento al que estamos habituados es que tenemos el mal hbito de elegir la primera idea que se nos aparece para solucionar un problema. De esta forma, el pensamiento se vuelve terriblemente prctico, perezoso y poco selectivo. 6

En las teoras modernas de creatividad, la habilidad que una persona o grupo pueden desarrollar para lanzar ms ideas se denomina fluidez. Esta se define no solo como una capacidad, sino tambin como una actitud. De ah que una de las herramientas ms utilizadas es el llamado brainstorming, o tormenta de ideas.

2.3.3. TERCER SECRETO: ELIMINAR REGLAS Y SUPUESTOS INEXISTENTES Los supuestos son reglas implcitas que cumplimos y seguimos sin advertir que lo estamos haciendo. El arte de eliminar los supuestos o reglas implcitas que nos limitan es una de las formas ms eficaces para despertar nuestras posibilidades creativas. Las reglas tienen un propsito til, deberamos respetarlas cuando es moral y prudente hacerlo. Sin embargo muchas de ellas deben cambiar o desaparecer con el tiempo, y muchas veces las continuamos sin darnos cuenta de que ya no son necesarias.

2.4.

TCNICAS DE CREATIVIDAD

Existen tcnicas que promueven la creatividad en la solucin de mejora de procesos. A continuacin, mencionaremos los ms resaltantes indicando su nivel de complejidad o aplicacin de acuerdo a la American Creativity Association. Nivel de complejidad: 1 (Muy poca) - 5 (Compleja)

2.4.1. MAPAS MENTALES (COMPLEJIDAD: 3) Es una tcnica creada por Tony Buzan, investigador en el campo de la inteligencia y presidente de la Brain Foundation. La importancia de los mapas mentales radica en que son una expresin de una forma de pensamiento: el pensamiento irradiante. El mapa mental es una tcnica grfica que permite acceder al potencial del cerebro. Para qu se usa? Es una tcnica de usos mltiples. Su principal aplicacin en el proceso creativo es la exploracin del problema y la generacin de ideas. En la exploracin del problema es recomendable su uso para tener distintas perspectivas del mismo.

Para su elaboracin se siguen los siguientes pasos: 1. Se toma una hoja de papel, grande o pequea, segn sea un mapa grupal o individual. 7

2. El problema o asunto ms importante se escribe con una palabra o se dibuja en el centro de la hoja. 3. Los principales temas relacionados con el problema irradian de la imagen central de forma ramificada. 4. De esos temas parten imgenes o palabras claves que trazamos sobre lneas abiertas, sin pensar, de forma automtica pero clara. 5. Las ramificaciones forman una estructura nodal. Los mapas mentales se pueden mejorar y enriquecer con colores, imgenes, cdigos y dimensiones que les aaden inters, belleza e individualidad.

2.4.2. BRAINSTORMING (COMPLEJIDAD: 3) Es la tcnica ms conocida para generar ideas. Fue desarrollada por Alex Osborn (especialista en creatividad y publicidad) en los aos 30 y publicada en 1963 en el libro "Applied Imagination". El Brainstorming, tambin llamado torbellino de ideas, tormenta de ideas, remol de cervells, lluvia de ideases una tcnica eminentemente grupal para la generacin de ideas.

1. Calentamiento: Ejercitacin del grupo para un mejor funcionamiento colectivo.

2. Generacin de ideas. Se establece un nmero de ideas al que queremos llegar. Se marca el tiempo durante el que vamos a trabajar. Y las cuatro reglas fundamentales que se mencionan a continuacin: Toda crtica est prohibida Toda idea es bienvenida Tantas ideas como sea posible El desarrollo y asociacin de las ideas es deseable

Los participantes dicen todo aquello que se les ocurra de acuerdo al problema planteado y guardando las reglas anteriores. Ejemplo: Qu podemos hacer para mejorar los problemas del trfico urbano?

Respuestas: Quemar los coches, vivir en el campo, restringir los das de circulacin, aumentar muchsimo el precio de los coches, aumentar muchsimo el precio de la gasolina, ir en bici, ir a pie, no salir de casa, vivir todos en la misma casa, trabajar y vivir en el mismo edificio, penalizar el uso del coche, pinchar todas las ruedas

3. Trabajo con las ideas. Las ideas existentes pueden mejorarse mediante la aplicacin de una lista de control; tambin se pueden agregar otras ideas. Osborn recomienda el empleo de preguntas como las que siguen: IDEA: No salir de casa. Aplicar de otro modo? Cmo vivir sin salir del coche? Modificar? Cmo salir de casa sin usar el coche? Ampliar? Cmo estar siempre fuera de casa sin coche? Reducir? Cmo salir de coche slo una vez/semana?

4. Evaluacin. Tras la generacin de ideas, el grupo establece los criterios con los cuales va a evaluar las ideas. Ejemplos: Rentabilidad de la idea, grado de factibilidad, grado de extensin de la idea

2.4.3. DIAGRAMA ISHIKAWA El Diagrama de Ishikawa, tambin llamado diagrama de causa-efecto, se trata de un diagrama que por su estructura ha venido a llamarse tambin: diagrama de espina de pez, que consiste en una representacin grfica sencilla en la que puede verse de manera relacional una especie de espina central, que es una lnea en el plano horizontal, representando el problema a analizar, que se escribe a su derecha. Para empezar, se decide qu caracterstica de calidad, salida o efecto se quiere examinar y continuar con los siguientes pasos: 1. Hacer un diagrama en blanco. 2. Escribir de forma concisa el problema o efecto. 3. Escribir las categoras que se consideren apropiadas al problema: maquina, mano de obra, materiales, mtodos, son las ms comunes y se aplican en muchos procesos.

4. Realizar una lluvia de ideas (brainstorming) de posibles causas y relacionarlas con cada categora. 5. Preguntarse por qu? a cada causa, no ms de dos o tres veces. Por qu no se dispone de tiempo necesario?. Por qu no se dispone de tiempo para estudiar las caractersticas de cada producto?. 6. Empezar por enfocar las variaciones en las causas seleccionadas como fcil de implementar y de alto impacto.

2.4.4. DIAGRAMA DE RELACIONES El Diagrama de Relaciones es una tcnica que permite entender las relaciones causaefecto existentes entre los diferentes factores causales de un problema, es conocido tambin como Diagrama de Interrelaciones o Diagrama de Causa Efecto Multidireccional. Cuando un equipo de trabajo se encuentra ante un problema complejo, en los que no es fcil contar con datos cuantitativos y se requiere probar el grado de contribucin de las causas a un problema, es necesario emplear esta tcnica ya que permite observar las relaciones entre causasen un mapa completo. Este tipo de diagramas permite 10

adquirir un conocimiento profundo de las diferentes variables que intervienen en el problema y la forma como se relacionan entre ellas. Esta tcnica se puede aplicar cuando: Un problema es complejo y existe dependencia entre las diferentes causas. Se ha percibido que el tema de estudios no es una causa sino un sntoma. Cuando se cree que existe una causa raz que no ha sido identificada. Cuando existen numerosas opiniones verbales sobre el tema y es necesario priorizar estos aportes.

2.4.5. DIAGRAMA DE ARBOL El diagrama de rbol ayuda a identificar causas primarias y secundarias de un problema, identificar soluciones y asignar prioridades. Se utiliza generalmente cuando el objetivo es muy amplio y vago. Va de lo general a lo especfico. Cmo se usa? Definimos el problema (Tronco del rbol). Identificamos las causas del problema mediante la pregunta Por qu sucede? Continuamos identificando causas secundarias. Ponderamos la importancia de cada rama (Porcentaje) y asignarles prioridad. Identificamos soluciones mediante la pregunta Cmo debemos hacerlo? Implementamos soluciones de acuerdo a las prioridades que surgen de la ponderacin. 11

2.4.6. LISTADO DE ATRIBUTOS (COMPLEJIDAD: 3) Es una tcnica creada por R.P. Crawford, ideal para la generacin de nuevos productos. Tambin puede ser usada en la mejora de servicios o utilidades de productos ya existentes. Para que esta tcnica d resultados, primero se debe realizar un listado de las caractersticas o de los atributos del producto o servicio que se quiere mejorar para, posteriormente, explorar nuevas vas que permitan cambiar la funcin o mejorar cada uno de esos atributos. Con un ejemplo se entender bien: Supongamos que una empresa desea identificar algunas ideas para mejorar una batidora de alimentos (este es el problema) Ahora, los pasos: Primer paso: Hacer una lista de los atributos actuales del modelo. As: Fabricado en acero inoxidable Mango de madera Se realiza a mano Velocidad variable Puede utilizarse por cualquier persona 12

Se necesitan dos manos para utilizarlo

Segundo paso: Cada uno de los atributos se analiza y se plantean preguntas sobre la forma en que se podran mejorar; por ejemplo: Mangos de madera: Se podran hacer de otro material? Podran tener pequeos un mango adaptable a la mano? Podran fabricarse en diferentes colores? Podran tener un diseo completamente diferente? Se necesitan dos manos para utilizarlo: Podra fabricarse para que pudiese ser utilizado con una mano (p.ej., por persona con discapacidades)? Se podra incorporar un dispositivo para que pudiese ser operado con una sola mano? Debera tener un motor? Y as sucesivamente. Cuantas ms preguntas para cada atributo, mejor

Tercer paso: Las mejores ideas que hayan surgido en el paso 2 se seleccionan para su evaluacin posterior.

2.4.7. ENFOQUE DE LA SOLUCIN CREATIVA DE PROBLEMAS (SCP) COMPLEJIDAD: 4 Las situaciones caracterizadas por problemas complejos e intrincados requieren una combinacin de enfoques racionales y creativos. El enfoque SCP proporciona un marco para afrontar problemas intrincados. Este mtodo nos ofrece "un esquema organizado para usar unas tcnicas especficas de pensamiento crtico y creativo" con vistas al logro de resultados novedosos y tiles Los cinco pasos del enfoque SCP son los siguientes: Localizacin de los hechos: hay que observar cuidadosa y objetivamente, como una cmara fotogrfica, la informacin sobre la situacin problemtica. Es preciso explorar e identificar los hechos principales de la situacin. Accin: quin?, qu?, dnde?, cundo?, por qu?, cmo (es y no es)? Localizacin del problema: clarificar el reto o la situacin problemtica considerando distintas formas de percibir y reflejarla en las siguientes opciones. Accin: de qu maneras podramos...?, cmo podemos hacer...? 13

Localizacin de ideas: buscar ideas, alternativas, opciones, senderos, caminos y enfoque ms diversos, utilizar diversos mtodos y tcnicas (pensamiento divergente).

Localizacin de soluciones: examinar las ideas de formas nuevas y diferentes, utilizando otros puntos de vista y criterios; ser consciente de las consecuencias, implicaciones y reacciones hacia una idea o solucin tentativa. Seleccionar o combinar ideas para crear un plan de accin (pensamiento convergente). Accin: efectos sobre quin?, efectos sobre qu?, cmo mejorar?

Localizacin de aceptaciones: desarrollar un plan de accin teniendo en cuenta a todas las audiencias que deben aceptarlo. Buscar modos de hacer que la idea o solucin sea ms practicable, aceptable, reforzada, efectiva y beneficiosa. Accin: Qu objeciones presentarn los diferentes grupos hacia esta idea o plan? Cmo puede ser llevado a la prctica este plan? Quin lo har?

La experiencia ha mostrado que en un proceso SCP resulta recomendable comenzar cada paso con el pensamiento divergente para producir tantas ideas o soluciones como sea posible y despus cambiar el planteamiento hacia el pensamiento convergente para seleccionar aquellas ideas ms prometedoras.

2.4.8. TRIZ "LA LGICA DE LA CREATIVIDAD O LA CREATIVIDAD DE LA LGICA" COMPLEJIDAD: 3 Es la tcnica para generar ideas ingeniosas especialmente ante problemas tecnolgicos. Fue desarrollada por Genrich S. Altshuller (cientfico, ingeniero y analista de patentes) Es un mtodo heurstico nacido a partir de la identificacin de unas pautas inventivas, en las patentes, utilizadas por igual en sectores de la tcnica muy diversos.

TRIZ ayuda a tcnicos de diseo, de calidad, de I+D+I, de oficina tcnica, de fabricacin, etc., en diferentes aspectos como:
-

Resolver los conflictos tcnicos (cuando la mejora de un parmetro o componente de un sistema, conlleva la penalizacin de otro), aplicando principios de invencin normalizados. TRIZ evita llegar a soluciones intermedias o de optimizacin del compromiso.

Proporcionar mltiples herramientas para la generacin de conceptos de solucin (fluidez). 14

Proporcionar principios sencillos pero potentes para resolver problemas (idealidad, operador del sistema, recursos del sistema, etc.)

Conducir hacia el conocimiento cientfico y tcnico, necesarios para resolver el problema. En muchas situaciones la dificultad del problema estriba en que la solucin est fuera del campo de especialidad del tcnico, de la empresa, del sector, o incluso de la industria en general.

Amplar la visin de la tecnologa y su posible evolucin, aplicando la funcionalidad y la sistmica y por ello es de ayuda para la previsin tecnolgica.

Generar resultados tecnolgicos patentables, la propia metodologa ayuda a conseguir una mejor calidad en la cartera de patentes.

TRIZ, recoge una serie de principios que 'la persona' debe aprender permitindole que analizar un problema, modelarlo, aplicar soluciones estndar e identificar ideas inventivas. Aporta 5 principios fundamentales: 1. Funcionalidad y sistmica: nuestro entorno est lleno de sistemas con elementos o subsistemas interrelacionados entre s, que aportan una funcin a algn otro sistema. Ej. El sistema bombilla est constituido por filamento, soporte, base y bulbo, y su funcin principal es transformar la corriente en luz (energa elctrica en energa lumnica). La ciencia y la tecnologa se pueden organizar adems de por disciplinas, por funciones, de modo que cuando un bilogo necesite realizar algo acceda tambin a conocimientos de la mecnica y/o la ptica, y viceversa. 2. Idealidad: lo importante de un sistema (en especial los artificiales o mquinas y aparatos) no son sus partes sino la funcin que aporta. Es una pauta del progreso que los sistemas tiendan a reducir sus partes e incluso a desaparecer, permaneciendo la funcin. Ej. El puntero del profesor, hoy ha desaparecido y hasta el puntero lser puede desaparecer ya que los caones de video, por ejemplo, ya llevan un propio cursor (imagen) que hace de puntero. 3. Uso de recursos: En la bsqueda de la idealidad, las invenciones y avances ms ingeniosos son aquellos que en lugar de aadir, sustraen elementos; y aprovechan, para resolver el problema, los recursos disponibles dentro del propio sistema o en un entorno inmediato. Ej. para desulfurar los gases de una central trmica, aprovechamos las propias cenizas resultantes de la combustin causante de tales gases. 15

4. Pautas acerca del origen y evolucin de los sistemas y de la tecnologa: El anlisis de cientos de miles de documentos de patentes que dio lugar a TRIZ, identific una serie de pautas que nos ayudan a predecir cmo puede evolucionar un sistema, as como determinadas configuraciones tecnolgicas. 5. Contradicciones: Algunos problemas difciles resueltos, tenan en comn la resolucin de contradicciones. En ocasiones, mejorar un aspecto o problema supone agravar otro, tenemos entonces un conflicto o contradiccin. La solucin habitual es la de compromiso. TRIZ aporta una serie de sugerencias para tratar de 'salvar' la contradiccin. Ej. la pasteurizacin lctea preserva vitaminas pero no elimina todas las bacterias. Si aumentamos la temperatura (esterilizacin) eliminamos ms bacterias pero destruimos ms vitaminas. El principio inventivo aplicado es el de 'darse prisa':. El sistema UHT calienta la leche a alta temperatura pero slo durante un instante. Se eliminan las bacterias pero no da tiempo a degradar las vitaminas. 6. Como toda tcnica de creatividad, el resultado de aplicar TRIZ para resolver problemas y generar soluciones ingeniosas, requiere cierta evaluacin. As pues, toda solucin o idea debe observar los principios esenciales de TRIZ, por lo que slo unas pocas consiguen sobrevivir, aunque suelen ser de gran calidad.

16

3. METODOLOGA DE SUPERFICIE DE RESPUESTA

3.1. DEFINICIN
La Metodologa de Superficies de Respuesta (MSR) es un conjunto de tcnicas matemticas y estadsticas utilizadas para modelar y analizar problemas en los que una variable de inters es influenciada por otras. El objetivo es optimizar la variable de inters. Esto se logra al determinar las condiciones ptimas de operacin del sistema. Uno de los deseos ms fuertes que a lo largo de la historia ha mostrado la humanidad es el de modelar la realidad, es decir, el de encontrar funciones matemticas que expliquen los distintos fenmenos de ndole fsica, social, econmica, etc. Este deseo de encontrar modelos responde principalmente a las dos aplicaciones ms inmediatas que se pueden derivar de ellos: La capacidad de predecir o explicar el valor de cierta respuesta Y, una vez conocidos los valores de ciertas variables X1, X2,..., Xk. El hecho de poder seleccionar aquellas condiciones de los factores X1, X2,..., Xk que permitan optimizar la respuesta Y. Determinar aquellas condiciones de los factores X1, X2,..., Xk en que la respuesta sea ms robusta o insensible al efecto de variaciones en factores que no son controlados por el experimentador (tales factores se denominan factores ruido).

3.2.

TERMINOLOGIA

3.2.1. FACTORES Son las condiciones del proceso que influencian la variable de respuesta. Estos pueden ser cuantitativos o cualitativos.

3.2.2. RESPUESTA
Es una cantidad medible cuyo valor se ve afectado al cambiar los niveles de los factores. El inters principal es optimizar dicho valor.

3.2.3. FUNCION DE RESPUESTA

Al decir que un valor de respuesta Y depende de los niveles x1, x2,... xk de k factores, 1, 2,... k, estamos diciendo que existe una funcin matemtica de x1, x2,... xk cuyo valor para una combinacin dada de los niveles de los factores corresponde a Y, esto es Y=f(x1, x2,... xk.).

17

3.2.4. FUNCION DE RESPUESTA PREDICHA

La funcin de respuesta se puede representar con una ecuacin polinomial. El xito en una investigacin de una superficie de respuesta depende de que la respuesta se pueda ajustar a un polinomio de primer o segundo grado. Supongamos que la funcin de respuesta para los niveles de dos factores se puede expresar utilizando un polinomio de primer grado:

Donde

son los coeficientes de regresin a estimar, x1 y x2 representan los 1 y 2 respectivamente. Suponiendo que se recolectan N3 valores de respuesta (Y), con los estimadores b0, b1 y b2 se obtienen respectivamente. Al remplazar los coeficientes de regresin por sus estimadores obtenemos: Donde denota el valor estimado de Y dado por x1 y x2.

3.2.5. SUPERFICIE DE RESPUESTA

La relacin Y=f(x1, x2,... xk.) entre Y y los niveles de los k 1, 2,... k representa una superficie. Con k factores la superficie est en k+1 dimensiones. Por ejemplo cuando se tiene Y=f(x1.) la superficie esta en dos dimensiones, mientras que si tenemos Y=f(x1, x2.) la superficie est en tres dimensiones, esto se observa en la fig 1.

Figura 1. Superficie de respuesta en tres dimensiones

18

3.2.6. GRAFICA DE CONTORNOS

La grfica de contornos facilita la visualizacin de la forma de una superficie de respuesta en tres dimensiones. En sta las curvas de los valores iguales de respuesta se grafican en un plano donde los ejes coordenados representan los niveles de los factores. Cada curva representa un valor especfico de la altura de la superficie, es decir un valor especfico de Esto se muestra en la figura 2. Esta grfica nos ayuda a enfocar nuestra atencin en los niveles de los factores a los cuales ocurre un cambio en la altura de la superficie.

Figura 2. Grfica de Contorno

3.2.7. REGION EXPERIMENTAL

La regin experimental especifica la regin de valores para los niveles de los factores. Esto se puede hacer empleando los niveles actuales de operacin para cada factor; si se desea explorar el vecindario se incrementa y decrementa el valor del nivel en una cantidad determinada.

3.3.

POLINOMIO DE PRIMER ORDEN

Generalmente se desconoce la relacin entre la respuesta y las variables independientes, por ello requerimos un modelo que aproxime la relacin funcional entre Y y las variables independientes. Este modelo provee las bases para un nuevo experimento que nos lleva hacia un nuevo modelo y el ciclo se repite. Si la respuesta se describe adecuadamente por una funcin lineal de las variables independientes se utiliza el modelo de primer orden:

Donde es el error aleatorio. El equivalentemente, en forma matricial:

19

Donde la matriz x puede escribirse alternativamente como x = [1: D], con D la matriz de combinaciones de niveles de los factores, denominada matriz de diseo. Los parmetros del modelo se estiman mediante el mtodo de mnimos cuadrados. Una vez que se tienen los estimadores se sustituyen en la ecuacin y obtenemos el modelo ajustado: Si el modelo est bien ajustado, la parte no aleatoria del modelo representa la respuesta real esperada y es el error experimental. Sin embargo, si el modelo no est ajustado a la funcin respuesta real, lo que ocurre cuando la relacin entre la respuesta y los factores est demasiado simplificada, contiene, adems del error experimental, una parte de error no aleatorio que se debe a la falta de ajuste.

3.4.

METODO DE MAXIMA PENDIENTE EN ASCENSO

La RSM es una tcnica secuencial. A menudo, la estimacin inicial de las condiciones ptimas de operacin est alejada del ptimo real, as que el objetivo es, usando un mtodo lo ms simple y menos costoso posible, moverse rpidamente hacia las cercanas del ptimo. En general, se sabe muy poco o nada acerca de la relacin existente entre la variable respuesta y los factores, as que, en un principio, se propone el modelo de aproximacin ms simple posible, el de primer orden, que suministra la base para ejecutar un conjunto inicial de experimentos que proporcionarn datos correspondientes a los puntos del diseo de primer orden. Si los datos recogidos permiten hacer una estimacin de la varianza del error, se puede llevar a cabo un contraste para evaluar el ajuste del modelo. Esto nos lleva a una segunda etapa, que consiste en localizar reas de la regin experimental en las que se sospeche que puedan estar los valores ms deseables de la variable respuesta. El plan que vamos a seguir, que nos llevar hacia valores mximos en la respuesta, se conoce como mtodo de mxima pendiente en ascenso (en descenso si lo que queremos es minimizar los valores de la respuesta). MTODO DE MXIMA PENDIENTE EN ASCENSO El mtodo de mxima pendiente en ascenso consiste en ejecutar una secuencia de experimentos a lo largo de la lnea de mximo incremento de la respuesta. Si el modelo ajustado de primer orden es adecuado, la informacin que ste proporciona se utiliza para determinar una direccin en la cual se espere observar mayores valores de la variable respuesta. A medida que se avanza sobre la superficie ajustada en la direccin en que se incrementan los valores de la respuesta y se va llegando a una regin en la que haya curvatura en la superficie real, el incremento en la respuesta se estabilizar en el punto ms alto de la superficie ajustada. Si se contina en esta direccin y la altura de la superficie disminuye, se lleva a cabo un nuevo conjunto de experimentos y se ajusta de nuevo el modelo de primer orden. Se determina una nueva direccin hacia valores crecientes de la respuesta y se ejecuta otra secuencia de experimentos en la direccin 20

determinada. Este proceso contina hasta que se hace evidente que a partir del mtodo no se puede obtener un incremento en la respuesta o ste es muy pequeo. Si los tests de ajuste detectan que puede haber curvatura en la superficie, se aumenta un grado al modelo aadindole los trminos del producto cruzado y/o los trminos cuadrticos puros y se completa el diseo de primer orden aadindole los puntos necesarios para ajustar el nuevo modelo de segundo orden. Si el modelo de segundo orden se ajusta adecuadamente, se utiliza para describir la forma de la superficie a travs de la grfica de contornos en la regin experimental. Se utiliza entonces el modelo ajustado de segundo orden para localizar, en el lugar en el que la pendiente de la superficie ajustada es cero, las coordenadas del punto estacionario, que es el punto que proporciona el valor ptimo de la variable respuesta y, si se detecta que ste se encuentra dentro de los lmites de la regin experimental, se pasa a determinar su naturaleza (si es mximo, mnimo o punto de silla). Si, por el contrario, el punto estacionario no se halla dentro de la regin experimental, hemos de realizar una nueva experimentacin en la direccin en la que ste se encuentra. Una vez que se ha localizado el punto que proporciona valores ptimos de la variable respuesta, se describe la superficie en un entorno prximo a ste.

3.4.1. ALGORITMO PARA DETERMINAR LAS COORDENADAS DE UN PUNTO Y LA TRAYECTORIA DE MAXIMA PENDIENTE EN ASCENSO
Un algoritmo propuesto por Montgomery es el siguiente: Supngase que el punto 1. Se elige un tamao de incremento o escaln en una de las variables del proceso, digamos , usualmente se elige la variable de la que ms se sabe, la que se tiene el mayor coeficiente de regresin absoluto | | 2. El tamao de incremento en las otras variables es Donde i=1,2,,k ij 3. Se convierte de variables codificadas a variables naturales.

3.5.

POLINOMIO DE SEGUNDO ORDEN

Cuando existe curvatura en la superficie de respuesta, el modelo de primer orden no es una aproximacin adecuada y es necesario utilizar un modelo que ajuste mejor. Se emplea entonces un modelo de segundo orden. La forma general de un modelo de segundo orden con k factores, x1, x2,..., xk es:

21

En ste los son los coeficientes de regresin para los trminos de primer orden, los son los coeficientes para los trminos cuadrticos puros, los son los coeficientes para los trminos de producto cruz y es el trmino del error aleatorio. Los trminos cuadrticos puros y los de productos cruz son de segundo orden. El nmero de trminos en la ecuacin esta dado por p= (k+1) (k+2)/2 Los parmetros del modelo se estiman mediante el mtodo de mnimos cuadrados. Una vez que se tienen los estimadores se sustituyen en la ecuacin y obtenemos el modelo ajustado en el vecindario del valor ptimo de la respuesta.

La significancia de los coeficientes estimados y el ajuste del modelo se prueban con el estadstico F. Una vez que se ha verificado que el modelo tiene suficiencia de ajuste y que los coeficientes son significativos, se procede a localizar las coordenadas del punto estacionario y se lleva a cabo un anlisis ms detallado del sistema de respuesta.

3.5.1. LOCALIZACION DEL PUNTO ESTACIONARIO

Suponiendo que se desea maximizar la respuesta, el mximo (si es que existe), de acuerdo a Montgomery, ser el conjunto x1, x2,, xk tal que las derivadas parciales

Dicho de punto (x1,0, x2,0, , xk,0) se denomina punto estacionario. El punto estacionario puede ser: a) Un punto de respuesta mxima b) Un punto de respuesta mnima c) Un punto silla. Esto se muestra en la siguiente figura:

22

Puntos estacionarios es una superficie de respuesta de segundo orden ajustada. Respuesta mxima (b) Respuesta mnima (c)Punto silla Podemos obtener el punto estacionario usando la notacin matricial para el modelo de segundo orden

Donde [ ]

En otras palabras, b es el vector (k x 1) de coeficientes de regresin de primer orden, y B es una matriz simtrica (k x k) cuya diagonal principal est formada por los coeficientes de trminos cuadrticos puros ( ), mientras que los elementos fuera de sta corresponden a un medio de valor de los coeficientes cuadrticos mixtos ( ). La derivada de con respecto al vector x igualada a cero es:

El punto estacionario es la solucin de la ecuacin es decir:

23

Sustituyendo sta en la ecuacin matricial para el modelo de segundo orden tenemos:

3.5.2. CARACTERIZACION DE LA SUPERFICIE DE RESPUESTA

Habiendo encontrado el punto estacionario es necesario caracterizar la superficie de respuesta, es decir determinar si se trata de un punto de respuesta mximo, mnimo o silla. La forma directa de hacer esto es mediante la grfica de contornos del modelo ajustado, sin embargo es til un anlisis ms formal. Como una alternativa se puede expresar la forma de la superficie de respuesta usando un nuevo conjunto de variable: W1, W2,, Wk cuyos ejes representan los ejes principales de la superficie de respuesta, los cuales se interceptan en el punto estacionario como se observa en la figura. Esto da por resultado el modelo ajustado. Donde las son constantes.

son variables independientes transformadas y las

Esta ecuacin es llamada forma cannica. Las son los valores propios (tambin conocidos como races caractersticas, autovalores o eigenvalores) y se toman de la matriz B. La naturaleza de la superficie de respuesta puede determinarse a partir del punto estacionario y del signo y magnitud de las . Si todas las son positivas, entonces es un punto de respuesta mnima, si todas las son negativas, entonces es un punto de respuesta mxima; y si las tienen signos distintos entonces es un punto de silla.

3.6.

DISEOS EXPERIMENTALES PARA AJUSTAR SUPERFICIE DE RESPUESTA

La eleccin de un diseo adecuado del experimento a realizar es fundamental para modelar y explorar la superficie de respuesta usada para ajustar un modelo polinmico al conjunto de datos recogidos en los puntos del diseo. As pues, sera deseable que el diseo tuviera, de las caractersticas que se enumeran a continuacin, y dado que algunas de ellas resultan conflictivas entre s, las que ms sirvan al inters del experimento: 1. Generar una distribucin razonable de puntos y, por tanto, de informacin, en toda la regin de inters, pero utilizando el menor nmero posible de puntos experimentales. 2. Asegurar que, para cada punto x, el valor ajustado (x), est tan cerca como sea posible del valor real, Y(x). 3. Permitir la deteccin de falta de ajuste en el modelo. 24

4. 5. 6. 7.

Permitir la ejecucin de los experimentos en bloques. Permitir la construccin secuencial de diseos de orden creciente. Proporcionar una estimacin interna de la varianza del error. Asegurar simplicidad en los clculos de las estimaciones de los parmetros del modelo.

Adems de las propiedades mencionadas, sera muy conveniente que el diseo elegido fuera ortogonal y/o invariante por rotacin:

Un diseo ortogonal es aquel en el que los trminos del modelo ajustado son incorrelados y, por tanto, tambin las estimaciones de los parmetros lo son, en cuyo caso, la varianza de la respuesta esperada en cualquier punto de la regin experimental se puede expresar como la suma ponderada de las varianzas de los parmetros estimados del modelo. Por otro lado, en un diseo invariante por rotacin, la varianza de (x), que depende de la situacin del punto x, es funcin nicamente de la distancia del punto al centro del diseo, lo que significa que es la misma en todos los puntos equidistantes del centro del diseo. Teniendo en cuenta que el objetivo de la MSR es la optimizacin de la respuesta y que se desconoce la localizacin del ptimo antes de ejecutar el experimento, esta propiedad resulta muy interesante, puesto que garantiza que el diseo proporciona estimaciones igualmente precisas en todas las direcciones.

3.6.1. DISEOS PARA AJUSTAR MODELOS DE PRIMER ORDEN

Si el modelo es una representacin adecuada de la respuesta real esperada, entonces el diseo elegido para estimar los parmetros debe proporcionar valores razonables de la respuesta sobre la regin de inters. Los diseos considerados con el propsito de recoger datos para ajustar un modelo de primer orden se conocen como diseos de primer orden.

Un criterio razonable para la eleccin de un diseo de primer orden adecuado es la minimizacin de Var (), lo que se logra minimizando la varianza de los estimadores de los parmetros i, i = 1,..., k. Hay una nica clase de diseos que lo consiguen, los ortogonales, que en los modelos de primer orden son aquellos para los que se verifica que los elementos de fuera de la diagonal principal de la matriz XX son cero, lo que nos permite determinar de manera independiente los efectos de los k factores (medidos a travs de los valores de bi, i = 1,..., k). Adems, se verifica que todo diseo ortogonal de primer orden es invariante por rotacin. Por tanto, consideraremos nicamente aquellos diseos de primer orden que son ortogonales y, en particular, los
k k

diseos factoriales 2 y las fracciones de diseos factoriales 2 . 25

1.6.1.1 DISEOS FACTORIALES 2K

k

En un diseo factorial 2 , para cada factor se consideran dos niveles, que pueden codificarse en los valores +1 (para el ms alto) y 1 (para el ms bajo). Considerando todas las posibles combinaciones de los niveles de los k factores, se
k

obtiene una matriz de diseo de 2 filas, cada una de las cuales representa un tratamiento.
k

Los diseos factoriales 2 presentan el inconveniente de que, salvo que se repitan algunas observaciones, no permiten la estimacin del error experimental. Una tcnica habitual para incluir repeticiones consiste en aumentar el diseo con algunas observaciones en el centro, pues esto no influye sobre las estimaciones de los parmetros y no altera la ortogonalidad del diseo, aunque como resultado, la estimacin de 0 es la media de todas las observaciones. 1.6.1.2 FRACCIONES DE LA SERIE 2K
k

Estamos considerando los diseos factoriales 2 para ajustar los modelos de primer orden, pero si se recogen datos en todos los puntos es posible, en realidad, estimar todos los coeficientes de un modelo de la forma:

En el que los trminos adicionales de mayor orden estn asociados con las interacciones entre los factores. De esta manera, el nmero de puntos del diseo, y por tanto, el nmero de observaciones, junto con el nmero de posibles trminos del modelo con parmetros estimables, se incrementan rpidamente a medida que aumenta el nmero k de factores. As pues, hay que valorar, en funcin del coste del experimento, si para ajustar un
k

modelo de primer orden es necesario llevar a cabo las 2 combinaciones, o si es ms conveniente omitir algunas utilizando nicamente un subconjunto de los puntos de
k k k-m -m

un diseo factorial 2 . Se puede considerar en este ltimo caso una fraccin 2 de un diseo 2 que consiste en 2 tratamientos (k m), siempre y cuando el diseo resultante tenga, al menos, k+1 puntos, que es el nmero de parmetros que han de estimarse y mantenga las mismas propiedades que las del factorial completo, en particular, sea ortogonal.

26

3.6.2. DISENO PARA AJUSTAR MODELOS DE SEGUNDO ORDEN

Los diseos utilizados para recoger observaciones que permitan estimar los parmetros de los modelos de segundo orden se denominan diseos de segundo orden. stos deben tener, al menos, (k+1)(k+2)/2 puntos, que es precisamente el nmero de coeficientes del modelo que se necesita estimar y deben involucrar, como mnimo 3 factores, dado que el modelo contiene trminos cuadrticos puros. Por otro lado, sera conveniente, por las razones que se han comentado, que fueran ortogonales y/o
k

invariantes por rotacin. As pues, se van a considerar los diseos factoriales 3 , que son ortogonales, pero no invariantes por rotacin, y los diseos compuestos centrales, que verifican ambas propiedades.

3.6.2.1. DISEOS FACTORIALES 3K

k

En los diseos factoriales 3 cada uno de los k factores presenta 3 niveles, de manera
k

que el nmero de observaciones experimentales es N = 3 . Este nmero puede hacerse excesivamente grande, especialmente cuando se estn estudiando muchos factores, de manera que en ocasiones conviene ms considerar diseos fraccionales
k-m k k

de los diseos factoriales 3 , tal y como se hizo para los diseos factoriales 2 .
k

Los diseos 3 y sus fracciones presentan el inconveniente de que, aunque son ortogonales, no son invariantes por rotacin, lo que hace que no sean muy buena eleccin como diseos de superficies de respuesta de segundo orden.

3.6.2.2 DISEO CENTRAL COMPUESTO

Los diseos compuestos centrales se presentan como una alternativa a los diseos
k

factoriales 3 . Un diseo compuesto central consiste en:

k

1. parte factorial: un diseo factorial 2 , completo o fraccional, en el que los niveles estn codificados en la forma habitual como 1 , 2. n0 ( 1) puntos centrales, 3. parte axial: dos puntos axiales en los ejes correspondientes a cada uno de los factores, situados a una distancia del centro del diseo.
k

De manera que el nmero total de puntos del diseo es N = 2 + 2k + n0. En principio, los diseos compuestos centrales as definidos no tienen por qu ser ni ortogonales ni invariantes por rotacin. Se convierten en invariantes por rotacin mediante una eleccin adecuada del valor de , que debe depender del nmero de puntos de la parte factorial del diseo para conseguirlo. Por otro lado, a travs de una 27

eleccin apropiada de n0 el diseo puede hacerse ortogonal o incluso de precisin uniforme (diseo que verifica que Var() en el origen es la misma que en un punto a una distancia unitaria del origen), que permite mayor proteccin que un diseo ortogonal contra el sesgo de los coeficientes de regresin producido por la presencia de trminos de orden mayor que 2 en la superficie real. Se muestra a continuacin una tabla con los valores que deben tomar y n0, segn el nmero de factores del modelo, para que el diseo correspondiente sea ortogonal o de precisin uniforme:
2 3 4 5 5 rep. 4 4 8 6 16 8 32 10 16 10 64 12 6 6 7 8

k puntos factoriales puntos axiales

rep. rep. rep. 32 12 64 14 128 16

DISEO ORTOGONAL n0 N 8 16 9 23 12 36 17 59 10 36 24 100 15 59 22 100 33 177

DISEO DE PRECISIN UNIFORME n0 N 5 13 1.414 6 20 1.682 7 31 2 10 52 2.378 6 32 2 15 91 2.828 9 53 2.378 14 92 2.828 20 164 3.364

Una propiedad muy interesante de los diseos centrales compuestos es que se pueden
k

construir a partir de un diseo de primer orden (el 2 ) sin ms que agregar los puntos axiales y quiz algunos puntos centrales. Por todas las propiedades que verifican, los diseos compuestos centrales son posiblemente los ms utilizados para ajustar superficies de respuesta de segundo orden.

3.7.

EJEMPLO NUMERICO

El rendimiento (Y) de un determinado proceso qumico se puede medir en trminos de la cantidad de material residual eliminado durante la reaccin, resultando as una medida de la pureza del producto final, y se conoce que depende, entre otros factores, de la temperatura (X1) y el tiempo de reaccin (X2). El proceso opera actualmente en un rango de porcentaje de pureza entre el 55% y el 75%, pero se cree que es posible un mayor porcentaje de rendimiento, as que un investigador, interesado en determinar si efectivamente esto es as, decide llevar a cabo un experimento variando la temperatura y el tiempo de reaccin pero manteniendo fijos el resto de los factores. Para el conjunto inicial de experimentos, considera dos niveles de temperatura (70 C y 90 C) y dos niveles 28

de tiempo (30 seg. y 90 seg.) y realiza dos observaciones de cada una de las posibles combinaciones temperatura-tiempo. Los datos recogidos, que se muestran en la tabla 5.1., se utilizarn para ajustar el modelo bifactorial Y = 0 + 1 X1 + 2 X2. Tiempo (s) Temperatura (C) 70 90 30 49.8 48.1 57.3 52.3 90 65.7 69.4 73.1 77.8

Se codifican las variables X1 y X2 utilizando las transformaciones siguientes:

Que nos proporcionan los siguientes valores codificados:

70 -1 30 -1 90 1 90 1 La localizacin de los cuatro puntos del diseo sobre la regin completa de combinaciones temperatura-tiempo se muestra a continuacin:

Figura. Valores observados en los cuatro tratamientos iniciales sobre la regin experimental definida por los niveles de los dos factores que influyen en el porcentaje de rendimiento del proceso qumico considerado.

Los valores del porcentaje de rendimiento, expresados en funcin de las variables codificadas, vienen dados a travs del siguiente modelo:

29

En el que los parmetros

son funcin de

Y el trmino representa el error aleatorio. En notacin matricial: Y = X +

[ [ ]

[ ]

donde , i = 1, 2, ..., k, se suponen independientes e igualmente distribuidos segn una distribucin N(0, ). Los estimadores de los parmetros del modelo de primer orden se obtienen resolviendo la ecuacin normal: XX [ ][ ] b = [ XY ] b = [ ] [ (XX)-1 XY ][ ] [ ]

Por tanto, el modelo ajustado de primer orden en las variables codificadas es: Y el modelo equivalente en las variables originales es: Las sumas de cuadrados necesarias para llevar a cabo el anlisis de la varianza se calculan como sigue:

30

El anlisis de la varianza (ANOVA) se muestra en la siguiente tabla: Fuente Regresin Residual Falta de Ajuste Error Total Suma de cuadrados 864,812 33,936 2,101 31,835 898,749 gl 2 5 1 4 7 Media cuadrtica 432,406 6,787 2,101 7,959 0,264 F 63,709

El primer paso consiste en determinar si el modelo ajustado es adecuado. En vista de los datos contenidos en la tabla, dado que FFalta de ajuste = 0.264 < F0.05,1,4 = 7.71, podemos considerar que el modelo ajustado es una buena aproximacin de la superficie de respuesta en la regin experimental en que estamos trabajando. Al no descubrir evidencia de la falta de ajuste del modelo, el siguiente paso es determinar si el modelo ajustado explica una cantidad significativa de la variacin de los valores de rendimiento observado. Para ello se realiza el siguiente contraste: La temperatura y el tiempo no influyen sobre el rendimiento del proceso La temperatura y/o el tiempo influyen sobre el rendimiento del proceso Los datos contenidos en la tabla, dado que Fregresin= 63.71 > F0.01,2,5 = 13.27, nos llevan a rechazar la hiptesis nula, lo que significa que uno de los parmetros o , o ambos, son no nulos en la ecuacin. Como consecuencia de la conclusin a la que hemos llegado, el siguiente paso que debemos dar es ejecutar contrastes por separado para determinar los efectos que, sobre el rendimiento, pueden tener la temperatura y el tiempo: La temperatura no tiene efecto sobre el rendimiento del proceso El tiempo no influye sobre el rendimiento del proceso Para los que se calcula el valor de
[ ]

i = 1,2, utilizando que: 31

De esta manera obtenemos que t1 = 3.73 > t0.025,5 = 2.571 y t2 = 10.75 > t0.025,5 = 2.571, lo que nos lleva a rechazar la hiptesis nula en ambos casos. Esto significa que tanto la temperatura como el tiempo tienen efecto sobre el porcentaje de rendimiento. Es ms, dado que tanto b1 como b2 son positivos, los efectos de x1 y x2 son positivos, lo que significa que si se eleva la temperatura o se aumenta el tiempo, se produce un incremento significativo en el rendimiento del proceso. El modelo ajustado puede utilizarse ahora para representar, a travs de una grfica de contornos, valores de la superficie de respuesta estimada sobre la regin experimental, tal y como se muestra a continuacin:

Figura.- Grfica de contornos de la superficie de respuesta dada por la ecuacin (5.4.). La flecha, perpendicular a las lneas de contorno de la superficie ajustada, indica la direccin de mximo ascenso.

La flecha perpendicular a las lneas de contorno de la superficie ajustada apunta hacia arriba y hacia la derecha, lo que indica que los valores ms altos de la respuesta se espera que se consigan aumentando los valores de x1 y x2 por encima de 1, accin que correspondera a aumentar la temperatura por encima de 90 C y el tiempo de reaccin por encima de 90 seg. Por tanto, en la regin de las condiciones iniciales de que partamos hemos ajustado una superficie de respuesta plana, que nos indica que es posible una mejora en el rendimiento, en trminos de un mayor valor de la variable respuesta. As que, llegados a este punto, resulta natural preguntarse que, si es posible ejecutar experimentos adicionales, con qu valores de tiempo y temperatura deberan realizarse. Esto nos lleva a la segunda etapa en el proceso secuencial de experimentacin que estamos llevando a cabo, que es determinar 32

qu estrategia seguir que nos permita movernos en la direccin que indicaba la flecha de la grfica anterior. Para ello recurrimos al mtodo de mxima pendiente en ascenso. Dado que b2 > 0 en el modelo ajustado (5.3.), sabemos que la superficie crece en altura a medida que aumenta el valor de x2, esto es, para valores de tiempo mayores de 60 seg. Vamos a buscar ahora el valor del multiplicador de Lagrange que corresponde a un incremento arbitrario en el tiempo (X2) de 2 = 45 seg., incremento que en las variables codificadas corresponde a un aumento de 45/30 = 1.5 unidades. Por tanto:

De manera que el cambio incremental en la temperatura es 1 = 0.53 10 = 5.3C El primer punto en la pendiente de mximo ascenso se localiza, por tanto, en las coordenadas (x1, x2) = (0.53, 1.5) (que corresponde, en las variables originales a (X1, X2) = (85.3, 105)). Para comprobar si es de esperar aqu un incremento en el valor de la variable respuesta, se compara la estimacin del modelo en dicho punto con la estimacin en el centro del diseo:

Aunque la estimacin corresponde a un punto de fuera de la regin experimental, parece que, dado que la diferencia es positiva, sera posible observar valores de la respuesta ms altos en la direccin especificada por el punto (x1, x2) = (0.53, 1.5). As pues, se ejecutan experimentos a lo largo de la pendiente de mximo ascenso en puntos correspondientes a incrementos de la distancia de 1.5i, 2i, 3i y 4i, i = 1, 2, cuyas coordenadas, junto con los correspondientes valores observados de porcentaje de rendimiento se muestran en la tabla siguiente:

DIRECCIN 1 Centro

Temperatura (C) 80.0 5.3 85.3 87.95 90.6 95.9 101.2

Tiempo (seg.) 60 45 105 127.5 150 195 240

Porcentaje de rendimiento

i
Centro + i Centro + 1.5 i Centro + 2 i Centro + 3 i Centro + 4 i

74.3 78.6 83.2 84.7 80.1

Los valores observados Los valores de porcentaje de rendimiento crecen hasta un valor de 84.7% para valores de temperatura observados de de 95.9 C y de tiempo de 195 seg. y entonces el valor cae hasta 80.1% para valores de temperatura de 101.2 C y de tiempo de 240 seg. Esto nos lleva a porcentaje de pensar que o bien 101.2 C es una temperatura demasiado alta o bien 240 seg. es un rendimiento crecen tiempo demasiado largo para la reaccin. As pues, no sera til ejecutar experimentos hasta un valor de 33 84.7% para valores

de temperatura de 95.9 C y de tiempo

adicionales a lo largo de la pendiente para valores ms altos de X1 y X2. Lo que se hace entonces es llevar a cabo un nuevo grupo de experimentos para intentar ajustar de nuevo un modelo de primer orden, tal y como se hizo en un primer momento, pero tomando como centro de diseo el punto (X1, X2) = (95.9, 195), pues es aqu donde se ha observado un mayor rendimiento. Por tanto, se codifican nuevamente las variables X1 y X2 pero utilizando ahora las siguientes transformaciones:

Que nos proporcionan los siguientes valores reales para los valores estndar de las variables codificadas: -1 85.9 -1 165 1 105.9 1 225 Se realiza entonces un nuevo experimento en el que se llevan a cabo 2 observaciones en cada uno de los puntos del nuevo diseo, ms el centro. Los datos recogidos se muestran en la tabla (5.5.):

Tiempo (seg.) Temp. ( C)

165 82.9 81.4

195

225 74.6 77.0

(5.5.)

85.9 95.9 105.9

84.7 81.9 87.4 89.5 84.5 83.1

El modelo ajustado de primer orden en las variables codificadas, obtenido tal y como se hizo para el conjunto inicial de observaciones, es: Y el modelo equivalente en las variables originales es: El anlisis de la varianza (ANOVA) se muestra en la siguiente tabla: Suma de cuadrados gl Media cuadrtica F

Fuente

34

Regresin Residual Falta de Ajuste Error

162,745 13,455 2,345 11,110

2 7 2 5

81,373 1,922 1,173 2,222

42,334

0,53

Total 176,200 9 Nuevamente, el primer paso consiste en determinar si el modelo ajustado es adecuado, de acuerdo con los datos contenidos en la tabla. Dado que Ffalta de ajuste = 0.53 < F0.05,2,5 = 5.79, podemos considerar que el modelo ajustado es una buena aproximacin de la superficie de respuesta en la regin experimental en que estamos trabajando actualmente. Ahora, como el test de significacin genera un valor Fregresin= 42.34 altamente significativo, la informacin obtenida del modelo ajustado (5.6.) puede utilizarse para obtener una nueva direccin en la cual ejecutar experimentos adicionales en busca de valores ms altos de porcentaje de rendimiento, tal y como se hizo con el primer modelo de primer orden que se utiliz. Se indica a continuacin, de manera esquemtica, el proceso seguido: Dado que b1 > 0 en el modelo ajustado (5.6.), sabemos que la superficie crece en altura a medida que aumenta el valor de x1, esto es, para valores de temperatura mayores de 95.9 C. Para un incremento en la temperatura (X1) de 1 = 10 C, incremento que en las variables codificadas corresponde a un aumento de 1 unidad y que supone un incremento en el tiempo de 2 = -077 30 = -23.1 seg. El primer punto en la pendiente de mximo ascenso se localiza, por tanto, en las coordenadas (x1, x2) = (1, -0.77) (que corresponde, en las variables originales a (X1, X2) = (105.9, 171.9)). Dado que la diferencia (1, -0.77) (0, 0) = 5.6925 es positiva, sera posible observar valores de la respuesta ms altos en la direccin especificada por el punto (x1, x2). As, el modelo ajustado (5.7.) puede utilizarse para representar, a travs de una grfica de contornos, valores de la superficie de respuesta estimada sobre la regin experimental, tal y como se muestra a continuacin:

35

Fig 5.3.- Grfica de contornos de la superficie de respuesta dada por la ecuacin (5.7.). La flecha, perpendicular a las lneas de contorno de la superficie ajustada, indica la direccin de mximo ascenso.

La flecha perpendicular a las lneas de contorno de la superficie ajustada apunta ahora hacia abajo y hacia la derecha, indicando la direccin en la que se espera obtener valores ms altos de porcentaje de rendimiento. As pues, se ejecutan experimentos a lo largo de la pendiente de mximo ascenso en puntos correspondientes a incrementos de la distancia de i, 2i, 3i y 4i, i = 1, 2, cuyas coordenadas, junto con los correspondientes valores observados de porcentaje de rendimiento se muestran en la tabla siguiente: DIRECCIN Paso 1 2 3 4 2 Centro i Centro + i Centro + 2 i Centro + 3 i Centro + 4 i Temperatura (C) 95.9 10 105.9 115.9 125.9 135.9 Tiempo (seg.) 195 -23.1 171.9 148.8 125.7 102.6 Porcentaje de rendimiento 89.0 90.2 87.4 82.6

Los valores observados de rendimiento crecen hasta un valor de 90.2%, en el punto (X1, X2) = (115.9, 148.8) y luego vuelven a caer. Esta secuencia de experimentos ejecutada a lo largo de la nueva direccin se muestra en la grfica siguiente:

36

Fig 5.4.- Secuencia de experimentos realizados a lo largo de la direccin indicada por la segunda pendiente de mximo ascenso. Para verificar los altos valores de rendimiento observados se lleva a cabo una nueva serie de observaciones, cuyos resultados se muestran en la siguiente tabla y cuya forma de ejecucin se detalla a continuacin: DIRECCIN Paso 5 6 7 8 3 + 2i Centro Centro + 3 i Centro + 4 i Centro + 5 i Temperatura (C) 115.9 125.9 135.9 145.9 Tiempo (seg.) 148.8 171.9 195 218.1 Porcentaje de rendimiento 91.0 93.6 96.2 92.9

En primer lugar, se lleva a cabo una nueva observacin (paso 5) en el punto (115.9, 148.8), que era el que corresponda, en el anterior grupo de experimentos, a un mayor porcentaje de rendimiento. El valor obtenido en esta nueva observacin confirma el alto valor observado en aquel momento. Se realiza entonces (paso 6) una observacin en la que se espera obtener un valor ms alto de rendimiento, incrementando los valores tanto de temperatura como de tiempo a partir del punto (115.9, 148.8). De hecho, en el paso 6 las variables codificadas de las combinaciones de tiempo y temperatura son +1 en ambos casos, en una replicacin 3/4 de un factorial 22 consistente en los puntos de los pasos 1, 3 y 6 con el punto 5 como centro. Dado que en el paso 6 se observa un mayor rendimiento que en el paso 5, se ejecutan experimentos adicionales (pasos 7 y 8) a partir de una tercera direccin definida por la lnea que une los puntos de los pasos 5 y 6. La eleccin de esta tercera direccin representa una desviacin de la aproximacin convencional de la pendiente de mximo ascenso, pero se toma en un intento de reducir el trabajo que supondra hacer un experimento correspondiente a un diseo factorial 22 completo con centro en el punto del paso 5 y el consiguiente ajuste de un nuevo modelo de primer orden. 37

Como el valor observado en el paso 8 es ms bajo que el del paso 7, se decide no ir ms all del paso 8, as que se establece un nuevo diseo usando como centro el punto del paso 7, (X1, X2) = (135.9, 195). Por tanto, se codifican nuevamente las variables X1 y X2 pero utilizando ahora las siguientes transformaciones:

Se realiza una serie de observaciones hasta completar un diseo 22 aumentado con observaciones

en el centro, lo que nos proporciona la siguiente tabla de datos: Tiempo (seg.) Temp. ( C) (5.8.) 125.9 135.9 145.9 92.5 171.9 195 218.1

93.6 96.2 97.0

91.7

92.9

A partir de estos datos, el modelo de primer orden ajustado que se obtiene es el siguiente: (x) = 93.983 + 0.025 x1 0.375 x2 (5.9)

El anlisis de la varianza (ANOVA) se muestra en la siguiente tabla: Suma de cuadrados ,565 22,183 21,863 0,320 Media cuadrtica ,282 7,394 10,931 0,320 34,159

Fuente Regresin Residual Falta de Ajuste Error

gl 2 3 2 1

F ,038

Total 22,748 5 La secuencia de experimentos completa hasta llegar a este ltimo modelo ajustado de primer orden se muestra en la grfica siguiente:

38

Fig 5.5.- Secuencia completa de experimentos realizados a lo largo de las direcciones indicadas por las sucesivas pendientes de mximo ascenso que se han ido obteniendo, sobre la grfica de contornos del ltimo modelo de primer orden ajustado.

Resulta obvio de los datos contenidos en la tabla ANOVA que, dado que Fregresion = 0,038, el modelo ajustado (5.9) no explica una cantidad significativa de toda la variacin en el porcentaje de rendimiento. As pues, debemos recurrir a un ajuste de la superficie de respuesta a travs de un modelo de segundo orden:

Se considera entonces el ltimo diseo de primer orden que habamos considerado, del que ya disponemos de datos, y se completa con observaciones en los puntos axiales (x1, x2) = (2, 0) y (x1, x2) = (0, 2) para conseguir un diseo central compuesto. Los datos recogidos se muestran en la siguiente tabla:
Tiempo (seg.) Temp. ( C) 121.75 125.9 135.9 145.9 150.04 93.4 92.5 92.8 93.6 96..2 97.0 92.9

162.3

171.9

195

218.1

227.7

92.7 91.7 92.7

39

A partir de estos datos, el modelo de segundo orden ajustado que se obtiene es el siguiente: El anlisis de la varianza (ANOVA) se muestra en la siguiente tabla:

Fuente Regresin Residual Falta de Ajuste Error Total

Suma de cuadrados 25,447 ,458 ,138 ,320 25,905

gl 5 4 3 1 9

Media cuadrtica 5,089 ,115 ,046 ,320

F 44,447

0,144

El test para comprobar el ajuste del modelo (5.12.) proporciona un valor F < 1 que es claramente no significativo y las estimaciones de los coeficientes cuadrticos puros son todas altamente significativas (p < 0.0001), lo que indica que existe curvatura en la superficie ajustada y que sta es una buena aproximacin de la superficie de respuesta real. Entonces se representa en la regin experimental la grfica de contornos asociada a la superficie ajustada:

Fig 5.6.- Puntos del diseo utilizados para ajustar la superficie de segundo orden, sobre la grfica de contornos de la superficie ajustada de segundo orden.

Las lneas de contorno son elpticas y el punto de respuesta mxima, esto es el punto estacionario, se hallar en el centro de la elipse ms pequea. El siguiente paso 40

consiste, entonces, en determinar las coordenadas del punto estacionario. Para ello, representamos la ecuacin (5.12) en notacin matricial:

][

][

][ ]

Se igualan a cero las derivadas parciales de (x) con respecto a x1 y x2, y resolviendo para los valores de los xi se obtiene que las coordenadas del punto estacionario vienen dadas de la siguiente manera:

Que en las variables originales corresponden al punto X0 = (x10, x20) = (135.85, 193.02), que se muestra en la grfica siguiente:

Fig 5.7.- Punto estacionario del sistema, representado sobre la grfica de contornos de la superficie ajustada.

41

As pues, el mximo valor de porcentaje de rendimiento se alcanza, segn nos indican las coordenadas del punto estacionario, para una temperatura de 135.85 C y un tiempo de reaccin de 193.02 seg. Si nos alejamos de este punto, aumentando o disminuyendo los valores de temperatura o tiempo, el valor esperado de la variable respuesta decrece. Por tanto, para alcanzar un porcentaje de rendimiento ptimo en el proceso qumico que estamos considerando, debemos trabajar con los valores de temperatura y tiempo que nos indica el punto estacionario, esto es, 135.85C y 193.02 seg.

4. REDES NEURONALES ARTIFICIALES

Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls como: "ANN") son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que funciona el sistema nervioso. Se trata de un sistema de interconexin de neuronas en una red que colabora para producir un estmulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales. Es como un modelo matemtico inspirados en sistemas bilgicos, adoptados y simulados en computadoras convencionales.

4.1.

CARACTERSTICAS DE LAS REDES NEURONALES ARTIFICIALES

Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) estn inspiradas en las redes neuronales biolgicas del cerebro humano. Estn constituidas por elementos que se comportan de forma similar a la neurona biolgica en sus funciones ms comunes. Estos elementos estn organizados de una forma parecida a la que presenta el cerebro humano. Las ANN al margen de "parecerse" al cerebro presentan una serie de caractersticas propias del cerebro. Aprender Adquirir el conocimiento de una cosa por medio del estudio, ejercicio o experiencia. Las ANN pueden cambiar su comportamiento en funcin del entorno. Se les muestra un conjunto de entradas y ellas mismas se ajustan para producir unas salidas consistentes. Generalizar Extender o ampliar una cosa. Las ANN generalizan automticamente debido a su propia estructura y naturaleza. Estas redes pueden ofrecer, dentro de un margen, respuestas correctas a entradas que presentan pequeas variaciones debido a los efectos de ruido o distorsin. Abstraer Aislar mentalmente o considerar por separado las cualidades de un objeto. Algunas ANN son capaces de abstraer la esencia de un conjunto de entradas que aparentemente no presentan aspectos comunes o relativos.

42

4.2.

ELEMENTOS DE UNA RED NEURONAL ARTIFICIAL

Las redes neuronales artificiales (RNA) son modelos que intentan reproducir el comportamiento del cerebro. Como tal modelo, realiza una simplificacin, averiguando cules son los elementos relevantes del sistema, bien porque la cantidad de informacin de que se dispone es excesiva o bien porque es redundante. Una eleccin adecuada de sus caractersticas, ms una estructura conveniente, es el procedimiento convencional utilizado para construir redes capaces de realizar determinada tarea. Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen de la misma fuente y cuyas salidas se dirigen al mismo destino. Unidad de proceso: La neurona Artificial. Existen tres tipos de unidades en cualquier sistema: entradas, salidas y ocultas. Las unidades de entrada reciben seales desde el entorno; las de salida envan la seal fuera de la red, y las unidades ocultas son aquellas cuyas entradas y salidas se encuentran dentro del sistema. Estado de Activacin. Los estados del sistema en un tiempo t se representan por un vector A(t). Los valores de activacin pueden ser continuos o discretos, limitados o ilimitados. Si son discretos, suelen tomar un conjunto discreto de valores binarios, as un estado activo se indicara con un 1 y un estado pasivo se representara por un cero. En otros modelos se considera un conjunto de estados de activacin, en cuyo valor entre [0,1], o en el intervalo [-1,1], siendo una funcin sigmoidal. Funcin de Salida o de Transferencia. Asociada con cada unidad hay una funcin de salida, que transforma el estado actual de activacin en una seal de salida.

4.3.

ESTRUCTURA BSICA DE UNA RED NEURONAL

4.3.1. ANALOGA CON EL CEREBRO La neurona es la unidad fundamental del sistema nervioso y en particular del cerebro. Cada neurona es una simple unidad procesadora que recibe y combina seales desde y hacia otras neuronas. Si la combinacin de entradas es suficientemente fuerte la salida de la neurona se activa.

43

El cerebro consiste en uno o varios billones de neuronas densamente interconectadas. El axn (salida) de la neurona se ramifica y est conectada a las dendritas (entradas) de otras neuronas a travs de uniones llamadas sinapsis. La eficacia de la sinapsis es modificable durante el proceso de aprendizaje de la red. 4.3.2. REDES NEURONALES ARTIFICIALES En las Redes Neuronales Artificiales, ANN, la unidad anloga a la neurona biolgica es el elemento procesador, PE (process element). Un elemento procesador tiene varias entradas y las combina, normalmente con una suma bsica. La suma de las entradas es modificada por una funcin de transferencia y el valor de la salida de esta funcin de transferencia se pasa directamente a la salida del elemento procesador. La salida del PE se puede conectar a las entradas de otras neuronas artificiales (PE) mediante conexiones ponderadas correspondientes a la eficacia de la sinapsis de las conexiones neuronales.

Una red neuronal consiste en un conjunto de unidades elementales PE conectadas de una forma concreta. El inters de las ANN no reside solamente en el modelo del elemento PE sino en las formas en que se conectan estos elementos procesadores. Generalmente los elementos PE estn organizados en grupos llamados niveles o capas. Una red tpica consiste en una secuencia de capas con conexiones entre capas adyacentes consecutivas. Existen dos capas con conexiones con el mundo exterior. Una capa de entrada, buffer de entrada, donde se presentan los datos a la red, y una capa buffer de salida que mantiene la respuesta de la red a una entrada. El resto de las capas reciben el nombre de capas ocultas.

44

4.4.

FUNCIONAMIENTO

Unas redes neuronales consisten en simular las propiedades observadas en los sistemas neuronales biolgicos a travs de modelos matemticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de vlvulas). El objetivo es conseguir que las maquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalizacin y su robustez. Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a travs de interconexiones y emite una salida. Esta salida viene dada por 3 funciones: Una funcin de propagacin (tambin conocida como funcin de excitacin) que por lo general consiste en el sumatorio de cada entrada multiplica por el peso de su interconexin (valor neto). Si el peso es positivo, la conexin se denomina excitatoria; si es negativo se denomina inhibitoria. Una funcin de activacin, que modifica a la anterior. Puede no existir siendo en este caso la salida la misma funcin de propagacin. Una funcin de transferencia, que se aplica al valor devuelto por la funcin de activacin. Se utiliza para acotar la salida de las neurona y generalmente viene dada por la interpretacin que queremos darle a dichas salidas. Algunas de las ms utilizadas son la funcin sigmoidea.

4.5.

APLICACIONES DE LAS REDES NEURONALES

Las RNA son muy tiles para aplicaciones en las que no se dispone de un modelo identificable que pueda ser programado, pero se tiene un conjunto de ejemplos de entrada que sirven para inferir la forma del problema. Sin duda, la capacidad de las redes neuronales para identificar sistemas complejos, con no linealidades, y dinmica variable, ha producido un gran inters en incorporarlas a los mtodos de control avanzado, principalmente de dos formas :

45

4.5.1. CLASIFICADOR DE PATRONES La red es capaz de reconocer un cierto evento en el sistema (ya sea una perturbacin en el sistema, algn cambio de propiedades o cambio en el objetivo de control) y generar una accin correctiva, cambiando los parmetros o modificando la respuesta de un controlador convencional. 4.5.2. MODELOS DE PROCESOS Consiste en usar las redes neuronales como modelo de procesos, e integrarlas a algn esquema de control no lineal tipo MBC (ModelBasedControl). Los mtodos MBC con redes neuronales son los ms ampliamente estudiados (Morris,1994), debido a que es un rea bien establecida, con un abundante desarrollo terico para sistemas lineales, aparte de tener una amplia aceptacin en el mbito industrial.

Los esquemas de control MBC pueden ser agrupados en dos grandes grupos: 1. Esquemas de control Directos: Donde la red neuronal corresponde al controlador y la accin de control es computada en forma directa. 2. Esquemas de Control Indirectos: Donde es preciso identificar primero la dinmica directa de la planta con la red neuronal, y despus calcular la accin de control mediante algn procedimiento de diseo, que incluya al modelo identificado previamente. De esta forma la red neuronal es usada como un modelo no lineal del proceso, que puede ser entrenada fuera de lnea, usando un archivo de entrenamiento, o entrenada online,mediante un algoritmo recursivo de adaptacin. 4.5.3. PASOS A CONSIDERAR EN UNA APLICACIN DE REDES NEURONALES ARTIFICIALES 1. Se preparan los datos. Los datos de entrenamiento deben contener suficiente informacin para construir el modelo en este caso. Tambin hay que considerar conocimiento conocido de antemano. 2. Se elige el modelo de red neuronal. El modelo tiene, por supuesto, gran influencia en los resultados. Generalization Ability es una medida con la cual se expresa la prestacin de la red cuando se ha terminada el entrenamiento, y valora la aptitud del modelo para la aplicacin actual. Se pueden clasificar los modelos de redes neuronales en tres clases segn su procedimiento del aprendizaje: supervisado, no supervisado y modelos de refuerzo.

46

3. Se entrena la red neuronal. La tarea de proceso de entrenamiento es generar una transformacin deseado del espacio de los dates entrantes al espacio de los dates salientes. Esto es un problema de aproximacin de una funcin matemtica, y siempre hay la misma dificultad, ya que el nmero limitado de muestras lleva a varias soluciones posibles. Para obtener resultados tiles hay que restringir las soluciones a un conjunto determinado. Solucionar esta tarea es una parte muy importante de la metodologa de las redes neuronales. El nmero de parmetros disponibles de la red neuronal (es decir la complejidad de esta red) debera corresponder con la complejidad del problema y las muestras de entrenamiento disponibles. Si la red es demasiado compleja, aprender perfectamente el conjunto de las muestras, pero no generalizar bien. Por lo tanto se suministra una buena generalizacin a travs de controlar la complejidad. Cuando el conjunto de muestras es pequea, ruidosa y parcialmente errnea, esa tarea es an ms crucial. Los mtodos prcticos para controlar la complejidad son por ejemplo EarlyStopped Training, Weight Decay o mtodos bayesianos como Evidence Network. 4. Se juzga el rendimiento de la red neuronal. La manera general para determinar cmo la red (con sus parmetros) ha alcanzado la naturaleza de la funcin es revisar la red con muestras adicionales que no han sido empleadas durante el entrenamiento. Los resultados as obtenidos podrn ser usado para la medida de la generalizacin de la red para examinar el nivel de confianza en el valor de generalizacin estimado del modelo. Para ello se usan mtodos estadsticos. Finalmente el juicio definitivo sobre el xito de la red neuronal construida se encuentra en el uso. 4.5.4. EJEMPLOS DE APLICACIONES INDUSTRIALES DE LAS RNA Para modelar, controlar y monitorizar proceses industriales las redes neuronales ofrecen un potencial enorme. Con tal que sean disponibles suficientes datos histricos para el entrenamiento, se pueden pronosticar parmetros de un proceso de antemano. La aplicacin de redes neuronales como sensores de software inteligentes (soft sensors) puede medir variables del proceso los cuales no pueden ser medidos online. La ventaja de esto es que habr una estimacin temprana de la calidad del proceso con costes bajos. Ello permitir el control y la mejora de un proceso si no cumple las exigencias. Esta aplicacin como sensor inteligente puede ser empleada en casi toda la industria procesal. El diagnstico de errores en procesos industriales (por ejemplo en procesos qumicos) es otro campo de aplicacin. A menuda se usan redes neuronales jerrquicas para esta tarea. La primera red observa el proceso completo para determinar cundo y dnde hay un error. Las redes neuronales siguientes son ms especializadas y examinan solamente la zona del proceso donde se encuentra el error y localizan ms exactamente la ubicacin de este error. A continuacin se delimita cada vez ms el espectro de errores usando cada vez ms precisos tipos de errores. Con este mtodo se pueden manejar tambin errores que no han ocurrido antes. La red neuronal producir informacin til dnde se localiza el error aunque no puede diagnosticar precisamente qu error es. 47

5. BIBLIOGRAFIA
AZNAR, G.: "La creatividad en la empresa", Editorial Oikos-Tau. Barcelona. 1974. BUZAN, T.: "El libro de los Mapas Mentales", Ediciones Urano. Barcelona. 1996. MAJARO, S.: "Creatividad y marketing", Edic. Dez de Santos. Madrid. MARN, R. Y DE LA TORRE, S.: "Manual de la Creatividad", Editorial Vicens Vives. Barcelona. 1991. MIHALKO, MICHAEL: "Thinkertoys. Cmo desarrollar la creatividad en la empresa." Editorial Gestin 2000. Barcelona. 1999. OSBORN, A.: "Imaginacin Aplicada", Creative Education Foundation Press. Buffalo. 1993. SIKORA, J.: "Manual de mtodos creativos". Editorial Kapelusz. Buenos Aires. 1979. http://www.scielo.org.pe/pdf/id/v8n1/a10v8n1.pdf http://www.optimitive.com/PDFs/BOLETIN_OPTIMITIVE_N2_SEPTIEMBRE11.pdf http://www.slideshare.net/guest99064561/redes-neuronales-1513732 http://www.monografias.com/trabajos/redesneuro/redesneuro.shtml http://es.wikipedia.org/wiki/Red_neuronal_artificial http://www.monografias.com/trabajos12/redneur/redneur.shtml Superficie de Respuesta: Mtodos y Diseo http://bellman.ciencias.uniovi.es/d_experimentos/d_experimentos_archivos/sr.pdf Metodologa de Superficies de Respuesta http://catarina.udlap.mx/u_dl_a/tales/documentos/lii/peregrina_p_pm/capitulo2.pdf http://archivos.labcontrol.cl/SI/SI_REDNEURO.pdf http://www.numberger.de/studium/aplicaciones_neuro.pdf

48