Beruflich Dokumente
Kultur Dokumente
e. Robustez. Estos experimentos a menudo abordan preguntas tales como: ¿en qué
condiciones las variables de respuesta de interés se degradan seriamente? O, ¿qué
condiciones conducirían a una variabilidad inaceptable en las variables de
respuesta? Una variación de esto es determinar cómo podemos establecer los
factores en el sistema que podemos controlar para minimizar la variabilidad
transmitida a la respuesta de factores que no podemos controlar muy bien.
Discutiremos algunos experimentos de este tipo en el Capítulo 12.
3. Elección de factores, niveles y rango. (Como se señala en la Tabla 1.1, los pasos 2 y 3
a menudo se realizan de forma simultánea o en orden inverso). Al considerar los
factores que pueden influir en el rendimiento de un proceso o sistema, el
experimentador generalmente descubre que estos factores pueden clasificarse como
potenciales Factores de diseño o factores molestos. Los posibles factores de diseño
son aquellos factores que el experimentador puede desear variar en el experimento.
A menudo nos damos cuenta de que hay muchos factores de diseño potenciales, y
una cierta clasificación adicional de ellos es útil. Algunas clasificaciones útiles son
factores de diseño, factores mantenidos constantes y factores permitidos para variar.
Los factores de diseño son los factores realmente seleccionados para estudiar en el
experimento. Los factores de constante sostenida son variables que pueden ejercer
algún efecto sobre la respuesta, pero para los fines del presente experimento, estos
factores no son de interés, por lo que se mantendrán a un nivel específico. Por
ejemplo, en un experimento de grabado en la industria de los semiconductores,
puede haber un efecto que sea exclusivo de la herramienta específica de grabado por
plasma utilizada en el experimento. Sin embargo, este factor sería muy difícil de
variar en un experimento, por lo que el experimentador puede decidir realizar todas
las ejecuciones experimentales en un grabador en particular (idealmente "típico").
Así, este factor se ha mantenido constante. Como ejemplo de los factores permitidos
para variar, las unidades experimentales o los "materiales" a los que se aplican los
factores de diseño generalmente no son homogéneos, pero a menudo ignoramos
esta variabilidad de unidad a unidad y dependemos de la aleatorización para
equilibrar cualquier material o efecto de unidad experimental. A menudo asumimos
que los efectos de los factores constantes sostenidos y de los factores permitidos a
largo plazo son relativamente pequeños.
Los factores de molestia, por otro lado, pueden tener grandes efectos que
deben tenerse en cuenta, sin embargo, puede que no estemos interesados en ellos
en el contexto del presente experimento. Los factores de molestia a menudo se
clasifican como factores controlables, incontrolables o de ruido. Un factor de
molestia controlable es uno cuyos niveles pueden ser establecidos por el
experimentador. Por ejemplo, el experimentador puede seleccionar diferentes lotes
de materia prima o diferentes días de la semana al realizar el experimento. El
principio de bloqueo, discutido en la sección anterior, a menudo es útil para tratar
los factores de molestia controlables. Si un factor molesto es incontrolable en el
experimento, pero se puede medir, a menudo se puede usar un procedimiento de
análisis llamado análisis de covarianza para compensar su efecto. Por ejemplo, la
humedad relativa en el entorno del proceso puede afectar el rendimiento del
proceso y, si la humedad no se puede controlar, probablemente se pueda medir y
tratar como una covariable. Cuando un factor que varía de forma natural e
incontrolable en el proceso puede controlarse para los fines de un experimento, a
menudo lo llamamos factor de ruido. En tales situaciones, nuestro objetivo
generalmente es encontrar los ajustes de los factores de diseño controlables que
minimizan la variabilidad transmitida de los factores de ruido. Esto a veces se
denomina estudio de la robustez del proceso o un problema de diseño robusto. Los
estudios de bloqueo, análisis de covarianza y robustez del proceso se analizan más
adelante en el texto.
Una vez que el experimentador ha seleccionado los factores de diseño, debe
elegir los rangos en los que se variarán estos factores y los niveles específicos en los
que se realizarán las ejecuciones. También se debe pensar cómo se deben controlar
estos factores en los valores deseados y cómo deben medirse. Por ejemplo, en el
experimento de soldadura por flujo, el ingeniero ha definido 12 variables que pueden
afectar la aparición de defectos en la soldadura. El experimentador también tendrá
que decidir sobre una región de interés para cada variable (es decir, el rango en el
que se variará cada factor) y sobre cuántos niveles de cada variable usar. Se requiere
conocimiento del proceso para hacer esto. Este conocimiento del proceso suele ser
una combinación de experiencia práctica y comprensión teórica. Es importante
investigar todos los factores que pueden ser importantes y no estar demasiado
influido por la experiencia pasada, particularmente cuando estamos en las primeras
etapas de la experimentación o cuando el proceso no es muy maduro.
Cuando el objetivo del experimento es la selección de factores o la
caracterización de procesos, generalmente es mejor mantener bajo el número de
niveles de factores. En general, dos niveles funcionan muy bien en los estudios de
detección de factores. Elegir la región de interés también es importante. En la
selección de factores, la región de interés debe ser relativamente grande, es decir, el
rango en el que se varían los factores debe ser amplio. A medida que aprendemos
más sobre qué variables son importantes y qué niveles producen los mejores
resultados, la región de interés en experimentos posteriores generalmente se
volverá más estrecha.
El diagrama de causa y efecto puede ser una técnica útil para organizar parte
de la información generada en la planificación pre-experimental. La Figura 1.10 es el
diagrama de causa y efecto construido al planear un experimento para resolver
problemas con la carga de obleas (una acumulación de carga en las obleas) que se
encuentra en una herramienta de grabado utilizada en la fabricación de
semiconductores. El diagrama de causa y efecto también se conoce como diagrama
de espina de pescado porque el "efecto" de interés o la variable de respuesta se
dibuja a lo largo de la columna vertebral del diagrama y las causas potenciales o
factores de diseño se organizan en una serie de costillas. El diagrama de causa y
efecto utiliza las causas tradicionales de medición, materiales, personas, entorno,
métodos y máquinas para organizar la información y los posibles factores de diseño.
Tenga en cuenta que algunas de las causas individuales probablemente conduzcan
directamente a un factor de diseño que se incluirá en el experimento (como la
velocidad de la rueda, el flujo de gas y el vacío), mientras que otras representan áreas
potenciales que necesitarán más estudio para convertirlas en diseño. factores (como
los operadores que siguen procedimientos incorrectos), y otros más probablemente
conducirán a factores que se mantendrán constantes durante el experimento o se
bloquearán (como la temperatura y la humedad relativa). La Figura 1.11 es un
diagrama de causa y efecto de un experimento para estudiar el efecto de varios
factores en los álabes de la turbina producidos en una máquina con control numérico
computarizado (CNC). Este experimento tiene tres variables de respuesta: perfil de
la hoja, acabado de la superficie de la hoja y defectos de acabado de la superficie en
la hoja terminada. Las causas se organizan en grupos de factores controlables entre
los cuales se pueden seleccionar los factores de diseño para el experimento, factores
incontrolables cuyos efectos probablemente se compensarán con la aleatorización,
factores de molestia que pueden bloquearse y factores que pueden mantenerse
constantes cuando el experimento Es conducido. No es inusual que los
experimentadores construyan varios diagramas de causa y efecto diferentes para
ayudarlos y guiarlos durante la planificación pre-experimental. Para obtener más
información sobre el experimento de la máquina CNC y una discusión más detallada
sobre los métodos gráficos que son útiles en la planificación pre-experimental,
consulte el material de texto complementario de este capítulo.
Reiteramos lo importante que es sacar a la luz todos los puntos de vista y
procesar la información en los pasos 1 a 3. Nos referimos a esto como planificación
pre-experimental. Coleman y Montgomery (1993) proporcionan hojas de trabajo que
pueden ser útiles en la planificación pre-experimental. También vea el material de
texto complementario para obtener más detalles y un ejemplo del uso de estas hojas
de trabajo. Es poco probable que una persona tenga todos los conocimientos
necesarios para hacer esto adecuadamente en muchas situaciones. Por lo tanto,
abogamos firmemente por un esfuerzo de equipo en la planificación del
experimento. La mayor parte de su éxito dependerá de qué tan bien se realice la
planificación pre-experimental.
6. Análisis estadístico de los datos. Los métodos estadísticos deben utilizarse para
analizar los datos de modo que los resultados y las conclusiones sean objetivos en
lugar de juzgarlos por naturaleza. Si el experimento se diseñó correctamente y se
realizó de acuerdo con el diseño, los métodos estadísticos requeridos no son
detallados. Hay muchos paquetes de software excelentes diseñados para ayudar en
el análisis de datos, y muchos de los programas utilizados en el paso 4 para
seleccionar el diseño proporcionan una interfaz directa y sin problemas al análisis
estadístico. A menudo nos parece que los métodos gráficos simples desempeñan un
papel importante en el análisis e interpretación de datos. Debido a que muchas de
las preguntas que el experimentador quiere responder se pueden convertir en un
marco de hipótesis, los procedimientos de prueba de hipótesis y de estimación del
intervalo de confianza son muy útiles para analizar datos de un experimento
diseñado. También suele ser muy útil presentar los resultados de muchos
experimentos en términos de un modelo empírico, es decir, una ecuación derivada
de los datos que expresan la relación entre la respuesta y los factores de diseño
importantes. El análisis residual y la verificación de la adecuación del modelo también
son técnicas de análisis importantes. Vamos a discutir estos temas en detalle más
adelante.
Recuerde que los métodos estadísticos no pueden probar que un factor (o
factores) tiene un efecto particular. Solo proporcionan pautas en cuanto a la
fiabilidad y validez de los resultados. Cuando se aplican correctamente, los métodos
estadísticos no permiten que se pruebe nada experimentalmente, pero sí nos
permiten medir el error probable en una conclusión o adjuntar un nivel de confianza
a una declaración. La principal ventaja de los métodos estadísticos es que agregan
objetividad al proceso de toma de decisiones. Las técnicas estadísticas combinadas
con un buen conocimiento de ingeniería o procesos y el sentido común generalmente
llevan a conclusiones sólidas.