Vocero | Transcripción |
| Kevin | Hola, mi nombre es Kevin Gallagher. |
| Hoy hablaré sobre el diseño de productos robustos. |
| Trabajo para PPG Industries, que tiene su sede en Pittsburgh, Pensilvania, y nuestra sede corporativa se muestra en el lado derecho de la diapositiva. PPG es líder mundial en el desarrollo de pinturas y recubrimientos para una amplia variedad de aplicaciones, algunas de las cuales se muestran aquí. |
| Y personalmente trabajo en nuestro Centro de Innovación de Recubrimientos en el suburbio norte de Pittsburgh, donde tenemos un fuerte enfoque en el desarrollo de nuevos productos innovadores. |
| En los últimos 10 años, la gente de esta instalación ha desarrollado más de 600 patentes estadounidenses y hemos recibido varios premios de clientes y de la industria. |
| Quiero hablar sobre cómo desarrollar productos robustos utilizando diseño de experimentos y JMP. Entonces, la primera pregunta es, ¿qué queremos decir con un producto robusto? |
| Y ese es un producto que ofrece resultados consistentes. Y la estrategia de diseñar un producto robusto es deliberadamente |
| establecer factores de control para las entradas al proceso, que llamamos X's, para insensibilizar el producto o proceso a los factores de ruido que están actuando sobre el proceso. Entonces los factores de ruido son |
| factores que son entradas al proceso que potencialmente pueden influir en las Y, pero sobre los cuales generalmente tenemos poco control, especialmente en el diseño del producto o fase del proceso. |
| Pensar en |
| diseño robusto. Es bueno comenzar con un mapa de proceso aumentado con variables asociadas con entradas y salidas de cada paso del proceso. |
| Entonces, si pensamos en un ejemplo de desarrollo de un recubrimiento para una aplicación automotriz, primero comenzamos con el diseño de esa formulación de recubrimiento y luego la fabricamos. |
| Luego va a nuestros clientes y aplican nuestro recubrimiento al vehículo y luego lo compras y lo llevas a casa y conduces el vehículo. |
| Entonces, cuando pensamos en robustez, debemos pensar en tres cosas. Tenemos que pensar en el resultado que es importante para nosotros. En este ejemplo, estamos pensando en desarrollar una apariencia premium |
| revestimiento para un vehículo automóvil. Necesitamos pensar en algunas de las variables de ruido para las cuales |
| la Y debido a la variable ruido. |
| Y en este caso en particular quiero enfocarme en variables que realmente están en las instalaciones de nuestros clientes. No es que no puedan controlar el espesor y la temperatura de la cabina y |
| la configuración de un aplicador, pero siempre hay alguna variación natural en torno a todos estos parámetros. Y para nosotros, queremos poder centrarnos en |
| factores que podemos controlar en el diseño del producto para hacer que el producto sea insensible a esas variables en el proceso de nuestros clientes para que puedan tener una buena apariencia consistente. |
| Entonces, una forma de ejecutar realmente un experimento diseñado en torno a algunos de los factores que se sabe que causan esa variabilidad. |
| En este ejemplo particular, podríamos diseñar un diseño factorial en torno a la humedad de la cabina, la configuración del aplicador y el grosor. |
| Esto supone, por supuesto, que puede simular esas variables de ruido en su laboratorio y, en este caso, nosotros podemos. Entonces podemos ejecutar este mismo experimento. |
| en cada una de varias formulaciones prototipo; podrían ser solo dos como comparación o podría ser un diseño completo de experimentos que analicen diferentes diseños de formulación. |
| Una vez que tengamos |
| los datos para esto, |
| una de las mejores formas de visualizar la solidez de un producto es crear un diagrama de caja. Así que voy a abrir |
| el conjunto de datos que compara dos formulaciones prototipo probadas en un rango de |
| condiciones de aplicación, y en este caso se mide la apariencia para que |
| los valores más altos de apariencia son mejores. Así que idealmente queremos valores altos de apariencia y luego consistentemente buenos en todas las diferentes condiciones de ruido. Entonces a |
| mira esto, podríamos, podemos ir al Graph Builder. |
| Y podemos tomar la apariencia y convertirla en nuestro valor; fórmulas prototipo son valores X. Y si activamos el diagrama de caja y luego volvemos a sumar los puntos, |
| se puede ver claramente que un producto tiene mucha menos variación que el otro, por lo tanto es más robusto y además tiene un mejor promedio. |
| Ahora los diagramas de caja son agradables porque los diagramas de caja capturan el 50% medio de los datos y los bigotes salen a los valores máximo y mínimo, excluyendo los valores atípicos. Así que hace una muy buena visualización visual de |
| la robustez de un producto. |
| Entonces, ahora queremos hablar sobre cómo usamos el diseño de experimentos para encontrar configuraciones que sean |
| mejor para desarrollar un producto que sea robusto. Como saben, cuando diseñan un experimento, la mejor manera de analizarlo es construir un modelo. Y es una función de x, como se muestra en la parte superior derecha. |
| Y luego, una vez que tengamos ese modelo construido, podemos explorar la relación entre las Y y las X con |
| varias herramientas en JMP, como en la esquina inferior derecha, un gráfico de contorno y... también allí abajo, perfilador de predicción. Estos nos permiten explorar lo que se llama la superficie de respuesta o cómo varía la respuesta en función de los valores cambiantes de los factores X. |
| La clave para encontrar un producto robusto es encontrar áreas de esa superficie de respuesta donde la superficie sea relativamente plana. |
| En esa región será muy insensible a pequeñas variaciones en esas variables de entrada. Un ejemplo aquí es un ejemplo muy simple donde solo hay una y y una x |
| Y la relación se muestra aquí como una especie de función parabólica. Si establecemos la X en un valor más alto aquí donde, donde la función es un poco más plana, |
| y tenemos algún tipo de variación de causa común en la variable de entrada, esa variación se traducirá en una cantidad menor de variación en y, que si tuviéramos esa configuración de x en una configuración más baja, como lo muestran las líneas rojas punteadas. |
| De manera similar, podemos tener interacciones que transmitan más o menos variación. Este ejemplo tenemos una interacción entre una variable de ruido y una variable de control x. |
| Y en este escenario, si nuevamente hay alguna variación de causa común asociada con esa variable de ruido, si tenemos el factor X establecido en la configuración baja, eso transmitirá menos variación a la variable y. |
| Así que ahora quiero compartir con ustedes un segundo caso de estudio donde vamos a demostrar cómo construir un modelo, explorar la superficie de respuesta para áreas planas donde podríamos hacer nuestra configuración para tener un producto robusto y finalmente evaluar la robustez. utilizando algún análisis de capacidad predictiva. |
| En este ejemplo particular, un químico se enfoca en encontrar las variables que contribuyen a una variación inaceptable en la amarillez del producto y esa amarillez se mide con un fotómetro de espectro con la métrica, b*. |
| El equipo realizó una serie de experimentos para identificar los factores importantes que influyen en el amarillamiento, y los dos factores más influyentes que encontraron fueron la temperatura de reacción. |
| y la velocidad de adición de uno de los ingredientes importantes. Entonces decidieron desarrollar un diseño factorial completo con algunos puntos centrales replicados, como se muestra en la esquina derecha. |
| Ahora, al equipo le gustaría tener el valor de amarilleamiento (b*) para ser |
| establecido en un valor objetivo de 2 pero dentro de una especificación de 1 a 3. |
| Voy a volver a JMP |
| y abra el segundo ejemplo de estudio de caso. |
| Es un pequeño experimento aquí, donde las corridas factoriales se muestran en azul y los puntos centrales en rojo. Y nuevamente, la métrica de interés (B*) también se incluye aquí. |
| Ahora, lo primero que haríamos normalmente es ajustar, ajustar el experimento al modelo que sea mejor para ese diseño. |
| Y en este caso particular, encontramos un muy buen R cuadrado entre el amarilleo |
| y los factores que estamos estudiando, y todos los factores parecen ser estadísticamente significativos. |
| Entonces, dado que ese es el caso, podemos comenzar a explorar la superficie de respuesta utilizando otras herramientas dentro de JMP. |
| Una de las herramientas que a menudo nos gusta usar es el generador de perfiles de predicción, porque con esta herramienta, podemos explorar diferentes configuraciones y buscar configuraciones en las que vamos a obtener el tono amarillento. |
| se predice que estará donde queremos que esté, un valor de 2. |
| Pero cuando se trata de encontrar configuraciones robustas, una muy buena herramienta para usar es el perfilador de contorno. Está bajo el perfilado de factores. |
| Y voy a poner un contorno aquí en 3, porque dijimos que los límites de especificación eran de 1 a 3 y en el extremo superior (3), en cualquier lugar a lo largo de este contorno aquí, el valor predicho será 3 |
| y por encima de este valor en el área sombreada estará por encima de 3, fuera de nuestro rango de especificación. Eso significa que se espera que cualquier cosa en el blanco esté dentro de nuestros límites de especificación. |
| Entonces, en este momento, tal como lo tenemos configurado, cualquier cosa que tenga una temperatura inferior a 80 y una tasa entre 1,5 y 4 debería darnos un producto que cumpla con las especificaciones en promedio. |
| Pero, ¿qué pasa si la temperatura en el proceso que, cuando aumentamos la escala de este producto, es algo que no podemos controlar con total precisión? Así que habrá cierta cantidad de variación en la temperatura. Entonces, ¿cómo podemos desarrollar el producto y llegar a estos puntos fijos para que |
| el producto será |
| insensible a la variación de temperatura? |
| Entonces, para hacer eso, o pensar en eso, a menudo es útil agregar algunas líneas de cuadrícula de contorno a la superposición del gráfico de contorno aquí. |
| Y me gusta redondear el valor bajo en el incremento, para que los contornos estén en números pares agradables 1.5. 2, 2.5 y 3, de izquierda a derecha. Entonces, en cualquier lugar a lo largo de este contorno aquí debería darnos |
| un valor predicho de 2. |
| Pero queremos estar aquí abajo donde los contornos están muy juntos o aquí arriba donde están más separados con respecto a la temperatura. |
| A medida que los contornos se separan, es una indicación de que nos estamos acercando a un punto plano en el |
| en la superficie de respuesta. Entonces, para ser más robustos a la temperatura, ahí es donde queremos estar cerca de la cima aquí. Entonces, una configuración de cerca de 75 grados y una velocidad de aproximadamente 4 podría ser la más ideal. |
| Y podemos ver esto también en el perfilador de predicción cuando tenemos estos perfiladores vinculados, porque en esta configuración, |
| estamos prediciendo que b* sea 2. Pero observe que la relación entre b* y la temperatura es relativamente plana, pero si hago clic en este nivel inferior, aunque b* siga siendo 2, la relación entre b* y la temperatura es muy pronunciada. |
| Entonces, si sabemos algo sobre cuánta variación es probable que ocurra en la temperatura cuando aumentamos la escala de este producto, podemos usar un modelo que hemos construido a partir de nuestro DOE para simular la capacidad del proceso en el futuro. |
| Y la forma en que podemos hacer eso con JMP es abrir |
| la opción del simulador. |
| Y nos permite introducir variaciones aleatorias en el modelo de varias maneras diferentes. Y luego use el modelo para calcular la salida para esos |
| condiciones de entrada seleccionadas. Podríamos agregar ruido aleatorio, como una variación de causa común que podría deberse a la variación de la medición y demás, en el diseño. |
| También podemos poner variación aleatoria en cualquiera de los factores. En este caso, estamos hablando de tener problemas para controlar la temperatura en la producción, por lo que es posible que deseemos |
| que sea una variable aleatoria. |
| Y establece la media a donde lo tengo establecido. Así que voy a arrastrarlo un poco hacia abajo hasta el fondo. Así que se trata de una media de 70. |
| Y luego JMP tiene un valor predeterminado de una desviación estándar de 10. Puede cambiar eso a lo que tenga sentido para el proceso que está estudiando. Pero por ahora, voy a dejar eso en 10 y puedes elegir seleccionar al azar de cualquier distribución que quieras. |
| Y lo voy a dejar en la distribución normal. |
| Voy a dejar la tarifa fija. Entonces, tal vez en este escenario, podemos controlar la velocidad con mucha precisión, pero la temperatura, no tanto. Así que queremos asegurarnos de que estamos seleccionando nuestros puntos de referencia para la velocidad y la temperatura para que haya |
| como poco impacto de la variación de temperatura sobre el amarilleo. |
| Entonces podemos evaluar los resultados de esta simulación haciendo clic en el botón simular a tabla, hacer tabla. |
| Ahora, lo que tenemos es cada fila, aquí hay 5000 filas que se han simulado, cada fila como una selección aleatoria de temperatura de la distribución, que se muestra aquí. |
| Y luego los límites de ubicación de tarifas que tenemos para este producto. Y podemos hacer eso con la capacidad del proceso. |
| Y dado que ya tengo los límites de especificación como una propiedad de columna, se completan automáticamente, pero si no los completó, puede escribirlos aquí. |
| Y simplemente haga clic en Aceptar, y ahora nos muestra el análisis de capacidad para este producto en particular. Nos muestra el límite de especificación inferior, el límite de especificación superior, el valor objetivo y |
| en superposiciones que sobre la distribución de respuestas de nuestra simulación. |
| En este caso particular, los resultados no parecen muy prometedores porque hay un gran porcentaje del producto que parece estar fuera de la especificación. De hecho, el 30% está fuera. Y si usamos el índice de capacidad Cpk, que compara el rango de especificación con el rango en |
| variación del proceso, vemos que el Cpk no es muy bueno en .3. |
