Bienvenidos y gracias por su interés en nuestra charla de hoy. Mi nombre es Wendy Zhang y hoy presentaré junto con mi colega Bill Worley. Ambos trabajamos con clientes que buscan aumentar el impacto de los experimentos de diseño (DOE) en sus organizaciones. Este tema nos interesa mucho.
Muchos de ustedes son científicos e ingenieros que realizan experimentos diseñados en sus organizaciones para innovar. O quizás trabajan con colegas que hacen lo mismo. Estos experimentos diseñados estadísticamente, conocidos como DOE (por sus siglas en inglés), son valiosas fuentes de aprendizaje. Por eso los realizamos: para aprender sobre un nuevo sistema o proceso y usar ese conocimiento para mejorar e innovar. ¿Cómo garantizamos que estos valiosos DOE se compartan con nuestros colaboradores y partes interesadas para que, como organización, obtengamos el máximo provecho de ellos? Nuestros colaboradores deben poder acceder fácilmente a estos experimentos, interactuar con ellos, aportar ideas y tomar decisiones sin problemas. En la sesión de hoy, nos centraremos en cómo nuestro impacto como científicos e ingenieros puede ser mayor cuando podemos compartir, utilizar y colaborar en DOE en JMP Live.
JMP Live es una herramienta complementaria de JMP que permite la colaboración y el intercambio de conocimientos en toda la empresa. Compartiremos dos casos de éxito de organizaciones que utilizan JMP Live para optimizar la colaboración en el diseño de experimentos (DOE). Estos casos se ilustrarán con ejemplos de una empresa ficticia: Aquapure. Aquapure es una empresa química que fabrica materias primas para otras empresas en su unidad de negocio industrial y productos de consumo en su unidad de negocio de consumo. El primer ejemplo muestra cómo los ingenieros de desarrollo de productos y procesos de la unidad de negocio industrial de Aquapure colaboran con JMP Live. El equipo de desarrollo de productos se encarga de desarrollar procesos para la fabricación de nuevos productos y la mejora de los existentes. Utilizan el DOE para identificar variables de proceso importantes y comprender cómo interactúan para lograr características específicas del producto. Una vez identificados los factores y rangos de proceso necesarios para obtener un producto de alta calidad, transfieren este conocimiento al equipo de ingeniería de procesos, que implementa el proceso a escala piloto para la fabricación del producto. Analicemos con más detalle cómo los equipos de desarrollo de productos e ingeniería de procesos de Aquapure colaboraron para lanzar al mercado un nuevo disolvente: PureSolv.
Los responsables del desarrollo de producto de PureSolv llevaron a cabo varios diseños de experimentos (DOE) en JMP durante el desarrollo del proceso piloto final de PureSolv. Si no está familiarizado con estos diagramas cúbicos, se utilizan frecuentemente para representar diferentes tipos de DOE. El cubo representa la base del proceso que se está evaluando, y los puntos representan las ejecuciones experimentales. Al desarrollar un nuevo proceso, es común realizar varios experimentos. El primer experimento, de selección, se centra en identificar los factores importantes. Este experimento puede ampliarse para estudiar cómo interactúan los factores entre sí, y un experimento final puede enfocarse en determinar el espacio de proceso que ofrece el mejor rendimiento. El DOE final de los ingenieros de desarrollo de producto de Aquapure se centró en optimizar las variables del proceso para lograr un rendimiento superior al 90% de forma consistente. El equipo de desarrollo de producto utilizó este DOE para establecer puntos de ajuste y rangos para el volumen, el tiempo, la temperatura y el catalizador, con el fin de que los lotes de PureSolv tuvieran un rendimiento superior al 90% de forma consistente. Analicemos con más detalle cómo lo logró el ingeniero de desarrollo de producto.
Gracias, Wendy, y ahora voy a compartir mi pantalla. ¿Todos ven mi pantalla?
Sí.
Como dijo Wendy, realizamos la optimización (o mejor dicho, se completó el diseño de experimentos de optimización). A partir de ahí, quisimos dar el siguiente paso y desarrollamos un modelo de mínimos cuadrados que parecía prometedor para producir lotes con un rendimiento superior al 90 %. Utilizamos un perfilador de predicción para comprobar que el proceso podría ser el esperado, pero necesitábamos realizar simulaciones de diferentes escenarios para visualizar un proceso óptimo. Lo primero que hicimos fue verificar algunos aspectos y utilizar la función de control de extrapolación del perfilador de predicción. Rápidamente nos dimos cuenta de que quizás no contábamos con suficientes simulaciones de diseño de experimentos con las combinaciones más bajas de volumen y catalizador para predecir con certeza qué sucedería si el rendimiento se mantuviera constante con esos ajustes. Esto era algo que el equipo de desarrollo de producto quería investigar a medida que el proceso madurara. Ejecutamos la optimización y todo parecía correcto, pero el ingeniero de producción indicó que sería prácticamente imposible ejecutar los ajustes exactos predichos en la optimización debido a la variabilidad del proceso.
Preguntaron si existía alguna manera de flexibilizar la configuración para mayor seguridad y un proceso más robusto. Por ello, decidimos probar una herramienta más reciente del perfilador de predicción, llamada Perfilador de Espacio de Diseño, para analizar sus inquietudes. Lo primero que observamos fue que, con los rangos de entrada del diseño de experimentos original, el proceso solo estaría dentro de las especificaciones aproximadamente el 6,3 % de las veces. Queríamos asegurarnos de que todos estuvieran al tanto de esto, así que lo comentamos con los ingenieros de proceso. Íbamos a compartir la información con ellos de la mejor manera posible. El siguiente paso con el Perfilador de Espacio de Diseño fue utilizar una simulación de Monte Carlo con 10 000 puntos simulados para ajustar los rangos del diseño de experimentos, de modo que los ingenieros de proceso lograran un lote dentro de las especificaciones con una confianza de hasta el 99 %.
De esta forma, obtuvimos una configuración de proceso que garantizaba un 90 % o más de éxito en cada lote de producción. Como pueden ver aquí, nuestro límite inferior de especificación era del 90 %. Ajustando el perfilador del espacio de diseño o modificando la configuración, logramos aumentar ese valor hasta alcanzar una certeza de aproximadamente el 99 % de obtener lotes InSpec en cada ocasión. Ahora les mostraré una demostración rápida. Voy a salir de esta ventana. (Escape). Minimizarla y mostrarles mi tabla de datos. Estos son los datos de los experimentos de diseño. Pudimos realizar prácticamente todo lo necesario con estos datos y luego comunicárselos a los ingenieros de proceso según fuera necesario. Quería crear un modelo, y estamos hablando de mínimos cuadrados estándar. Tenemos todos nuestros factores configurados, vamos a ejecutarlo y obtenemos una configuración bastante buena. Voy a simplificar algunas cosas rápidamente para optimizar el proceso.
Elimino eso. Quizás un par más, y ya deberíamos estar listos. Tenemos nuestro modelo configurado, nuestro perfilador de predicción y también nuestra configuración de deseabilidad. Vamos a bajar un poco la vista para verlo mejor. Lo primero que queríamos hacer era revisar el control de extrapolación. Está en el perfilador de predicción. Esta es una herramienta de JMP Pro, pero queríamos que vieran de qué se trata. Es un perfilador de interacción importante. Eso ya lo hice yo. Ahí está. Control de extrapolación de interacción. Vamos a activar la advertencia para ver dónde podría haber algún problema. Si observamos el volumen, lo arrastramos hacia abajo y también la temperatura hacia abajo. Así podemos empezar a ver que hay algunos problemas, y también con el catalizador, si lo bajamos a alrededor de cinco.
Claro, no funciona. Ahí está. Nos muestra la extrapolación. Tenemos una posible extrapolación en los niveles inferiores. Es algo que deberíamos investigar más adelante. Desactivémoslo. Volvamos al perfilador de predicción y activemos el perfilador de espacio de diseño. Esto podría ser un poco tedioso si lo hacemos manualmente o si dejamos que JMP lo haga por nosotros. Les voy a mostrar algunas opciones que pueden activar aquí, y vamos a crear y conectar una tabla aleatoria. Usaremos 10 000 puntos e insertaremos un diagrama de dispersión del espacio de factores. Ahora podemos ver… No necesitamos esta tabla. Claro, va a ser un fastidio. Ahí está. Disculpen. Ya lo tenemos. Ahora vamos a experimentar con estas herramientas. Tenemos el espacio de 10 000 puntos.
Queremos ver qué podemos hacer para que esta porción de InSpec alcance un nivel en el que estemos seguros de obtener un rendimiento del 90% o superior en al menos el 99% de los casos. Vamos a experimentar un poco con estos parámetros. Ajustemos esto. Si quisiéramos, podríamos simplemente introducir los valores que sabemos que funcionan. Vamos a experimentar un poco para mostrarles. Como pueden ver, el espacio se reduce cada vez más en el diagrama de dispersión y en el espacio de factores. A medida que ajustamos estos parámetros, verán que los resultados mejoran progresivamente. Ya estamos en el 58%, casi el 59%. Podemos experimentar un poco más para comprender mejor. Hagámoslo. Desplacemos el catalizador un poco. Estamos en el 86% y quizás un poco más. Lo que hicimos fue aumentarlo hasta un 95% o más, un 99%.
Veamos si podemos subir un poco más y alcanzar el 99% del valor que prometí. No. Vamos en la dirección equivocada. Ahí está. Ya casi lo tenemos. Ahora tenemos estos valores, y son mucho más ajustados que antes. Pero estos son los valores a los que nos cambiaríamos, o que compartiríamos a través de JMP Live con los ingenieros. Dicho esto, le cedo la palabra a Wendy.
¡Genial! Permíteme que te muestre la pantalla. La demostración de Bill reveló cómo el ingeniero de desarrollo de producto utilizó JMP para obtener los rangos del proceso. Una vez finalizado este trabajo, los responsables de desarrollo de producto pudieron compartir los resultados con el equipo de ingeniería de procesos en JMP Live, directamente desde JMP. Además de compartir los factores específicos del proceso y los rangos recomendados, proporcionaron los resultados del diseño de experimentos (DOE) a los ingenieros de procesos en un formato interactivo. Este mismo formato interactivo, que viste en JMP con el perfilador de predicción, se compartió con los ingenieros de procesos, quienes pudieron acceder a él y a JMP Live mediante un navegador.
Cuando Aquapure no disponía de JMP Live, los ingenieros de procesos recibían información limitada y estática por correo electrónico y presentaciones de PowerPoint. Veamos ahora cómo la ingeniería de procesos utilizó los resultados interactivos del diseño de experimentos (DOE) para tomar decisiones basadas en datos. Accedemos al portal JMP Live de Aquapure mediante un navegador web. Examinemos los DOE en la carpeta dedicada a PureSolv, dentro de la carpeta de su unidad de negocio industrial. Esta carpeta requiere permisos para todos los ingenieros que trabajan en PureSolv.
Analicemos el diseño de experimentos (DOE) final para la optimización del rendimiento, tal como lo hicieron los ingenieros de procesos. El perfilador del espacio de diseño explica cómo se determinaron los rangos del proceso y ayuda a generar confianza en ellos. Por ejemplo, podemos ver por qué se recomienda que el volumen esté entre 2.5 y 5.2 observando el perfilador del espacio de diseño. Aquí está la gráfica específica para el volumen, donde las líneas verticales punteadas representan el rango recomendado de 2.5 a 5.2. Podemos ver que aquí se alcanza el mayor porcentaje de InSpec. En este caso, InSpec contribuye al objetivo de producir un producto con un rendimiento consistentemente superior al 90 %. Subiendo al perfilador de predicción, vemos que este permite a los ingenieros de procesos explorar el espacio de procesos definido por el DOE. Para quienes no estén familiarizados con el perfilador de predicción, se trata de la representación de un modelo. Tuvieron la oportunidad de ver a Bill construir este modelo utilizando el método de ajuste y mínimos cuadrados estándar. En este caso, el modelo representa los resultados del DOE sobre cómo el volumen, el tiempo, la temperatura y el catalizador se relacionan con el rendimiento.
Esto permite a la ingeniería de procesos formular preguntas al diseño de experimentos (DOE). Les permite comprender las ventajas y desventajas de realizar cambios en las variables del proceso. Analicemos el perfilador y veamos qué podemos aprender de él. Por ejemplo, podemos observar, a través de las pendientes, que la temperatura y el catalizador tienen una pendiente mucho mayor que el volumen y el tiempo. Esto significa que el rendimiento es muy sensible a los cambios en la temperatura y el catalizador, en comparación con el volumen y el tiempo. Podemos observar esto no solo a partir de las pendientes, sino también modificando, en este caso particular, el valor de la temperatura con el ratón y viendo cómo se refleja en el valor de rendimiento previsto. Ahora, usemos el perfilador, como lo hizo la ingeniería de procesos, para resolver dos desafíos específicos que surgieron. El primer desafío se presentó durante la configuración inicial del proceso para la producción piloto de PureSolv. La ingeniería de procesos estaba interesada en aumentar el volumen inicial, superando el límite superior recomendado de 5.2, para producir más producto en una sola tanda. Usando el perfilador, ahora estoy moviendo el control deslizante que modifica el valor del volumen.
Pudieron comprobar que podían aumentar el volumen hasta aproximadamente 6, superando nuevamente el valor recomendado de 5,5, y aun así obtener un rendimiento superior al 90 %. El segundo desafío surgió cuando ingeniería de procesos estaba a punto de transferir el proceso a producción. Se produjo un aumento significativo en el precio del catalizador utilizado, por lo que la dirección solicitó a ingeniería de procesos que evaluara la posibilidad de reducir la cantidad de catalizador empleada en la reacción sin afectar significativamente el rendimiento. Nuevamente, con el perfilador, pudieron reducir la cantidad de catalizador y predecir el impacto en el rendimiento. Observaron que podían disminuir la cantidad de catalizador por debajo del valor recomendado de 8,5 y aumentar la temperatura, manteniendo el rendimiento cercano al 90 %.
Resumamos lo que los ingenieros de procesos podrían hacer con los resultados del DOE en JMP Live. Con el Perfilador de Espacio de Diseño, podrían ver cómo se determinaron los rangos de entrada del proceso, que se relacionan con el porcentaje de especificación. También podrían comprender la sensibilidad del rendimiento a los cambios incrementales en el volumen y realizar ajustes de forma independiente con confianza.
También podían tomar decisiones rápidas basadas en datos para reducir la cantidad de catalizador, ya que podían observar el impacto en el rendimiento por unidad de cambio en el catalizador, así como la dependencia de este con respecto a la temperatura. Antes de que la organización contara con JMP Live, el proceso de considerar alternativas y realizar cambios era lento, dado que los ingenieros de procesos no tenían visibilidad de los resultados del diseño de experimentos (DOE) más allá de los rangos que se les proporcionaban. Cualquier ajuste que quisieran realizar dependía en gran medida de la comunicación por correo electrónico con el departamento de desarrollo de productos, lo que provocaba que los ingenieros de procesos no se sintieran con la autoridad necesaria para tomar decisiones. Volvamos a JMP Live para ver cómo se comunicaban estos dos equipos dentro de la plataforma. Estamos de vuelta en JMP Live, analizando el DOE de optimización final. Si hacemos clic en estos comentarios, podemos ver la conversación que tuvo lugar entre el departamento de desarrollo de productos y el departamento de ingeniería de procesos durante la configuración del proceso piloto.
Puedes mencionar a tus colaboradores y recibirán notificaciones por correo electrónico cuando se les haga una pregunta. Recapitulemos la primera historia.
En esta primera historia, los ingenieros de desarrollo de producto compartieron los resultados del diseño de experimentos (DOE) con el equipo de ingeniería de procesos de forma interactiva en JMP Live. Los ingenieros de procesos exploraron el DOE y pudieron tomar decisiones de manera eficiente y efectiva, ya que pudieron realizar análisis de escenarios hipotéticos y comprender las ventajas y desventajas de forma independiente. Los ingenieros de desarrollo de producto y de procesos colaboraron dentro de JMP Live de forma transparente para todos los miembros del equipo. La segunda historia proviene de los formuladores de I+D en la división de productos de consumo de Aquapure. Estos formuladores utilizan el DOE para desarrollar nuevos productos y reformular los existentes, y JMP Live les permite convertir estos DOE en una fuente de conocimiento y un espacio para la colaboración. Para escuchar la segunda historia, siga el enlace del código QR para ver el seminario web a la carta. Con esto concluimos nuestra presentación.
