Diseño de Experimentos (DOE) es un método estadístico estructurado que varía varios factores del proceso a la vez, en un patrón planificado, para que puedas medir el efecto de cada factor y cómo interactúan, todo a partir de un conjunto compacto de pruebas.
En lugar de cambiar una cosa a la vez y esperar que el resultado se mantenga, el DOE te permite aprender lo máximo sobre tu proceso con el menor número de experimentos.
En la manufactura es la herramienta de trabajo de la fase de Mejora en DMAIC , donde los equipos ajustan parámetros para reducir defectos, aumentar rendimiento y estabilizar la producción.
El enfoque intuitivo es OFAT: mantener todo fijo, cambiar un factor, registrar el resultado y luego pasar al siguiente factor. Parece riguroso pero tiene dos debilidades fatales. Primero, es ineficiente, porque cada factor necesita su propio bloque separado de corridas.
Segundo, y más dañino, OFAT es ciego a las interacciones , las situaciones en las que el efecto de un factor depende del nivel de otro.
El DOE varía los factores simultáneamente en un patrón balanceado, de modo que un solo experimento revela tanto efectos individuales como los efectos combinados que OFAT nunca puede ver.
Tres términos definen todo experimento. Un factor es una entrada que puedes controlar, como la temperatura del horno, la velocidad de alimentación o el tiempo de permanencia. Un nivel es un ajuste específico que pruebas para ese factor, por ejemplo 180C frente a 200C.
La respuesta es la salida medida que te importa, como la resistencia a la tracción, el tiempo de ciclo o la tasa de desecho .
Un diseño que estudia dos factores, cada uno en dos niveles, se llama diseño 2x2 (o diseño de dos niveles y dos factores) y produce cuatro combinaciones únicas de factores para ejecutar.
Un factorial completo prueba todas las combinaciones posibles de niveles de factores. Para diseños de dos niveles el número de corridas es 2 elevado al número de factores: 2 factores necesitan 4 corridas, 3 factores necesitan 8, pero 7 factores aumentarían hasta 128 corridas.
Cuando eso se vuelve impracticable, un factorial fraccionario prueba un subconjunto cuidadosamente elegido (la mitad, un cuarto o un octavo) que aún estima los efectos principales y las interacciones más importantes.
El intercambio es el confounding (confusión): algunas interacciones de orden superior quedan aliasadas entre sí, por lo que intercambias algo de resolución por un gran ahorro en tiempo y material.
Si quieres profundizar en diseño robusto, los métodos de Taguchi se basan en la misma lógica de factorial fraccionario, usando arreglos ortogonales estandarizados para mantener los experimentos pequeños mientras hacen que el proceso sea menos sensible al ruido.
Un efecto principal es el cambio medio en la respuesta cuando un factor pasa de su nivel bajo a su nivel alto, ignorando los demás factores. Un efecto de interacción mide cuánto varía la influencia de un factor dependiendo del ajuste de otro factor.
Las interacciones son donde a menudo se esconde el verdadero valor: un recubrimiento que solo rinde bien a alta temperatura y alta presión nunca aparecería en pruebas OFAT.
Saber qué efectos dominan te permite priorizar tu trabajo de mejora, del mismo modo que el análisis de Pareto clasifica las pocas causas vitales sobre las muchas triviales.
Supongamos que quieres aumentar la resistencia a la tracción (en megapascales) de una pieza moldeada. Eliges dos factores: temperatura (A) a 180C (bajo) y 200C (alto), y presión (B) a 40 bar (bajo) y 60 bar (alto). Las cuatro corridas del factorial completo dan estas respuestas:
Efecto principal de A (temperatura): calcula el promedio de las dos corridas con A alto y réstale el promedio de las dos corridas con A bajo. Promedio A alto = (60 + 80) / 2 = 70. Promedio A bajo = (50 + 54) / 2 = 52. Efecto principal de A = 70 menos 52 = 18 MPa. Aumentar la temperatura agrega aproximadamente 18 MPa en promedio.
Efecto principal de B (presión): promedio B alto = (54 + 80) / 2 = 67. Promedio B bajo = (50 + 60) / 2 = 55. Efecto principal de B = 67 menos 55 = 12 MPa.
Efecto de interacción (A x B): calcula el efecto de A cuando B está alto, luego cuando B está bajo, y toma la mitad de la diferencia. Efecto de A con B alto = 80 menos 54 = 26. Efecto de A con B bajo = 60 menos 50 = 10.
Interacción = (26 menos 10) / 2 = 8 MPa . Esa interacción positiva significa que temperatura y presión se refuerzan mutuamente: llevar ambos a alto produce mucho más que lo que predecirían solos los dos efectos principales. Un estudio OFAT lo habría pasado por alto por completo.
Dos principios de diseño mantienen tus conclusiones honestas. La replicación significa ejecutar cada combinación más de una vez, para que puedas separar un efecto real del ruido aleatorio de la medición y estimar el error experimental.
La aleatorización significa ejecutar las pruebas en orden aleatorio en lugar de una secuencia ordenada, para que las derivaciones lentas (un taller que se calienta, un operario que se cansa, el desgaste de la herramienta descrito por la curva de la bañera ) no se hagan pasar por efecto de un factor.
Juntas permiten confiar en que una diferencia medida provino del factor y no de una variación de fondo confundida. Esta es la misma disciplina que sustenta un buen plan de control una vez que los ajustes ganadores están fijados.
Fabrico no realiza el análisis DOE por ti, y no es un software estadístico. Lo que hace es suministrar los datos de producción precisos y con marcas de tiempo de los que depende cualquier experimento.
Fabrico ofrece monitoreo de OEE y producción en tiempo real , incluida la monitorización por visión por computadora que captura recuentos de ciclos, paradas y producción incluso en máquinas sin PLC.
Durante un experimento diseñado eso significa que tus valores de respuesta (rendimiento, tiempo de ciclo, conteos de defectos) se registran automáticamente en lugar de anotarse a mano, de modo que los números que alimentan tus cálculos de efectos principales e interacciones están limpios.
Combinado con un sistema de medición robusto verificado mediante Gauge R&R , esto elimina una fuente mayor de error antes de que llegue a tu modelo.
Después del experimento, el CMMS de Fabrico te ayuda a sostener los ajustes mejorados y a monitorear el proceso con control estadístico de procesos (SPC) y estudios de capacidad del proceso .
DOE también se combina de forma natural con un FMEA , que señala los factores de mayor riesgo que vale la pena incluir en tu diseño.
Técnicamente muchos, pero en la práctica deberías hacer un cribado primero. Con más de cuatro o cinco factores, los equipos usan un diseño de cribado factorial fraccionario para identificar los dos o tres factores que más importan, y luego ejecutan un factorial completo enfocado o un diseño de superficie de respuesta sobre esos.
Esto mantiene manejable el número de corridas mientras aún saca a la luz los efectos principales dominantes y las interacciones clave.
Experimentos simples de dos niveles y dos factores pueden calcularse a mano, como muestra el ejemplo resuelto arriba. Los diseños mayores suelen construirse y analizarse en un paquete estadístico porque la aritmética para el confounding, el bloqueo y las pruebas de significancia se vuelve compleja. Fabrico no es ese software; proporciona los datos de producción fiables que esas herramientas analizan, de modo que tus insumos son confiables desde el inicio.
DOE es una investigación activa y puntual: cambias deliberadamente los ajustes para descubrir relaciones causales y encontrar la mejor configuración. SPC es pasivo y continuo: monitoriza un proceso en funcionamiento para detectar cuando se desvía fuera de control. Usas DOE para alcanzar un buen estado, y luego usas SPC y análisis de capacidad para sostenerlo.
¿Listo para ejecutar experimentos con datos en los que puedas confiar? Fabrico te ofrece los números de producción registrados automáticamente en tiempo real que hacen que cualquier DOE, gráfico SPC y estudio de capacidad sean fiables. Reserva una demo de Fabrico para ver la base de datos detrás de mejores decisiones.
Iniciar sesión
Blog
