Gauge R&R (Repetibilidad y Reproducibilidad) es un estudio estadístico que cuantifica cuánto de la variación en un conjunto de mediciones proviene del propio sistema de medición, en lugar de las piezas que se miden. Es la técnica central dentro del Análisis del Sistema de Medición (MSA), y responde a una pregunta directa: ¿puedes confiar en los números que producen tus instrumentos y tus inspectores? Si un sistema de medición contribuye con demasiada de la variación observada, cualquier decisión posterior basada en esos datos (puntos de control de calidad, estudios de capacidad, cartas de control) queda comprometida. Gauge R&R separa el error de medición en dos componentes, repetibilidad y reproducibilidad, y expresa su efecto combinado como un porcentaje para que puedas aceptar, mejorar o rechazar el sistema.
Las dos mitades de Gauge R&R describen fuentes diferentes de error de medición, y confundirlas conduce a corregir el problema equivocado.
Combinadas, forman la variación total del sistema de medición, normalmente escrita como GRR. La variación restante en tu estudio debería provenir de diferencias reales entre piezas, que es la señal que realmente quieres detectar.
Un sistema de medición es la lente a través de la cual ves tu proceso. Si la lente está distorsionada, no puedes confiar en nada de lo que observes a través de ella. Por eso un estudio validado de Gauge R&R debe preceder al control estadístico de procesos y a cualquier análisis de capacidad del proceso. Si tu instrumento añade el 25 por ciento de la variación total, una carta de control puede señalar falsas alarmas o, peor, enmascarar señales reales de causa especial. Índices de capacidad como Cp y Cpk pierden sentido porque parte de la dispersión que miden es ruido de medición puro. Un esfuerzo estructurado de mejora como DMAIC casi siempre valida el sistema de medición en la fase de Medir por exactamente esta razón: no puedes mejorar lo que no puedes medir de forma fiable.
Los resultados de Gauge R&R se informan como un porcentaje para poder juzgarlos según una regla estándar. Hay dos bases comunes:
Una métrica relacionada es el número de categorías distintas (ndc), que estima cuántos grupos separados de piezas el sistema puede distinguir de forma fiable. Un ndc de 5 o más se considera generalmente aceptable.
Las directrices del Automotive Industry Action Group (AIAG) ofrecen una regla de decisión simple basada en el valor %GRR:
Estos umbrales son orientativos, no leyes. Una dimensión crítica para la seguridad puede exigir límites más estrictos, mientras que un calibrador para clasificación grosera podría tolerar más.
Imagina un estudio Gauge R&R sobre un calibrador de diámetro de eje. Tras realizar los cálculos de desviación estándar, obtienes estos valores en milímetros:
Dado que estos componentes se combinan en cuadratura (se suman las varianzas, no las desviaciones estándar), primero eleva al cuadrado cada valor. La varianza de repetibilidad es 0.008 al cuadrado = 0.000064. La varianza de reproducibilidad es 0.006 al cuadrado = 0.000036. La varianza de GRR es su suma: 0.000064 + 0.000036 = 0.000100, por lo que la desviación estándar de GRR es la raíz cuadrada, 0.010 mm.
A continuación, calcula la variación total. La varianza parte a parte es 0.040 al cuadrado = 0.001600. Varianza total = varianza GRR + varianza de piezas = 0.000100 + 0.001600 = 0.001700, por lo que la desviación estándar total es la raíz cuadrada, aproximadamente 0.041231 mm.
Ahora calcula el % de variación del estudio: (desviación estándar de GRR / desviación estándar total) por 100 = (0.010 / 0.041231) por 100 = 24.25 por ciento. Ese resultado cae en la franja del 10 al 30 por ciento, lo que significa que el sistema es marginal y merece la pena mejorarlo. Dado que la repetibilidad (0.008) es mayor que la reproducibilidad (0.006), la resolución o el estado del calibrador es la palanca más importante, por lo que recalibrar o actualizar el instrumento ayudaría más que volver a formar a los operarios.
Cuando un estudio falla, la causa raíz suele encuadrarse en unas pocas categorías. Ordenarlas con un análisis de Pareto te ayuda a atacar primero al mayor contribuidor.
Corregir estos problemas se conecta directamente con una disciplina más amplia de fiabilidad. Un programa bien gestionado de mantenimiento productivo total mantiene los instrumentos calibrados y en buen estado, y un FMEA puede señalar modos de fallo de medición antes de que lleguen al taller.
Para ser claros, ejecutar un estudio formal de Gauge R&R es un ejercicio MSA dedicado que se realiza en software estadístico, y Fabrico no es una calculadora de Gauge R&R. Lo que Fabrico proporciona es la capa de datos de producción fiable que hace que la disciplina de medición sea operativa a escala. Fabrico ofrece monitorización y OEE en tiempo real, y su producto CMMS rastrea los activos, las órdenes de trabajo y los planes preventivos que mantienen tus equipos de medición calibrados y dentro de especificación. Fabrico también ofrece monitorización por visión por ordenador que captura datos de ciclo y paradas incluso en máquinas sin PLC, de modo que los eventos de calidad se registran de forma consistente en lugar de mediante entradas manuales inconsistentes. Un buen sistema de medición reduce el tiempo de inactividad no planificado que surge de juicios erróneos de calidad, y un CMMS compartido asegura que cada instrumento tenga un historial de calibración documentado. Una vez que tus mediciones son fiables, Fabrico les da a esos datos limpios un hogar permanente alojado en la UE.
El estudio cruzado clásico de la AIAG usa 10 piezas, 3 operarios y 3 repeticiones cada uno, para un total de 90 mediciones. Las piezas deben abarcar todo el rango de variación del proceso, y los operarios deben medir en orden aleatorio sin ver resultados previos. Menos piezas o repeticiones reduce la confianza estadística de la estimación, por lo que el esquema 10 por 3 por 3 sigue siendo el estándar práctico para la mayoría de las comprobaciones dimensionales.
No. La calibración compara un instrumento con un estándar de referencia conocido para confirmar su exactitud (proximidad al valor verdadero), mientras que Gauge R&R mide la precisión (la dispersión de lecturas repetidas). Un instrumento puede estar perfectamente calibrado y aun así fallar en Gauge R&R si sus lecturas se dispersan, y puede ser repetible pero sesgado si está fuera de calibración. Ambas cosas son necesarias, y un programa de mantenimiento proactivo debería programar las dos.
Gauge R&R valida las entradas de medición, mientras que métricas de fiabilidad como MTBF y MTTR describen el rendimiento del equipo a lo largo del tiempo. Son complementarias: si tus marcas de tiempo de paradas y fallos se capturan de forma inconsistente, tus métricas de fiabilidad heredan ese ruido de medición. La recolección de datos fiable, que Fabrico automatiza, es la base compartida bajo ambos análisis, de calidad y de fiabilidad.
Un sistema de medición fiable es la línea de salida para toda iniciativa de calidad, y datos de producción confiables son lo que la mantienen honesta. Descubre cómo Fabrico transforma OEE en tiempo real, CMMS y monitorización por visión por ordenador en una base de datos limpia y alojada en la UE para tu programa de calidad reservando una demo.
Iniciar sesión
Blog
