DISEÑO ROBUSTO
El diseño robusto en ingeniería industrial busca crear productos, procesos o sistemas que sean
resistentes a variaciones en las condiciones de operación y que funcionen de manera consistente y
confiable. Para lograr esto, se utilizan técnicas estadísticas y de optimización que buscan minimizar
la variabilidad en el desempeño y maximizar la tolerancia a las perturbaciones.
Una de las técnicas más comunes para el diseño robusto es el método Taguchi, que se basa en la
identificación y control de las variables clave que afectan el desempeño del sistema. El método
Taguchi utiliza una serie de herramientas estadísticas para el diseño de experimentos y la
optimización de la configuración de las variables.
La ecuación básica del método Taguchi es la siguiente:
L=k+ S+F
Donde:
L = pérdida esperada debido a la variabilidad del proceso
k = pérdida debido al valor nominal del proceso
S = pérdida debido a la variabilidad del proceso en torno al valor nominal
F = pérdida debido a la variabilidad del proceso fuera de los límites de especificación
El objetivo del diseño robusto es minimizar la pérdida esperada L, lo que se logra al reducir la
variabilidad del proceso S y F.
El método Taguchi también utiliza un enfoque llamado "diseño de parámetros", en el que se
identifican los parámetros críticos del proceso y se optimizan para lograr un desempeño robusto.
Esto se logra mediante la aplicación de herramientas estadísticas como el análisis de varianza
(ANOVA) y la optimización de respuesta múltiple (MRO).
En resumen, el diseño robusto en ingeniería industrial se basa en la identificación y control de las
variables clave que afectan el desempeño del sistema, y la optimización de los parámetros del
proceso para minimizar la variabilidad y maximizar la tolerancia a las perturbaciones. La ecuación
básica del método Taguchi es una herramienta común para la evaluación y optimización del diseño
robusto.
CALIDAD SEGÚN TAGUCHI
La calidad según Taguchi se refiere a la capacidad de un producto o proceso para satisfacer las
necesidades y expectativas del cliente de manera consistente y robusta, incluso en presencia de
variabilidad en las condiciones de operación. En otras palabras, la calidad según Taguchi se centra
en diseñar productos y procesos que sean resistentes a la variabilidad y capaces de producir
resultados consistentes y de alta calidad.
Para lograr esto, Taguchi propuso tres principios fundamentales de la calidad:
Diseño de parámetros: en lugar de enfocarse en la tolerancia a la variabilidad en el proceso,
Taguchi propuso el enfoque de diseño de parámetros, que consiste en identificar los parámetros
clave que afectan el desempeño del proceso y optimizarlos para minimizar la variabilidad y
maximizar el desempeño.
Función de pérdida: la calidad según Taguchi se mide utilizando una función de pérdida, que
cuantifica el costo de producir un producto que no cumple con las especificaciones del cliente.
Esta función se utiliza para evaluar el costo de la variabilidad y optimizar el diseño para
minimizar la pérdida esperada.
Control de calidad robusto: el control de calidad según Taguchi se enfoca en diseñar procesos
que sean resistentes a la variabilidad y capaces de producir resultados consistentes y de alta
calidad. Esto se logra mediante la identificación y control de los parámetros clave del proceso,
así como mediante el uso de técnicas estadísticas para monitorear y mejorar continuamente el
desempeño del proceso.
En resumen, la calidad según Taguchi se enfoca en diseñar productos y procesos que sean
resistentes a la variabilidad y capaces de producir resultados consistentes y de alta calidad. Esto se
logra mediante el enfoque de diseño de parámetros, la función de pérdida y el control de calidad
robusto.
La ecuación fundamental en la calidad según Taguchi es la función de pérdida, que se utiliza para
cuantificar el costo de producir un producto que no cumple con las especificaciones del cliente. La
función de pérdida se define de la siguiente manera:
L(y, t) = k * (y - t)^2
Donde:
L: función de pérdida
y: desempeño del proceso o producto
t: valor objetivo o especificación del cliente
k: constante de proporcionalidad
La función de pérdida se utiliza para cuantificar el costo de producir un producto que se desvía del
valor objetivo o especificación del cliente. El término (y - t) representa la diferencia entre el
desempeño real del proceso o producto y el valor objetivo o especificación del cliente. La constante
k se utiliza para ajustar la forma de la curva de pérdida y reflejar el costo real de la no conformidad.
FACTOR AJUSTE
El factor de ajuste (también conocido como factor de corrección o factor de ajuste de Taguchi) es
una técnica utilizada en el diseño de experimentos (DOE) según Taguchi para ajustar los niveles de
los factores de entrada en un experimento y reducir la variabilidad en el proceso o producto.
En un experimento según Taguchi, se seleccionan varios niveles de los factores de entrada (por
ejemplo, la velocidad, la temperatura, la presión, etc.) y se realizan una serie de pruebas para medir
el efecto de cada factor en el desempeño del proceso o producto. El objetivo es identificar los
niveles óptimos de los factores de entrada que maximicen el desempeño y minimicen la
variabilidad.
El factor de ajuste se utiliza para ajustar los niveles de los factores de entrada y minimizar la
variabilidad en el proceso o producto. El factor de ajuste se calcula utilizando la siguiente ecuación:
F = k / (1 + 2k)
Donde:
F: factor de ajuste
k: relación de la desviación de la especificación (D) al rango del proceso (P)
La relación de la desviación de la especificación (D) al rango del proceso (P) se calcula como:
k=D/P
Donde:
D: desviación de la especificación
P: rango del proceso
El factor de ajuste se utiliza para ajustar los niveles de los factores de entrada para reducir la
variabilidad en el proceso o producto. En general, se ajustan los niveles de los factores de entrada
que tienen un impacto significativo en la variabilidad y se mantienen constantes los niveles de los
factores de entrada que tienen poco impacto en la variabilidad.
En resumen, el factor de ajuste es una técnica utilizada en el diseño de experimentos según Taguchi
para ajustar los niveles de los factores de entrada y reducir la variabilidad en el proceso o producto.
Se utiliza para minimizar la función de pérdida y optimizar el desempeño del proceso o producto.
FACTOR SEÑAL
El factor señal (también conocido como relación señal-ruido) es una métrica utilizada en el diseño
de experimentos (DOE) según Taguchi para evaluar la capacidad de un proceso o producto para
producir resultados consistentes y de alta calidad, incluso en presencia de variabilidad en las
condiciones de operación.
El factor señal se calcula como la relación entre la señal (la variación en el desempeño del proceso o
producto debido a los cambios en los factores de entrada) y el ruido (la variación en el desempeño
del proceso o producto debida a factores no controlables o aleatorios).
La relación señal-ruido se define como:
S/N = 10 log(1 / (1/n Σ(y_i - t)^2))
Donde:
S/N: relación señal-ruido
n: número de repeticiones en el experimento
y_i: i-ésima medición del desempeño del proceso o producto
t: valor objetivo o especificación del cliente
La relación señal-ruido se expresa en decibeles (dB), y un mayor valor indica una mayor capacidad
del proceso o producto para producir resultados consistentes y de alta calidad. El objetivo del diseño
según Taguchi es maximizar el factor señal y minimizar el ruido, lo que se logra mediante la
optimización de los parámetros clave del proceso y la selección de niveles óptimos de los factores
de entrada.
El factor señal se utiliza para evaluar la robustez del proceso o producto y su capacidad para
producir resultados consistentes y de alta calidad. Al maximizar el factor señal y minimizar el ruido,
se logra un proceso o producto que es robusto y capaz de producir resultados consistentes y de alta
calidad, incluso en presencia de variabilidad en las condiciones de operación.
RUIDO EXTERNO
En el contexto del diseño de experimentos según Taguchi, el "ruido externo" se refiere a la
variabilidad en el desempeño del proceso o producto que es causada por factores que están fuera del
control del experimentador y no pueden ser controlados ni eliminados durante el proceso de
fabricación. Este tipo de variabilidad puede ser causado por factores ambientales, variaciones en las
materias primas, fluctuaciones en la alimentación eléctrica, entre otros.
El ruido externo puede ser un factor importante que contribuye a la variabilidad en el desempeño
del proceso o producto. El diseño según Taguchi busca minimizar la influencia del ruido externo en
el desempeño del proceso o producto, mediante la identificación y control de los factores de entrada
que son más sensibles al ruido externo, y la selección de niveles óptimos de estos factores para
minimizar su impacto en el desempeño del proceso o producto.
En el análisis según Taguchi, el ruido externo se puede representar por la variabilidad en los datos
obtenidos de diferentes experimentos realizados bajo diferentes condiciones ambientales o
utilizando diferentes lotes de materias primas. La estrategia utilizada para reducir la influencia del
ruido externo en el desempeño del proceso o producto consiste en el análisis de varianza (ANOVA)
y la optimización del diseño experimental para minimizar la variación total en el desempeño del
proceso o producto.
RUIDO INTERNO
En el contexto del diseño de experimentos según Taguchi, el "ruido interno" se refiere a la
variabilidad en el desempeño del proceso o producto que es causada por factores que están dentro
del control del experimentador, pero que no se pueden controlar perfectamente debido a las
limitaciones inherentes del proceso o del equipo utilizado.
Este tipo de variabilidad puede ser causada por factores como el desgaste de las herramientas, la
variabilidad en el ajuste del equipo o la maquinaria, o la variabilidad en la calidad de los materiales
utilizados. A diferencia del ruido externo, que es causado por factores fuera del control del
experimentador, el ruido interno se puede reducir mediante la optimización de los parámetros clave
del proceso y la selección de niveles óptimos de los factores de entrada.
El diseño según Taguchi busca minimizar la influencia del ruido interno en el desempeño del
proceso o producto mediante la selección cuidadosa de los factores de entrada y la realización de
experimentos que permitan identificar la influencia de cada factor en el desempeño del proceso o
producto. El objetivo es identificar los factores que contribuyen más al ruido interno y seleccionar
los niveles óptimos de estos factores para minimizar su impacto en el desempeño del proceso o
producto.
En el análisis según Taguchi, el ruido interno se puede representar por la variabilidad en los datos
obtenidos de diferentes repeticiones del mismo experimento realizado bajo las mismas condiciones.
La estrategia utilizada para reducir la influencia del ruido interno en el desempeño del proceso o
producto consiste en el análisis de varianza (ANOVA) y la optimización del diseño experimental
para minimizar la variación total en el desempeño del proceso o producto.
ARREGLO ORTOGONAL
Un arreglo ortogonal, también conocido como arreglo de Taguchi, es una tabla de diseño
experimental que se utiliza para realizar experimentos según la metodología de diseño robusto
propuesta por el ingeniero y estadístico japonés Genichi Taguchi.
En un arreglo ortogonal, los factores de entrada se organizan en columnas, y cada fila representa
una combinación de niveles de los factores de entrada. La tabla está diseñada para que cada nivel de
cada factor aparezca una vez en cada columna y se distribuya de manera uniforme en todas las
combinaciones de niveles.
La ventaja de un arreglo ortogonal es que permite realizar un número relativamente pequeño de
experimentos para identificar el impacto de cada factor en el desempeño del proceso o producto. Al
utilizar un arreglo ortogonal, se pueden identificar fácilmente los factores más importantes y
seleccionar los niveles óptimos para cada factor.
Además, el arreglo ortogonal ayuda a separar la variación causada por cada factor de entrada del
ruido experimental. Esto permite realizar un análisis más preciso de los datos y obtener
conclusiones más confiables sobre el impacto de cada factor en el desempeño del proceso o
producto.
En resumen, un arreglo ortogonal es una herramienta importante para la implementación de la
metodología de diseño robusto propuesta por Taguchi, que permite identificar y controlar los
factores de entrada más importantes para mejorar el desempeño del proceso o producto.
K −P 3−1
L4 (2 )∼ L4 (2 )
La fórmula L4(2^k-p) se refiere al número de corridas o combinaciones necesarias en un arreglo
ortogonal de Taguchi para k factores de entrada y p niveles por factor. En esta fórmula, L4 se refiere
al número de niveles necesarios para cada factor de entrada (generalmente se utilizan cuatro
niveles), 2^k es el número de combinaciones posibles de niveles de factores y p es el número de
niveles por factor.
Por ejemplo, si tenemos k = 3 factores de entrada y cada factor tiene p = 2 niveles, la fórmula se
convierte en L4(2^3-2) = L4(6) = 18. Esto significa que se necesitan 18 corridas o combinaciones
en el arreglo ortogonal para evaluar los efectos de los tres factores de entrada en el desempeño del
proceso o producto.
La matriz de un arreglo ortogonal de Taguchi para k factores de entrada y p niveles por factor se
puede construir utilizando la fórmula L4(2^k-p). La matriz se organiza en columnas
correspondientes a los factores de entrada y en filas correspondientes a las combinaciones de
niveles de los factores. Cada fila representa una combinación única de niveles de los factores.
Por ejemplo, para un arreglo ortogonal de Taguchi de tres factores de entrada y dos niveles por
factor, la fórmula L4(2^3-2) nos da 18 corridas o combinaciones. La matriz correspondiente se vería
así:
Factor 1 Factor 2 Factor 3
Nivel 1 Nivel 1 Nivel 1
Nivel 2 Nivel 2 Nivel 2
Nivel 3 Nivel 3 Nivel 1
Nivel 4 Nivel 4 Nivel 2
Nivel 1 Nivel 3 Nivel 2
Nivel 2 Nivel 4 Nivel 1
Nivel 3 Nivel 1 Nivel 2
Nivel 4 Nivel 2 Nivel 1
Nivel 1 Nivel 4 Nivel 1
Nivel 2 Nivel 3 Nivel 2
Nivel 3 Nivel 2 Nivel 1
En esta matriz, cada fila representa una combinación única de
Nivel 4 Nivel 1 Nivel 2
niveles de los tres factores de entrada, y cada columna representa
Nivel 1 Nivel 2 Nivel 2 uno de los tres factores. El arreglo se puede leer de izquierda a
Nivel 2 Nivel 1 Nivel 1
derecha para identificar los niveles de cada factor en cada
combinación única.
Nivel 3 Nivel 4 Nivel 2
Nivel 4 Nivel 3 Nivel 1
Nivel 1 Nivel 3 Nivel 1
Nivel 2 Nivel 4 Nivel 2
La fórmula L4(2^k-p) se refiere al número de corridas o combinaciones necesarias en un arreglo
ortogonal de Taguchi para k factores de entrada y p niveles por factor. En este caso, L4 se refiere al
número de niveles necesarios para cada factor de entrada (generalmente se utilizan cuatro niveles),
2^3 es el número de combinaciones posibles de niveles de factores y 1 es el número de niveles por
factor que se está utilizando.
Por lo tanto, L4(2^3-1) = L4(7) = 28, lo que significa que se necesitan 28 corridas o combinaciones
en el arreglo ortogonal para evaluar los efectos de los tres factores de entrada en el desempeño del
proceso o producto, utilizando un nivel por factor.
La matriz correspondiente para este arreglo ortogonal de Taguchi se vería así:
Factor 1 Factor 2 Factor 3 Nivel 2 Nivel 4 Nivel 3
Nivel 1 Nivel 1 Nivel 1 Nivel 3 Nivel 1 Nivel 2
Nivel 2 Nivel 2 Nivel 2 Nivel 4 Nivel 2 Nivel 1
Nivel 3 Nivel 3 Nivel 3 Nivel 1 Nivel 2 Nivel 4
Nivel 4 Nivel 4 Nivel 4 Nivel 2 Nivel 3 Nivel 1
Nivel 1 Nivel 2 Nivel 3 Nivel 3 Nivel 4 Nivel 2
Nivel 2 Nivel 3 Nivel 4 Nivel 4 Nivel 1 Nivel 3
Nivel 3 Nivel 4 Nivel 1 Nivel 1 Nivel 4 Nivel 2
Nivel 4 Nivel 1 Nivel 2 Nivel 2 Nivel 1 Nivel 3
Nivel 1 Nivel 3 Nivel 2 Nivel 3 Nivel 2 Nivel 4
Nivel 2 Nivel 4 Nivel 1 Nivel 4 Nivel 3 Nivel 1
Nivel 3 Nivel 1 Nivel 4 Nivel 1 Nivel 3 Nivel 3
Nivel 4 Nivel 2 Nivel 3 Nivel 2 Nivel 4 Nivel 4
Nivel 1 Nivel 4 Nivel 3
Nivel 2 Nivel 1 Nivel 4
Nivel 3 Nivel 2 Nivel 1
Cada fila de la matriz representa una combinación única de
Nivel 4 Nivel 3 Nivel 2
los niveles de los tres factores de entrada. Por ejemplo, la
Nivel 1 Nivel 3 Nivel 4 primera fila representa la combinación de nivel 1 para todos
los factores, la segunda fila representa la combinación de
nivel 2 para todos los factores, y así sucesivamente.
5 ARREGLOS DIFERENTES
L4(2^2) (también conocido como el arreglo de Taguchi de 4 puntos):
Factor 1 Factor 2
Nivel 1 Nivel 1
Nivel 2 Nivel 2
Nivel 3 Nivel 3
Nivel 4 Nivel 4
Nivel 1 Nivel 3
Nivel 2 Nivel 4
Nivel 3 Nivel 1
Nivel 4 Nivel 2
L4(2^3):
Factor 1 Factor 2 Factor 3
Nivel 1 Nivel 1 Nivel 1
Nivel 2 Nivel 2 Nivel 2
Nivel 3 Nivel 3 Nivel 3
Nivel 4 Nivel 4 Nivel 4
Nivel 1 Nivel 2 Nivel 3
Nivel 2 Nivel 3 Nivel 4
Nivel 3 Nivel 4 Nivel 1
Nivel 4 Nivel 1 Nivel 2
L4(2^4-1) (también conocido como el arreglo de Taguchi de 16 puntos):
Factor 1 Factor 2 Factor 3 Factor 4
Nivel 1 Nivel 1 Nivel 1 Nivel 1
Nivel 2 Nivel 2 Nivel 2 Nivel 2
Nivel 3 Nivel 3 Nivel 3 Nivel 3
Nivel 4 Nivel 4 Nivel 4 Nivel 4
Nivel 1 Nivel 2 Nivel 4 Nivel 3
Nivel 2 Nivel 3 Nivel 1 Nivel 4
Nivel 3 Nivel 4 Nivel 2 Nivel 1
Nivel 4 Nivel 1 Nivel 3 Nivel 2
Nivel 1 Nivel 3 Nivel 2 Nivel 4
Nivel 2 Nivel 4 Nivel 3 Nivel 1
Nivel 3 Nivel 1 Nivel 4 Nivel 2
Nivel 4 Nivel 2 Nivel 1 Nivel 3
Nivel 1 Nivel 4 Nivel 1 Nivel 2
Nivel 2 Nivel 1 Nivel 2 Nivel 3
Nivel 3 Nivel 2 Nivel 3 Nivel 4
Nivel 4 Nivel 3 Nivel 4 Nivel 1
L4(2^5-2):
Factor 1 Factor 2 Factor 3 Factor 4 Factor 5
Nivel 1 Nivel 1 Nivel 1 Nivel 1 Nivel 1
Nivel 2 Nivel 2 Nivel 2 Nivel 2 Nivel 2
Nivel 3
ECUACIONES
MIENTRAS MÁS PEQUEÑO ES MEJOR:
La ecuación que representa la frase "mientras más pequeño, mejor" en el contexto del diseño de
experimentos es:
y = 1/x
Donde "y" representa la medida de desempeño de interés, y "x" representa el tamaño o nivel del
factor que se está evaluando. Esta ecuación indica que, para maximizar el desempeño, se debe
minimizar el tamaño o nivel del factor en cuestión.
VALOR NOMINAL ES LO MEJOR TIPO 1:
En el contexto del diseño de experimentos, la frase "su valor nominal es lo mejor" se refiere a que
se busca que los niveles o valores de los factores sean los más cercanos posibles a sus valores
nominales o teóricos. Esto se conoce como un diseño de tipo 1.
En este tipo de diseño, la ecuación que se utiliza para representar la relación entre los factores y la
medida de desempeño es:
y = b0 + b1x1 + b2x2 + ... + bnxn
Donde "y" representa la medida de desempeño, "b0" es el término constante o intercepto, "b1" a
"bn" son los coeficientes de los factores x1 a xn, y x1 a xn son los valores de los factores.
En un diseño de tipo 1, se busca que los valores de los factores sean lo más cercanos posible a sus
valores nominales, lo que permite determinar los efectos de los factores con mayor precisión.
MIENTRAS MÁS GRANDE ES MEJOR:
En el contexto del diseño de experimentos, la frase "mientras más grande, mejor" se refiere a que se
busca maximizar la medida de desempeño de interés. En este caso, la ecuación que se utiliza para
representar la relación entre los factores y la medida de desempeño es:
y = b0 + b1x1 + b2x2 + ... + bnxn
Donde "y" representa la medida de desempeño, "b0" es el término constante o intercepto, "b1" a
"bn" son los coeficientes de los factores x1 a xn, y x1 a xn son los valores de los factores.
En este tipo de diseño, se busca maximizar el valor de "y", por lo que se deben elegir los niveles
óptimos de los factores que permitan obtener el mayor valor posible de la medida de desempeño.
SU VALOR NOMINAL ES LO MEJOR TIPO 2:
En el contexto del diseño de experimentos, la frase "su valor nominal es lo mejor" también se puede
interpretar como un diseño de tipo 2, en el que se busca que los valores de los factores sean lo más
cercanos posibles a sus valores nominales o teóricos.
En este tipo de diseño, la ecuación que se utiliza para representar la relación entre los factores y la
medida de desempeño es:
y = b0 + b1(x1 - x1n) + b2(x2 - x2n) + ... + bn(xn - xnn)
Donde "y" representa la medida de desempeño, "b0" es el término constante o intercepto, "b1" a
"bn" son los coeficientes de los factores x1 a xn, x1n a xnn son los valores nominales de los
factores, y (x1 - x1n) a (xn - xnn) son las desviaciones de los valores reales de los factores respecto
a sus valores nominales.
En un diseño de tipo 2, se busca minimizar las desviaciones de los valores de los factores respecto a
sus valores nominales, lo que permite controlar los efectos de los factores y reducir la variabilidad
de la medida de desempeño.
PROPORCIÓN DE DEFECTOS:
La ecuación para calcular la proporción de defectos se puede expresar matemáticamente de la
siguiente manera:
Proporción de defectos = Número total de unidades defectuosas / Número total de unidades
producidas o de forma simbólica:
Pd = D / N
Donde:
Pd: es la proporción de defectos
D: es el número total de unidades defectuosas
N: es el número total de unidades producidas.
RAZÓN SEÑAL-RUIDO
La razón señal-ruido (SNR, por sus siglas en inglés de "Signal-to-Noise Ratio") es una medida que
se utiliza para evaluar la calidad de una señal en presencia de ruido. Esta medida indica la relación
entre la potencia de la señal y la potencia del ruido que se encuentra presente en la señal. La SNR se
expresa en decibelios (dB) y se calcula como:
SNR(dB) = 10 log10 (Potencia de la señal / Potencia del ruido)
Donde:
Potencia de la señal: es la cantidad de energía que contiene la señal.
Potencia del ruido: es la cantidad de energía que contiene el ruido que se encuentra presente en la
señal.
La razón señal-ruido se utiliza en muchos campos, como la ingeniería de telecomunicaciones, la
electrónica, la acústica, la ingeniería de audio, entre otros. En general, una SNR alta indica que la
señal es de alta calidad y es fácilmente distinguible del ruido. Por otro lado, una SNR baja indica
que la señal es de baja calidad y es difícil de distinguir del ruido.
