1 / 296

Programa de certificación de Black Belts

Lean Seis Sigma. Programa de certificación de Black Belts. VII. Lean Seis Sigma - Mejora P. Reyes / Abril 2010. Seis Sigma - Mejora . A. Diseño de experimentos 1. Introducción y terminología 2. Tipos de experimentos 3. Planeación de experimentos

elle
Download Presentation

Programa de certificación de Black Belts

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Lean Seis Sigma Programa de certificación de Black Belts VII. Lean Seis Sigma - Mejora P. Reyes / Abril 2010

  2. Seis Sigma - Mejora A. Diseño de experimentos 1. Introducción y terminología 2. Tipos de experimentos 3. Planeación de experimentos 4. Experimentos de un factor – ANOVA • Una vía o dirección • Una variable de bloqueo, dos vías o direcciones • Dos variables de bloqueo – CUADRADO LATINO • Tres variables de bloqueo – CUADRADO GRECOLATINO

  3. Seis Sigma - Mejora A. Diseño de experimentos (BB) 6. Experimentos factoriales fraccionales 7. Experimentos factoriales completos 8. Diseño de experimentos de Taguchi 9. Diseño de experimentos de mezclas 10. Superficies de respuesta 11. Diseño de experimentos EVOP

  4. Seis Sigma - Mejora B. Muda y métodos Lean 1. Muda y actividades sin valor agregado 2. Pensamiento Lean 3. Métodos Lean Las 5S’s Trabajo estandarizado PokaYokes o a Prueba de error Kanban C. Reducción del tiempo de ciclo 1. Introducción 2. Mapa de la cadena de valor 3. Cambios rápidos (SMED) 4. Manufactura celular

  5. Seis Sigma - Mejora D. Equipos Kaizen E. Teoría de restricciones (BB) F. Métodos Lean en gestión de información (BB) Gestión de Información / ERP Comunicaciones por EDI Negocios electrónicos por Internet G. Técnicas de creatividad (BB) I. Análisis y mitigación de riesgos (BB)

  6. Fase de mejora • Propósito: • Desarrollar, probar e implementar soluciones que atiendan a las causas raíz • Salidas • Acciones planeadas y probadas que eliminen o reduzcan el impacto de las causas raíz identificadas • Comparaciones de la situación antes y después para identificar la dimensión de la mejora, comparar los resultados planeados (meta) contra lo alcanzado

  7. VII.A.6 Experimentos fraccionales 2K

  8. Pasos para el DOE • Seleccionar el proceso • Identificar la variable de respuesta de interés • Identificar los factores de entrada y sus niveles • Seleccionar el diseño apropiado • Realizar los experimentos bajo las condiciones predeterminadas • Colectar los datos de respuestas • Analizar los datos y obtener conclusiones

  9. Diseño factorial fraccional • Ventajas • Se pueden obtener conclusiones parecidas que con experimentación de diseños factoriales completos con menos experimentos (1/2 o ¼) • Resulta más económico • Dado que en muchos casos las interacciones no son significativas, no importa que su efecto se confunda con los de los factores principales • Desventajas • En muchos casos sólo se pueden estimar los efectos principales de los factores (diferencia de promedios)

  10. Diseños de Plackett - Burman • Se utilizan para identificar los factores significativos de entre varios factores como filtro. • El número de experimentos es múltiplo de 4 (4, 8, 16, 32, 64, 128) donde cada efecto de interacción está confundido con exactamente un efecto principal • Hay arreglos no geométricos de 12, 20, 24, 28, etc. Cada interacción está parcialmente confundida con los efectos principales, significa que si las interacciones no son significativas se pueden utilizar sólo para efectos principales, por ejemplo un arreglo de 12 experimentos para 11 factores

  11. Ejemplo: filtraje de factores

  12. Diseños de Plackett - Burman • Ventajas • Son muy económicos, por ejemplo con un diseño de 20 corridas se pueden probar hasta 19 factores. 27 factores se pueden filtrar con un diseño de 28 corridas • Desventajas • Sólo proporcionan una guía de cuales factores son significativos para posteriormente hacer un diseño factorial completo o menos fraccional con ellos y estimar los puntos óptimos

  13. VII.A.7 Experimentos factoriales completos

  14. Ejemplo

  15. Ejemplo

  16. Ejemplo: fórmulas

  17. Tabla ANOVA

  18. Resultados

  19. Resultados

  20. Factoriales Completos en 3 Niveles Para todos los factores en 3 niveles, los diseños factoriales completos se vuelven muy grandes, incluso para 3 factores. 2 factores: 32 = 9 corridas 3 factores: 33 = 27 corridas 4 factores: 34 = 81 corridas etc… La información que se necesita para la construcción de un modelo (la ecuación de predicción) se puede obtener con menos pruebas mediante otros tipos de diseño, tales como los fraccionales factoriales.

  21. Ejemplo: Diseño Factorial Completo en 3 niveles PresiónVelocidadNo.CapasReplica 1Replica 2 -1 -1 -1 60.5 59.5 1 -1 -1 73.0 71.0 -1 1 -1 54.0 54.0 1 1 -1 68.3 67.7 -1 -1 1 52.7 51.3 1 -1 1 83.1 82.9 -1 1 1 45.6 44.4 1 1 1 80.4 79.6

  22. Ejemplo: Algoritmo de Yatespara diseños 2K Respuesta promedio (1) (2) (3) Efecto Divisor Contraste } } } 132122 6072 254260 51492 60.2523.0 8 4 A } } } 5468 - 5.0 1.5 135125 - 20 6 2666 B 4 4 AB } } } 5283 1.510.0 1214 - 10- 10 640 C 4 4 AC } } } 0.00.5 24 0 2 4580 3135 4 4 BC ABC Línea continua __________________ indica suma Línea punteada ------------------------- indica restar al número de abajo el de arriba

  23. Corrida con Minitab – Diseño para 2 factores con 3 o más niveles Stat > DOE > Factorial > Create Factorial Design Type of Design: General Full Factorial Designs: Number of levels 3, 3 Number of Replicates 2 Options Non randomize runs OK Factors Introducir el nombre real de los factores y en forma opcional los niveles reales

  24. VI.A.8 Diseños de Experimentos de Taguchi

  25. Diseños de Experimentos de Taguchi • Objetivo:obtener la mayor cantidad de información con un mínimo de corridas de experimentación industrial. Con las variables de respuesta cerca de su valor óptimo con un mínimo de variación. • La variación de un proceso se debe a la variación de factores de control y factores de ruido (es muy caro ó difícil de controlarlos). • Es posible encontrar una combinación de factores de control que optimice la media de la variable de respuesta y que al mismo tiempo minimicen el efecto de los factores de ruido en la variabilidad logrando procesos robustos.

  26. Diseños de Experimentos de Taguchi • Dar prioridad a los factores principales, ya que las interacciones son difíciles de manejar y por eso deben de considerarse como factores de ruido. • Las interacciones a probar deben de ser conocidas ó altamente probables. Si las interacciones altamente significativas no son incluidas, se generará una confusión • Se deben de analizar los datos mediante la razón señal a ruido, detectando con ello las combinaciones de los factores de control que generan un proceso robusto.

  27. Crear Diseños Taguchi en Minitab Los diseños de Taguchi son de resolución III (los efectos principales se confunden con interacciones dobles) Los diseños “L” de Taguchi se recomiendan cuando se tienen >4 factores ó se desea filtrarlos

  28. Diseños Taguchi disponibles en Minitab La “L” significa número de tratamientos a realizar (más réplicas). Ejemplo: Un diseño L8 significa que es un diseño con 8 tratamientos.

  29. VII.A.9 Diseños de Experimentos de Mezclas

  30. Diseño de mezclas Diseño factorial x1 Generalidades: Los Factores tienen la restricción de que su suma es la unidad o el 100%. Mezclas de componentes (Gasolinas, shampoos, salsas, etc.) Región factible para experimentación x3 • Los diseños de mezcla más utilizados son : • Diseño Simplex-Lattice • Diseño Simplex-Centroide • Diseño de vértices extremos x2 Diseño de mezcla Restricción : x1 + x2 + x3 = 1 = No cumple con la restricción = Cumple con la restricción

  31. A (100%,0%,0%) B C (0%,0%,100%) (0%,100%,0%) Diseño de mezcla (3 Componentes) Región factible a experimentar. Cualquier punto de esta región cumple con la restricción: Ejemplo : 30% of A, 20% of B, 50% of C x1 + x2 + x3 = 1

  32. Diseño de mezcla (3 Componentes) Arreglos Simplex-Lattice X1 = 1 3 componentes 2 niveles X2 = 1 X3 = 1 X1 = 1 4 componentes 2 niveles X2 = 1 X4 = 1 X3 = 1

  33. A (100%,0%,0%) B C (0%,0%,100%) (0%,100%,0%) Diseño de mezclas (Arreglos Simplex-Lattice aumentado) Utilizados cuando se quiere alta resolución en la superficie de respuesta, cuando ya se tiene la región optima

  34. A (100%,0%,0%) B C (0%,0%,100%) (0%,100%,0%) Diseño de mezclas (Arreglos Simplex-Lattice aumentado)

  35. Diseño de mezclas (Arreglo Simplex Centroid) X1 = 1 3 componentes 3 niveles X2 = 1 X3 = 1 X1 = 1 4 componentes 3 niveles X2 = 1 X4 = 1 X3 = 1

  36. Semejanzas entre la aplicación de Diseños Factoriales y Diseños de Mezcla Aplicación General Diseños FactorialesDiseños de Mezcla • Simplex-Lattice aumentado con puntos en los ejes • Caracterizar • (< 5 Factores) • Factorial completo • Filtraje • (> 5 factores) • Factorial Fraccionado • Simplex-Lattice no aumentado • Factorial con puntos centrales • Simplex-Lattice aumentado con Puntos Centrales • Alta resolución • Optimizar salida • CCD (Puntos axiales) • CCF (Centrado en Caras) • Box-Behnken • Simplex-Centroide aumentado con puntos en los ejes y no aumentado

  37. Diseño de Experimentos con Restricciones Para Factoriales = Diseño D-Optimal ó vértices Extremos x1 Restricción Restricción x3 x2

  38. Diseños de mezcla (Restricciones y Pseudo-región) • Se usan cuando hay restricciones por componentes adicionales a la de la mezcla (100%) • A veces se pueden transformar los valores de la región factible a sus equivalentes (Pseudo-región) para su proceso por Simplex y al final regresar los “Pseudo-resultados” a “valores originales ”

  39. A A’ (100%,0%,0%) (100%,0%,0%) B’ C’ B C (0%,0%,100%) (0%,0%,100%) (0%,100%,0%) (0%,100%,0%) Diseños de mezcla (Restricciones y Pseudo-región) R2 R3 Pseudo Región Región factible R1 Ejemplo : R1: A>22% R2: B>17% R3: C>23%

  40. Diseño de Mezclas Restricciones y Pseudo-región (Minitab) A (60%,17%,23%) Ejemplo : R1: A>22% R2: B>17% R3: C>23% A’ (100%,0%,0%) { Pseudo Región C (22%,17%,61%) B (22%,55%,23%) C’ (0%,0%,100%) B’ (0%,100%,0%)

  41. Diseños de mezcla (Restricciones y Pseudo-región) • Cuando existen múltiples restricciones para uno o más componentes, o bien, existen restricciones en la relación de los componentes, se tienen regiones factibles “asimétricas” por lo que su diseño se hace mediante los diseños de vértices extremos y su análisis no es Simplex sino D-Optimal.

  42. Diseños de mezcla (Vértices extremos ó D-Optimal) A (100%,0%,0%) R1 R2 Ejemplo : R1: 41%<B<15% R2: 39%<C<16% R1 R2 Región factible B C (0%,0%,100%) (0%,100%,0%)

  43. A (100%,0%,0%) B C (0%,0%,100%) (0%,100%,0%) Diseño de Mezclas Vértices Extremos ó D-Optimal (Minitab) Ejemplo : R1: 41%<B<15% R2: 39%<C<16% R1 R2 { R1 R2 Región Factible

  44. A (100%,0%,0%) B C (0%,0%,100%) (0%,100%,0%) Diseño de Mezclas con restricciones adicionales Vértices Extremos con restricciones lineales Ejemplo : R1: 41%<B<15% R2: 39%<C<16% R3: A + 1.5B < 90% R4: A – C > 10 R1 R2 R1 R2 R4 Región Factible R3

  45. A (100%,0%,0%) R1 R2 R1 R2 Región Factible R4 B C (0%,0%,100%) (0%,100%,0%) R3 Diseño de Mezclas con restricciones adicionales Vértices Extremos con restricciones lineales Ejemplo : R1: 41%<B<15% R2: 39%<C<16% R3: A + 1.5B < 90% R4: A – C > 10 { }

  46. Diseños de mezcla con Factores de Proceso 3 componentes de Mezcla y 1 factor de proceso : Z1=-1 Combinación de diseños factoriales con diseños de mezclas Z1=+1 3 componentes de Mezcla y 2 factores de proceso : 3 componentes de Mezcla y 3 factores de proceso : Z2 Z1

  47. Diseño de Mezclas con Factores de Proceso Ejemplo de un refresco Respuesta : y = Satisfacción del Cliente Componentes : A = Jugo de limón B = Azúcar C = Agua Restricciones : 5% < Contenido de jugo de limón < 20% 1% < Contenido de Azúcar < 10% Factores: Temperatura:Fría (-1), Al tiempo (1) de proceso Material del vaso: Plastico (-1), Vidrio (1)

  48. Diseño de Mezclas con Factores de Proceso Ejemplo de una Limonada

  49. VII.A.10 Superficies de respuesta

More Related