Descripción general del DOE
Gran parte de nuestro conocimiento sobre productos y procesos en las disciplinas de ingeniería y científicas se deriva de la experimentación. Un experimento es una serie de pruebas realizadas de manera sistemática para aumentar la comprensión de un proceso existente o para explorar un nuevo producto o proceso. El diseño de experimentos (DOE), entonces, es la herramienta para desarrollar una estrategia de experimentación que maximice el aprendizaje utilizando un mínimo de recursos. El DOE se usa ampliamente en muchos campos con una amplia aplicación en todas las ciencias naturales y sociales. Es ampliamente utilizado por ingenieros y científicos involucrados en la mejora de los procesos de fabricación para maximizar el rendimiento y disminuir la variabilidad. A menudo, los ingenieros también trabajan en productos o procesos donde no se aplican directamente las teorías o principios científicos. Las técnicas de diseño experimentales se vuelven extremadamente importantes en tales estudios para desarrollar nuevos productos y procesos de manera rentable y segura.
¿Por qué Doe?
Con los avances tecnológicos modernos, los productos y procesos se están volviendo extremadamente complicados. A medida que el costo de la experimentación aumenta rápidamente, se está volviendo cada vez más difícil para el analista, quien ya está limitado por los recursos y el tiempo, investigar los numerosos factores que afectan estos procesos complejos utilizando métodos de prueba y error. En cambio, se necesita una técnica que identifique los "pocos" factores vitales de la manera más eficiente, y luego dirige el proceso a su mejor entorno para satisfacer la demanda cada vez mayor de una mejor calidad y una mayor productividad. Las técnicas del DOE proporcionan métodos poderosos y eficientes para lograr estos objetivos.
Los experimentos diseñados son mucho más eficientes que los experimentos de un factor en el tiempo, lo que implica cambiar un solo factor a la vez para estudiar el efecto del factor en el producto o proceso. Si bien los experimentos de un factor a tiempo son fáciles de entender, no permiten la investigación de cómo un factor afecta a un producto o proceso en presencia de otros factores. Un La interacción es la relación por la cual el efecto que tiene un factor en el producto o proceso se altera debido a la presencia de uno o más otros factores. A menudo, los efectos de interacción son más importantes que el efecto de los factores individuales. Esto se debe a que el entorno de aplicación del producto o proceso incluye la presencia de muchos de los factores juntos en lugar de ocurrencias aisladas de uno de los factores en diferentes momentos. Considere un ejemplo de interacción entre dos factores en un proceso químico, donde el aumento de la temperatura solo aumenta el rendimiento ligeramente al tiempo que aumenta la presión solo no tiene ningún efecto. Sin embargo, en presencia de una temperatura más alta y mayor presión, el rendimiento aumenta rápidamente. En este caso, se dice que existe una interacción entre los dos factores que afectan la reacción química.
La metodología del DOE asegura que todos los factores y sus interacciones se investigen sistemáticamente. Por lo tanto, la información obtenida de un análisis del DOE es mucho más confiable y completa que los resultados de experimentos de un factor a tiempo que ignoran las interacciones y, por lo tanto, pueden conducir a conclusiones incorrectas.
Introducción a los principios del DOE
El diseño y análisis de experimentos gira en torno a la comprensión de los efectos de diferentes variables en otra variable. En términos técnicos, el objetivo es establecer un relación de causa y efecto entre una serie de variables independientes y un Variable dependiente de interés. La variable dependiente, en el contexto de DOE, se llama la respuesta , y las variables independientes se denominan factores . Los experimentos se ejecutan a diferentes valores de factor, llamados niveles . Cada ejecución de un experimento implica una combinación de los niveles de los factores investigados, y cada una de las combinaciones se conoce como un tratamiento . Cuando se toman el mismo número de observaciones de respuesta para cada uno de los tratamientos de un experimento, se dice que el diseño del experimento es equilibrado . Se llaman observaciones repetidas en un tratamiento dado Replices .
El número de tratamientos de un experimento se determina sobre la base del número de niveles de factores que se están investigando. Por ejemplo, si se debe realizar un experimento que involucra dos factores, con el primer factor que tiene m y el segundo con de n , luego m x n combinaciones de tratamiento posiblemente se pueden ejecutar, y el experimento es un M X N Diseño factorial. todas M x N se ejecutan Factorial completo . algunas de las M x N se ejecutan Factorial fraccional . En experimentos factoriales completos, se pueden investigar todos los factores y sus interacciones, mientras que en los experimentos factoriales fraccionales, al menos algunas interacciones no se consideran porque no se ejecutan algunos tratamientos.
Se puede ver que el tamaño de un experimento aumenta rápidamente a medida que aumenta el número de factores (o el número de niveles de los factores). Por ejemplo, si se deben usar 2 factores en 3 niveles cada uno, se requieren 9 (3x3 = 9) tratamientos diferentes para un experimento factorial completo. Si se agrega un tercer factor con 3 niveles, se requieren 27 (3x3x3 = 27) tratamientos y se requieren 81 (3x3x3x33 = 81) tratamientos si se agregan un cuarto factor con tres niveles. Si solo se usan dos niveles para cada factor, entonces en el caso de cuatro factores, se requieren tratamientos 16 (2x2x2x2 = 16). Por esta razón, muchos experimentos están restringidos a dos niveles, y estos diseños reciben un tratamiento especial en esta referencia. El uso de un diseño fraccional reduce aún más el número de tratamientos requeridos.
Tipos de ciervos
Para comparación: diseños de un factor
Con estos diseños, solo se está investigando un factor, y el objetivo es determinar si la respuesta es significativamente diferente en diferentes niveles de factores. El factor puede ser cualitativo o cuantitativo. En el caso de factores cualitativos (por ejemplo, diferentes proveedores, diferentes materiales, etc.), no se pueden realizar extrapolaciones (es decir, predicciones) fuera de los niveles probados, y solo se puede determinar el efecto del factor en la respuesta. Por otro lado, los datos de las pruebas donde el factor es cuantitativo (como la temperatura, el voltaje, la carga, etc.) se pueden usar tanto para la investigación como para la predicción del efecto, siempre que haya suficientes datos disponibles. (En Weibull ++ Doe Folios, las predicciones para los diseños de un factor se pueden realizar utilizando el folio de regresión lineal múltiple o el folio de forma libre).
Para la detección de factores: diseños factoriales
En los diseños factoriales, se investigan múltiples factores simultáneamente durante la prueba. Como en los diseños de un factor, se pueden considerar factores cualitativos y/o cuantitativos. El objetivo de estos diseños es identificar los factores que tienen un efecto significativo en la respuesta, así como investigar el efecto de las interacciones (dependiendo del diseño del experimento utilizado). También se pueden realizar predicciones cuando están presentes factores cuantitativos, pero se debe tener cuidado ya que ciertos diseños están muy limitados por la elección del modelo predictivo. Por ejemplo, en dos diseños de nivel solo se puede usar una relación lineal entre la respuesta y los factores, lo que puede no ser realista.
- Diseños factoriales completos generales
En general, los diseños factoriales completos, los factores pueden tener diferentes niveles, y pueden ser cuantitativos o cualitativos.
- Diseños factoriales completos de dos niveles
Con estos diseños, todos los factores deben tener solo dos niveles. Restringir los niveles a dos y ejecutar un experimento factorial completo reduce el número de tratamientos (en comparación con un experimento factorial completo general), y permite la investigación de todos los factores y todas sus interacciones. Si todos los factores son cuantitativos, entonces los datos de tales experimentos pueden usarse para fines predictivos, siempre que un modelo lineal sea apropiado para modelar la respuesta (ya que solo se usan dos niveles, la curvatura no se puede modelar).
- Diseño factorial fraccional de dos niveles
Esta es una categoría especial de diseños de dos niveles, donde no se consideran todas las combinaciones de nivel de factor, y el experimentador puede elegir qué combinaciones deben ser excluidas. Según las combinaciones excluidas, ciertas interacciones no pueden ser investigadas.
- Diseño de plaquetas
Esta es una categoría especial de diseños factoriales fraccionales de dos niveles, propuestos por RL Plackett y JP Burman [1946] , donde solo se realizan unas pocas ejecuciones específicamente elegidas para investigar solo los efectos principales (es decir, sin interacciones).
- Matrices ortogonales de Taguchi
Las matrices ortogonales de Taguchi son diseños altamente fraccionales, utilizados para estimar los efectos principales utilizando solo unas pocas corridas experimentales. Estos diseños no solo son aplicables a los experimentos factoriales de dos niveles, sino que también pueden investigar los efectos principales cuando los factores tienen más de dos niveles. Los diseños también están disponibles para investigar los efectos principales para ciertos experimentos de nivel mixto donde los factores incluidos no tienen el mismo número de niveles.
Para la optimización: diseños de métodos de superficie de respuesta
Estos son diseños especiales que se utilizan para determinar la configuración de los factores para lograr un valor óptimo de la respuesta.
Para productos o procesos de robustez: diseños de parámetros robustos
El famoso diseño robusto de Taguchi es para un diseño de parámetros robusto. Se utiliza para diseñar un producto o proceso para ser insensible a los factores de ruido.
Para pruebas de vida: confiabilidad DOE
Esta es una categoría especial de DOE donde los diseños tradicionales, como los diseños de dos niveles, se combinan con métodos de confiabilidad para investigar los efectos de diferentes factores en la vida de una unidad. En confiabilidad, la respuesta es una métrica de vida (por ejemplo, edad, millas, ciclos, etc.), y los datos pueden contener observaciones censuradas (suspensiones, datos de intervalo).
For Experiments with Constraints: Optimal Custom Design
El una herramienta de diseño personalizada óptima para modificar los diseños estándar anteriores para planificar un experimento que cumpla con cualquiera o todas las siguientes restricciones: 1) disponibilidad limitada de muestras de prueba, 2) combinaciones de nivel de factor que no se pueden probar, 3) combinaciones de nivel de factor que deben probarse o 4) efectos de factores específicos que deben investigarse.
Etapas de Doe
Los experimentos diseñados generalmente se llevan a cabo en cinco etapas: planificación, detección, optimización, pruebas de robustez y verificación.
Planificación
Es importante planificar cuidadosamente el curso de la experimentación antes de embarcarse en el proceso de prueba y recopilación de datos. Un objetivo exhaustivo y preciso que identifica la necesidad de realizar la investigación, una evaluación del tiempo y los recursos disponibles para lograr el objetivo y una integración del conocimiento previo al procedimiento de experimentación son algunos de los objetivos a tener en cuenta en esta etapa. Un equipo compuesto por individuos de diferentes disciplinas relacionadas con el producto o proceso debe usarse para identificar posibles factores para investigar y determinar las respuestas más apropiadas para medir. Un enfoque de equipo promueve la sinergia que ofrece un conjunto más rico de factores para estudiar y, por lo tanto, un experimento más completo. Los experimentos cuidadosamente planificados siempre conducen a una mayor comprensión del producto o proceso.
Cribado
Los experimentos de detección se utilizan para identificar los factores importantes que afectan al sistema bajo investigación fuera del gran conjunto de factores potenciales. Estos experimentos se llevan a cabo junto con el conocimiento previo del sistema para eliminar factores sin importancia y centrar la atención en los factores clave que requieren análisis detallados más. Los experimentos de detección suelen ser diseños eficientes que requieren algunas ejecuciones donde el enfoque no está en las interacciones, sino en la identificación de los pocos factores vitales.
Mejoramiento
Una vez que la atención se reduce a los factores importantes que afectan el proceso, el siguiente paso es determinar la mejor configuración de estos factores para lograr el objetivo deseado. Dependiendo del producto o proceso bajo investigación, este objetivo puede ser maximizar, minimizar o lograr un valor objetivo de la respuesta.
Prueba de robustez
Una vez que se han determinado la configuración óptima de los factores, es importante que el producto o el proceso sea insensible a las variaciones que probablemente se experimenten en el entorno de aplicación. Estas variaciones resultan de cambios en los factores que afectan el proceso pero están fuera del control del analista. Factores tales como humedad, temperatura ambiente, variación en el material, etc. se denominan Factores de ruido . Es importante identificar fuentes de dicha variación y tomar medidas para garantizar que el producto o proceso sean insensibles (o robustos) a estos factores.
Verificación
Esta etapa final implica la validación de la mejor configuración de los factores realizando algunas ejecuciones de experimentos de seguimiento para confirmar que el sistema funciona según lo deseado y se cumplan todos los objetivos.
![{\displaystyle {\begin{aligned}Q(t)=&1-{e^{-\left({\tfrac {t}{\eta }}\right)^{\beta }}}\\\ln( 1-Q(t))=&\ln \left[{e^{-\left({\tfrac {t}{\eta }}\right)^{\beta }}}\right]\\\ln (1-Q(t))=&-\left({\tfrac {t}{\eta }}\right)^{\beta }\\\ln(-\ln(1-Q(t))) =&\beta \left(\ln \left({\frac {t}{\eta }}\right)\right)\\\ln \left(\ln \left({\frac {1}{1- Q(t)}}\right)\right)=&\beta \ln {t}-\beta \ln {\eta }\\\end{aligned}}\,\!}](https://en.wikipedia.org/api/rest_v1/media/math/render/svg/72496b83d8186326dcdbcbe8cc7265d6f69bd6bf)
