En Las diversas labores productivas en la industrial Metal-Mecánica, es necesario obtener información preliminar de ciertos fenómenos, de que es vital importancia el uso de los métodos científicos. A pesar de que en ingeniería disponemos de procedimientos detallados es necesario profundizar aún más la realización de un determinado experimento, con el objetivo de obtener información específica, que logre minimizar costos en los procesos y operaciones, e incrementen la productividad. Entonces se puede brindar al mercado productos con mejores características, de alta calidad. Toda esta necesidad nos permite tomar esta gran herramienta, el diseño de análisis experimental, dando respuesta a los problemas tecnológicos y científicos, permitiéndonos acercamientos con mayor precisión estadística y desarrollando análisis de sus respuestas para lograr bajos costos de operación. Con una buena planificación se logra diseñar una buena experimentación, que nos otorgue información deseada. Entonces necesitamos tener bien esclarecida la finalidad de nuestro estudio, para poder captar la mejor información, como procesarla y evaluarla.

Según Montgomery (1984) para un diseño de experimentos bien desarrollado, se debe seguir los siguientes pasos:

 Selección de las respuestas;

 Elegir el diseño de experimentos

 La realización del experimento;

 Análisis de los resultados;

 Conclusiones y recomendaciones.

2.8.1. Estimación del Error Experimental

En la determinación del error experimental existen diversas técnicas estadísticas. Es así que para experimentos que necesitan el uso de réplicas, se da en aquellos casos que disponen de un pequeño número de parámetros o se tiene dificultad de conseguir datos, para estos casos existen técnicas específicas que nos permiten el cálculo de errores. Como también es necesario indicar que para llevar adelante ciertos experimentos, no se pueden concretizar por razones económicas o técnicas, entonces no admiten repeticiones evitándose por lo tanto el uso de la técnica de réplicas. Por tanto, el investigador utiliza otras técnicas, que permitan calcular el error experimental, así, por ejemplo, ya no se desarrollaría los efectos de interacción de orden superior, por no considerarse cálculos referentes a este error.

También el error experimental se puede conseguir a través del complemento replicas en los puntos centrales, que nos permiten comprobar la linealidad de los resultados.

2.8.2 Pruebas de Significancia de los Efectos

En el caso del análisis de significancia de los parámetros, esto puede lograrse con el Pvalue de cada parámetro estudiado. Utilizando un nivel de

Al considerar muchas variables simultáneamente, con más de una respuesta, el analizar qué parámetro es más influyente es dificultoso, ya que un parámetro puede ser el más importante para una respuesta, pero no es tan significativa para otra.

Este caso se puede resolver haciendo uso del análisis de significancia, que se desarrolla para grupos que son de necesidad y lograr una conclusión segura. Con el recurso estadístico se puede seleccionar un grupo pequeño de variables que se correlacionan y se evita la multico- linealidad en la regresión. Es así con el análisis estadístico multivariada, se analiza la estructura de la covarianza de los datos y se puede realizar las reducciones correspondientes; donde se selecciona los “Componentes Principales”, las respuestas a analizar y se concluye con la elaboración de diagrama de Pareto, donde posteriormente se obtiene resultados, un “valor propio” y “proporción” donde se observa la participación de cada parámetro y su implicancia en los resultados.

Si se realiza un análisis en cada grupo de respuesta de interés, se obtiene resultados diferentes de acuerdo a cada variable influyente.

Al trabajar experimentos usando puntos centrales, se estima el error experimental a través de este, además se puede analizar si la región que se trabaja está cerca o no de una región óptima. Este análisis también se puede realizar con Pvalue en los puntos centrales, llegando a un nivel

de significancia del 95%.

2.8.3. Metodología de la Superficie de Respuesta

La metodología de superficie de respuesta (RSM - Respuesta metodología de superficie)

herramienta le permite evaluar, cómo las respuestas se ven afectados cuando las variables de entrada son ajustadas fuera de la región de interés, saber cuáles son las variables de entrada, cuando combinadas afectan a la respuesta, y también saber qué valores de estas variables tendrán la respuesta deseada (maximizado o minimizado) y cuál es la superficie de respuesta más cercana al óptimo.

Esta técnica matemática y estadística, es utilizada para el análisis y modelado de problemas, donde la respuesta de interés es influenciado por varios parámetros y donde el objetivo es optimizar esta respuesta. A esto se usa generalmente el primer y segundo polinomios, ver Cuadro Nº 2.8.

Cuadro Nº 2.8.

Descripción de las funciones para modelos primero y segundo orden

ORDEN FUNCIÓN

Primera Y= b0 + b1x1 + b2x2 + b3x3 + b12x1x2 + b13x1x3 + b23x2x3

Segunda Y= b0 + b1x1 + b2x2 + b3x3 + b11x12+ b22x22 + b33x32 + b12x1x2

+ b13x1x3 + b23x2x3

A través del análisis de varianza, se puede analizar estadísticamente si el modelo matemático es adecuado o no, y también la significancia de los coeficientes. La adecuación está determinada a través de pruebas de hipótesis, o sea la distribución de F en determinado nivel de significancia del 95%, el valor de Pvalue muestra la probabilidad de error al aceptar la

hipótesis.

El software permite obtener los valores de R2, que indica cual es el

modelo reducido. Si el caso es que Pvalue es mayor que 0.05, el modelo

no es significativo y entonces hay necesidad de obtener el modelo reducido, a través de la eliminación de factores e interacciones no significativas de cada respuesta. Los valores de R2 del modelo reducido

serán mayores y el error padrón será menor cuando es comparado con el error completo.

En la metodología de la superficie de respuesta se tiene el diseño cuadrático, más conocido como CCD, Central Composite Desing. Este es formado por tres grupos de elementos experimentales: un factorial completo, un número de puntos centrales (center point) y un número de puntos estrella (star poinTs) el que permite la estimación del modelo curvatura. Para sus formulaciones, son utilizados los niveles especificados por los experimentadores (+1 y -1) o valores del punto central (0) y los valores extremos calculados por el software (+2 y -2).

En esta etapa se puede observar que algunos experimentos de la fase anterior que pueden ser aprovechados, facilitando aún más su ejecución.

2.8.4. Optimización de las Respuestas: Diseño Hexagonal

Aquí se pueden simular diversas combinaciones de los parámetros y sus correspondientes respuestas; así mismo, obtener combinaciones de sus parámetros hasta conseguir un resultado satisfactorio. Para esto se tiene que definir un rango aceptable para cada respuesta, se realiza su análisis, y se culmina con el procesado de los resultados.

Esta herramienta también posibilita simular varias combinaciones de parámetros con sus respectivas respuestas, obteniendo acercamientos satisfactorios para aplicaciones específicas, ahorrándose tiempo y dinero.

In document Control de parámetros del proceso Gmaw Mig en soldaduras del acero A 36 para optimizar la recuperación de piezas (página 50-55)