Control Estadístico de Calidad II: Introducción al Control Estadístico de Procesos (SPC), Esquemas y mapas conceptuales de Sistemas Eléctricos

¡Descarga Control Estadístico de Calidad II: Introducción al Control Estadístico de Procesos (SPC) y más Esquemas y mapas conceptuales en PDF de Sistemas Eléctricos solo en Docsity!

Pontificia Universidad Católica Madre y Maestra

Nombre:

Henry Cullen Batista

Matrícula:

Materia:

Control estadístico de calidad II

SINTESIS UNIDAD I

Introducción En la actualidad existen una gran cantidad de técnicas y herramientas que se enfocan en el mejoramiento de la calidad de productos que fabrica una empresa, el presente texto trata sobre el control estadístico de procesos o SPC una herramienta estadística utilizada para monitorizar la variación de un proceso o método productivo, detectar desviaciones y anticipar así posibles problemas de calidad. Las herramientas usadas por el SPC son las gráficas de control que permiten distinguir las causas especiales de las causas comunes de variación. Se entiende por variación aquellos cambios ocurridos en el valor de la característica medida, siendo esta característica la respuesta de un proceso determinado. A través del SPC las empresas pueden garantizar la estabilidad de sus procesos industriales y cumplir con las especificaciones de sus clientes sin tener que inspeccionar el 100% de la producción.

Si el proceso se mantiene bajo control en el objetivo μ o , la suma acumulable Sm =∑( X −− i − μ 0 ) variará aleatoriamente respecto del valor cero. Sin embargo, si la media asciende a μ 1 > μ o se apreciará una tendencia ascendente en la suma acumulada Sm. Por el contrario, si la media se desplaza a μ 2 < μ o se apreciará una tendencia decreciente en Sm. Por consiguiente, una tendencia determinada (positiva o negativa) se considerará como una evidencia de que la media del proceso se ha desplazado debido a la presencia de alguna causa asignable que hay que investigar y eliminar. El método de promedio móvil ponderado consiste en dar diferentes pesos a los valores observados, encontrar el promedio móvil de acuerdo con diferentes pesos y, basándose en el promedio móvil final, determinar el valor predicho. El método de promedio móvil ponderado se utiliza porque las observaciones recientes durante el período de observación tienen un mayor impacto en los valores pronosticados, y es más capaz de reflejar los cambios recientes. El método de promedio ponderado móvil exponencial significa que el coeficiente de ponderación de cada valor disminuye exponencialmente con el tiempo. Cuanto más cercano al momento actual, mayor será el coeficiente de ponderación del valor. En comparación con el método de promedio tradicional, el promedio ponderado móvil exponencial no necesita guardar todos los valores pasados; el segundo es que la cantidad de cálculo se reduce significativamente. El principal efecto de utilizar datos autocorrelacionados para realizar control estadístico de un proceso es que genera límites de control estrechos, lo que provoca un incremento en la tasa de falsas alarmas y una disminución en la capacidad de detección de la carta. En consecuencia, la longitud promedio de corrida (ARL por sus siglas en inglés), la métrica de desempeño más popular, no se calcula correctamente. Una idea sencilla para evitar la auto-correlación consiste en el aumento del intervalo de muestreo; sin embargo, el uso inconsciente de los datos disponibles puede causar una disminución en la potencia de los gráficos de control. Muchos autores han concentrado sus esfuerzos en desarrollar métodos que permitan el control estadístico de procesos auto correlacionados. El precontrol es una técnica de calidad que se usa para evaluar la capacidad o aptitud de un proceso de producción para generar unidades que se ajusten a unas especificaciones previamente fijadas. El precontrol fue desarrollado en 1954 por un grupo de consultores dirigido por Satterwaite (REF), como alternativa a los gráficos de control X¯-R de

Shewhart. A diferencia de éstos, se trata de un método cuyo objeto es supervisar un proceso teniendo en cuenta directamente las especificaciones del producto. La versión original del precontrol fue publicada por Shainin y Shainin (REF). Según varios autores, el precontrol salva algunos de los inconvenientes que muestran los gráficos de control X¯-R cuando son aplicados en ciertos contextos. En primer lugar, el precontrol no precisa para ser llevado a cabo la recopilación y almacenamiento de datos ni su posterior tratamiento. Esto supone una ventaja frente a los gráficos de control, sobre todo en situaciones en que el ciclo de producción es corto y no da tiempo a calcular los límites de control o a dibujar los gráficos. Además, por otro lado, el precontrol trabaja directamente con las especificaciones del producto, mientras que los gráficos de control únicamente tienen en cuenta los límites de control calculados. Los gráficos de control pueden generar señales de falta de control incluso cuando la totalidad de la producción se encuentra dentro de las especificaciones, sobre todo en procesos con una gran capacidad potencial (es decir, aquellos en que la variabilidad del proceso es pequeña en comparación con las tolerancias). En cambio, el precontrol es ajeno a este tipo de situaciones, y sólo estaría posiblemente en desventaja frente a los gráficos de control cuando fuese de interés detectar cualquier desviación real del proceso, independientemente de que se encuentre o no dentro de especificaciones La aplicación del Diseño de Experimentos (DoE) se presenta como una herramienta efectiva para entender y optimizar los procesos y productos en la industria. La metodología estadística por excelencia para optimizar la experimentación se conoce como Diseño de Experimentos. Se define simplemente como un método para aplicar sistemáticamente la estadística al proceso de experimentación. Se puede definir como la realización de un conjunto de pruebas en las cuales se realizan cambios voluntarios a los parámetros de control de un proceso o sistema, cuyo objetivo es observar e identificar las razones de los cambios en la variable de estudio o respuesta y cuantificarla. Los experimentos en la industria moderna son más complicados, porque son muchos los factores que son susceptibles de controlarse y que afectan a los productos y/o procesos, de aquí que son muchas combinaciones de dichos factores que se deben probar para obtener resultados válidos y consistentes.