8.

Diseo de experimentos De Taguchi, Mezclas y Diseo Central Compuesto

1

8A6. Diseo de Experimentos de Taguchi

Diseo de experimentos de Taguchi

Sugiere tres pasos que son: a) Diseo del sistema b) Diseo de parmetros c) Diseo de tolerancias De estas tres etapas, la ms importante es el diseo de parmetros cuyos objetivos son: a) Identificar qu factores afectan la caracterstica de calidad en cuanto a su magnitud y en cuanto a su variabilidad. b) Definir los niveles optimos en que debe fijarse cada parmetro o factor, a fin de optimizar la operacin del producto y hacerlo lo ms robusto posible. c) Identificar factores que no afecten substancialmente la caracterstica de calidad a fin de liberar el control de estos factores y ahorrar costos de pruebas.

DISEO DE EXPERIMENTOS
Taguchi ha propuesto una alternativa no del tododiferente que se que conoce como Arreglos Ortogonales y las Grficas Lineales. La herramienta son diseos Factoriales fraccionados, sin embargo cuando el nmero de factores se ve incrementado, las posibles interacciones aumentan, as como la complicaciones para identificar cules son las condiciones especficas a experimentar.

Un arreglo ortogonal se puede comparar con una replicacin factorial fraccionada, de manera que conserva el concepto de ortogonalidad y contrastes.Un experimento factorial fraccionado es tambin un arreglo ortogonal . Taguchi desarroll una serie de arreglos particulares que denomin:

La (b)C
a = Representa el nmero de pruebas o condiciones experimentales que se tomarn. Esto es el nmero de renglones o lneas en el arreglo. b = Representa los diferentes niveles a los que se tomar cada factor c = Es el nmero de efectos independientes que se pueden analizar, esto es el nmero de columnas. Ejemplo : L4
No. (a) 1 2 3 4 1 , 2 = A 1 1 2 2 F A C T O R E S (c) B C 1 1 2 2 1 1 2 1 Resultado Y1 Y2 Y3 Y4

Niveles de los Factores (b) , Contrastes.

Experimento de 2 niveles y 3 factores por lo que se requieren 4 pruebas . En la matriz se pueden observar los contrastes de cada factor , formando las columnas de los factores ; (1) significa que el factor esta a su nivel bajo (-) y (2) a su nivel alto o de signo (+).

Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles: La. Nmero de condiciones experimentales(renglones) lineas o pruebas. Nmero de factores o efectos maximo que se pueden analizar y nmero de columnas

L4 L8 L12 L16 L32 L64

4 8 12 16 32 64

3 7 11 15 31 63

Ejemplo: En un proceso de formacin de paneles, una caracterstica no deseada es la emisin de formaldehido en el producto final. Se cree que 5 factores pueden estar afectando la emisin, stos son :
Factor Descripcin Nivel I Nivel 2 A Tipo de resina Tipo I Tipo II Concentracin 5% 10% B C Tiempo de ciclo de prensado 10 seg 15 seg D Humedad 3% 5% E Presin 800 psi. 900 psi. Se desea analizar el efecto de cada factor y proponer las mejores condiciones de operacin. En este caso estamos interesados en analizar el efecto de 5 factores o efectos, a dos niveles cada

uno. Por lo tanto, se utilizar un arreglo ortogonal L8.

Se ejecutarn por lo tanto 8 pruebas o condiciones experimentales, A qu columna especificamente se asignar cada factor?, en estos casos se pueden asignar a cualquier columna, aunque se recomienda que aquellos factores que en la practica sea ms dificil de variar de nivel continuamente, sean los que se asigne a las primeras columnas. El arreglo L8 y su descripcin para este caso se muestra a continuacin:

No. 1 2 3 4 5 6 7 8

A 1 1 1 1 2 2 2 2

B 1 1 2 2 1 1 2 2

C 1 1 2 2 2 2 1 1

D 1 2 1 2 1 2 1 2

E 1 2 1 2 2 1 2 1

e 1 2 2 1 1 2 2 1

e Resina Concen. 1 Tipo I 5% 2 Tipo I 5% 2 Tipo I 10% 1 Tipo I 10% 2 Tipo II 5% 1 Tipo II 5% 1 Tipo II 10% 2 Tipo II 10%

Tiempo Humedad 10 seg. 3% 10 seg. 5% 15 seg. 3% 15 seg. 5% 15 seg. 3% 15 seg. 5% 10 seg. 3% 10 seg. 5%

Presin 800 psi. 900 psi. 800 psi. 900 psi. 900 psi. 800 psi. 900 psi. 800 psi.

Yi 0.49 0.42 0.38 0.30 0.21 0.24 0.32 0.28

7

Observe que los factores Resina, concentracin, tiempo, humedad y presin fueron asignados en orden a las columnas A, B, C, D, y E. En las columnas restantes, F y G no se asign ningn factor y nos servirn para tener una estimacin del error aleatorio. Esto se explica porque con ocho observaciones tenemos siete grados de libertad, como estamos interesados nicamente en cinco factores quedan dos grados de libertad para el error aleatorio. El anlisis de variancia de los resultados es:

A1 = Total de lecturas con el factor A a su nivel 1 = 0.49 + 0.42 + 0.38 + 0.30 = 1.59 A2 = Total de lecturas con el factor A a su nivel 2 = 0.21 + 0.24 + 0.32 + 0.28 = 1.59 SSA = Suma de cuadrados debido al factor A SSA = (A2 - A1)2 /8 = 0.3645 con 1 g.l

Similarmente : SSB = (B2 - B1)sq/8= 0.00080 con 1g.l SSC = (C2 -C1)sq/8 = 0.01805 con 1g.l SSD = (D2 -D1)sq/8= 0.00320 con 1g.l SSE = (E2 - E1)sq/8= 0.00245 con 1g.l Sse1 = (F2 - F1)sq/8= 0.00080 con 1g.l, 1a. Columna de error F Sse2 = (G2 -G1)sq/8= 0.00045 con 1g.l 2a. Columna de error G Las sumas de cuadrados de las columnas donde no se asign factor se toman como asignaciones del error, en este caso SSF y SSG se consideran como error y se obtiene: Sse = SSF + SSG = 0.00080 + 0.00045 = 0.00125 con 2g.l.

La tabla ANOVA es :

Efecto A B C D E Error Total

SS 0.03645 0.0008 0.01805 0.0032 0.00245 0.00125 0.0622

G.L. 1 1 1 1 1 2 7

V 0.03645 0.0008 0.01805 0.0032 0.00245 0.000625

Fexp. 58.32* 1.28 28.88** 5.12 3.92

% Contrib. 57.59 0.28 28.01 4.14 2.93 7.03 100

* significante al nivel 5% ya que F0.05 (1,2) = 18.51 ** significante al nivel 10% ya que F0.10 (1,2) = 8.16 Nota : No se incluye en esta tabla especficamente la suma de cuadrados del promedio o media. El error total es la suma de cuadrados total corregida por el factor de correccin. Se acostumbra que aquellos efectos que no resultaron significantes, se consideren como error aleatorio a fin de obtener una mejor estimacin del error aleatorio, (con mayor nmero de grados de libertad). 9

En ste caso, por ejemplo, la estimacin de Sse es : Sse = SSB + SSD + SSE + Sse = 0.00080 + 0.00320 + 0.00245 + 0.00125 = 0.0077 Con , 1 + 1 + 1 + 2 = 5 grados de libertad.

Y (Ve) = (Sse) /5 = 0.0077 / 5 = 0.00154

Al nivel 5%, el valor crtico de tablas es F 0.05 (1,5) = 6.607877 Las estimaciones que se obtienen de esta forma se suelen escribir entre parntesis. Fc para el factor (A ) = 23.66 y Fc para el factor (C) = 11.72, comparando ambos contra Fcrtico = 6.6, continuan siendo significativos los factoresA y C Los promedios de la emisin de Formaldehido para cada nivel son:

Efecto Nivel 1 A A1avg. = A1/4 =0.3975 B B1avg =0.3400 C C1avg =0.3775 D D1avg =0.3500 E E1avg =0.3475

Nivel 2 A2avg. = A2/4 =0.2625 B2avg =0.3200 C2avg =0.2825 D2avg =0.3100 E2avg =0.3125
10

Diseos de experimentos Taguchi

El promedio global es _ Y = (0.3975+ 0.34+ 0.3775+ 0.35 + 0.3475+ 0.2625+ 0.32+ 0.31+0.3125)/ 10 = 0.33 S nicamente los factores A y C son significativos, estos factores debern fijarse al nivel que minimice la emisin de Formaldehido, sto es A2 y C2; resina tipo II y 15 segundos como tiempo de prensado. El resto de los factores se fijar a su nivel ms econmico, ya que no afectan la caracterstica de calidad dentro del intervalo analizado Cul ser el nivel esperado de emisin ?, el efecto de cada factor respecto al promedio general es: EF A = A2 - Y = 0.2665 - 0.33 = -0.06435 EF C = C2 - Y= 0.2825 - 0.33 = -0.0475 Y el efecto estimado bajo las condiciones A2 y C2 es EF A + EF C + Y = -0.0635 - 0.0475 + 0.33 = 0.219

11

Diseos de Taguchi
Lecturas

Si las lecturas no siguen un orden secuencial, o se toman en otra prueba bajo las mismas condiciones se le conoce como Replica . Taguchi considera dos tipos de error aleatorio con lecturas multiples: Error Primario. (e1). Error que existe entre las diferentes condiciones de experimentacin, aparte del efecto de los factores en si. Es decir lo que hace diferentes a las lecturas bajo diferentes condiciones de experimentacin. Error Secundario (e2). Aquel que hace diferentes las lecturas tomadas bajo una misma condicin experimental. Cuando se toma una lectura no es posible evaluar el error secundario.

12

Ejemplo: Considere que el acabado superficial de un proceso de maquinado, medido en picos/plg.

Se puede ver afectado por cinco factores que son:
Factor A B C D E Descripcin Tipo de lubricante Tipo de corte Angulo de corte (en grados) Velocidad de corte (r.p.m.) Avance (cm/min) Nivel I Tipo I Continuo 25 100% Nivel 2 Tipo II Intermitente 35 1200% 1 1.5

Dado que se tienen 5 factores, se necesitan por lo menos 5 grados de libertad, se usar por lo tanto un arreglo ortogonal . Los factores se asignarn en orden, a las primeras cinco columnas .

No. A B C D E F G 1 1 1 1 1 1 1 1 2 1 1 1 2 2 2 2 3 1 2 2 1 1 2 2 4 1 2 2 2 2 1 1 5 2 1 2 1 2 1 2 6 2 1 2 2 1 2 1 7 2 2 1 1 2 2 1 8 2 2 1 2 1 1 2

1 15 16 22 18 25 23 19 17

Resultados 2 17 15 21 20 24 27 17 16 Total

3 18 15 24 18 22 20 16 18

Total Resultados 50 46 67 56 71 70 52 51 463

13

La suma de cuadrados del total es:

SST = 7Yi2 - T2 / n
donde 7 Yi2 es la suma de lecturas individuales al cuadrado. n es el nmero de lecturas y T es el total de las Yis. Para este caso :
2 2 2 2 2 2 2

SST = 15 + 17 + 18 +..17 + 16 + 18 - 463/24 SST = 278.9584 con 24 - 1 grados de libertad. El error secundario se calcula individualmente

Sse2 = Y12 + Y22+ Y32 - T2i / ni

Por ejemplo para el experimento i = 1 se tiene: Sse2 = 15*15 + 17*17 + 18*18 - (15 + 17 + 18)2 / 3 = 4.6666 Y as se continua para cada uno de los restantes 7 experimentos obtenindose la tabla de la pgina siguiente.

14

Condicin 1 2 3 4 5 6 7 8

SSe2

4.6667 0.6667 4.6667 2.6667 4.6667 24.6667 4.6667 2.000 Total SSe2 = 48.669

El error primario es localizado en las columnas F y G por que?. SSe1 = SSeF + SSeG SSe1 = 4.08334 con 2 grados de libertad La suma de cuadrados de los factores se calcula de la misma manera que ya se conoce.

SSA = (A2 -A1)2 / n

y as sucesivamente para todas las columnas, SSA = 26.04167, SSB = 5.04167... Finalmente recordemos que suma de cuadrados del error primario, secundario, primario y de los efectos es igual a la suma de cuadrados total 278.9586.

15

Reglas de Anlisis:
1.-Antes de la ANOVA el primer crterio es probar el error 1 e1 vs. el error 2 e2. S no resulta significante se adicionan y se obtiene una estimacin del error aleatorio e, contra el que se prueban todos los dems factores. 2.- S el error 1 es significativo, entonces todos los factores se prueban contra el. 3.- Realizar la ANOVA. Prueba de e1 vs e2 Fexp = e1/e2 = 4.08334/2 / 48.666/16 Fexp para e1 = 0.6712 con 2 gL en el numerador y 16 en el denominador. El F de tablas con (0.05, 2, 16) = 3.63; por lo tanto los errores se suman 4.08334 + 48.6667 = 52.7500

La tabla ANOVA queda como:

Efecto A B C D E Error Total SS 26.0417 5.0417 176.0417 12.0417 7.0417 52.7500 0 278.9583 G.L. 1 1 1 1 1 18 23.0000 V 26.0417 5.0417 176.0417 12.0417 7.0417 2.9306 Fexp. 8.8863 1.7204 60.0711 4.1090 2.4028

Dado que F tablas con (0.05, 1, 18) = 4.41, slo los efectos A y C son significantes al nivel del 5%. Slo lubricante y ngulo de corte

16

Nota: S las lecturas provienen de Replicas, no se puede diferenciar el error 1 y 2, por lo que se adicionan sin ms tramites. Regla del pulgar . S la Fc = Fexp. es menor a 2, no es significante.

Arreglos con Interacciones.

Al analizar una caracterstica de calidad con n factores se tiene la posibilidad de que interactuen entre si y se afecten positiva o negativamente. En ese caso la interaccin pasa a ocupar una columna en los arreglos ortogonales, como si fuera otro factor. Se deber tener cuidado especial, en la manera como se asignan las columnas, para que sus interacciones no se confundan con otros factores principales. Grficas Lineales. Para ayudar en la asignacin de factores en las columnas de un arreglo G. Taguchi dise las grficas lineales cuyo objetivo es simplificar el diseo del experimento y evitar patrones indeseables de confusin.

17

Grficas lineales para el arreglo ortogonal L8

Columna 1 2 Col (1) 3 Col (2) Col 3 4 5 6 7 2 5 4 7 6 1 6 7 4 5 (3) 7 6* 5 4 Col (4) 1 2 3 Col (5) 3 2 Col (6) 1 Col (7)

B
2

. 7

3 5 1 4

6 7

18

La matriz triangular las columnas estn remarcadas, las interacciones forman la parte interior del triangulo. Como ejemplo, s asignamos el factor A en la columna 3 y el factor B en la columna 5, la interaccin AxB aparecer en la en la interseccin de las columnas, el nmero 6.

En esta grfica se observa el arreglo de tres factores ( 1,2 y 4) y la interaccin entre ellos lneas 3, 5 y 6.

C En esta grfica se indican cuatro factores (puntos 1,2,4 y 7) y

1 No. 1 2 3 4 5 6 7 8 A 1 1 1 1 2 2 2 2 B 1 1 2 2 1 1 2 2 2 AXB 1 1 2 2 2 2 1 1 3 D 1 2 1 2 1 2 1 2 4

las interacciones en las lineas 3, 5 y 6.

5 AxD 1 2 1 2 2 1 2 1 AxC

6 G 1 2 2 1 1 2 2 1

7 1 2 2 1 2 1 1 2

El arreglo ortogonal es exactamente el mismo, en este caso un L8.

19

Mtodo Taguchi - Pasos



Definir factores y niveles



Factores de control (que se controlarn arreglo interno) Factores de ruido (no se quieren o pueden controlar pero se controlan durante el experimento arreglo externo)

Crear diseo de experimentos ortogonal de Taguchi Analizar el diseo de experimentos de Taguchi

20
Predecir la respuesta con los niveles seleccionados

Mtodo Taguchi


Crear Diseo

Usar Stat / DOE / Taguchi / Create Taguchi Design para crear el diseo ortogonal de Taguchi  2 level Design, Number of factors (2 a 7) - 3


Designs L8 Factors (opcional para cambiar nombres de factores y niveles; Assign columns of the array as specified below) Options Store designs in worksheet

Ingresar al menos dos columnas de respuestas

21

Arregl o Intern o A B 1 1 1 1 2 2 2 2 1 1 2 2 1 1 2 2

Arreglo Externo

C 1 1 2 2 2 2 1 1

Resp1 Resp2 19.0 18.4 17.5 18.6 19.3 19.1 18.4 17.0 16.0 18.0 17.0 17.5 17.0 18.5 16.0 16.5 22

Mtodo Taguchi Diseo



Analizar

Usar Stat / DOE / Taguchi / Analize Taguchi Design para analizar los resultados  Response Data are in (al menos dos columnas de respuestas)  En Graphs seleccionar Signal to Noise Ratios, Means, Estndar Deviations, Interaction Plots (pasar con >>)  Display Interactions in Matrix o Separate Graph  En Tables seleccionar Signal to Noise Ratios, Means, Estndar Deviations  En Options seleccionar Mayor es mejor, Nominal es mejor o Menor es mejor para las relaciones Seal / Ruido, para que en estas grficas S/N se seleccionen los niveles que maximicen la respuesta (para minimizar la variabilidad)

23

Response Table for Signal to Noise Ratios Larger is better Level 1 2 Delta Rank 3 A 24.9490 24.9302 0.0188 1 B 25.1379 24.7412 0.3967 C 24.7692 25.1099 0.3408 2

Response Table for Means Level 1 2 Delta Rank 3 A 17.750 17.725 0.025 1 B 18.1625 17.3125 0.8500 2 C 17.4125 18.0625 0.6500

Response Table for Standard Deviations Level 1 2 Delta Rank A 0.98789 1.03722 0.04933 3 B 1.17022 0.85489 0.31533 1 C 1.16700 0.85810 0.30890 2

24

Main Effects Plot for Means

Main Effects Plot for Standard Deviations

18.2

C 1.17

18.0 1.09
S tD ev
1 2 1 2

Mean

17.8

1.01

17.6 0.93 17.4 0.85

1 2 1 2 1 2 1 2

Main Effects Plot for S/N Ratios

25.15

25.05
S/N Ratio

24.95

24.85

24.75
1 2 1 2 1 2

25

Mtodo Taguchi respuestas



Prediccin de

Usar Stat / DOE / Taguchi / Predict Taguchi Results para predecir las respuestas en base a niveles de factores seleccionados como ptimos  Seleccionar Signal to Noise Ratios, Means, Estndar Deviations


En Terms pasar todos los trminos con >> En Levels seleccionar Uncoded units (valores reales) o Coded units (1 y 2) y Select levels from a list (niveles usados OK, se mostrarn las respuestas estimadas por concepto

26

Diseos de experimentos con Mezclas

Las proporciones de los componentes debe sumar la unidad

27

8A8. Diseos de mezclas



Los factores independientes son proporciones de diferentes componentes de una mezcla Cuando las proporciones tienen la restriccin de sumar la unidad se pueden utilizar modelos de estructura Simplex o Simplex con centroide Cuando adems algunos componentes tienen la restriccin adicional de tener un valor mximo o mnimo los modelos a utilizar son los de Vrtices extremos 28

8A8. Diseos de mezclas



Un diseo de estructura Simplex para q componentes cuya proporcin puede tomar los niveles m+1 igualmente espaciados entre 0 y 1


Xi = 0, 1/m, 2/m, ...., 1 para i = 1, 2, ..., q

Para una mezcla de q = 3 componentes donde el nmero de niveles igualmente espaciados para cada componente es m + 1 = 4 (X1 = 0, 0.333, 0.666, 1) Las mezclas posibles con los 3 componentes es: 29

Aumento de puntos
Minitab augments (or adds points to) the design using the axial points shown below. Each added point is half way between a vertex and the center of the design.

( (q+1)/2q, 1/2q, 1/2q, 1/2q, 1/2q, , 1/2q ) ( 1/2q, (q+1)/2q, 1/2q, 1/2q, 1/2q, , 1/2q ) ( 1/2q, 1/2q, (q+1)/2q, 1/2q, 1/2q, , 1/2q ) ( 1/2q, 1/2q, 1/2q, (q+1)/2q, 1/2q, , 1/2q ) . . . . . . . . . . . . . . ( 1/2q, 1/2q, 1/2q, 1/2q, 1/2q, , (q+1)/2q )

By augmenting a design, you can get a better picture of what happens on the interior of the design, instead of just relying on points on the edges.

30

8A8. Diseos de mezclas



X1 0 0 0 0 0.333 0.333 0.333 0.667 0.667 1

X2 0 0.333 0.667 1 0 0.333 0.667 0 0.333 0 X2

X3 1 0.667 0.333 0 0.667 0.333 0 0.333 0 0

Rendimiento

31

8A8. Diseos de mezclas



Las ecuaciones de la restriccin y del modelo lineal son:

( q  m  1)! Puntos ! m !( q  1)! X1  X 2  X 3 ! 1 E (Y ) !

F
i !1

Xi

32

8A8. Diseos de mezclas



Ejemplo: Se tienen 3 componentes y m=2 niveles, X1=polietileno, X2=Poliestireno, X3=polipropileno mezclados para formar fibras, de las cuales se mide la elongacin en dos rplicas X1 X2 X3 Rendimiento 0 0 1 16.8, 16 0 0 0.5 10.0, 9.7, 11.8 0 1 0 8.8, 10.0 0.5 0 0.5 17.7, 16.4, 16.6 0.5 0.5 0 15.0, 14.8, 16.1 1 0 0 11.0, 12.4 X2

33

Stat > DOE > Mixture > Create Mixture Design > choose Simplex lattice > Designs Generates settings for the components in an experiment with a simplex lattice design. You can choose the degree of a simplex lattice design

Corrida con Minitab

add a center point or axial points to the interior of the design (added by default) replicate the design Dialog box items Degree of lattice: Choose a degree for your design from the drop-down list. Augument the design with center points: Check to add a center point to the design. Augument the design with axial points: Check to add axial points to design. See Placement of axial points in augmented designs. Replicate Design Points: Number of replicates for the whole design: Choose to replicate the whole design, then choose a number of to 50 for the number of replicates. Number of replicates for the selected types of points: Choose to replicate only certain types of design points from the base design enter the number of replicates 34 for each point type.

Stat > DOE > Mixture > Create Mixture Design > choose Simplex centroid > Designs Generates settings for the components in an experiment with a simplex centroid design. You can

add axial points to the interior of the design (by default, Minitab adds ) replicate the design

Dialog box items Augment the design with axial points: Check to augment (or adds points to) the base design. See Placement of axial points in augmented designs. Replicate Design Points

Number of replicates for the whole design: Choose to replicate the whole design, then choose a number of to 50 for the number of replicates. Number of replicates for the selected types of points: Choose to replicate only certain types of design points from the base design. Then, under Number, enter the number of replicates for each point type.

35

Corrida en Minitab para el ejemplo

  

Stat > DOE > Mixture > Create Mixture Design Simplex Lattice No of components 3 En Designs:
  

Degree of Lattice 2 No augment design with center points or axial points No of replicates of the selected type of points
 

1 Vertex 2 2 Double Blend 3

 

En Options quitar Randomize runs OK 36

A 1.0

B 0.0

C 0.0

Elongacin 11.0 15.0 17.7 8.8 10.0 16.0 12.4 10.0 16.8 14.8 16.1 16.4 16.6 9.7 11.837

Corrida en Minitab para el0.0 0.5 0.5 ejemplo 0.5 0.0 0.5
0.0


1.0 0.5 0.0 0.0 1.0 0.0 0.5 0.5 0.0 0.0 0.5 0.5

0.0 0.5 1.0 0.0 0.0 1.0 0.0 0.0 0.5 0.5 0.5 0.5

Introducir las respuestas de la elongacin de la fibra en funcin de la mezcla de los 3 componentes X1, X2 y X3

0.0 0.0 1.0 0.0 0.0 0.5 0.5 0.5 0.5 0.0 0.0

Analizar resultados en Minitab



Stat > DOE > Mixture > Simplex Design Plot

Simplex Design Plot in Amounts
A
1.0

0.0

0.0

1.0

0.0

1.0

38

Analizar resultados con Minitab

  

Stat > DOE > Mixture > Analyze mixture design Responses Elongation OK En Graphs Normal Plot ver adecuacin del modelo

39

Regression for Mixtures: Elongacin versus A, B, C Estimated Regression Coefficients for Elongacin (component proportions) Term A B C A*B A*C B*C Coef 11.700 9.400 16.400 19.000 11.400 -9.600 SE Coef 0.6037 0.6037 0.6037 2.6082 2.6082 2.6082 T * * * 7.28 4.37 -3.68 P * * * 0.000 0.002 0.005 VIF 1.750 1.750 1.750 1.750 1.750 1.750

SINERGIA ANTAGONICO

S = 0.85375 R-Sq = 95.14%

PRESS = 18.295 R-Sq(pred) = 86.43% R-Sq(adj) = 92.43%

Analysis of Variance for Elongacin (component proportions) Source Regression Linear Quadratic Residual Error Total DF 5 2 3 9 14 Seq SS 128.296 57.629 70.667 6.560 134.856 Adj SS 128.2960 50.9200 70.6669 6.5600 Adj MS 25.6592 25.4600 23.5556 0.7289 F 35.20 34.93 32.32 P 0.000 0.000 0.000

40

8A8. Anlisis del diseo Simplex

Minitab: Regression for Mixtures: Resp versus A, B, C Est. Regression Coefficients for Resp (component proportions)

Y=11.7X1+9.4X2+16.4 X3 + 17.4X1X2 + 12X1X3 12.2 X2X3

Term A B C A*B A*C B*C Coef 11.70 9.40 16.40 17.40 12.00 -12.20 S = 0.69881 R-Sq = 97.44% SE Coef 0.4941 0.4941 0.4941 2.4207 2.4207 2.4207 T * * * 7.19 4.96 -5.04 P * * * 0.000 0.003 0.002 VIF 1.500 1.500 1.500 1.500 1.500 1.500

PRESS = 11.720 R-Sq(adj) = 95.31% 41

R-Sq(pred) = 89.78%

8A8. Anlisis del diseo Simplex



Como b3 > b1 > b2 se concluye que el componente 3 produce la mayor elongacin Como b12 y b13 son positivos la mezcla de componentes 1 y 2 as como 2 y 3 aumenta la elongacin Como b23 es negativo la mezcla de los componentes 2 y 3 tiene efectos antagnicos en la mezcla

42

Anlisis con Minitab

Stat > DOE > Mixture > Response Trace Plot

Trace Plot

A response trace plot (also called a component effects plot) shows the effect of each component on the response. Several response traces, which are a series of predictions from the fitted model, are plotted along a component direction. The trace curves show the effect of changing the corresponding component along an imaginary line (direction) connecting the reference blend to the vertex. Each component in the mixture has a corresponding trace direction. The points along a trace direction of a component are connected thereby producing as many curves as there are components in the mixture.

Response trace plots are especially useful when there are more than three components in the mixture and the complete response surface cannot be visualized on a contour or surface plot. You can use the response trace plot to identify the most influential components and then use them for a contour or surface plot.

43

Anlisis con Minitab



Trace Plot
A B C

F itte d E lo n g aci

Stat > DOE > Mixture > Response Trace Plot Response -Elongation

Cox Response Trace Plot

17 16 15 14 13 12 11 10 9 -0.5 0.0 0.5

deviation from reference blend in proportion

44

Anlisis con Minitab Grfica de contornos Mixture Contour Plot of Elongaci



Stat > DOE > Mixture > Contour plot Setup OK

0.0

A
1.0

10.0
11.2 12.4 13.6 14.8

16.0 17.2
0.0

1.0

0.0

1.0

45

Anlisis con Minitab restringidos



Contornos
Lower Bound Upper Bound

Stat > DOE > Mixture > Overlaid Contour plot



Contour Plot of Elongacin

A
1.0

White area: feasible region

Elongacin
12 14

Response -Elongation
0.0 0.0

Contours


Low Limit 12 High Limit 14

1.0 0.0 1.0

OK

46

Anlisis con Minitab Optimizacin

 

Stat > DOE > Mixture > Response optimizer Indicar en Response Elongation En Setup indicar los valores de la respuesta ptima:  Lower 10  Target 15  Upper 20 En Options indicar los valores iniciales de las variables  A = 0.3  B = 0.3  C = 0.4 La suma debe dar la Unidad OK

47

Salida del Optimizador Minitab

Optimal D 1.0000 Hi Cur Lo [ ]:A 1.0000 [0.30] 0.0 [ ]:B 1.0 [0.2692] 0.0 [ ]:C 1.0 [0.4308] 0.0 Elongaci Targ: 15.0 y = 15.0 d = 1.0000

48

Ejemplo con Diseo centroide

A B C Ymillas/galn 1.00000 0.00000 0.00000 24.5


Stat > DOE > Mixture > Create Mixture Design Simplex Centroid
      

0.00000 1.00000 0.00000 24.8 0.00000 0.00000 1.00000 22.7 0.50000 0.50000 0.00000 25.1 0.50000 0.00000 0.50000 24.3 0.00000 0.50000 0.50000 23.5 0.33333 0.33333 0.33333 24.8 0.66667 0.16667 0.16667 24.2 0.16667 0.66667 0.16667 23.9 0.16667 0.16667 0.66667 23.7 1.00000 0.00000 0.00000 25.1 0.00000 1.00000 0.00000 23.9 0.00000 0.00000 1.00000 23.6 0.33333 0.33333 0.33333 24.1

3 Components Augment Axial Points No Replicates: 1 Vertex 2 2 Double Blend 1 0 Center points 2 -1 Axial point 1

OK OK

49

Simplex Design Plot

Simplex Design Plot in Amounts
A
1.0

0.0

0.0

1.0

0.0

1.0

50

Ecuacin de regresin
Estimated Regression Coefficients for Ymillas/ga (component proportions) Term A B C A*B A*C B*C Coef 24.744 24.311 23.178 1.514 1.114 -1.086 SE Coef 0.3225 0.3225 0.3225 1.8168 1.8168 1.8168 T * * * 0.83 0.61 -0.60 P * * * 0.429 0.557 0.566 VIF 1.548 1.548 1.548 1.718 1.718 1.718

S = 0.46528 R-Sq = 70.91% 52.74%

PRESS = 5.2730 R-Sq(pred) = 11.44% R-Sq(adj) =

51

Response Surface plot

Cox Response Trace Plot
25 A B C

Fitted Ymillas/

24

23 -0.5 0.0 0.5

deviation from reference blend in proportion

52

Grfica de contornos
Mixture Contour Plot of Ymillas/
A
1.0 23.40 23.65 23.90 24.15 24.40 24.65 24.90 0.0

0.0

1.0

0.0

1.0

53

Salida del optimizador

Optimal D 1.0000 Hi Cur Lo [ ]:A 1.0 [0.30] 0.0 [ ]:B 1.0 [0.1738] 0.0 [ ]:C 1.0 [0.5262] 0.0

Ymillas/ Targ: 24.0 y = 24.0 d = 1.0000

54

8B1. Diseos de superficie de respuesta

55

8B1. Superficie de respuesta



Un modelo de primer orden es el siguiente:

y ! F 0  F 1 x1  F 2 x 2  ...F k x k  I


Su grfica de contornos son lneas rectas que nos permiten seguir experimentando en la trayectoria de ascenso rpido, perpendicular a los contornos

56

9B1. Trayectoria de ascenso rpido

Orig.+8( Orig.+9( Orig.+10 ( Orig.+11 ( Orig.+12 ( 8 9 10 3.36 3.78 4.20 75 80 85 173 175 177 70.4 77.6

80.3
76.2

11

4.62

90

179

12

5.04

95

181

75.1

57

8B1. Trayectoria de ascenso rpido

Respuesta

Pasos 58

8B2. Superficie de respuesta



Si en la prueba de ANOVA el modelo presenta curvatura significativa entonces el modelo a aplicar es:
Y ! F 0  F i X i  F ii X i2 
i !1 i !1 i !1 k k k 1

F X X
ij i j !2

I

59

8B2. Diseo central compuesto

Puntos axiales en 1.414

Rplicas en (0,0) para el error puro 60

8B2. Diseo central compuesto

del Proceso Corrida 1 2 3 4 5 6 7 8 9 10 11 12 13 Tiempo (min.) 80 80 90 90 85 85 85 85 85 92.07 77.93 85 85 Temp.(F) 170 180 170 180 175 175 175 175 175 175 175 182.07 167.93 codificadas X1 -1 -1 1 1 0 0 0 0 0 1.414 -1.414 0 0 X2 -1 1 -1 1 0 0 0 0 0 0 0 1.414 -1.414 Rendimiento Y2 76.5 77.0 78.0 79.5 79.9 80.3 80.0 79.7 79.8 78.4 75.6 78.5 77.0

61

8B2. Diseo central compuesto

Estimated Regression Coefficients for Y Term Constant A son signif. B A*A B*B A*B
Source Regression Linear Square

Coef 79.940 0.995 0.515 -1.376 -1.001 0.250

DF 5 2 2 Seq SS 28.2478 10.0430 17.9548

SE Coef 0.11896 0.09405 0.09405 0.10085 0.10085 0.13300

Adj SS 28.2478 10.0430 17.9548

T 671.997 10.580 5.478 -13.646 -9.928 1.880

P 0.000 0.000 Si P<0.05 0.001 0.000 0.000 0.102

P 0.000 0.000 0.000

Adj MS F 5.64956 79.85 5.02148 70.97 8.97741 126.88

62

8B2. Diseo central compuesto



La ecuacin de regresin de la superficie de respuesta es: 1.001 B*B

Y = 79.94 + 0.995 + 0.515B 1.376 A*A + 0.25AB



Con las ecuaciones de la pgina siguiente el punto mximo ptimo queda en X1 = 0.389 y X2 = 0.306 Con una respuesta estimada Yest = 80.21

63

8B2. Diseo central compuesto

x1 x x ! 2 ... xk F1 0.995 F b ! 2 ! ... 0.515 F k F11 , F12 / 2,..., F1k / 2 F / 2, F 22 , ....F 2 k / 2 B ! 12 matriz.simetrica, F kk 1.376, 0.1250 ! 0.1250, 1.001 0.389 1 1 1 0.7345, 0.0917 0.995 xs !  B b! ! 2 2 0.0917, 1.006 0.515 0.306 1 ys ! F 0  xs b 2

64

8B2. Diseo central compuesto

Contour Plot of Y
75 76 77 78 79 80

Surface Plot of Y

80.5 79.5 78.5 77.5

Y
-1

76.5 75.5 74.5 73.5 -1.5 -1.0 -0.5 0.0 0.0 -0.5 -1.0 -1.5 1.5 0.5 1.0 1.5

A
-1 0 1

0.5

1.0

Localizacin del punto ptimo 65