Documente Academic
Documente Profesional
Documente Cultură
Resumen
Esta investigacin consiste en analizar estadsticamente el comportamiento de las variables que intervienen
en el proceso de produccin de agua desmineralizada de una empresa ensambladora venezolana. Para llevar a cabo este estudio fue necesario en principio reconocer el proceso de desmineralizacin, mediante entrevistas con
operarios e ingenieros encargados del rea, identificando pH y conductividad como las variables que utiliza la empresa para controlar la produccin de este recurso. Seguidamente se efectu una recoleccin de datos con el
propsito de iniciar el anlisis estadstico mediante el uso de grficos de normalidad, de control y de capacidad de
proceso. Se generaron alternativas de solucin de acuerdo a los resultados obtenidos, y tomando en cuenta el reglamento corporativo acatado por cada uno de los procesos realizados en planta, incluyendo el que es objeto de
estudio.
Palabras clave: Agua desmineralizada, pH, conductividad, anlisis estadstico, normalidad.
H+
R+
+ N-
N- H+
OH-
HN
R+
H+ OH-
agua de entrada
Dureza: Ca, Mg, Fe
Otros: CO3-, HCO3-,
Cl-, SO4, SiO2
alta conductividad
se Regenera con
HCl
se Regenera con
soda caustica
catinica
aninica
H+
OH-
agua
desmineralizada
cero dureza
pH 2-3
TDS es alto
Existen parmetros que permiten medir la calidad del agua y as verificar si es apta o no para un determinado uso; entre los cuales se tienen: la conductividad elctrica [12], el pH [13], los slidos totales
disueltos (TDS) [12], la dureza [12] y la alcalinidad
[13].
Rev. INGENIERA UC. Vol. 14, No 1, Abril 2007
43
2. METODOLOGA
La investigacin se lleva a cabo en las torres
TRC-300 -resina catinica- y TRA-200 -resina aninica- respectivamente.
2.1. Reconocimiento del proceso de desmineralizacin
Se determina en el rea de Fosfato & E-coat, la
cantidad de agua desmineralizada requerida. En las
torres de intercambio inico se cuantifican los tiempos de regeneracin para las resina catinica y aninica y los consumos de regenerantes -cido clorhdrico
y soda custica2.2. Identificacin de los indicadores de gestin en
las torres de intercambio inico
Mediante la observacin directa se especifica el
estado fsico de los equipos, tuberas y accesorios.
Estos resultados se resumen utilizando la herramienta
de evaluacin de indicadores de gestin: seguridad
(S), calidad (Q), entrega (D), costo (C), moral (M) y
ambiente (A); basada en la filosofa 6 trmino estadstico que se utiliza para identificar la variacin de
un proceso-. Los indicadores que miden el buen desempeo del proceso, se clasifican de la siguiente manera: 1: muy malo, 2: malo, 3: regular, 4: bueno, hasta
5: muy bueno, para evaluar as el proceso de produccin de agua desmineralizada e identificar de acuerdo
a estos indicadores las fallas y carencias en este proceso. [14]
2.3. Identificacin de las variables que intervienen
en la produccin de agua desmineralizada
Para conocer las variables que intervienen en el
proceso de desmineralizacin se llevaron a cabo entrevistas con ingenieros y operarios encargados del
rea, los cuales a travs de su amplia experiencia dieron a conocer dichas variables as como su importancia en la obtencin de agua desmineralizada.
Etapa
Acondicionador
Pasivador
FOSFATO
E-coat
Cantidad,
L/da
3.000,00
1.600,00
1.600,00
300,00
872,00
PROCESO
M ANUAL
40
tiempo (min)
orgnica, luego pasa a la torre catinica, y seguidamente a la torre aninica, obtenindose el agua desmineralizada, que es transportada a los tanques de almacenamiento los cuales abastecen a las diferentes reas
donde es indispensable su uso.
32 30
30
20
20
13
20
12
10
10
10
0
Retr olavado
s uccin de cido
Enjuague lento
Enjuague r apido
55.000,00
150,00
7,00
45
Indicador
Ponderacin
TRC-300
TRA-200
Seguridad, (S)
Calidad, (Q)
Entrega, (D)
Costo, (C)
Moral, (M)
Ambiente, (E)
una distribucin normal, la cual permite que se ajusten adecuadamente a una caracterstica de calidad.
[24].
En total se recolectaron 150 medidas que por
requerimientos del programa Minitab versin 13.2, se
organizan en 50 subgrupos de 3 datos cada uno tal y
como fueron recolectados.
Al realizar la prueba de normalidad se obtiene
el comportamiento que se muestra en las Figuras 7 y
8, para la conductividad y pH se puede observar que
no siguen una distribucin normal, debido a que la
normalidad de una serie de datos esta basada en el P
-value -dato reportado por el programa al construir
grficos de normalidad- es decir si:
P-value>0,05 se considera que los datos
son normales.
P-value<0,05 los datos no son normales.
[25].
Cuando los datos no siguen una distribucin
normal, se lleva a cabo una transformacin para corregir la normalidad de los datos.
Una de las ms utilizadas comnmente se denomina transformacin Box-Cox, la cual consiste en la
no homogeneidad de la varianza, es decir, a travs de
la ecuacin (1) y de la eleccin del mejor valor lambda ().
Se transforman los datos para que no exista variabilidad entre ellos y la media, y as poderlos ajustar
a una distribucin normal [26].
Se transforman los datos para que no exista variabilidad entre ellos y la media, y as poderlos ajustar
a una distribucin normal [26].
La ecuacin utilizada por la transformacin
Box-Cox es la siguiente:
(1)
donde:
Y: Datos transformados.
X: Datos a transformar.
: Lambda
Rev. INGENIERA UC. Vol. 14, No 1, Abril 2007
47
0,45
,99
,95
,80
,50
,20
,05
,01
,001
1
10
Desviacin Estandar
Probabilidad
,999
Conductividad (micromhos)
Average: 3,09067
StDev: 1,35209
N: 150
0,25
-5
-4
-3
-2
-1
Lambda
Probabilidad
,99
,95
,80
,50
,20
,05
,01
,001
4,8
Average: 5,86793
StDev: 0,482021
N: 150
pH
5,8
6,8
Anderson-Darling Normality Test
A-Squared: 1,892
P-Value: 0,000
,999
,99
Probabilidad
,999
,95
,80
,50
,20
,05
,01
,001
0,5
Average:
0,705225
0,6
0,7
0,8
0,9
Datos Transformados
StDev:
0,0827363
N: 150
Por lo tanto, se procede a transformar las especificaciones corporativas de pH (ver Figuras 9 y 11)
seguidas por la ensambladora, ya que al transformarse
los valores de pH estas tienen que ser cambiadas
igualmente por la ecuacin (1) para poder ser utilizadas en los grficos de capacidad de proceso.
Grficos de capacidad
,999
,99
Probability
,95
,80
,50
,20
,05
,01
,001
2000
7000
12000
Datos Transformados
Average: 6693,59
StDev: 2437,94
N: 150
Grficos de control
Como se mencion anteriormente, para construir grficos de control es necesario que los datos a
estudiar se ajusten a una distribucin normal, es por
ello que solo se realiza el grfico de control de pH,
mostrado en la Figura 13.
Como se puede observar el pH se encuentra
bajo control, ya que las medidas individuales se encuentran dentro de los limites estadsticos calculados
bajo la variacin natural del proceso representada por
6, lo cual implica que el proceso no evidencia la presencia de causas asignables de variacin (solo causas
aleatorias o comunes) [27], [24].
12000
UCL=11274
Valores Individuales
11000
10000
9000
8000
Mean=7910
7000
Consideraciones finales
6000
5000
LCL=4546
4000
0
50
100
150
Observaciones Individuales
Para transformar la conductividad en una variable que se encuentre bajo control estadstico y permita
conocer la capacidad del proceso al igual que el pH,
se plantean las siguientes alternativas:
Discutir con los ingenieros encargados del proceso la posibilidad de disminuir el rango de las
especificaciones. Bajo esta opcin no se debe
olvidar la confiabilidad del producto y verificar
si este puede funcionar adecuadamente dentro
de ese nuevo rango de especificaciones.
Disminuir la dispersin del proceso, para lo
cual podra requerirse:
Reentrenamiento de los operarios.
Rev. INGENIERA UC. Vol. 14, No 1, Abril 2007
49
[2]
50
[3]
Alwan, C. y Roberts, H.V. (1989):Times Series Modeling for Statistical Process Control,
Statistical Process Control in Automated Manufacturing, J.B. Keats and N.F.
[3]
[3]
[3]
[7]
[8]
[9]
[20] Varo, P. y
Rodrguez, P. (2001):
Caractersticas fsico-qumicas de las aguas
ablandadas. Universidad de Alicante. Departamento de Ingeniera Qumica. Espaa.
[21] RGsystems (2005, Octubre 17) [Pgina Web en
lnea] Disponible: http://www.rgsystems.org
[Consulta:2005, Octubre 19].
[22] Tratamiento Integral (2005, noviembre 15)
[Pgina
Web
en
lnea]
Disponible:
http://www.tratamientointegral.com.mx
[Consulta: 2005, noviembre 18].
[23] Zhang Nien (1998): A Statistical Control
Chart for Stationary Process Data. Technometrics, Vol. 40, No. 1. pp 24-38.
[24] Cantell B. y Ramirez J. (1998): An Application of Statistical Process Monitoring in the
Semiconductor Clean Room Environment,
pp 1-24.
51