Los gráficos de control multivariantes son una reciente aportación al control de procesos, siendo el gráfico T2 de Hotelling la opción más utilizada por el operario por su fácil aplicación. Por este motivo se busca potenciar su uso, sin complicar o cargar de esfuerzo adicional a los responsables del proceso.
Considerando los buenos resultados obtenidos por gráficos predecesores en los cuales se varía el tamaño de la muestra, esta tesis plantea la posibilidad de obtener mejores resultados variando de forma adaptativa el número de variables involucradas en el control del proceso. Con ello lograr la reducción del ARL o promedio de muestras necesarias hasta que aparezca una señal de fuera de control, además reducir los costos asociados al muestreo, utilizando la totalidad de variables involucradas en el proceso únicamente cuando sea necesario.
Para poder lograr los objetivos planteados se hizo uso de cadenas de Markov y métodos heurísticos (algoritmos genéticos). Se desarrollaron programas informáticos que facilitaron el cálculo y la optimización del diseño de los gráficos de control propuestos, los cuales trabajan con dimensiones variables p1 y p (p1
Los gráficos propuestos logran reducir el ARL fuera de control con respecto al gráfico de control T2 de Hotelling. Los ARL fuera de control de los gráficos propuestos para todos los casos analizados presentan mejor rendimiento que los obtenidos por el gráfico T2 calculado con solo las primeras p1 variables, y en la mayoría de los casos cuando se compara con el rendimiento del gráfico T2 conseguido con las p variables.
Los gráficos de control propuestos logran reducir los costos asociados al muestreo. A medida que aumentan los valores de p1 y p el porcentaje de veces que se utilizan todas las variables va incrementándose. Con las distancias d y d1 el efecto es contrario. Por este motivo, se puede afirmar que a pequeñas distancias y mayor cantidad de variables, se obtienen los porcentajes más altos de veces que se utilizan las p variables cuando el proceso está bajo control (coste alto de muestreo, aunque más económico que utilizar todas las p variables). Por el contrario, cuando se consideran pocos parámetros y distancias mayores, éste porcentaje es bajo, reduciendo considerablemente los costos del muestreo.
© 2008-2024 Fundación Dialnet · Todos los derechos reservados