Examinando por Materia "Process capability indices"

Mostrando 1 - 3 de 3
  • Miniatura
    PublicaciónRestringido
    Estimación del índice de capacidad de procesos Cpm usando un enfoque prescriptivo
    (Universidad de Córdoba, 2024-06-26) Jiménez Peña, Elis Loana; Cogollo Flórez, Myladis Rocío; Morales Ospina, Victor; Arteaga Sierra, Mónica
    Los procedimientos industriales requieren de acciones y decisiones efectivas para monitorear y mejorar la calidad de cualquier tipo de producto, manteniendo la competitividad y el cumplimiento de las especificaciones preestablecidas. Los índices de capacidad de procesos son una herramienta empleada para ello, sin embargo, generalmente requieren que se satisfaga el supuesto de normalidad de los datos del proceso, y no se ha abordado un análisis de sensibilidad del efecto que pueden tener cambios en los parámetros claves del proceso sobre el valor del índice. En este estudio se propone un análisis prescriptivo para la estimación del índice de capacidad Cpm cuando los datos del proceso no se distribuyen normalmente. Se consideran métodos de optimización tradicional y heurísticos, junto con optimización no lineal. Con la metodología propuesta se logra identificar, a partir de datos históricos, los valores óptimos de los percentiles que conllevan a obtener un valor del índice Cpm de un proceso capaz. En particular para el conjunto de datos experimental analizado, el cual se puede ajustar a una distribución Gamma, se encuentra que los valores del índice que denotan procesos capaces aumentan a medida que aumenta el parámetro de escala, mientras que el parámetro de forma se mantiene cercano a cero.
  • Miniatura
    PublicaciónAcceso abierto
    Estudio del efecto de la selección de los números triangulares sobre el desempeño de los índices de capacidad de procesos fuzzy
    (2022-10-05) Mejía López, Einer David; Cogollo Flórez, Myladis Rocio; Cogollo Flórez, Juan Miguel
    La evaluación del grado de cumplimiento de las especificaciones de los procesos de producción, es una labor continua y de interés para distintas industrias para determinar si el proceso es valido en la producción de un articulo bajo ciertos requisitos de calidad prefijados. Para ello, una de las herramientas empleadas son los índices de capacidad de procesos, los cuales permiten evaluar la capacidad de un proceso. Se utilizan varias estadísticas como Cp, Cpk, Cpm y Cpmk para estimar la capacidad de un proceso que en la mayoría de los casos se supone que se tiene una muestra grande con población Normal. Cuando los límites de especificación o los estadísticos no son números concretos, la mejor elección es emplear un enfoque difuso para calcular dichos índices. Se realiza una revisión de la literatura sobre los índices de capacidad de procesos difusos y se encuentra que hasta la fecha, no se han explorado técnicas diferentes a los intervalos de confianza para elegir los números triangulares que intervienen en la construcción de los mismos. En esta investigación se calcula formalmente el Cpm, bajo enfoques distintos de construcción de los números triangulares USL, LSL y T, asumiendo a su vez la imprecisión de la media y dispersión del proceso. Este estudio se realiza vía simulación considerando las distribuciones Log − normal y Gamma debido a la variedad de formas asimétricas sesgadas positivamente y dos conjuntos de datos recolectados durante 27 semanas en la Universidad de Valparaíso-Chile para estudiar el efecto de estas selecciones en el desempeño de dicho índice. Los resultados hallados al examinar las diferentes formas de construcción de los números triangulares usando datos reales, demuestran que este es un enfoque útil y confiable para aplicar en las diferentes industrias.
  • Miniatura
    PublicaciónAcceso abierto
    Importancia de la selección de variables de entrada en un modelo de redes neuronales artificiales para la clasificación del estado de procesos industriales
    (2023-06-27) Negrete Charry, Luis Alfonso; Cogollo Flórez, Myladis Rocio
    In statistical process control, Process Capability Indices (PCI) are a tool to quantify process diversity and analyze this diversity in relation to product requirements or specifications. The validity of the results of the PCI depends on the measures being taken from processes under control, and that the assumptions of normality and independence are fulfilled. In practice, it is difficult to satisfy these assumptions, and that is why several alternative methods have been proposed, such as the Clements percentile method, the Box-Cox potential transformation method, the Burr percentile method, and recently Machine Learning methods. Abbasi (2009) proposes to estimate the process capacity index using an artificial neural network (ANN) model, but does not consider the selection process of the input variables of the neural network, nor the optimal construction. of the network typology and, in addition, distributional assumptions are assumed. In this paper, an PCI estimation methodology is established using ANN classificationtype models, which allows categorizing the state of a process, considering different selection methods for the most relevant input variables, as well as the optimal configuration of the network. Using experimental data from non-normal distributions, the effect of different input variable selection methods on the performance of the ANN model is evaluated and compared. It is concluded that the Pearson selection method almost always provides simpler network structures than those provided by the Backward and Gedeon methods.