Optimización del proceso de pulido en la fabricación de cabezas

OPTIMIZACIÓN DEL
PROCESO DE PULIDO EN LA
FABRICACIÓN DE CABEZAS
MAGNÉTICAS LECTORASESCRITORAS DE
INFORMACIÓN CONTENIDA
EN DISPOSITIVOS
MAGNÉTICOS, DISCO DURO.
Trabajo de Investigación desarrollado por:
Edgar Abraham Linares Hernández
Alumno de la Maestría en Sistemas de Calidad
RETOS EMPRESARIALES
Hace 10 años, la competición extranjera estaba centrada sólo en algunas industrias-la electrónica y la automovilística, en particular-- pero actualmente esta acción
competitiva se ejerce en todas las industrias del mundo.
Casi toda empresa industrial, comercial y de servicios se encuentra en
reestructuración para operar más eficazmente en un mundo cada vez más
competitivo.
Cada sector o segmento de estas organizaciones está acrecentando la intensidad
de sus esfuerzos en la reducción de costos y el mejoramiento de la calidad.
En el mundo empresarial de hoy en día, ya no es suficiente hacer mejor las cosas.
El mundo entra en una nueva era. Una era en la que la satisfacción del cliente y el
éxito en los negocios dependen de la velocidad en igual medida que del costo y de
la calidad de los artículo que se producen y de los servicios que se proporcionan.
OPTIMIZACIÓN
Optimizar es sinónimo de buscar lo mejor, también alcanzar la ganancia
máxima o tener la pérdida mínima. El hombre a lo largo de su historia ha
intentado siempre proyectarse hacia la cumbre o alcanzar el éxito en sus
actividades, sean estas empresariales, científicas o políticas. En todas ellas las
técnicas de optimización han formalizado y cuantificado, mediante
procedimientos matemáticos, la forma de alcanzar lo mejor en una circunstancia o
problema bien definido. Optimizar recursos es un reto del presente y del futuro.
Los científicos, en especial los matemáticos por lo general se han ocupado de
fenómenos que se encuentran al intentar hallar los puntos extremos, máximo y
mínimo, en un problema de optimización. Euclides planteó el problema de encontrar
la distancia más corta entre un punto y una recta.
EL PROBLEMA DEL DISEÑO DE EXPERIMENTOS: INTRODUCCIÓN.
Desde siempre el hombre ha realizado experimentos. El hombre primitivo probaba
frutos silvestres para ver si tenían un sabor agradable; alguna vez intentaba un nuevo
método de caza, y si daba resultado, era adoptado por la tribu. Los resultados de los
experimentos del hombre primitivo eran muy aleatorios, ya que dependían en gran
medida de la naturaleza. El mejor método de caza seguramente no daba siempre los
mismos resultados, debido a los muchos factores que cambiaban de una ocasión a otra.
Los experimentos en la industria moderna son más complicados que el experimento
antiguo descrito arriba, por que son muchos los factores que son susceptibles de
controlarse y que afectan a la calidad de los productos, de aquí que son muchas las
combinaciones de dichos factores que se deben probar para obtener resultados válidos
y consistentes.
El diseño estadístico de experimentos permite optimizar la información
generada acerca del sistema, en relación a los objetivos planteados. En otras
palabras, el diseño de experimentos es la aplicación del método científico para
generar conocimiento acerca de un sistema o proceso.
El diseño de experimentos ha sido consolidado poco a poco en la industria actual como
un conjunto de herramientas estadísticas y de ingeniería, que permiten lograr la máxima
eficiencia de los procesos con el mínimo costo.
Más concretamente, con diseño de experimentos se pueden resolver
problemas como los siguientes:
1. Desarrollar productos que sean resistentes a diferentes condiciones de uso.
2. Encontrar las condiciones de proceso que dan por resultado valores óptimos de las
características de calidad del producto.
3. Elegir entre diferentes materiales, métodos de producción o proveedores, con el fin
de mejorar la calidad y reducir costos.
4. Hacer el proceso insensitivo a la variabilidad transmitida por sus componentes.
5. Estudiar la relación que existe entre los diferentes factores que intervienen en un
proceso y las características de calidad del producto. Este es el problema general que
resuelve el diseño de experimentos, ya que los puntos anteriores se pueden ver como
casos particulares de éste.
¿QUE ES DISEÑAR UN EXPERIMENTO?
Un experimento es un cambio en las condiciones de operación de un sistema o
proceso, que se hace con el objetivo de medir el efecto de tal cambio sobre
una o varias propiedades del producto. Dicho experimento permite aumentar el
conocimiento acerca del mismo.
DEFINICIÓN
El diseño de experimentos consiste en planear un conjunto de pruebas
experimentales, de tal manera que los datos generados puedan analizarse
estadísticamente, para obtener conclusiones válidas y objetivas acerca del
sistema o proceso.
VARIABLES, FACTORES Y NIVELES.
En todo sistema intervienen distintos tipos de variables o factores como los que
se definen a continuación:
1.Variable de respuesta.- Es la característica o propiedad del producto cuyo valor
interesa mejorar (ver Figura anexa).
ENTRADA
Factores
controlables
Factores no
controlables
SALIDA
Proceso
Característica
de calidad o
Variables de
respuesta
Figura. Variables que intervienen en un proceso.
2.Factores controlables.-Son las variables de proceso que se controlan durante los
primeros experimentos; muchas veces los factores que usualmente ya se controlan
durante la operación normal del proceso.
3.Factores no controlables.-Son variables que no se controlan durante los
experimentos, ya sea porque se pueden suponer que no influyen sobre la respuesta, o
porque es difícil o incosteable controlarlos
4. Error aleatorio.-Es la suma de efectos debidos a muchas pequeñas causas, que
por ser pequeñas no son identificables. El error aleatorio es la variabilidad natural del
proceso, que es la variabilidad debida solo a causas comunes que actúan sobre el
proceso.
ETAPAS EN EL DISEÑO DE EXPERIMENTOS
I.Planeación y diseño.
1.Encontrar un problema de calidad que causa pérdidas importantes a la compañía.
2.Determinar cuales factores deben de controlarse, de acuerdo a la supuesta influencia
que tiene sobre la respuesta.
3.Elegir la variable de respuesta que será medida en cada punto del diseño y verificar
que se mide de manera confiable
4.Elegir el diseño experimental adecuado a los factores que se tienen y al objetivo del
experimento.
5.Realizar las corridas, experimentales aleatorizando de acuerdo al plan experimental y
manteniendo la más fijo posible factores no controlados
II.Análisis
6. Determinar el modelo de análisis de varianza que mejor describe el comportamiento
de los datos
II.Interpretación
7. Determinar cuál es el mejor tratamiento y cuál es la respuesta esperada en el mejor
tratamiento.
8. Hacer corridas confirmatorias del proceso en el mejor tratamiento, para probarlo en
los hechos.
II.Verificación de los supuestos
9. Verificar los supuestos del modelo: normalidad, varianza constante e independencia
de los residuos.
PRINCIPIOS BÁSICOS Y ALEATORIZACIÓN
Los principios básicos del diseño de experimentos son aleatorización, repetición y
bloqueo, los cuales tienen que ver directamente con lo que los datos obtenidos sean
útiles para responder a las preguntas planteadas, es decir, la validez del análisis de los
datos se apoya fuertemente en estos principios.
Aleatorización.- Consiste en hacer corridas experimentales en orden aleatorio y con
material seleccionado también aleatoriamente.
Repetición.- Repetir es correr el experimento más de una vez en un tratamiento dado.
Las repeticiones permiten distinguir mejor que parte de la variabilidad total de los datos
se debe al error aleatorio y cuál a los factores.
Bloqueo.- Bloquear es controlar en forma adecuada a todos los factores que puedan
afectar la respuesta observada.
CLASIFICACIÓN Y SELECCIÓN DE LOS DISEÑOS DE EXPERIMENTOS
1. Diseños para comparar
dos o más tratamiento
Diseño completamente al
azar.
Diseño en bloques
completos al azar.
Diseño en cuadro latino y
grecolatino.
2. Diseños para estudiar el
efecto de los factores que
intervienen en un proceso
Diseños factoriales 2^k
Diseños factoriales 3^k
Diseños factoriales
fraccionados 2^k-p
Diseños para el modelo de
primer orden.
Diseños factoriales 2^k
y
2^k
Diseño de Palakett-Burman
Diseños simplex
3. Diseños para la
optimización de
procesos.
Diseños para el modelo de
segundo orden.
4.Diseños de mezclas
Diseños de lattice-simplex
Diseños simplex con
centroide.
Diseños con restricciones.
Diseños axiales.
Diseño compuesto central
Diseño de Box-Behnken
Diseñosfactoriales 3^k y
3^k.
DISEÑOS PARA ESTUDIAR EL EFECTO DE VARIOS FACTORES
Los diseños que sirven para estudiar el efecto de varios factores son llamados diseños
factoriales. Cuando en un proceso intervienen varios factores cuantitativos como:
temperatura, humedad, presión, fuerza, velocidad, ángulo, tiempo, etc.., que pueden
estar actuando sobre el proceso, es además muy probable que tengan efectos de
interacción.
El objetivo de los experimentos factoriales es estudiar el efecto de varios factores sobre
una o varias respuestas o características de la calidad
Ventajas de los diseños factoriales
1) Los diseños factoriales requieren relativamente de pocas corridas experimentales, lo
que se traduce en ahorro de recursos. Son mucho más eficientes que el típico
experimento de mover un factor a la vez que utilizan las personas que no saben diseño
de experimentos.
2) Son diseños que se pueden aumentar para formar diseños compuestos en caso de
que se requiera una exploración más completa. Por ejemplo, es útil aumentar el diseño
si el comportamiento de la respuesta no es lineal en los factores controlados.
3) Se pueden correr fracciones de diseños factoriales, las cuales son de gran utilidad en
las primeras etapas de una investigación que involucra muchos factores y se quiere
desechar los que no son importantes, antes de utilizar un diseño más grande.
4) Pueden utilizarse en combinación con diseños de bloques en situaciones en las que
no puede correrse todo el diseño factorial complejo bajo las mismas condiciones
ambientales.
5) La interpretación y cálculo de los efectos se puede hacer aritmética y lógica
elemental.
Definición
Un diseño de experimentos factorial es el conjunto de puntos experimentales que
pueden formarse considerando todas las posibles permutaciones de los niveles de los
factores. A los efectos individuales de cada factor se les llama efectos principales, y a
los efectos cruzados de dos, tres...k factores se les llama, respectivamente,
interacciones de primer orden (dobles), de segundo orden (triples), etc.
PROCESO DE FABRICACIÓN DE CABEZAS MAGNÉTICAS (SLIDERS)
Proceso
de
fabricación
de cabezas
magnéticas
1
Proceso
de
fabricación
de cabezas
magnéticas
2
Proceso
de
fabricación
de cabezas
magnéticas
3
Proceso
de
fabricación
de cabezas
magnéticas
4
OBLEA
QUAD
A
INICIO
PULIDO ABS
Después
Antes
CORTE DE QUAD
EN ROWS
PULIDO PARTE TRASERA (FLEX)
Después
Antes
A
B
Espesor in=
Espesor out=
320 micropulg 300 micropulg
PROCESO DE GRABADO
Row
B
C
CORTE DE ROWS EN SLIDERS (CABEZAS)
Después
Antes
C
PRODUCTO
FINAL
FIN
COMPONENTES DE UN DISCO DURO
PROCESO DE PULIDO POR PARTE TRASERA DE LA CABEZA MAGNÉTICA
(LADO FLEX)
LA CINTA ES
PEGADO AL ARO
LA CINTA
SE RESTIRA
CON EL FIXTURE
SE CARGAN LOS ROWS EN
LOS FIXTURES DE LA
ESTACIÓN
SE ADHIEREN LOS ROWS A LA
CINTA USANDO EL FIXTURE
-PULIDO DE ROWS
EL ARO SE INSERTA
SOBRE EL
CABEZAL DE PULIDO.
-SE TRANSFIERE
LOS ROWS A OTRA
CINTA (POS.
ESPEJO)
LA CINTA YA NO SUFRE
-SE AUDITA EL
UN ESTIRAMIENTO.
SE DESCARGAN LOS ROWS
GROSOR DE LOS
LOS ROWS GUARDAN
DE LA CINTA A LOS FIXTURE
ROWS
LA MISMA POSICIÓN
QUE EN LA CARGA
CICLO DEMING
Planear
Hacer
Actuar
Verificar
PLANEAR
IDENTIFICACIÓN DE LA MEJORA Y PLANEAR EL CAMBIO O
MEJORA.
• Creación de un equipo de trabajo.
• Generación y control de métricos: tiempo de ciclo y materiales directos.
• Análisis de oportunidades: diaagrama de ichikawa, pareto, tormenta de
ideas.
• Planes de acción, aplicación de una técnica de optimización, diseño de
experimentos.
Tiempo de Ciclo promedio en fabricación de cabezas magnéticas (por área) 2002
Timpo de ciclo (Dias)
25
24
20
15
20
PFCM 2
16
PFCM 3
12
PFCM 4
8
PFCM 4A
10
5
4
0
PFCM 1
Septiembre
Agosto
Julio
Junio
Mayo
Marzo
Febrero
Enero
Abril
0
Objetivo
Operaciones
22
19
4
7
11
8
14
9
18
12
10
Porcentaje
10
6
0
5
30
20
10
15
50
13
20
21
70
17
30
23
90
16
40
1
110
Pulido+42 Ope
50
2
Horas
Pareto Tiempo de Ciclo por Operación (1er Nivel)
Objetivo
Tiempo Ciclo Real
80
60
40
Porcentaje
100
Tiempo Ciclo Teórico
20
Pulido
Op.39
0p.40
Op.35
Op.22
Op.34
Op.20
Op.38
Op.24
Op.23
Op.21
Op.31
Op.1
Op.37
Op.11
Op.42
Op.2
Op.15
Op.29
Op.17
Op.9
Op.26
Op.13
Op.8
Op.25
Op.5
Op.32
Op.19
Op.27
Op.18
Op.10
Op.33
Op.30
Op.3
Op.4
Op.41
Op.7
Op.36
Op.16
Op.28
Op.6
Op.14
Op.12
100
90
80
70
60
50
40
30
20
10
0
0
Operaciones
Tiempo de Ciclo Operación de Pulido=94minutos
0.6
0.5
100
93
90
0.5
0.5
80
70
0.4
Minutos
Minutos
Pareto Tiempo de Ciclo por Sub-Operación (Pulido+42 Operaciones)
(2do. nivel)
60
0.3
50
40
0.2
30
20
0.1
10
0
0
Operaciones
Pulido
Carga
Descarga
Consumo de slury promedio mensual Actual
1400
(Operación de pulido por el lado trasero ó flex)
1200
Militros
1000
800
Actual
600
400
200
0
HACER
PROBAR EL CAMBIO O LA MEJORA
Correr el experimento
VERIFICAR
VERIFICAR LA PRUEBA O EL CAMBIO, ANALIZAR LOS
RESULTADOS E IDENTIFICAR LECCIONES APRENDIDAS
Réplicas
ACTUAR
TOMAR ACCIONES BASADAS, EN EL PASO DE VERIFICACIÓN.
TORMENTA DE IDEAS
-Flujo de slurry(polvo de diamante)
de preparación de
slurry
-Variación en espesor de entrada del row.
de uso de los platos
-Rugosidad de los platos de pulido.
del material
-Presión de los pistones.
-Velocidad del plato
captura y
reporteos datos
-Proceso de Desastillado
-Sistema de medición
-Operador
-Secuencia
-Frecuencia
-Disposición
-Retrabajos
-Metodología de
DIAGRAMA DE CAUSA Y EFECTO
Mano de Obra
Reporteo de
datos
N/A
Medio
Ambiente
Método
Secuencia de
prep. de slurry
Frecuencia de
uso de platos
RWK
Sistema de
medición
Medición
Maquinaria
Presión de
los pistones
Velocidad del
plato
Rugosidad de
los platos de
pulido
Flujo de Slurry
Desastillado
RWK
Espesor del
material de
entrada
Medición
Variable de
Respuesta:
Tiempo de Ciclo
(Factor
de Desbaste)
4. Actuar dependiendo
de los resultados:
implementar el cambio,
o desécharlo, o bien
planear otra prueba
CICLO DEMING
Planear
1. Planear un cambio o
una prueba, con el
objetivo de lograr una
mejora
Hacer
Actuar
3.Estudiar los
resultados. ¿Qué se
aprendió?, ¿Qué
estuvo mal?
2.Hacer o llevar acabo
el cambio o las
pruebas planeadas
Verificar
DOE APLICADO AL PROCESO DE PULIDO POR LA PARTE
TRASERA DE LA CABEZA MAGNÉTICA (LADO FLEX).
.
1.-Presión
2.-Velocidad
3.-Rugosidad
4.-Flujo
Slurry
Proceso de
Pulido
Tiempo de Ciclo
(Factor de
desvaste)
Variable de respuesta: Facor de desvaste (micropulgadas /minuto)------>Tiempo
de Ciclo
Factores que se van a controlar:
Presión de los pistones
Velocidad del plato de pulido
Rugosidad del plato de pulido
Flujo de Slurry
Factores que van a quedar fijos:
Operador
Máquina
Tiempo de desastillado
Sistema de medición (mitutoyo)
La aleatorización que evitaría:
Evitaría que los factores inducidos por el operador, máquina y tiempo de pulido se
carguen en alguno de los experimentos en forma injusta, es decir evitariamos sesgos
en nuestras observaciones.
PRUEBAS DE HIPÓTESIS
Enseguida se muestran las pruebas de hipótesis para cada factor:
Factor A: Rugosidad.
HO: µΑ= 0 (No hay efecto debido al factor A)
HA: µΑN 0 (Si hay efecto debido al factor A)
Factor B: Presión.
HO: µΒ= 0 (No hay efecto debido al factor B)
HA: µΒN 0 (Si hay efecto debido al factor B)
Factor C: Velocidad
HO: µC= 0 (No hay efecto debido al factor C)
HA: µCN 0 (Si hay efecto debido al factor C)
Factor D: Flujo de Slurry
HO: µD= 0 (No hay efecto debido al factor D)
HA: µDN 0 (Si hay efecto debido al factor D)
LOS NIVELES:
Son los valores que los factores de interés tomaron, en este
experimento de eligieron valores altos y bajos con respecto al
nivel actual, estos también fueron determinados en base a
una lluvia de ideas con gente involucrada en el proceso
(operadores, ingenieros, calidad, procesos) ver tabla anexa
MATRÍZ DE CORRIDAS
C o r r id a
1
2
3
4
5
6
7
8
Rugosidad Plato
(micropulgadas)
35
35
35
35
25
25
25
25
Presión de
cilindro (psi)
30
40
30
40
40
30
40
30
Velocidad
de plato
(rpm)
60
60
70
70
70
70
60
60
Flujo de
slurry (ml/
min)
12
8
8
12
8
12
12
8
M
m
CORRIDAS EXPERIMENTALES
CONSIDERACIONES
Al no haber réplicas en un experimento, no se tiene manera de estimar
un error aleatorio auténtico, y la alternativa en estos casos es construir
un “error aleatorio” a partir de los efectos de poca magnitud.
Fue necesario sacrificar las interacciones de tercer, segundo y primer orden para poder
obtener la suma de cuadrados del error y de esta manera construir la tabla de ANDEVA.
ANÁLISIS DEL EXPERIMENTO / ANÁLISIS DE VARIANZA
RESULTADOS DE LAS PRUEBAS DE HIPÓTESIS
Enseguida se muestran las pruebas de hipótesis para cada factor:
Factor A: Rugosidad.
HO: µΑ= 0 (No hay efecto debido al factor A)
HA: µΑN 0 (Si hay efecto debido al factor A)
Resultado: No existe suficiente evidencia para rechazar HO:, por lo tanto se acepta HO:
y se rechaza HA: a un nivel de significancia α= 0.05. Esto es el valor 0.172(p-value) es
mayor que 0.05, su interpretación es que el efecto no esta activo o no es significativo.
Factor B: Presión.
HO: µΒ= 0 (No hay efecto debido al factor B)
HA: µΒN 0 (Si hay efecto debido al factor B)
Resultado: Existe suficiente evidencia para rechazar HO:, por lo tanto se acepta
HA: a un nivel de significancia α= 0.05. Esto es el valor 0.0375(p-value) es menor
que 0.05, su interpretación es que el efecto esta activo o es significativo.
COMPROBACIÓN DE LOS SUPUESTOS
La validez de los resultados obtenidos en cualquier análisis de varianza queda
supeditado a que los supuestos del modelo se cumplan. Cada análisis de varianza (o
prueba F) busca probar que el modelo lineal propuesto efectivamente describe el
comportamiento de la respuesta observada.
Los supuestos a comprobar son:
y
y
y
VARIANZA CONSTANTE
NORMALIDAD
INDEPENDENCIA
VARIANZA CONSTANTE
El supuesto de varianza constante se puede verificar graficando los residuos contra los
predichos, y los puntos deben caer aleatoriamente en el sentido vertical dentro de una
banda horizontal, para concluir que el supuesto se cumple. Al ver la figura 5.3, se
observa que el supuesto de varianza constante se cumple.
Residuos vs Predichos
(X 0.001)
59
Residuos
39
19
-1
-21
-41
0.23
0.27
0.31
0.35
0.39
0.43
0.47
Predichos
Figura 5.3 Residuos vs Predichos
SUPUESTO DE NORMALIDAD
Porcentaje
Residuos en papel Normal
99.9
99
95
80
50
20
5
1
0.1
-26
-6
14
Residuales
34
54
(X 0.001)
Figura 5.4. Residuos en papel normal
En la gráfica 5.4 se grafican los residuos en papel probabilístico normal. Como los
puntos se apegan a la línea colocada visualmente, se concluye que no hay violaciones
al supuesto de normalidad.
SUPUESTO DE INDEPENDENCIA
Para probar este supuesto gráficamente, se requiere capturar los datos en el orden en
que fueron obtenidos, para que el software puede graficar los residuos con respecto al
tiempo u orden de corrida. Se observa en la figura 5.5 que los residuos no siguen un
patrón o tendencia por lo tanto se considera que se cumple el supuesto de
independencia.
Residuos vs Orden de Corrida
0.059
Residuos
0.039
0.019
-0.001
-0.021
-0.041
0
2
4
6
8
Número de corrida
Figura 5.5 Residuos vs orden de corrida.
CONCLUSIONES
1. En base a el análisis de varianza del proceso de pulido se concluye que el único
factor que esta activo o que es significativo en la variable de respuesta, tiempo de ciclo
(factor de desbaste), es el Factor B: presión (ver figura anexa).
Pareto Estandarizado
B:Presion
C:Velocidad
A:Rugosidad
D:Flujo Slurry
0
1
2
3
4
Efecto Estandarizado
Figura. Pareto Estandarizado.
2. Las celdas con mejor resultado de tiempo de ciclo (factor de desbaste) se muestra en
la tabla anexa, celda No. 4 y 5.
Tabla. Celdas con mejor resultado de tiempo de ciclo (factor de desbaste).N/A
significa No Aplica.
Nota: La variable de respuesta es tiempo de ciclo, pero se busca el factor de desbaste (material
desbastado en micropulgada/tiempo transcurrido) más agresivo, el cual nos arrojara un menor
tiempo de ciclo.
3. El proceso en condiciones normales desbasta 20micropulgadas (promedio) en 93
minutos (promedio), dando un factor de desbaste de 0.22 (micropulgadas/minuto).
Implementando en el proceso la celda 5, tendríamos que el proceso desbastaría 20
micropulgadas en 42.55 minutos con un factor de desbaste
0.47
(micropulgadas/minuto), en porcentajes es una mejora en tiempo de ciclo del 45.75% en
la operación de pulido (Ver gráfica 5.8).
Tiempo de Ciclo Actual vs Propuesto
(Operación de pulido por el lado trasero ó flex)
100
90
80
Minutos
70
60
TC actual
TC propuesto
50
40
30
20
10
Mejora en un
45.75% de TC
0
TC: Tiempo de Ciclo
Figura. Tiempo de Ciclo actual vs Propuesto
4. Otra ventaja importante de implementar la celda 5, es que la cantidad de slurry (polvo
de diamante) es usar un suministro de 8ml/min en lugar de 10ml/min. Esto nos da un
ahorro en consumo del 20% y en dinero serian 2,900 dlls mensuales, la cual es una
cantidad considerable(Ver Figura 5.9).
Consumo de slury mensual Actual vs Propuesto
(Operación de pulido por el lado trasero ó flex)
1400
Militros/Mensual
1200
1000
800
600
400
200
Mejora en un
20% de
consumo de
slurry= 2900 dlls
menos
0
Figura 5.9. Consumo de slurry ACtual vs Propuesto
Actual
Propuesto
RECOMENDACIONES
y En el proceso de pulido hay variables que habrá que revisar en un análisis posterior.
Estas son fricción, rozamiento y lubricación (fenómenos tribológicos), flatness, crown,
camber y la resistencia del material las cuales se “pudieran ver afectadas”, debido a la
presión y velocidad alta.
wy Realizar una segunda replica del experimento para rescatar alguna información que
pudiera ser de utilidad, como alguna interacción que no se haya podido observar en
este experimento, además de corroborar los resultados.
Tomar en cuenta la posibilidad de reducir el tiempo de ciclo en base al termino de vida
de la rugosidad del plato, es decir los 93 minutos de pulido del material no son
efectivos, la rugosidad del plato disminuye conforme el tiempo transcurre.