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.