Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
SUPERFICIE DE
RESPUESTA
Ing. Saúl Pérez P.
Ing. Mecatrónica
Universidad Autónoma del Caribe
SUPERFICIE DE RESPUESTA
La metodología de la Superficie de Respuesta ha sido satisfactoriamente utilizada
para optimizar muy diferentes tipos de unidades, procesos y sistemas industriales.
Este es un enfoque experimental que ha sido aplicado en laboratorios de
investigación y desarrollo y, a veces en los propios equipos de fabricación. Sin
embargo, en este último caso es con frecuencia más apropiada la Operación
Evolutiva que es una forma modificada de aquella aplicable tanto para objetivos
de cribado como de optimización.
Para implantar la metodología de la superficie de respuesta, se utilizan varios
procedimientos estadísticos. El concepto de superficie de respuesta fue
originalmente desarrollado y descrito por Box y Wilson (1951). Al principio, la
metodología de la superficie de respuesta fue utilizada fundamentalmente como
técnica de optimización experimental en la industria química. Pero, desde
entonces, se le han hallado aplicaciones en muchos otros campos (ver Hill y
Hunter1966).
2
Figura 1 Esquema de los elementos de la Metodología de Superficies de
Respuesta
CRIBADO BÚSQUEDA I BÚSQUEDA II
SI TIENEN MUCHOS MODELO TENTATIVO DE FORMULAR MODELO DE
FACTORES PRIMER ORDEN SEGUNDO ORDEN
DISEŇO FACTORIAL
ALTAMENTE REALIZAR LOS CORRER LOS
FRACCIONADO EXPERIMENTOS EXPERIMENTOS
6
2.00 1
le -o
50
1
1,75 1
1
1
u,
<
1 70
ce
C>
1..50
%:
:e
.!_il:..!
1...25
1,00
0,75 50---------1
15 20 25 30
8
El investigador ha alcanzado sólo una producción del 65 por 100 (en E),
mientras que es posible (en P) llegar al 90 por 100. Esta mayor producción
puede alcanzarse si. simultáneamente, se incrementa la concentración y se
reduce el tiempo a partir de los valores «óptimos» de los que ha informado el
ingeniero.
Si los contornos de la montaña hubieran sido circulares y no hubiera ningún
valor experimental, el procedimiento de «uno a la vez» habría llevado al
ingeniero al punto más alto de la montaña. En general, los contomos reales
de las superficies de respuesta no son circulares o esféricos, y. por eso. es
necesaria una estrategia experimental más sofisticada, tal como la metodología
de la superficie de respuesta.
9
En muchas situaciones experimentales se enfrenta
el problema de que:
No se obtienen las respuestas buscadas o el nivel de mejoras logrado no es
suficiente, por lo que es necesario experimentar de manera secuencial hasta
encontrar el nivel de mejoras deseado. En este caso, después de una primera
etapa experimental quizá sea necesario desplazar la región experimental
(moverse de lugar) en una dirección adecuada, o bien, explorar en forma más
detallada la región experimental inicial
10
Figura 3 Las acciones básicas de la Metodología de
Superficies de Respuesta
¿Cómo se construye un
Modelo de Superficies de
Respuesta apropiado para
cada variable de respuesta del
proceso?
11
La Metodología de Superficies de Respuesta (MSR) es la estrategia
experimental y de análisis que permite resolver el problema de encontrar las
condiciones de operación óptimas de un proceso, es decir, aquéllas que dan por
resultado “valores óptimos” de una o varias características de calidad del
producto.
El modelo puede ser de primero o segundo orden, por ello, el diseño y el método
de optimización se clasifican de igual manera.
12
El aspecto diseño implica que para optimizar un proceso se debe aplicar el
diseño de experimentos, en particular aquellos que sirven para ajustar un
modelo de regresión lineal múltiple.
El aspecto del modelo utiliza el análisis de regresión lineal múltiple, junto
con sus elementos básicos que son: parámetros del modelo, modelo ajustado,
significancia del modelo, prueba de falta de ajuste, residuos, predichos,
intervalos de confianza para predichos y coeficiente de determinación.
Por último, el aspecto de optimización está formado por algunas técnicas
matemáticas que sirven para que, dado un modelo ajustado, explorarlo a fin de
obtener información sobre el punto óptimo. Conviene recordar técnicas como:
derivadas de funciones, multiplicadores de Lagrange, operaciones con
matrices, valores y vectores propios y sistemas de ecuaciones simultáneas.
13
14
DISEÑOS EXPERIMENTALES PARA MODELOS DE
SEGUNDO ORDEN
Número de corridas
15
ALGUNOS CONCEPTOS BÁSICOS
REGIONES EXPERIMENTAL Y DE
OPERABILIDAD
La región experimental es el espacio delimitado por los rangos de
experimentación utilizados con cada factor. La región de operabilidad está
delimitada por el conjunto de puntos o condiciones donde el equipo o proceso
puede ser operado. Es difícil delimitar con certeza el tamaño de la región de
operabilidad, ya que aun cuando se conozca (por especificaciones del equipo)
el rango en que se puede colocar cada factor individual, es necesario
determinar esos límites considerando varios factores de manera simultánea.
Por ejemplo, es posible que la temperatura se pueda correr en su nivel más
alto de operabilidad, siempre y cuando los factores velocidad y fuerza se
mantengan bajos. La región de operabilidad considera todas las combinaciones
posibles de los niveles de los factores donde el proceso puede operarse y ésta
siempre es igual o más grande que la región experimental.
16
17
En la MSR es importante tener presente esta visión de las regiones de operabi-
lidad y experimental, ya que en principio, el punto óptimo que interesa
encontrar pudiera localizarse en cualquier lugar de la región de operabilidad.
dentro o afuera de la región experimental inicial. En procesos ya establecidos
y muy estudiados, es de esperarse que dicho punto óptimo se encuentre "no
muy lejos" de las condiciones de operación usuales, posiblemente dentro de
la región experimental inicial. En cambio, cuando el proceso es nuevo o
cuando se está escalando o rediseñando, es más probable que el punto de
interés se ubique fuera de la primera región experimental propuesta para el
experimento inicial, y en ese caso primero será necesario acercarse a dicho
punto para luego "atraparlo".
18
19
ETAPAS DE LA MSR
1. Cribado: La optimización de un proceso se inicia con esta etapa cuando se tienen
muchos factores (más de 6) que influyen en la variable de interés.
20
En esta visión gráfica de la MSR se supone que la etapa de
cribado ya se realizó. 21
Figura 1 Esquema de los elementos de la Metodología de Superficies de
CRIBADO
Respuesta
BÚSQUEDA I BÚSQUEDA II
DISEŇO FACTORIAL
ALTAMENTE REALIZAR LOS CORRER LOS
FRACCIONADO EXPERIMENTOS EXPERIMENTOS
DETERMINAR EL MEJOR
HACER LAS CORRIDAS ESTIMAR EL MODELO Y MODELO JERÁRQUICO
DEL EXPERIMENTO EN PROBAR FALTA DE AJUSTE
ORDEN ALEATORIO
ENCONTRAR EL PUNTO
ESTACIONARIO
NO (CANDIDATO A ÓPTIMO)
ANALIZAR LOS DATOS ¿ES LINEAL
LA
SUPERFICIE?
CARACTERIZAR LA
DETERMINAR LOS SI SUPERFICIE
EFECTOS ACTIVOS MOVERSE
EXPERIMENTANDO EN LA
DIRECCIÓN ÓPTIMA, ¿ES EL NO
HASTA DETECTAR CAMBIO ÓPTIMO QUE
BUSCAMOS?
DE TENDENCIA
ANÁLISIS DE
SI2
CONDICIONES
2
CORDILLERA
ÓPTIMAS DEL
PROCESO
23
MODELOS DE PRIMERO Y
SEGUNDO ORDEN
24
TÉCNICAS DE OPTIMIZACIÓN
25
TÉCNICAS DE
OPTIMIZACIÓN
26
TÉCNICAS DE OPTIMIZACIÓN
1) Escalamiento ascendente ( o descendente)
Se aplica cuando se cree que se está lejos de la condición óptima, por lo que
será necesario explorar una región de experimentación inicial y a partir de ésta
determinar una dirección en la cual experimentar fuera de la región inicial.
2) Análisis canónico
Se aplica un diseño de segundo orden cuando se quiere explorar con más
amplitud una región experimental y/o se espera que el punto óptimo ya esté cerca
(quizás en la región experimental).
3) Análisis de cordillera
Este análisis se realiza cuando el punto estacionario no es del tipo que se requiere
y entonces la opción es encontrar el “mejor punto posible” dentro de la región
experimental.
27
ESCALAMIENTO ASCENDENTE (DESCENDENTE)
28
ESCALAMIENTO ASCENDENTE (DESCENDENTE)
29
ESCALAMIENTO ASCENDENTE (DESCENDENTE)
Se analizan con detalle los resultados y se ajusta un modelo de primer orden con
niveles codificados. Si éste explica satisfactoriamente la variabilidad observada
es necesario continuar como se indica más adelante, de lo contrario, investigar a
qué se debe la falta de ajuste: ¿Mucha variabilidad? ¿Curvatura? ¿Región más
complicada? y proceder en consecuencia.
30
Análisis canónico
En forma matricial
Punto estacionario
33
TIPOS DE SUPERFICIE Y ECUACIÓN
CANÓNICA
En algunos problemas de optimización, en especial cuando se
analizan diversas variables, el tipo de superficie de respuesta
no es tan evidente.
Para resolver esta situación se utiliza la ecuación canónica
del modelo de segundo orden, cuya expresión es la siguiente:
34
35
Los coeficientes λ de la ecuación canónica son los valores
propios o eigenvalores de la matriz B y sus signos
determinan el tipo de punto estacionario que se encontró de
acuerdo con la regla siguiente:
36
ANÁLISIS DE CORDILLERA
Este análisis se realiza cuando el punto estacionario no es del tipo que se
requiere y entonces la opción es encontrar el “mejor punto posible” dentro
de la región experimental. Este punto se ubica sobre la cordillera óptima del
centro del diseño y es aquél que predice la mejor respuesta sobre la región.
Consiste en calcular el máximo o el mínimo de la superficie de respuesta
sobre esferas concéntricas al centro del diseño, empezando por una esfera
de radio casi cero y se va aumentando el radio de la esfera hasta llegar a
una esfera que cubra los puntos experimentales. El punto óptimo es aquél
que predice el desempeño óptimo de la variable de respuesta.
37
Considere el modelo de segundo orden, en forma
matricial, que fue ajustado anteriormente
38
donde λ es un multiplicador de
Lagrange
40
Diseño 2s-2 y resultados para el ejemplo
l -1 -1 -1
2 1 -1 -1 -1 1 -1 6.1
3 -) l -1 -1 l 1 7.8
4 l l -1 -1 -1 1 8.4
5 -1 -1 1 -1 l 1 7.2
6 1 -1 1 -1 -l 1 7.4
7 -1 l 1 -1 -l -1 9.0
8 1 l l -1 1 -1 7.9
9 -1 -1 -1 1 -1 1 6.5
10 1 -1 -1 1 1 1 6.9
11 -1 1 -1 1 1 -1 8.6
12 1 1 -1 1 -1 -) 7.5
13 -1 -1 1 1 1 -1 7.8
14 l -1 1 1 -1 -1 6.3
15 -1 l 1 J -1 1 9.0
16 l 1 1 1 1 1 9.1
18 o o o o o o 7.1
19 o o o o o o 7.2
20 o o o o o o
41
7.2
42
Aclaración: Experiencias anteriores indican que no
existen interacciones
Trayectoria
de máximo
ascenso
43
DETERMINACIÓN DE LA TRAYECTORIA DE
MÁXIMO ASCENSO
44
45
Trayectoria de máximo ascenso y resultados
experimentales obtenidos
48
Es por esto que se requiere extender el diseño de primer orden a un
diseño de segundo orden hasta completar un diseño compuesto central
rotable.
En la tabla que aparece a continuación se muestran los puntos axiales y
los resultados obtenidos.
49
Para encontrar los niveles reales a los que corresponden los
códigos + 1.41 y – 1.41 se utilizó la siguiente ecuación:
50
51
En la superficie de respuesta en contornos para este modelo se
observa que se tiene claramente un máximo cerca de la zona central
de la región experimental.
0.2 0.6
1
a) Primera región experimental 1
X2
-le......�._., �.,
,_.,_,_........_���� 53
54
55
56
57
58
59
60
61
62
63
En Stargraphics* una vez seleccionado un modelo de regresión de segundo
orden que describe adecuadamente el comportamiento de la respuesta (Y),
la optimización de ésta se lleva a cabo en la opción tabular de
Optimization. Una vez ahí. con las opciones de panel (botón derecho del
ratón) se elige el tipo de optimización deseada: máximo, mínimo o un
valor objetivo. Si se quiere un valor objetivo se declara su valor en el
campo correspondiente. Se indica el rango de búsqueda para cada factor,
típicamente el rango utilizado en la región experimental. Entonces, se
corre el procedimiento y éste reporta las coordenadas del punto óptimo.
64
BIBLIOGRAFIA
1. Análisis y diseño de experimentos, Humberto Pulido – Román De La Vara,
Segunda Edición, McGraw Hill, Méjico, 2008
2. Diseño y análisis de experimentos, Douglas Montgomery, Segunda Edición,
Limusa Wiley, Mejico, 2004