11-20 Asignación óptima de valores nominales y tolerancias a un ...
11-20 Asignación óptima de valores nominales y tolerancias a un ...
11-20 Asignación óptima de valores nominales y tolerancias a un ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
I. González et al. XIX Congreso Nacional <strong>de</strong> Ingeniería Mecánica 2variables <strong>de</strong> diseño X pue<strong>de</strong>n ser <strong>de</strong>pendientes como consecuencia <strong>de</strong>l proceso <strong>de</strong>fabricación empleado, y el no tener en cuenta esta <strong>de</strong>pen<strong>de</strong>ncia conlleva a <strong>un</strong>a asignaciónno óptima <strong>de</strong> las <strong>tolerancias</strong> y los <strong>valores</strong> <strong>nominales</strong> <strong>de</strong> X . Sin embargo, optimizar variablesno in<strong>de</strong>pendientes no es <strong>un</strong> problema sencillo <strong>de</strong> tratar. En [2] se propone <strong>un</strong>a metodologíaque sí tiene en cuenta la posible <strong>de</strong>pen<strong>de</strong>ncia <strong>de</strong> X . El procedimiento que proponen losautores se basa en estimar la <strong>de</strong>pen<strong>de</strong>ncia mediante datos obtenidos <strong>de</strong>l proceso <strong>de</strong>fabricación. Los autores suponen normalidad <strong>de</strong> las variables X y, por tanto, la correlaciónes estimada a través <strong>de</strong> la matriz <strong>de</strong> covarianzas <strong>de</strong> X . El problema se plantea como <strong>un</strong>problema <strong>de</strong> optimización que busca asignar los <strong>valores</strong> <strong>nominales</strong> y las <strong>tolerancias</strong> <strong>de</strong> X ,<strong>de</strong> modo que se maximice la suma <strong>de</strong> <strong>tolerancias</strong> y se obtenga <strong>un</strong>a pequeña proporción <strong>de</strong><strong>de</strong>fectuosos. Para po<strong>de</strong>r resolver este problema, se proyecta el conj<strong>un</strong>to <strong>de</strong> variables<strong>de</strong>pendientes X en <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> variables in<strong>de</strong>pendientes Z , las cuales son manipuladasdurante el proceso <strong>de</strong> optimización. De esta forma, el problema <strong>de</strong> optimizar <strong>un</strong> conj<strong>un</strong>to <strong>de</strong>variables correladas se transforma en <strong>un</strong> problema <strong>de</strong> optimización <strong>de</strong> variablesin<strong>de</strong>pendientes que pue<strong>de</strong> ser resuelto con algoritmos <strong>de</strong> optimización tradicionales.En este trabajo, se presenta <strong>un</strong>a extensión a la metodología propuesta en [1,2]. En estecaso, se consi<strong>de</strong>rará que las variables X no siguen <strong>un</strong> mo<strong>de</strong>lo normal multivariante, si no<strong>un</strong> mo<strong>de</strong>lo <strong>de</strong> probabilidad no conocido. Teniendo en cuenta este aspecto, se proponeproyectar las variables X en <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> variables in<strong>de</strong>pendientes Z , mediante el uso<strong>de</strong> la técnica estadística Análisis <strong>de</strong> Componentes In<strong>de</strong>pendientes (ICA). Una vez obtenidaslas variables Z , el problema <strong>de</strong> asignar los <strong>valores</strong> <strong>nominales</strong> y las <strong>tolerancias</strong> óptimas <strong>de</strong>X es resuelto como <strong>un</strong> problema <strong>de</strong> optimización con variables in<strong>de</strong>pendientes.El resto <strong>de</strong>l artículo está estructurado <strong>de</strong> la siguiente manera. En la sección 2 se <strong>de</strong>fine elproblema <strong>de</strong> asignación <strong>de</strong> <strong>tolerancias</strong> y <strong>valores</strong> <strong>nominales</strong>. En la sección 3 se presenta<strong>de</strong>talladamente la metodología propuesta. En la sección 4 se ilustra la metodología con <strong>un</strong>ejemplo. Por último se presentan las conclusiones.2. DEFINICIÓN DEL PROBLEMASe quiere asignar el valor nominal y las <strong>tolerancias</strong> a <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> K variables<strong>de</strong>pendientes, X = ( X1, X2,..., X K )' con mo<strong>de</strong>lo <strong>de</strong> probabilidad <strong>de</strong>sconocido. Las <strong>tolerancias</strong><strong>de</strong> X serán <strong>de</strong>finidas como <strong>un</strong>os intervalos alre<strong>de</strong>dor <strong>de</strong>l valor nominal <strong>de</strong> cada variable, es<strong>de</strong>cir:[ ]Xi∈ LTI Xi, LTS Xi = ⎡VN X TIi,VN X TSi⎤⎣− +ii ⎦ , (1)don<strong>de</strong> TS i y TI i son las <strong>tolerancias</strong> superior e inferior <strong>de</strong> X i y VN i su valor nominal. Las<strong>tolerancias</strong> <strong>de</strong> X <strong>de</strong>pen<strong>de</strong>rán directamente <strong>de</strong> la variabilidad <strong>de</strong> X , pero al no asumirnormalidad <strong>de</strong> X su variabilidad no es estimada completamente mediante la matriz <strong>de</strong>covarianzas Σ x . Los <strong>valores</strong> <strong>nominales</strong> serán las medias <strong>de</strong> las variables X , μ x .La asignación <strong>de</strong> las <strong>tolerancias</strong> y los <strong>valores</strong> <strong>nominales</strong> estará sujeta a que <strong>un</strong> conj<strong>un</strong>to <strong>de</strong>m variables Y = ( Y1, Y2,..., Y m ), que <strong>de</strong>pen<strong>de</strong>n <strong>de</strong> X , cumplan <strong>un</strong>as restricciones oespecificaciones, es <strong>de</strong>cir que estén <strong>de</strong>ntro <strong>de</strong> <strong>un</strong>os intervalos <strong>de</strong> especificación:Yj ∈ ⎡LEIYj, LESYj⎤⎣ ⎦, con j = 1,2,..., M . (2)Estas especificaciones pue<strong>de</strong>n generalizarse a especificaciones <strong>un</strong>ilaterales, en cuyo casoalg<strong>un</strong>o <strong>de</strong> los límites sería infinito. La relación entre Y y X se supone conocida e igual aY = f ( X ), (3)siendo f () . <strong>un</strong>a relación cualquiera, lineal o no lineal.Una pieza <strong>de</strong>fectuosa se <strong>de</strong>fine como aquélla que no cumple las especificaciones <strong>de</strong> Y .Luego, la proporción <strong>de</strong> <strong>de</strong>fectuosos, <strong>de</strong>notada por p , es igual a:( ∉ )p ≡ P Y S(4)
Asignación óptima <strong>de</strong> <strong>valores</strong> <strong>nominales</strong> y <strong>tolerancias</strong> a <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> variables <strong>de</strong>pendientes nonormales 3don<strong>de</strong> S es la región rectangular <strong>de</strong>finida por las especificaciones <strong>de</strong> la pieza, es <strong>de</strong>cir:MS = { Y ∈R : ( LESYj ≤Yj ≤ LEIYj), j = 1,..., M}(5)El problema consiste en encontrar las <strong>tolerancias</strong> óptimas t = ( TS1, TS2,..., TSK, TI1, TI2,..., TIK)'y los <strong>valores</strong> <strong>nominales</strong> óptimos VN = ( VN1, VN2,..., VN K )'<strong>de</strong> cada <strong>un</strong>a <strong>de</strong> las K variables X .Los <strong>valores</strong> óptimos serán aquéllos que permitan maximizar la suma total <strong>de</strong> <strong>tolerancias</strong>sujeto a obtener <strong>un</strong>a proporción <strong>de</strong> <strong>de</strong>fectuosos p ≤ α , siendo habitualmente α = 0,0027 . Labúsqueda <strong>de</strong> los <strong>valores</strong> <strong>nominales</strong> óptimos se restringirá a <strong>un</strong> intervalo <strong>de</strong>finido como0 0VNi∈⎡(1 − m) VNi ,(1 + m) VN ⎤i , i = 1,2,..., K , siendo VN0⎣⎦i <strong>un</strong> valor nominal inicial que pue<strong>de</strong> serel valor establecido en la etapa <strong>de</strong> diseño <strong>de</strong> la pieza, y m <strong>un</strong> valor específico, por ejemplo0.05, 0.1, etc. Para evitar que las <strong>tolerancias</strong> tomen <strong>un</strong> valor igual o próximo a cero, seestablecerán <strong>un</strong>as <strong>tolerancias</strong> mínimas T i(min).Resumiendo, el problema <strong>de</strong> optimización a resolver queda formulado como:FO . :⎛ K K ⎞maxTSi+ TIi⎜∑ ∑⎟⎝ i= 1 i=1 ⎠sujeto ap ≤ α (6)0 0VNi∈⎡(1 − m) VNi ,(1 + m) VN ⎤i ,⎣⎦i = 1,2,..., KTS i ≥ Ti(min), i = 1,2,..., KTI i ≥ Ti(min), i = 1,2,..., K3. METODOLOGÍA PROPUESTALa metodología propuesta se basa en los siguientes p<strong>un</strong>tos:1. Proyectar las variables <strong>de</strong>pendientes X en <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> variables in<strong>de</strong>pendientesZ . Para ello se utilizará la técnica <strong>de</strong>nominada Análisis <strong>de</strong> ComponentesIn<strong>de</strong>pendientes (ICA).2. Modificar la media y la varianza <strong>de</strong> las variables in<strong>de</strong>pendientes Z y trasladar esecambio a las variables originales X .3. Con los <strong>valores</strong> modificados <strong>de</strong> X obtener los <strong>valores</strong> Y = f ( X ) y calcular la proporción<strong>de</strong> piezas <strong>de</strong>fectuosas, p.4. Iterar, <strong>de</strong> manera que en cada iteración se obtengan nuevos <strong>valores</strong> <strong>de</strong> X e Y , hastaobtener la solución óptima que será aquélla que maximice la suma total <strong>de</strong> <strong>tolerancias</strong><strong>de</strong> X .Antes <strong>de</strong> enumerar los pasos <strong>de</strong> la metodología, se <strong>de</strong>scribirán <strong>de</strong>talladamente los aspectos<strong>de</strong>scritos en los p<strong>un</strong>tos (1) y (2).3.1 Proyección <strong>de</strong> las variables <strong>de</strong>pendientes X en <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> variablesin<strong>de</strong>pendientes Z mediante ICAEl método más popular para proyectar <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> variables normales correladas en <strong>un</strong>conj<strong>un</strong>to <strong>de</strong> variables in<strong>de</strong>pendientes es el <strong>de</strong>nominado Análisis <strong>de</strong> ComponentesPrincipales (PCA). Este método utiliza únicamente la información contenida en la matriz <strong>de</strong>covarianzas <strong>de</strong> las variables, ya que bajo normalidad la información <strong>de</strong> <strong>de</strong>pen<strong>de</strong>ncia <strong>de</strong> lasvariables está reflejada completamente en esta matriz. ICA, sin embargo, es <strong>un</strong> método quese utiliza con el mismo objetivo, obtener variables in<strong>de</strong>pendientes, pero se basa eninformación que no está contenida en la matriz <strong>de</strong> covarianzas. ICA es la herramientaa<strong>de</strong>cuada para el caso <strong>de</strong> variables no normales.
I. González et al. XIX Congreso Nacional <strong>de</strong> Ingeniería Mecánica 4Un mo<strong>de</strong>lo ICA consi<strong>de</strong>ra que las variables originales pue<strong>de</strong>n ser generadas por <strong>un</strong>acombinación lineal <strong>de</strong> <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> variables o componentes in<strong>de</strong>pendientes. El mo<strong>de</strong>loICA pue<strong>de</strong> escribirse como X = SZ +E , don<strong>de</strong> X = ( X1, X2,..., X K )' es el vector <strong>de</strong> las Kvariables <strong>de</strong>pendientes con media cero, S es la matriz <strong>de</strong> combinación <strong>de</strong> dimensión K × J ,Z = ( Z1, Z2,..., Z J )' es el vector <strong>de</strong> las J variables in<strong>de</strong>pendientes, con J < K , y E es el vector<strong>de</strong> residuos. Este mo<strong>de</strong>lo ICA es muy complejo <strong>de</strong> estimar, por esta razón, la mayor parte <strong>de</strong>las aplicaciones se basan en estimar <strong>un</strong> mo<strong>de</strong>lo sin residuos, es <strong>de</strong>cir, el mo<strong>de</strong>lo,X = SZ. (7)Teniendo en cuenta que la matriz S es invertible, es posible escribir el mo<strong>de</strong>loZ= WX, (8)−1siendo W = S la matriz <strong>de</strong> separación. Luego, el objetivo <strong>de</strong> ICA es encontrar la matriz Wque permita obtener las variables Z lo más in<strong>de</strong>pendientes posible. Para la obtención <strong>de</strong> lamatriz W existen distintos procedimientos. Todos ellos obtienen resultados muy similares yse basan en la i<strong>de</strong>a <strong>de</strong> que siendo las variables X <strong>un</strong>a combinación lineal <strong>de</strong> loscomponentes in<strong>de</strong>pendientes Z (ecuación (7)), entonces por el teorema central <strong>de</strong>l límite lasvariables X son más próximas a la normalidad que las variables Z . Por tanto, estasvariables Z pue<strong>de</strong>n ser obtenidas buscando el máximo alejamiento <strong>de</strong> la normalidad. Eneste trabajo se utilizará el algoritmo FastICA propuesto por [8] que se basa en la negentropíacomo medida <strong>de</strong> normalidad.Si <strong>de</strong>notamos como X 0 la matriz <strong>de</strong> datos obtenida <strong>de</strong>l proceso, <strong>de</strong> dimensión n× K ,po<strong>de</strong>mos resumir los pasos <strong>de</strong>l algoritmo FastICA como:1. Obtener <strong>un</strong>a matriz <strong>de</strong> datos con media 0 que será <strong>de</strong>notada como matriz X :X 0= X0−1μ0x ' , (9)siendo 1 <strong>un</strong> vector <strong>de</strong> <strong>un</strong>os <strong>de</strong> dimensión n × 1 , yμ0 x el vector <strong>de</strong> medias <strong>de</strong>2. Obtener <strong>un</strong>a matriz <strong>de</strong> datos blanqueados, que será <strong>de</strong>notada como matriz T . Estamatriz contendrá <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> variables incorreladas (a<strong>un</strong>que no in<strong>de</strong>pendientes)con media cero y varianza <strong>un</strong>o, y tendrá <strong>un</strong>a dimensión reducida n× J . La i<strong>de</strong>a esreducir la dimensión <strong>de</strong>0X , <strong>de</strong> manera que el conj<strong>un</strong>to <strong>de</strong> J variables representen lamayor parte <strong>de</strong> la variabilidad total <strong>de</strong> las K variables originales. Para aplicar estareducción <strong>de</strong> dimensión se usará PCA, <strong>de</strong> modo que T pue<strong>de</strong> ser calculada como:0 1/2T=X C( J ) D( −J ), (10)don<strong>de</strong> C ( J ) es la matriz <strong>de</strong> los primeros K × J autovectores <strong>de</strong> la matriz C, y0X .D( J )es lamatriz diagonal con los primeros J auto<strong>valores</strong> <strong>de</strong> la matriz D. Las matrices C y D seobtienen mediante <strong>de</strong>scomposición singular (PCA) <strong>de</strong> la matriz <strong>de</strong> covarianzas <strong>de</strong> X0,es <strong>de</strong>cir aplicando Σ0x = CDC ' .3. Aplicar a las variables T el mo<strong>de</strong>lo ICA <strong>de</strong>scrito en la Ecuación (8) , es <strong>de</strong>cir:Z=TB, (<strong>11</strong>)siendo B la matriz <strong>de</strong> separación <strong>de</strong> dimensión J × J que será calculada mediante elalgoritmo FastICA, y Z la matriz <strong>de</strong> las J variables in<strong>de</strong>pendientes (matriz <strong>de</strong>dimensión n× J ). Es <strong>de</strong>cir, obtener en este paso la matriz <strong>de</strong> separación B, y porconsiguiente, la matriz <strong>de</strong> variables in<strong>de</strong>pendientes Z.3.2 Modificación <strong>de</strong> la media y la varianza <strong>de</strong> las variables <strong>de</strong>pendientes XEl cambio en la media y la varianza <strong>de</strong> X se obtendrá modificando la media y la varianza <strong>de</strong>las variables in<strong>de</strong>pendientes Z. Los pasos se <strong>de</strong>scriben a continuación:
Asignación óptima <strong>de</strong> <strong>valores</strong> <strong>nominales</strong> y <strong>tolerancias</strong> a <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> variables <strong>de</strong>pendientes nonormales 51. Modificar la media <strong>de</strong> las variables Z, obteniendo <strong>un</strong>a nueva matrizIZ igual a:ZI = Z+1γ '(12)siendo γ = ( γ1, γ2,... γ J ) <strong>un</strong> vector <strong>de</strong> J coeficientes in<strong>de</strong>pendientes entre sí.2. Modificar la varianza <strong>de</strong> las variables Z I , obteniendo <strong>un</strong>a nueva matriz Z * formada*por los vectores Z i obtenidos como:Z* Ii = Z i gii = 1,2,..., J(13)siendo los <strong>valores</strong> g i > 0 e in<strong>de</strong>pendientes entre sí.3. Trasladar el cambio a las variables originales X utilizando las Ecuaciones (9-<strong>11</strong>):* * −1 −1/2 ' 0X = Z B D( J )C( J ) + 1 μ x '(14)3.3 Pasos <strong>de</strong> la metodología propuestaLos pasos a seguir son los siguientes:• Paso 1: Obtener <strong>de</strong>l proceso <strong>de</strong> fabricación <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> n datos <strong>de</strong> las K variables0X . Denotar esa matriz como X y calcular su vector <strong>de</strong> medias, μ 0 x , y su matriz <strong>de</strong>covarianzas, Σ0 x .• Paso 2: Obtener mediante PCA ( Σ 0x = CDC ' ) la matriz <strong>de</strong> autovectores C y <strong>de</strong>auto<strong>valores</strong> D.• Paso 3: Obtener la matriz <strong>de</strong> <strong>de</strong>scomposición B mediante el algoritmo FastICA,utilizando la matriz <strong>de</strong> datos blanqueados T (Ecuaciones 9 y 10).• Paso 4: Obtener la matriz <strong>de</strong> componentes in<strong>de</strong>pendientes Z, mediante la ecuación(<strong>11</strong>).• Paso 5: Iniciar el proceso <strong>de</strong> optimización para buscar los <strong>valores</strong> <strong>nominales</strong> y las<strong>tolerancias</strong> óptimas <strong>de</strong> X . El problema <strong>de</strong> optimización a resolver es el planteado en laEcuación (6), por tanto, es necesario <strong>de</strong>finir previamente los <strong>valores</strong>α , m y Ti(min), i = 1,2,..., K . En cada iteración t obtener <strong>un</strong>a nueva matriz <strong>de</strong> <strong>valores</strong>X* t , modificando los <strong>valores</strong> <strong>de</strong> los coeficientes γ i y g i , i = 1,2,..., J <strong>de</strong> las ecuaciones(12-14).• Paso 6: Obtener la matriz <strong>de</strong> variables Y , utilizando la matriz X * t y la relación( t )Yt* = f X * .• Paso 7: Calcular la proporción <strong>de</strong> <strong>de</strong>fectuosos p, <strong>de</strong>finida en las ecuaciones (4) y (5).• Paso 8: Seguir iterando (pasos 5 y 6) hasta obtener la solución óptima (que maximizala suma <strong>de</strong> <strong>tolerancias</strong>, ecuación 6). Denotar la matriz óptima como matriz X* opt .• Paso 9: Obtener los <strong>valores</strong> <strong>nominales</strong> y las <strong>tolerancias</strong> óptimas <strong>de</strong> cada variableXi, i = 1,2,..., K como:VN Xi= E ( X* opt ) () i( X* () ) VN*min ( X () )TSi = max opt i − XiTIi = VN Xi − opt isiendo X* opt()i el i-ésimo vector <strong>de</strong> la matriz óptima X* opt . Como pue<strong>de</strong> <strong>de</strong>ducirse <strong>de</strong>la metodología presentada, las variables a optimizar son 2 × J variables ycorrespon<strong>de</strong>n a los coeficientes in<strong>de</strong>pendientes γ i y g i . El algoritmo <strong>de</strong>optimización pue<strong>de</strong> ser <strong>un</strong> algoritmo tradicional o cualquier algoritmo global como
I. González et al. XIX Congreso Nacional <strong>de</strong> Ingeniería Mecánica 6los algoritmos genéticos. En este trabajo se ha utilizado el algoritmo SQPimplementado en la f<strong>un</strong>ción fmincon <strong>de</strong> Matlab.4. EJEMPLOLa metodología propuesta será aplicada a <strong>un</strong> conj<strong>un</strong>to mecánico formado por 2 piezas. Laprimera pieza está <strong>de</strong>finida por 5 variables <strong>de</strong> diseño, variables X1, X2,...,X 5; mientras que laseg<strong>un</strong>da pieza está <strong>de</strong>finida por 3 variables <strong>de</strong> diseño, X 6 , X 7 , X 8 . Por tanto, el problemainvolucra K = 8 variables <strong>de</strong> diseño X = ( X1, X2,..., X8)', que supondremos como noin<strong>de</strong>pendientes y no normales.Los datos iniciales <strong>de</strong>l proceso han sido obtenidos mediante simulación. Se han generadon = 1000 datos para cada variable a partir <strong>de</strong> distribuciones tipo gamma y exponencial. Se haconsi<strong>de</strong>rado correlación entre las variables X 1 a X 5 y entre las variables X 6 a X 8 . En lafigura 1 se muestran los histogramas <strong>de</strong> las 8 variables. Como se pue<strong>de</strong> ver, con el fin <strong>de</strong>ilustrar la metodología se han supuesto alg<strong>un</strong>as distribuciones muy asimétricas, por lo quese obtendrán <strong>tolerancias</strong> también bastante asimétricas.400<strong>20</strong>0400<strong>20</strong>0400<strong>20</strong>0400<strong>20</strong>000 50 100 15000 100 <strong>20</strong>0 30000 50 100 15000 50 100 150 <strong>20</strong>0300<strong>20</strong>0100300<strong>20</strong>0100600400<strong>20</strong>0300<strong>20</strong>010000 50 100 150 <strong>20</strong>000 100 <strong>20</strong>0 30000 50 100 15000 100 <strong>20</strong>0 300Figura 1: Histograma <strong>de</strong> las variables <strong>de</strong> diseño X = ( X1, X2,..., X8)'La matriz <strong>de</strong> correlaciones obtenida a partir <strong>de</strong> los datos iniciales es igual a:⎡ 1 0.84 0.62 0.47 0.98 0.04 0.04 0.02 ⎤⎢0.84 1 0.51 0.40 0.84 0.04 0.03 0.02⎥⎢⎥⎢0.62 0.51 1 0.25 0.63 0.03 0.04 0.01 ⎥⎢⎥0 0.47 0.40 0.25 1 0.47 0.01 −0.01 −0.01R = ⎢⎥x ⎢0.98 0.84 0.63 0.47 1 0.04 0.04 0.02 ⎥⎢⎥⎢0.04 0.04 0.03 0.01 0.04 1 0.84 0.64 ⎥⎢0.04 0.03 0.03 0.01 0.04 0.84 1 0.54 ⎥⎢⎥⎢⎣0.02 0.03 0.01 0.01 0.02 0.64 0.54 1 ⎥⎦
Asignación óptima <strong>de</strong> <strong>valores</strong> <strong>nominales</strong> y <strong>tolerancias</strong> a <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> variables <strong>de</strong>pendientes nonormales 70A partir <strong>de</strong> Σ x (que también se obtiene <strong>de</strong> los datos iniciales) se ha realizado el análisis PCA(paso 2 <strong>de</strong> la metodología), obteniéndose las matrices C y D, <strong>de</strong> autovectores y auto<strong>valores</strong>,respectivamente. La proporción <strong>de</strong> variabilidad explicada por los 5 primeros componentesprincipales es <strong>de</strong>l 97%, por tanto, nos quedamos con J = 5 variables en el espacio reducido.Es <strong>de</strong>cir, se calcularán 5 componentes in<strong>de</strong>pendientes (pasos 3 y 4 <strong>de</strong> la metodología).Las variables f<strong>un</strong>cionales <strong>de</strong>l conj<strong>un</strong>to mecánica están <strong>de</strong>finidas por las variablesY = ( Y1, Y2, Y3, Y4)', que pue<strong>de</strong>n calcularse como:Y1 = X4 + X5Y2 = X2 − X1− X8+X7,Y3 = X7 − X6− X3+X2Y4 = X4 − X3−X6Es <strong>de</strong>cir, la relación entre X e Y pue<strong>de</strong> escribirse como Y = f ( X) = XA ', siendo A:⎡ 0 0 0 1 1 0 0 0 ⎤⎢−1 1 0 0 0 0 1 −1⎥A = ⎢⎥⎢ 0 1 − 1 0 0 − 1 1 0 ⎥⎢⎥⎣ 0 0 −1 1 0 −1 0 0 ⎦Las especificaciones <strong>de</strong>l conj<strong>un</strong>to mecánico son las siguientes:Y1 ≤127.13 mm Y2≥0.0076mmY ≥0.0254 mm Y ≥0.0076mm3 4Teniendo en cuenta esta información, el problema <strong>de</strong> optimización queda planteado como:⎛ 8 8 ⎞F. O : maxTSi+ TIi⎜∑ ∑⎟⎝ i= 1 i=1 ⎠sujeto a( Y4) { YYj j Yj }- p≤ 0.027 don<strong>de</strong> p = P ∉ S , siendo S = ∈R : ( LES ≤Y ≤ LEI ), j = 1,...,4- VN (1 0.05)0,(1 0.05)0i∈⎡− VNi + VN ⎤i , i = 1,2,...,8⎣⎦con VN0x = ( 25.4,50.8,76.2,101.6,25.4,25.3,50.8,76.1 )'- TSi ≥0.01, TIi ≥ 0.01, i = 1,2,...,8Los resultados obtenidos, aplicando la metodología propuesta, se resumen a continuación:• Matriz <strong>de</strong> <strong>de</strong>scomposición B obtenida mediante el algoritmo FastICA:⎡−0.01 0.07 −0.32 −0.03 0.94 ⎤⎢0.38 0.28 −0.08 0.88 −0.02⎥⎢⎥B = ⎢−0.52 −0.73 −0.02 0.45 0.06 ⎥⎢⎥⎢−0.06 −0.00 −0.94 −0.07 −0.32⎥⎢⎣0.77 −0.62 −0.05 −0.14 0.03 ⎥⎦• Valores <strong>nominales</strong> óptimos <strong>de</strong> las variables X :X1: 25.03 mm X5: 25.07mmX2 :50.36 mm X6: 25.65mmX3:75.14 mm X7:51.30mmX4 :100.94 mm X8:76.01mm
I. González et al. XIX Congreso Nacional <strong>de</strong> Ingeniería Mecánica 8• Valores óptimos <strong>de</strong> las <strong>tolerancias</strong> superior e inferior, y <strong>valores</strong> óptimos <strong>de</strong> los límites<strong>de</strong> <strong>tolerancias</strong> <strong>de</strong> las variables X :TS1:0.17 mm TI1:0.03 mm X1: [ 25.00,25.<strong>20</strong>]TS2 :0.19 mm TI2 : 0.03 mm X2:[ 50.33,50.55]TS3:0.<strong>20</strong> mm TI3:0.06 mm X3: [ 75.08,75.34]TS4 :0.26 mm TI4 :0.10 mm X4:[ 100.84,101.<strong>20</strong>]TS5:0.16 mm TI 5:0.03 mm X5:[ 25.04,25.23]TS6 :0.12 mm TI6 :0.03 mm X6:[ 25.62,25.77]TS7 :0.14 mm TI7 :0.03 mm X7:[ 51.27,51.44]TS :0.18 mm TI :0.07 mm X :[ 75.94,76.19]8 8 8• Suma total <strong>de</strong> <strong>tolerancias</strong> (valor que se buscaba maximizar): 1.8mm.5. CONCLUSIONESLa metodología propuesta es <strong>un</strong>a metodología bastante general que pue<strong>de</strong> ser aplicada amuchos problemas reales. La metodología tiene en cuenta la posible <strong>de</strong>pen<strong>de</strong>ncia entre lasvariables <strong>de</strong> diseño y no asume ningún mo<strong>de</strong>lo <strong>de</strong> probabilidad específico <strong>de</strong> dichasvariables. Su aplicación es sencilla y no necesita algoritmos <strong>de</strong> optimización complejos. Parasu aplicación, es necesario disponer <strong>de</strong> <strong>un</strong> conj<strong>un</strong>to <strong>de</strong> datos <strong>de</strong>l proceso <strong>de</strong> fabricación, es<strong>de</strong>cir, disponer <strong>de</strong> datos <strong>de</strong>l proceso <strong>de</strong> fabricación <strong>de</strong> la pieza o conj<strong>un</strong>to mecánico que seanaliza.6. REFERENCIAS[1] I. González e I. Sánchez, Statistical tolerances synthesis with correlated variables,Mecanism and Machine Theory, 44 (<strong>20</strong>09), 1097-<strong>11</strong>07.[2] I. González e I. Sánchez, Diseño óptimo <strong>de</strong>l valor nominal y las <strong>tolerancias</strong> <strong>de</strong> <strong>un</strong>conj<strong>un</strong>to <strong>de</strong> variables correladas, Congreso Nacional <strong>de</strong> Ingeniería Mecánica, CiudadReal, España, (<strong>20</strong>10).[3] S. Director, G. Hatchel, The simplicial approximation approach to <strong>de</strong>sign centering, IEEETransactions on Circuits and Systems, 7 (1977), 363-372.[4] G. Derringuer, R. Suich, Simultaneous optimization of several response variables,Journal of Quality Technology , 12 (1980), 214-219.[5] A. Jeang, Combined parameter and tolerance <strong>de</strong>sign optimization with quality and cost,International Journal of Production Research, 39 (<strong>20</strong>01), 923-952.[6] A. Jeang, Optimal Parameter and Tolerance Design with a Complete Inspection Plan,International Journal of Advanced Manufacturing Technology, <strong>20</strong> (<strong>20</strong>02), 121-127.[7] K. Sivakumar, S. Balamurugan, S., S. Ramabalan, Simultaneous optimal selection of<strong>de</strong>sign and manufacturing tolerances with alternative process selection, Computer-Ai<strong>de</strong>dDesign, 43 (<strong>20</strong><strong>11</strong>), <strong>20</strong>7-218.[8] Hyvärinen, A. and Oja, E., In<strong>de</strong>pen<strong>de</strong>nt component analysis: algorithms andapplications, Neural Networks, 13 (<strong>20</strong>00), 4<strong>11</strong>-430.