Post on 24-Jan-2021
Ajuste de procesos usando control por retroalimentación
25 April 2006 2
Índice1. Localización y conocimientos previos.
2. Introducción.
3. Diseño del gráfico.
4. Relación con control PDI.
5. Control predictivo.
6. Elección del parámetro G.
7. Uso de una banda muerta.
8. Extensiones.
25 April 2006 3
Localización y conocimientos previos.
Objetivos de la lección:
• Describir las herramientas necesarias para ajustar y
mejorar la calidad de un proceso industrial.
para el manejo del operario.
para el diseño del escenario.
25 April 2006 4
Localización y conocimientos previos
Modelo de Shewhart-Deming:
t ty eμ= +
1 2 1 2( , , , ) ( , , )t n t n ny x x x e x xμ + += +K K
o también “modelo de causa común más causa especial”,
Estado de control estadístico “el proceso varía de forma estable alrededor de una media”
25 April 2006 5
Localización y conocimientos previos
Dos enfoques:
• Control de calidad (SPC). Inferencia.
• Ajuste o mejora de la calidad (EPC). Estimación.
25 April 2006 6
Localización y conocimientos previos
Gráficos de control de calidad (para identificación de causas especiales):
• Frecuencias y proporciones (c-chart y p-chart).• Medias y rangos.• Alisado exponencial. • Cusum (centrado y truncados).
Capacidad del proceso y límites de especificación
25 April 2006 7
Localización y conocimientos previos
El comportamiento dinámico de un proceso industrial se aproxima bastante bien con esas ecuaciones.
1 (1 )+ = − +t t ty X yδ δ
1 1(1 )t t t ty X X Xδ δ+ −= = − +% %
Media móvil ponderada exponencialmente (EWMA).
Concepto de inercia:
25 April 2006 8
Localización y conocimientos previos.
1λ θ= −
θ
Resultado:
• EWMA con parámetro,
• produce predicciones óptimas (en el sentido de minimizar la varianza del error).
Si la serie sigue un proceso IMA(1,1) con parámetro .
25 April 2006 9
Localización y conocimientos previos.
0.2 0.4 0.8 0.6λ θ= − → = −
El valor del parámetro puede estimarse si tenemos suficientes datos.
Valores de compromiso
25 April 2006 10
1. Introducción.
Objetivos de la sección:
• Presentación del problema.• Notación y conceptos básicos.• Definición de ajuste por retroalimentación.• Descripción del gráfico de ajuste manual.
25 April 2006 11
1. Introducción
Serie de grosor de una plancha metálica utilizada en la fabricación de un chip . tyLa característica de calidad debe mantenerse cercana a T=80.Gráfico: serie observada cuando no se realiza ningún tipo de ajuste.
Ejemplo
25 April 2006 12
1. Introducción.
0 20 40 60 8060
70
80
90
100
110
120
130
140S erie observada de g rosor de una p lancha m e
ob
V a lo r ob je tivo
25 April 2006 13
1. Introducción.
Si definimos las perturbaciones del proceso ,
,t tz y T= −
El objetivo cuando ejercemos control decalidad es eliminar las causas especiales que han producido esas perturbaciones y hacer que el proceso se acerque a un “estado de control estadístico”.
25 April 2006 14
1. Introducción.
0 20 40 60 80-20
-10
0
10
20
30
40
50
60S erie de perturbaciones
o
25 April 2006 15
1. Introducción.
El objetivo del ajuste del procesos es estimar el estado del sistema en cada t=t de forma que podamos realizar los cambios necesarios para que el proceso vuelva a situarse cerca del valor objetivo T.
25 April 2006 16
Herramienta básica es un gráfico que maneja un operario.
1. Introducción.
En la serie sin ajustar la desviación cuadrada media es de 684,8, mientras que en la serie ajustada es de 124,2. (reducción a la quinta parte).
tX
Ajuste por retroalimentación (y no automático)
Ajuste consiste en cambios en la variable de compensación que se ajusta en cada t=t.
25 April 2006 17
1. Introducción.
0 20 40 60 8020
40
60
80
100
120
140S e rie a jus tada de l g roso r de la p lancha m e tá
o
25 April 2006 18
1. Introducción
0 20 40 60 80-10
-8
-6
-4
-2
0
2
4
6
8
10
(-)A
just
eS e rie de a justes
ob
Volver 2
Volver 1
25 April 2006 19
2. Diseño del gráfico.
Objetivos de la sección:
• Describir las herramientas que permiten al especialista diseñar el escenario de ajuste y mejora.
25 April 2006 20
2. Diseño del gráfico
• 3. Error en el output definido
1t t tx X X −= −• 4. Ajuste definido por
El gráfico está basado en la siguiente información:• 1. El sistema es reactivo.• 2. Ganancia del proceso (g) definida por el cambio
que produce en output una unidad de cambio en la variable de compensación.
= −ct te y T
25 April 2006 21
ó
2. Diseño del gráfico.
donde G es el parámetro de salto y mide la proporción del error que corregimos.
• Ejemplo: para la serie de grosor, utilizamos g=1.2 y G=0.2.
t tGx eg
= −t tgx Ge= −
Ecuación de ajuste:
25 April 2006 22
2. Diseño del gráfico.cty te tx
80.0 0 .0 0 .0
92.0 12.0 -2 .0
97.6 17.6 -2 .9
54.8 -25 .9 4 .5
92.3 12.3 -2 .0
82.8 2 .8 0 .5
25 April 2006 23
3. Relación con control PDI.
Objetivos de la sección:
• Describir el control PDI y definir la relación con el tipo de control ejercido por la ecuación de ajuste.
25 April 2006 24
3. Relación con control PDI.
• Otra forma muy eficaz de control por retroalimentación usada en Ingeniería para procesos continuos es la llamada “Proportional Integral Derivative” (PDI)
0 ,tt p t I t D
degX k k e k e dt kdt
= + + +∫0 , ,p Ik k k Dk• donde y son constantes.
• Hay formas más simples como control PI.
25 April 2006 25
3. Relación con control PDI.
• En un escenario discreto, la ecuación de ajuste puede reescribirse como
0 1 1( )t t tgX gX G e e e−= − + + +K
01
.t
ti
gX G e=
= − ∑0 0gX k= IG k− =
01
.t
t I ii
gX k k e=
= + ∑
• Si y podemos escribir
25 April 2006 26
4. Control Predictivo
Objetivos de la sección:
• Describir la relación entre control PI y el alisado exponencial (EWMA) en el diseño de escenarios de ajuste y mejora.
25 April 2006 27
4. Control Predictivo
• El sistema es reactivo.
1 1, , , ,t t tz z z− +K K
Información disponible:
• la serie de perturbaciones si no se hubiera ejercido control
• Ganancia del proceso (g).
25 April 2006 28
4. Control predictivo.
• o, en términos del ajuste
1.t tgX z += −
1ˆ ˆ( ).t t tgx z z+= − −
1ˆ ,t tgX z += −
• Lo ideal sería en el momento t=t, conocer la pertur-bación de t=t+1, de forma que,
• Como eso no es posible, tendremos que predecir
25 April 2006 29
4. Control predictivo.
• Para que sea cierto las predicciones deben ser,
ˆ ,t t te z z= −
ˆ( ).t t t tgx Ge G z z= − = − −
1ˆ ˆ(1 ) .t t tz Gz G z+ = + −
• Si definimos el error de predicción,
• la ecuación de ajuste puede expresarse como sigue,
25 April 2006 30
4. Control predictivo.
* EWMA
{ }21 1 2ˆ (1 ) ,t t t tz z z zθ θ θ+ − −= − + + +K
1 .Gθ = −• donde
• La ecuación anterior es una ecuación en diferencias de primer orden y puede escribirse como una suma de medias móviles ponderadas exponencialmente *:
25 April 2006 31
4. Control predictivo.
RESULTADO:
• La ecuación de ajuste que produce un control PI, también implica que ese control es equivalente a fijar la variable de compensación (X) de forma que se cancele la predicción EWMA de . 1ˆ( )tz + 1tz +
La constante de suavizado para esa predicción EWMA se determina por el valor del factor de salto en la ecuación de ajuste (G).
25 April 2006 32
4. Control predictivo.• Ejemplo:
t ty tz 1ˆtz + te tx tX cty
1 80 0 0 0 0 0 802 92 12 2.4 12 -2 2 923 100 20 5.92 17.6 -2.93 4.93 97.64 60 -20 0.74 -25.9 4.52 0.61 54.15 93 13 3.19 12.3 -2.04 2.66 92.36 86 6 3.75 2.8 -0.47 3.13 82.8
25 April 2006 33
4. Control predictivo.
v. ob je tivo pe rturbac iones e fec to com pensado
0 20 40 60 80-60
-40
-20
0
20
40
60C ontro l p red ic tivo
ob
t tz y T= −
1ˆt tz gX+− =
25 April 2006 34
4. Control predictivo.
0 20 40 60 80-30
-20
-10
0
10
20
30C ontro l p red ictivo : serie de errores en e l out
ob
25 April 2006 35
4. Control predictivo.
0 20 40 60 80-20
-10
0
10
20
30
40
50
60C ontro l p red ictivo : serie de perturbaciones y serie
ob
25 April 2006 36
5. Elección del parámetro G.
Objetivo de la sección:
• Describir tres formas de elegir el parámetro de salto
Basándonos en los datos y minimizando la suma de errores al cudrado.Asumiendo un modelo IMA(1,1) para las perturbaciones y minimizando el ratio de inflación.Minimizando la variabilidad en el ajuste.
25 April 2006 37
5. Elección del parámetro G.
• Encontrar el mínimo de la suma de errores al cuadrado para distintos valores de G.
• Ejemplo: t=1…..100, de la serie de perturbaciones sin ajustes. El mínimo de la suma de errores al cuadrado se alcanza para el valor G=0.24.
• 1. Estimación a partir de los datos
25 April 2006 38
5. Elección del parámetro G.
0 0.1 0.2 0.3 0.41.23
1.24
1.25
1.26
1.27
1.28
1.29
1.3
1.31
1.32
1.33x 10 4
va lores de G
sum
a de
erro
res
cuad
rado
s
E lección de l parám etro G
25 April 2006 39
5. Elección del parámetro G.
• y obtenemos la predicción EMMC, y, por lo tanto, EMMC en el output con
1 1,t t t tz z a aθ− −− = −
0θ
0 01 ,G λ θ= = −
1ˆtz +
2 2e aσ σ=
• 2. Ratio de inflación. Asumimos,
• Si conocemos el verdadero valor , podemos fijar
En la práctica, usaremos un estimador de G que produciráuna varianza del error muy cercana al mínimo.
25 April 2006 40
5. Elección del parámetro G.• Supongamos que el verdadero parámetro es pero
en el diseño del escenario de ajuste se utiliza el parámetro G distinto de
2 20
2
( )1 .(2 )
e
a
GG G
σ λσ
−= +
−
0θ
0 01λ θ= −
• Ratio de inflación: mide el aumento en la varianza del error del output debido al uso del parámetro G.
25 April 2006 41
5. Elección del parámetro G.
0 0.2 0.4 0.6 0.8
1
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2
parám etro G usado
fact
or d
e in
flaci
ónInflación de varianza y parám etro G
25 April 2006 42
5. Elección del parámetro G.
• 3. Escenarios de ajuste restringido
• Reducir el valor de G a un valor “subóptimo” menor de puede disminuir considerablemente la varianza del ajuste, con un pequeño aumento de la varianza del error en el output.
0λ
25 April 2006 43
5. Elección del parámetro G.• Con 0 01G λ θ= = −
( )/e a x aG gσ σ σ σ= → =
0G λ≠
( )2
0( )1 /(2 )e a x e
G G gG G
λσ σ σ σ−= + → =
−
• Con
25 April 2006 44
5. Elección del parámetro G.
1 1 .05 1 .1 1 .150
0 .05
0 .1
0 .15
0 .2
0 .25
0 .3
0 .35
0 .4
0 .45
0 .5
s igm a_e
g si
gma_
x=G
sig
ma_
e
A juste restríng ido y pa rám etro G
0 0.6λ =
0 0.4λ =
0 0.2λ =
25 April 2006 45
5. Elección del parámetro G.• Ejemplo:
0.2 0.2x aG σ σ= → =
2(0.1)0.1 1 1.026 0.1030.1(1.9)e a a x aG σ σ σ σ σ= → = + = → =
0 0.2, 1gλ = =
25 April 2006 46
• Objetivo: reducir el número de veces que ajusta-mos, simplificar el gráfico.
• B 0 0.5 1.0 1.25 1.5• Ancho 0 5.5 11 13.75 16.5• D.típica 11.14 11.25 11.28 11.62 11.87• % increm. 0 0.9 1.2 4.3 6.5• Nº ajust. 99 65 35 23 16
6. Uso de bandas muertas.
• Ejemplo:
25 April 2006 47
6. Uso de bandas muertas.
0 20 40 60 8040
50
60
70
80
90
100
110
120
Ser
ie d
e gr
osor
aju
stad
aUso de bandas m uertas
o
Banda muerta
25 April 2006 48
7. Control de un proceso AR(1).
Si conocemos el verdadero parámetro:
1 1t t tz z aφ+ += +
1ˆt t tgX z zφ+= − = −
2 2t t e ae a σ σ= → =
La serie de perturbaciones es del tipo:
Fórmula de ajuste:
25 April 2006 49
7. Control de un proceso AR(1).
Factor de reducción
Varianza Desv. típica
0.95 10.3 3.20.90 5.3 2.30.70 2.0 1.40.50 1.3 1.2
2 2 2/(1 )z aσ σ φ= −
φ
• El efecto del control por retroalimentación es reducir la varianza del output por un factor:
25 April 2006 50
……..y después
Ajuste de un proceso con inercia.
• El ajuste depende de los dos últimos errores observados:
( ){ }1t t t tgx G e P e e −= + −
• donde P y G son constantes.
25 April 2006 51
………y después
Diseño del gráfico
• El operario registra el nivel del output y extrapola (o interpola) una línea uniendo los dos últimos puntos separados P periodos.
Control predictivo
t tgX z= −% %
25 April 2006 52
………y después
Estimación de los parámetros G y P
• Escenarios restringidos:
2 2X eσ ασ+
• Se suele fijar P=-0.25 ó P=0 y buscar el valor de G.