You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
INTRODUCCIÓN AL PROYECTO DE INGENIERIA: Manufacturabilidad<br />
El tratamiento probabilístico más general lo provee la simulación <strong>de</strong> Monte Carlo, con<br />
la cual se pue<strong>de</strong> <strong>de</strong>terminar el rendimiento para una asignación dada <strong>de</strong> tolerancias. Para ello es<br />
necesario conocer la función <strong>de</strong> distribución <strong>de</strong> todos los componentes que participan en la<br />
característica. Luego simulando valores para cada uno <strong>de</strong> estos, obtenidos a través <strong>de</strong> la<br />
generación <strong>de</strong> números aleatorios, se <strong>de</strong>termina el valor <strong>de</strong> la característica <strong>de</strong> una posible<br />
realización, haciendo el reemplazo en la expresión correspondiente, expresión (29).<br />
Repitiendo el proceso un número suficientemente elevado <strong>de</strong> veces, se pue<strong>de</strong> obtener<br />
la distribución a la cual respon<strong>de</strong> la característica, figura 44, y su rendimiento, proporción <strong>de</strong><br />
simulaciones que cumplen con la especificación, o sea tales que<br />
1 F(C)<br />
η = FTQ<br />
Emin<br />
Emax<br />
E < C < E<br />
min<br />
Obtenido el rendimiento, se pue<strong>de</strong> <strong>de</strong>terminar el costo <strong>de</strong> la solución. En el caso en<br />
que las plaquetas rechazadas se retrabajen, el costo <strong>de</strong> cada plaqueta será<br />
Costo_plaqueta = Costo_proceso + ( 1 - η ) . Costo_reproceso<br />
(47)<br />
Si en cambio las que no cumplen la especificación se <strong>de</strong>sechan, el costo <strong>de</strong> cada<br />
plaqueta estará dada por<br />
1<br />
Costo_plaqueta = . Costo_proceso<br />
(48)<br />
η<br />
Variando la tolerancia <strong>de</strong> los componentes que tienen mayor sensibilidad <strong>de</strong> costo<br />
frente a la tolerancia, se podrá obtener el costo <strong>de</strong> otra solución. Si este resultase superior, se<br />
<strong>de</strong>berá realizar otro intento en sentido opuesto, y continuar hasta encontrar la solución <strong>de</strong><br />
mínimo costo, figura 45.<br />
Fig.44<br />
C<br />
El método <strong>de</strong> simulación <strong>de</strong> Monte Carlo es útil también cuando se <strong>de</strong>be hallar una<br />
solución que <strong>de</strong>be a<strong>de</strong>más cumplir con una dada capacidad <strong>de</strong> proceso. Simplemente, se<br />
verifica la capacidad <strong>de</strong> proceso por la relación entre el rango admitido para la especificación y<br />
el <strong>de</strong>svío estándar <strong>de</strong> la característica obtenido con los valores <strong>de</strong> la simulación. La solución<br />
óptima será en este caso aquella que al menor costo satisface la exigencia <strong>de</strong> capacidad <strong>de</strong><br />
proceso.<br />
Método <strong>de</strong> selección por grupos<br />
Otra técnica que permite reducir la variabilidad <strong>de</strong>bida a la tolerancia inicial consiste<br />
en preclasificar los componentes en subgrupos, <strong>de</strong> modo que si t es la tolerancia inicial, los<br />
componentes clasificados en cada uno <strong>de</strong> los subgrupos pasan a tener una tolerancia t/n. Es<br />
<strong>de</strong>cir, el rango <strong>de</strong> dispersión inicial pasa <strong>de</strong> ser<br />
∆ X i = t m i . X i<br />
(49)<br />
a ser<br />
t i<br />
(50)<br />
∆ x i = . X<br />
m<br />
i<br />
n<br />
max<br />
Costo<br />
total<br />
Optimo<br />
Fig.45<br />
(46)<br />
233<br />
Tolerancia <strong>de</strong>l<br />
componente i<br />
233