control de factores para la operación óptima del proceso

12 Ciencia y Tecnología al servicio del pueblo

Control de factores para la operación óptima del proceso de inyección de plástico mediante diseño factorial

Factor control for the optimal operation of the plastic injection process through factorial design

Jaime Acosta-Velarde, Ángel Guamán-Lozano, Alcides García-FloresEscuela Superior Politécnica de Chimborazo, Riobamba, Ecuador

Resumen

En el presente artículo se muestra la aplicación del modelo experimental factorial 2^4 no replicado, denominado así por cuanto se estudian cuatro factores con dos niveles por cada factor y con una sola réplica. El propósito es determinar las condiciones óptimas de operación de una máquina inyectora de plástico utilizada en el proceso de producción de botas y cuyos parámetros son seleccionados de forma empírica, lo cual ha generado reducción en la calidad del producto, elevado porcentaje de defectos, aumento en la tasa de desperdicios, así como retrabajos, aspectos que influyen negativamente en la productividad. En el estudio se han considerado cuatro factores que afectan al desempeño operacional de la máquina de inyección de plástico. A través de una muestra significativa por cada tratamiento, se analiza el número de defectos como variable respuesta. Con la aplicación del modelo experimental y la técnica ANOVA (Análisis de Varianza) se concluye, con un nivel de confianza del 95 %, que los parámetros de operación óptimos que contribuyen a la reducción del porcentaje promedio de defectos de 20% a 5,97 % son: velocidad de inyección: 60 rpm (6,28 rad/s), presión de inyección: 54 psi (372 KPa), tiempo de compactación: 8 s y tiempo de enfriamiento: 10 s, logrando así incrementar la calidad y la productividad del proceso de inyección.

Palabras claves: Análisis de varianza, operación óptima, diseño factorial experimental, tratamiento, calidad.

AbstractThis article shows the application of the unreplicated 24 factorial experimental model, so named because four factors are studied with two levels for each factor with a single replica. The purpose is to determine the optimal operating conditions of a plastic injection machine used in the boot production process and parameters are selected empirically, which has

Recibido: 6 de enero 2021, revisión aceptada 19 de marzo 2021

1Correspondiente al autor: ji_acostaspoch.edu.ec

8(1):12-25. 2021

13 Ciencia y Tecnología al servicio del pueblo 8(1):12-25. 2021

ARTÍCULO CIENTÍFICO · Control de factores para la operación óptima del proceso de inyección de plástico mediante diseño factorial

generated a reduction in the quality of the product, a high percentage of defects, an increase in the scrap rate, as well as rework, aspects that negatively influence productivity. In the study, four factors that affect the operational performance of the plastic injection machine have been considered. Through a significant sample for each treatment, the number of defects is analyzed as a response variable. With the application of the experimental model and the ANOVA technique (Analysis of Variance) it is concluded, with a confidence level of 95%, that the optimal operating parameters to apply to the reduction of the percentage of defects by 20% at 5,97% must be: injection velocity: 60 rpm (6,28 rad/s),, injection pressure: 54 psi (372 KPa), compaction time: 8 s and cooling time 10 s, thus managing to increase the quality and productivity of the injection process Key words: Analysis of variance, optimal operating, factorial experimental design, treatment, quality.

IntroducciónEn la última década, la producción de plástico se ha incrementado notablemente debido a la facilidad y economía de transformación de este tipo de material, en especial de los termoplásticos que permiten la fabricación de diversos productos a gran escala con costos relativamente bajos. Entre todos los procesos de transformación en los que se utiliza material plástico destaca el proceso de inyección que ha permitido que los materiales poliméricos estén reemplazando a metales, maderas, vidrios, logrando resolver necesidades del avance tecnológico. (Lesso García, 2012)

Las empresas dedicadas a la producción de plásticos utilizan máquinas inyectoras de PVC con características de operación que dependen de varios factores tales como presión velocidad temperatura, entre otros. El proceso de transformación de los materiales plásticos que se lleva a cabo en las máquinas de inyección de PVC permite una producción a gran escala con costos relativamente bajos, así como ciclos rápidos de producción, fomentando el aumento del uso de los materiales plásticos en comparación

a otros materiales. Sin embargo, en algunas empresas el uso de los equipos de inyección se lo hace de forma empírica, esto implica que la selección de los parámetros de operación de los equipos se lo realiza a partir de prueba y error, en consecuencia, surgen varios problemas como incremento en la cantidad de desperdicio, unidades defectuosas, tiempos de operación improductivos lo cual conduce a una reducción del índice de calidad y productividad.

Los modelos experimentales con base en técnicas estadísticas se han convertido en herramientas potentes para el diseño y mejoramiento de productos y procesos que conducen a las empresas alcanzar niveles competitivos en cuanto a calidad y productividad.

El uso del software Minitab, como herramienta de simulación para el proceso de inyección de plásticos, permite encontrar la combinación ideal de los factores en torno a un ahorro significativo de materia prima y el cumplimiento de especificaciones dimensionales en una pieza estándar (Ruiz Hernández, Zavala Bustos, Reyes Núñez, & Villalón Ramos, 2016)

14 Ciencia y Tecnología al servicio del pueblo8(1):12-25. 2021

Jaime Acosta et al.

La experimentación es un proceso en la que se inducen cambios deliberados en las variables de estudio para observar su efecto sobre variables respuesta de interés que pueden ser características de calidad de un producto. Para llevar a cabo una prueba o serie de pruebas experimentales es necesario que los factores tengan al menos dos niveles por factor. La combinación de los niveles de los factores se conoce como tratamiento usado para determinar las condiciones óptimas en las que debe operar una máquina, un proceso o un producto. (Montgomery, 2013)

La desventaja de los diseños experimentales factoriales es que a medida que aumentan los factores de estudio, los tratamientos se incrementan de forma exponencial, tal como se observa en la Figura 1, lo cual trae consigo un incremento en la utilización de recursos y por tanto costos sustanciales de experimentación.

Figura 1. Crecimiento exponencial de tratamientos experimentales

Sin duda alguna los diseños experimentales son herramientas estadísticas que permiten lograr soluciones óptimas en el menor tiempo posible; sin embargo, la confiabilidad de los resultados de los diseños experimentales se logra cuando se cumplen supuestos tales como normalidad de los residuos, homogeneidad de varianza e independencia.

(Saldaña Ruiz, Ramírez Tapia , Ríos Lira, & Henández Ripalda, 2020)

La interacción entre dos factores al ser estadísticamente significativa implica que el efecto de un factor depende del nivel en el que se encuentra el otro factor, independientemente de que los factores, de forma individual, también sean significativos. (Gutiérrez Pulido & De la Vara Salazar, 2012)

Un diseño factorial 24 no replicado es un modelo experimental de la familia 2^k utilizado con frecuencia en la industria debido a su flexibilidad y pruebas moderadas de experimentación. Estos diseños permiten evaluar factores suponiendo a priori que el comportamiento de los factores no tiene un efecto cuadrático. Se puede combinar los principios de diseño experimental y la tecnología para ayudar a mejorar los procesos a nivel industrial. (Yu, Pelaez, & Lang, 2016)

En la investigación realizada por Liang, Liao y Liu (2019), se utilizó el diseño de experimentos ortogonal para lograr la optimización de los parámetros de operación con el fin de fortalecer la molienda por chorro de agua con ANFIS, lo cual condujo a obtener un resultado óptimo del mecanizado de los anillos del rodamiento del equipo, esto indica también que en los diseños experimentales la precisión está relacionada con la capacidad para encontrar diferencias entre los factores evaluados. (Gordón Mendoza & Camargo Buitrago, 2015)

Los factores considerados para el proceso de inyección de plástico, por su posible efecto sobre la obtención de unidades defectuosas son: la velocidad de inyección, presión de inyección, tiempo de compactación y tiempo de enfriamiento.



En una máquina inyectora, el proceso de inyección de plástico se lleva a cabo en dos etapas: La primera etapa consiste en fundir el material a medida que avanza por las cámaras de calor para dar lugar a la segunda etapa que corresponde a la inyección a presión del material fundido en cavidades de un molde, el material es enfriado hasta que la pieza puede ser extraída con facilidad y sin deformación alguna.

El material ingresa por la tolva en forma de pellets (Figura 2.), y es transportado a través de la camara de calefacción a medida que el piston avanza, pasando a la camara de inyección donde la homogeneidad del material fluido es consistente para ser inyectado con una presión de llemado hacia la cavidad del molde. En la etapa de enfriamiento el material se contrae, por lo que se añade más material para que el volumen de la pieza sea el deseado aplicando una presión de compactación. El material permanece en el interior del molde hasta que el producto alcanza la temperatura de extracción y este listo para ser desmontado (Beltrán & Marcilla, 2015, págs. 185-186). Mientras tanto el piston o husillo retrocede para iniciar un nuevo ciclo de inyección. Este retroceso da lugar a la plastificación o dosificación debido a que el material es transportado progresivamente de la tolva de alimentación a la cámara de inyección, homogeneizándose tanto su temperatura como su grado de mezcla, esta fase se realiza de forma paralela a la etapa de enfriamiento de la pieza en el molde, acelerando el tiempo de ciclo. (Beltrán & Marcilla, 2015, págs. 185-186)

Figura 2. Esquema de operación de una máquina inyectora

La importancia de monitorear y controlar factores de operación se debe a que la variabilidad de los factores provoca defectos como rechupes, diferencia de color, consecuentemente genera reprocesos y aumento del índice de desperdicios haciendo que la productividad y la calidad de los productos se vean desmejoradas. Actualmente el tipo de maquina inyectora, tomada como caso de estudio, genera un índice de defectos del 20% aproximadamente. La configuración de los parámetros para operar la maquina inyectora es variable ya que no se conoce con precisión cuáles son los niveles óptimos de los factores en los que debe funcionar la máquina, esta situación provoca la mayoría de las veces un incremento en la cantidad de defectos por pieza producida es entonces cuando surge la necesidad del estudio experimental que provea de información necesaria para responder al problema de una manera eficiente. Por tanto, el propósito de la investigación es determinar las condiciones óptimas en las que debe operar el equipo controlando los factores que influyen en el proceso de inyección con la aplicación del diseño experimental factorial 24 no replicado


Jaime Acosta et al.

Metodología

Para el presente estudio se utilizaron datos a partir de pruebas experimentales realizadas en una máquina de inyección. Las pruebas experimentales se ejecutaron combinando los distintos niveles establecidos para cada factor de interés. Se aplicaron dos niveles por factor.

La planificación y ejecución del modelo experimental factorial inicia con la identificación de los factores críticos a ser estudiados y los respectivos niveles de cada factor (Tabla 1). Los demás factores se mantuvieron fijos para el experimento.

Tabla 1. Valores nominales de los factores de interés

Se aplicó el principio de aleatoriedad para la ejecución de las pruebas experimentales. Este principio permite reducir la variabilidad de los datos causada por errores de experimentación y aleatorios. Se muestra a continuación los resultados obtenidos en la tabla 2.

Tabla 2. Variable de salida por tratamiento.

El porcentaje de unidades defectuosas obtenidas en una muestra de producción por tratamiento representa la variable de salida. El tamaño de muestra se ha determinado con un nivel de confianza del 95 %, un error de estimación del 5 % y un porcentaje promedio de defectos del 10 % correspondientes a los 2 últimos meses. El tamaño de la muestra corresponde a 144 unidades por tratamiento



Con los datos experimentales se comprueba el cumplimiento del supuesto de normalidad, requisito

fundamental que explica un correcto procedimiento de las pruebas experimentales, lo que contribuye a realizar un

ANOVA confiable (Figura 3)

Con los datos experimentales se comprueba el cumplimiento del supuesto de normalidad, requisito fundamental que explica un correcto procedimiento de las pruebas experimentales, lo que contribuye a realizar un ANOVA confiable (Figura 3).

Figura 3. Diagrama de Normalidad de los residuos

Se aplicó el análisis de varianza que permite identificar los factores, así como las interacciones que tienen efecto significativo sobre el proceso, con base en la producción de unidades defectuosas. Posteriormente las gráficas de interacción y efectos principales son evaluadas para obtener una correcta interpretación de los resultados.

Con el uso de minitab se obtiene el coeficiente de determinación (R2) que explica el porcentaje de la variabilidad explicada por los factores bajo estudio, éste es un indicador importante que le otorga confiabilidad a la toma de decisiones concretas.

Con los datos obtenidos de la experimentación se analiza el porcentaje de defectos y se aplica la gráfica de comparación múltiple LSD (least significant difference) por sus acrónimos en inglés conocida también


Jaime Acosta et al.

como Diferencia Mínima Significativa (DMS). Esta gráfica permite determinar una estimación por intervalo de la variabilidad de cada tratamiento.

Resultados

A partir de los datos obtenidos aplicando el diseño factorial 2^4, para el incremento de los grados de libertad en el error aleatorio, se envían los grados de libertad de los efectos de interacción triple y cuádruple al error aleatorio debido a que la experiencia ha demostrado que son insignificantes sobre el efecto que tienen en la variable de salida (respuesta).

Posteriormente, a través de la gráfica de Pareto (Figura 4) y la gráfica de normalidad de Daniel (Figura 5) se observa la magnitud de los efectos principales y de interacción doble sobre la variable respuesta. La gráfica de Daniel indica que, si los efectos se grafican en papel probabilístico normal, los que no son significativos tenderán a formar una línea recta, mientras que los efectos activos aparecerán alejados de la línea de normalidad (Gutiérrez y de la Vara, 2016).

Figura 4. Diagrama de Pareto de efectos estandarizados



Figura 5. Gráfica de Daniel

El ANOVA preliminar con un nivel de confianza del 95 % muestra que el tiempo de enfriamiento y tres interacciones dobles

tienen efecto sobre el porcentaje de unidades defectuosas provocadas por el proceso de inyección de la maquina inyectora. (Tabla 3)


Jaime Acosta et al.

El coeficiente de determinación (R2aj) demuestra que el 82,84 % de la variabilidad en los datos es explicada por los factores significativos, es decir que el diseño experimental es adecuado para el estudio. El coeficiente de determinación ajustado se puede calcular de la siguiente manera, a partir de los cuadrados medios en el ANOVA tanto del error como el total:

Para incrementar la potencia del análisis, los grados de libertad del error deben ser superior a 8 (Gutiérrez Pulido & De la Vara Salazar, 2012). Esto se corrige al enviar aquellos efectos no significativos observados al error en el diagrama inicial de Pareto (Figura 6). Este proceso permite generar un ANOVA mejorado cuyo enfoque se orienta a determinar con mayor precisión el efecto de los factores.

Figura 6. Diagrama de Pareto de efectos estandarizados.

La gráfica de normalidad de efectos (Daniel) explica con claridad los efectos significativos de los factores y sus interacciones sobre la variable de salida, lo cual respalda los

resultados obtenidos con el Análisis de Varianza. (Figura 7).



El ANOVA mejorado confirma el efecto significativo de los factores. tanto de forma individual en interacción doble interacción entre ellos. Las conclusiones se establecen

con base en las interacciones dobles ya que se superponen a los efectos principales. (Tabla 4).

Figura 7. Diagrama de normalidad de Daniel corregido


Jaime Acosta et al.

Figura 8. Gráficas de interacción: (a) Presión de inyección-Velocidad de inyección. (b) Velocidad de inyección-Tiempo de compactación-Tiempo de enfriamiento

Se establece un modelo de regresión en función de los factores que tienen efecto sobre la variable de salida. Este modelo se muestra a continuación:

% DEFECTOS = 0 , 1 4 7 1 9 - 0,01281A+ 0,01219 B+ 0,01906C+ 0,02594 A¨B+ 0,02469 B¨D- 0,03094 C¨D

Donde:

A Presión inyección

B Velocidad inyección

C Tiempo enfriamiento

D Tiempo compactación

Al aplicar el optimizador de respuesta con el software Minitab v19, se obtuvo el mismo resultado en cuanto a las condiciones óptimas en la que debe operar la máquina de inyección.

La tabla 5 demuestra que se puede obtener un promedio de defectos de 5,97% con un intervalo entre 3,1 y 8,83 % de defectos por cada lote producido, al configurar la máquina

El coeficiente de determinación (R2aj) se ve incrementado a un 89,98 %. Esto significa que ha mejorado la efectividad del diseño y el proceso de enviar los efectos no significativos al error fue correcto. El 89,98 % de la variabilidad es explicada por los factores que tienen efecto sobre la variable respuesta (unidades defectuosas)

El objetivo de la investigación experimental es minimizar la cantidad de defectos en el proceso de inyección de la maquina inyectora. Al aplicar el método gráfico LSD se obtienen gráficas de medias con intervalos (Figura 8) que permiten identificar la condición de operación óptima para reducir el número de defectos e indican que se debe operar con una velocidad de inyección de 60 rpm (6,20 rad/s), a una presión de 54 psi (372 KPa), tiempo de compactación: 8 s y tiempo de enfriamiento: 10 s, lo cual da lugar a un porcentaje de defectos promedio entre 3.1 y 8.83 % aproximadamente.



inyectora con los parámetros determinados a través de la experimentación.

Tabla 5. Predicción de respuesta múltiple

Discusión

La interacción entre el tiempo de enfriamiento y tiempo de compactación es predominante durante el proceso de inyección de plástico, esto indica que a mayor tiempo de enfriamiento y mayor tiempo de compactación se reduce el porcentaje de defectos como son los rechupes, inyección incompleta, entre otros, sin embargo, la velocidad de inyección debe ser menor con respecto a los niveles establecidos en el diseño experimental, y la presión de inyección debe ser alta.

El uso de técnicas estadísticas para modelar experimentalmente el comportamiento funcional de equipos facilita la configuración óptima de los parámetros de operación de tal manera que se logra mejorar indicadores de eficiencia del equipo y del proceso. Esto se ve reflejado en el aumento de la productividad y calidad de los productos, sin embargo, se debe considerar el costo que implica la

experimentación, por lo que la planeación del diseño experimental debe ser efectivo a la hora de seleccionar el modelo experimental.

Los modelos experimentales factoriales son los más utilizados en la industria e investigación, tanto para el modelado de procesos como diseño de productos, entre estos, el modelo experimental factorial 24 no replicado. Los diseños experimentales factoriales no replicados se emplean por ser económicos ya que solo se considera una observación por tratamiento sobre todo cuando es necesario evaluar lotes en procesos de producción a gran escala y es recomendable cuando el número de factores es superior a cuatro.

Conclusiones

El diseño experimental aplicado ha permitido determinar las condiciones en las que debe operar la máquina inyectora logrando


Jaime Acosta et al.

reducir el porcentaje de defectos de 20% al 5.97% aproximadamente. La variabilidad no explicada por el modelo representa el porcentaje relacionado con otros factores que no se han considerado en el estudio.

El coeficiente de determinación indica que el 89% de la variabilidad en cuanto al porcentaje de unidades defectuosas es explicada principalmente por la presión, velocidad de inyección, tiempo de enfriamiento y tiempo de compactación, otorgando confiabilidad de las decisiones que surjan con base en los resultados obtenidos.

El control de las variables a través de la técnica experimental ha incrementado el número de unidades sin defectos por cada hora de producción, dando lugar a un incremento de la eficiencia del proceso de producción y como consecuencia se emplean los recursos eficientemente para alcanzar un nivel óptimo de producción.

La aplicación de técnicas estadísticas como los diseños experimentales orientados a la mejora de los procesos permiten obtener soluciones efectivas en cuanto al incremento de la productividad. Promueve una gestión eficiente de los equipos o maquinarias que constituyen el proceso productivo generando un incremento en la calidad del producto y mayor disponibilidad de los equipos.

Los resultados demostraron que la relación entre los factores estudiados está estrechamente relacionada con la calidad del producto respecto al promedio de porcentaje de defectuosos, lo cual indica que el uso de diseños experimentales le otorga mayor confianza por la precisión experimental para determinar los parámetros de operación óptima del equipo de inyección.

Literatura Citada

Beltrán, M., Marcilla, A. (2015). Tecnología de Polímeros. Alicante.

Gordón Mendoza, R,. Camargo Buitrago, I. (2015). Selección de estadísticos para la estimación de la precisión experimental en ensayos de maíz. Agronomía Mesoam, 26(1), 55-63. doi:https://doi.org/10.15517/am.v26i1.16920

Gutiérrez Pulido, H., De la Vara Salazar, R. (2012). Análisis y diseño de experimentos. México: McGraw-Hill.

Lesso García, J. C. (2012). Aplicación del diseño de experimentos para la mejora del proceso de moldeo por inyección de plásticos de la pieza “fin instrument” en industrias Camca SA de CV. México: Universidad de Querétaro.

Liang, Z., Liao, S., Wen, Y. Liu, X. (2019). Working parameter optimization of strengthen waterjet grinding with the orthogonal-experiment-design-based ANFIS. Journal of Intelligent Manufacturing volume 30, 833-854. doi: ttps://doi.org/10.1007/s10845-016-1285-z

Montgomery, D. (2013). Diseño y análisis de experimentos. México: Limusa.

Ruiz Hernández, R., Zavala Bustos, J. A., Reyes Núñez, M., Villalón Ramos, V. (2016). Control de variables en el proceso de inyección de probetas plásticas. Pistas Educativas, 38(118), 255-262. http://www.itcelaya.edu.mx/ojs/index.php/pistas/article/



view/197

Saldaña Ruiz, M., Ramírez Tapia, R., Ríos Lira, A., Henández Ripalda, M. (2020). Planeación para el desarrollo de un programa para desbalancear matrices de diseño en diseños factoriales 2k. Pistas Educativas, 42(136), 838-852. http://www.itcelaya.edu.mx/ojs/index.php/pistas/article/view/2315

Yu, Y., Pelaez, A., Lang, K. (2016). Designing and evaluating business process models: an experimental approach. Information Systems and e-Business, 767-789. doi:https://doi.org/10.1007/s10257-014-0257-0

control de factores para la operación óptima del proceso

Documents