OPTIMIZACIÓN DE CRITERIOS DE ACEPTACIÓN DE PRODUCTOS MEDIANTE UNA RED NEURONAL ARTIFICIAL (OPTIMIZATION OF PRODUCT ACCEPTANCE CRITERIA THROUGH AN ARTIFICIAL NEURONAL NETWORK)

Elías Cano Cisneros, Moisés Tapia Esquivias, Alicia Luna González, José Alfredo Jiménez García, Manuel Darío Hernández Ripalda

Resumen


Resumen
Desde los años 90´s, las empresas que se encuentran a un nivel de alta competencia es por un mayor enfoque en calidad. Una de las formas de conseguirlo es a través de la mejora de la calidad del producto para lograr la satisfacción de los clientes. Sin embargo, no todas las empresas son capaces de alcanzar esta mejora. Uno de los problemas más usuales para mejorar la calidad en las industrias es la variabilidad presente en los procesos originando el rechazo del producto. En este artículo se propone una alternativa novedosa para optimizar los criterios de aceptación del producto, aplicando la metodología Shainin para identificar la causa raíz y redes neuronales para predecir resultados. El alcance de la investigación se limita a un caso de estudio de bombas de inyección que presentaban rechazo por vibración. Como resultado se identifica la causa raíz del problema y optimizan los criterios de aceptación.
Palabras Clave: Criterios de Aceptación, Metodología Shainin, Optimización, Predicción de Resultados, Red Neuronal.

Abstract
Since the 90's, companies that are at a high level of competition is due to a greater focus on quality. One of the ways to achieve this is through the improvement of product quality to achieve customer satisfaction. However, not all companies are capable to achieve this improvement. One of the most common problems to improve quality in the industries is the variability present in the processes causing the rejection of the product. This article proposes a novel alternative to optimize the product acceptance criteria, applying the Shainin methodology to identify the root cause and neural networks to predict results. The scope of the investigation is limited to a case study of injection pumps that presented vibration rejection. As a result, the root cause of the problem is identified and the acceptance criteria are optimized.
Keywords: Criteria of Acceptance, Neural Network, Optimization, Results Prediction, Shainin Methodology.

Texto completo:

301-316 PDF

Referencias


Bhote, K. R., & Bhote, A. K. (2000). World Class Quality. New York: American Management Association.

Flórez, R., & Fernández, J. M. (2008). Las Redes Neuronales Artificiales Fundamentos teóricos y aplicaciones prácticas. España: Netbiblo.

Gelman, L., & Ao, S.-I. (2009). Advances in Electrical Engineering and Computational Science. Estados Unidos Americanos: Springer Science & Business.

González, G. (2016). Motores lineales de imanes permanentes: Principios de funcionamiento y optimización. Colombia: Universidad Autónoma de Occidente.

González, Ó. C., & Arciniegas, J. A. (2016). Sistema de gestión de calidad: Teoría y práctica bajo la norma ISO. Bogotá, Colombia: Ediciones ECOE.

Gutiérrez, H. (2010). Calidad Total y Productividad. México: McGraw-Hill Educación.

Gutiérrez, H., & De la Vara, R. (2009). Control Estadístico de Calidad y Seis Sigma. México: McGraw-Hill.

Haykin, S. (2009). Neural Networks and Learning Machines. New Jersey: Pearson.

Lahoz-Beltrá, R. (2010). Bioinformática: Simulación, vida artificial e inteligencia artificial. Madrid: Ediciones Díaz de Santos.

Luceño, A., & González, F. J. (2015). Métodos estadísticos para medir, describir y controlar la variabilidad. Santander, España: Editorial Universidad de Cantabria.

Navlani, A. (18 de Enero de 2019). Neural Network Models in R. Obtenido de DataCamp Community: https://www.datacamp.com/community/tutorials/neural-network-models-r

Rey, F. (2003). Técnicas de Resolución de Problemas: Criterios a seguir en la Producción y el Mantenimiento. España: FC Editorial.

Sánchez, F. (2019). Calidad Total en las Organizaciones. España: Editorial Elearning S.L.

Shivdarshan, S., & Jaychandran, K. (2018). Root Cause Detection for Excess Control Rod Vibration in Fuel. International Journal of Engineering & Technology, 7(3.6), 364-367.

Steiner, S. H., MacKay, R. J., & Ramberg, J. S. (2008). An Overview of the Shainin System for Quality Improvement. Quality Engineering, 20(1), 6-19. doi:10.1080/08982110701648125

Valero, S., & Senabre, C. (2013). Aplicación de un modelo de red neuronal no supervisado a la clasificación de consumidores eléctricos. España: Editorial Club Universitario.

Vilar, J. F., & Delgado, T. (2005). Control Estadístico de los Procesos (SPC). Madrid, España: FC Editorial.

Zapata, A., Sarache, W. A., & Becerra, F. (2012). Gestión de la Calidad Hacia un modelo integrado de estándares. Colombia: Universidad Nacional de Colombia.






URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Barra de separación


Licencia Creative Commons    Pistas Educativasa está bajo la Licencia Creative Commons Atribución 3.0 No portada.    


TECNOLÓGICO NACIONAL DE MÉXICO / INSTITUTO TECNOLÓGICO DE CELAYA

Antonio García Cubas Pte #600 esq. Av. Tecnológico, Celaya, Gto. México

Tel. 01 (461)61 17575 Ext 5106

www.itcelaya.edu.mx