- Detalles
- Categoría: Minitab
- Visto: 1760
Por Oliver Franz
Existen muchas similitudes entre los procesos de construcción, los proyectos y los rompecabezas; cuando un elemento falla o una pieza no encaja, la finalización de todo el proyecto se ve afectada. A menudo, aparecen ineficiencias ocultas que reducen el presupuesto, amplían los plazos e incluso reducen la calidad.
Su trabajo como profesional de la mejora continua consiste en proteger los plazos, conservar el presupuesto y, lo más importante, mantener seguros a su equipo y a sus integrantes, lo cual no es una tarea fácil. La buena noticia es que estos desafíos no son insuperables y, con la información adecuada y las estrategias basadas en datos, puede perfeccionar sus procesos de manera eficiente.
Analicemos tres ineficiencias comunes y exploremos cómo solucionarlas con Minitab.
1. Los flujos de trabajo no optimizados provocan retrasos y cuellos de botella
Debido a la complejidad de los proyectos de construcción (hay muchos equipos, tareas y cronogramas involucrados), a menudo se producen cuellos de botella y demoras. Los equipos pueden estar esperando materiales, equipos o aprobaciones, mientras que las tareas mal secuenciadas interrumpen la productividad. Estas ineficiencias pueden generar pérdida de tiempo e incumplimiento de plazos, mayores costos de mano de obra y equipos, y frustración/insatisfacción entre los trabajadores y las partes interesadas externas, incluidos los clientes.
Con Minitab, puede mejorar sus proyectos de mejora continua con un conjunto completo de herramientas de mejora continua, como el mapeo del flujo de valor y el análisis de procesos para identificar los puntos débiles en los flujos de trabajo. Los equipos cuentan con herramientas estadísticas y de visualización de datos para identificar y abordar los retrasos. Por ejemplo, los diagramas de Pareto pueden destacar las causas más importantes de los cuellos de botella, mientras que el análisis de la capacidad del proceso garantiza que los flujos de trabajo alcancen los niveles de rendimiento deseados.
2. La repetición del trabajo debido a problemas de calidad aumenta los costos
Los defectos y errores en la construcción, ya sea en carreteras, edificios comerciales, residenciales o industriales, son más comunes de lo que probablemente nos gustaría. El problema principal es que muchas empresas se centran en abordar los problemas después de que ocurren en lugar de prevenirlos. Este enfoque reactivo conduce a costosas repeticiones de trabajos y, una vez más, a demoras en los proyectos. El impacto incluye costes crecientes del proyecto (hasta el 12% del valor del proyecto puede atribuirse a las repeticiones de trabajos), menor confianza de las partes interesadas, desperdicio de materiales e impacto ambiental.
El conjunto de soluciones de Minitab incluye herramientas de análisis predictivo y mejora de la calidad que son fundamentales para reducir la repetición de trabajos. Los gráficos de control y el análisis de la causa raíz ayudan a identificar señales de advertencia tempranas de defectos y a garantizar que el proceso se mantenga dentro de límites aceptables. Y con el aprendizaje automático, Minitab puede ayudar a su equipo a implementar un sólido programa de mantenimiento preventivo, que puede ahorrarle miles de euros.
3. Los datos subutilizados limitan el poder de toma de decisiones
Los equipos y las empresas de construcción generan enormes cantidades de datos a partir de cronogramas, presupuestos, inspecciones y sistemas de gestión de proyectos.
Pero ¿se utilizan estos datos?
Gran parte de los datos siguen sin utilizarse (o no se utilizan en absoluto) debido a sistemas aislados, falta de integración o capacidades analíticas insuficientes. Sin información procesable, las empresas pierden oportunidades de mejorar la eficiencia y el rendimiento. Esto conduce a oportunidades perdidas de ahorro de costes, toma de decisiones ineficaz e incapacidad de adaptarse a los cambios del proyecto en tiempo real.
Minitab Connect ofrece una potente plataforma para integrar y analizar datos de todas las operaciones de construcción. Los paneles de control simplifican la generación de informes con información en tiempo real, que permite a los equipos realizar un seguimiento de los indicadores clave de rendimiento (KPI), como el progreso del proyecto, la asignación de recursos y las variaciones de costos. Al aprovechar estos datos, las empresas pueden tomar decisiones informadas, optimizar la utilización de los recursos y ajustar las estrategias de forma dinámica.
Tome el control de las ineficiencias
Abordar estas ineficiencias ocultas puede mejorar significativamente el rendimiento de su proyecto de construcción. Al adoptar un enfoque basado en datos y aprovechar herramientas como las soluciones avanzadas de análisis y mejora continua de Minitab, puede eliminar el desperdicio, mejorar la calidad y mantenerse por delante de la competencia.
- Detalles
- Categoría: Comsol
- Visto: 2029
Introducción/Objetivos
La escasez de agua dulce ha impulsado el desarrollo de tecnologías avanzadas de tratamiento de agua, como la destilación con membrana (MD, por sus siglas en inglés).
En el artículo titulado “Simulation of mass and heat transfer in salt-lake brine desalination by direct contact membrane distillation using 3D CFD” publicado recientement en la revista “Journal of Water Process Engineering” se utiliza COMSOL Multiphysics® para simular el proceso de destilación con membrana de contacto directo aplicado a la concentración de salmueras de lagos salados. El objetivo principal es visualizar y optimizar los mecanismos de transferencia de calor y masa cerca de la capa límite de la membrana.
Modelización/Simulaciones
Los autores, Guo y colaboradores, han desarrollado un modelo tridimensional de del módulo de membrana en COMSOL Multiphysics® tal y como se muestra en la Figura 1. El modelo incorpora las ecuaciones de conservación de momento, energía y especies y se construye en base a las siguientes hipótesis principales:
- Equilibrio termodinámico estacionario dentro de la membrana.
- Condiciones de no deslizamiento en las interfaces.
- Propiedades constantes de la membrana y retención completa de solutos no volátiles.
Para garantizar unos resultados precisos en las simulaciones numéricas, los autores utilizaron una malla muy fina. Se evaluaron parámetros como la temperatura de alimentación y la velocidad de flujo, analizando su impacto, por ejemplo, en el flujo de permeación.
Figura 1. Geometría tridimensional del módulo de membrana DCMD: (a) Estructura del módulo de membrana. (b) Geometría del módulo de membrana. (c) Malla tridimensional para la simulación CFD en COMSOL Multiphysics®.
Resultados/Conclusiones
Los resultados de la simulación mostraron un excelente ajuste con respecto a los datos obtenidos experimentalmente, con un error máximo del 2,49 % en el flujo de permeación. La temperatura de alimentación tuvo un impacto significativo en la transferencia de calor, donde temperaturas más altas mejoraron el flujo. El modelo desarrollado permitió visualizar exitosamente las distribuciones de temperatura (Figura 2) y velocidad (Figura 3), mostrando contornos de temperatura simétricos en ambos lados de la membrana.
El estudio demuestra el gran potencial de COMSOL Multiphysics® para modelizar y optimizar procesos de destilación empleando tecnología de membranas, ofreciendo una herramienta clave para escalar esta tecnología a aplicaciones industriales.
Figura 2. Temperatura obtenida en los distintos dominios del módulo de membrana a partir de las simulaciones en COMSOL Multiphysics®.
Figura 3. Velocidad calculada para el flujo en los canales del módulo de membrana a partir de las simulaciones en COMSOL Multiphysics®
Referencias
[1] Guo et al. Simulation of mass and heat transfer in salt-lake brine desalination by direct contact membrane distillation using 3D CFD. Journal of Water Process Engineering (2025), 69, 106748.
- Detalles
- Categoría: Systat Software
- Visto: 1965
Introducción
Muchas variables en biología no cumplen con los supuestos de los tests estadísticos paramétricos: no están distribuidas normalmente, las varianzas no son homogéneas, o ambas.
La utilización de un test estadístico paramétrico (como ANOVA o regresión lineal) sobre esos datos puede dar un resultado engañoso.
En algunos casos, la transformación de los datos hará que éstos se ajusten mejor a los supuestos. Existen infinitas transformaciones que se pueden utilizar, pero es mejor utilizar una transformación que se utilice habitualmente en su campo, como la tranformación de la raíz cuadrada para datos de conteo o la tranformación logarítmica para datos de tamaños, antes que una tranformación ambigua de la que no mucha gente haya oído hablar.
También es importante decidir que transformación utilizar antes de realizar el test estadístico.
Las transformaciones matemáticas sobre las variables se realizan a menudo para:
- incrementar la cercanía del ajuste (aumentar R-cuadrado) entre la ecuación de regresión y los puntos de datos,
y/o para - hacer que las variables se ajusten a los supuestos de los procedimientos estadísticos, como la normalidad, y obtener así toda la potencia de esos procedimientos.
Además, las transformaciones de ciertos tipos de variables a veces pueden hacer que las interpretaciones de los resultados de procedimientos estadísticos sean más fáciles y más profundas que sin las transformaciones.
El término "escalera de potencias" (ladder of powers) se refiere a una secuencia de transformaciones algebraicas que pueden realizarse sobre una variable para cambiar la forma de su distribución.
La escalera como se muestra en la tabla superior se enseña aquí para una variable etiquetada "y" que podría ser una variable dependiente o independiente.
Otras potencias y raíces se encajan entre las filas mostradas y se extienden tanto hacia arriba como abajo de la tabla.
Existen muchas transformaciones utilizadas en biología. Las más utilizadas son:
- Transformación raíz cuadrada. Consiste en hacer la raíz cuadrada de cada observación
- Transformación logarítmica. Consiste en tomar el logaritmo decimal de cada observación
- Transformación arcoseno de la raíz cuadrada. Consiste en tomar el arcoseno de la raíz cuadrada de un número.
Transformadas en SigmaPlot
El camino de las transformadas en las nuevas versiones de SigmaPlot se muestra abajo:
Algunos de los histogramas de las transformaciones de acuerdo con la escalera de potencias utilizando SigmaPlot se muestran en la cabecera del articulo junto con el histograma de los datos originales.
- Detalles
- Categoría: Minitab
- Visto: 1928
El valor de un Análisis de Componentes Principales (ACP) en el análisis multivariante de un técnico de procesos industriales es tan crucial como el de una radiografía para un traumatólogo: imprescindible.
Es un hecho que los repositorios de datos de las empresas están creciendo más rápido que las habilidades para extraer valor de ellos. Además, la implementación de sensórica en los procesos ha permitido una recolección de datos con un nivel de detalle cada vez mayor. Sin embargo, la práctica más común para tratar estos datos sigue siendo una simplificación excesiva, como:
- Resumir mediante el uso de KPIs agregados en medias mensuales para reportes a la Dirección.
- Resumir representando defectos a través de Paretos, gráficos de barras o pasteles.
- Resumir utilizando índices de correlación individuales para describir relaciones entre variables.
El consejo en situaciones donde el proceso o el “paciente” no está estable, y esta inestabilidad es una preocupación, es adentrarse en el detalle de los datos.
En este sentido, el Análisis de Componentes Principales (ACP) se convierte en una herramienta fundamental para comprender los procesos. Por ejemplo, si en una situación se recogen datos de 20 variables cada hora, el ACP reduce la dimensión del espacio a un número mucho menor de componentes, pero que aun así explica la variabilidad del comportamiento entre las horas.
Una visualización de las variables proyectadas en las primeras dos componentes puede ser extremadamente útil para los expertos, ya que les permite identificar de manera clara las causas raíz.
REDUCCIÓN DE LA COMPLEJIDAD DE LAS VARIABLES DE TOLERANCIA
Imaginemos el caso de un fundidor de automoción que se enfrenta a 11 nuevas tolerancias sobre vibraciones de piezas. Esta situación resulta abrumadora, dada la cantidad de variables involucradas.
En este ejemplo real se recogieron datos de estas 11 variables en 180 piezas provenientes de 6 posiciones (o huellas) en el molde. El análisis mediante componentes principales (ACP) aportó valiosas perspectivas:
- La alta variabilidad entre las 11 variables se puede reducir a dos componentes principales, lo que implica que el problema es de menor complejidad de lo que parece inicialmente.
- El patrón de variabilidad de las 11 variables tiene una componente común principal (todas aumentan o disminuyen de manera simultánea), lo que sugiere que atacar estos factores clave podría reducir la variabilidad en las 11 características.
- Las variables Y3 e Y4, que son las que más preocupan al departamento de Calidad, están altamente correlacionadas entre sí y presentan componentes de variación de origen diferente.
- El gráfico de "scores" muestra cómo cada una de las 180 piezas se distribuye según las componentes que caracterizan las 11 variables, revelando cómo las posiciones de las huellas 1, 2 y 3 se diferencian de las huellas 4, 5 y 6 según las direcciones de Y3 y Y4.
PROFUNDIZACIÓN EN EL ANÁLISIS GEOMÉTRICO
Como resultado de lo anterior, los técnicos decidieron llevar las 180 piezas a metrología para medir 19 características geométricas y así tratar de encontrar patrones que pudieran explicar las variaciones en las variables Y3 e Y4, especialmente las diferencias observadas entre las huellas 4, 5 y 6, en comparación con las huellas 1, 2 y 3.
El uso del ACP permitió analizar simultáneamente las 19 características geométricas y arrojó información valiosa, como el hecho de que las huellas 4, 5 y 6, que presentaban valores más altos en Y3 e Y4, tenían dimensiones mayores en las geometrías X5, X4 y X9, mientras que eran menores en X6.
CONCLUSIÓN
Uno de los focos de gran interés en las empresas industriales es identificar las causas raíz de un comportamiento anómalo en los procesos. De manera análoga a lo que ocurre en el ámbito de la salud, cuando hablamos de comportamiento anómalo en los procesos industriales no solo nos referimos al empeoramiento, sino también a las mejoras inexplicables en el comportamiento de estos.
El hecho de contar con un volumen creciente de datos y herramientas como Minitab facilita enormemente el acercamiento al conocimiento profundo del proceso. El Análisis de Componentes Principales (ACP) se presenta como una herramienta clave para abordar problemas multivariantes y permite a los expertos superar creencias erróneas, dirigiendo los esfuerzos hacia la solución adecuada de manera eficiente.
En un futuro en el que las fuentes de datos serán cada vez más diversas y multivariantes, las habilidades para tratar estos datos serán fundamentales.
¿QUIERES APLICAR ESTAS HERRAMIENTAS A TUS DATOS?
Realizar este tipo de estudios no es una tarea difícil si tiene un buen conocimiento de las herramientas de visualización de datos que ofrece Minitab y tiene la habilidad de comprender e interpretar los gráficos.
Precisamente esto es lo que enseñamos en el curso de Diagnóstico con visualización de datos con Minitab.
Si desea recibir una propuesta formal del coste del curso en su caso particular, póngase en contacto con nuestro departamento comercial por teléfono (934154904 o 915158276) o a través de este FORMULARIO
- Detalles
- Categoría: Comsol
- Visto: 2059
Introducción/Objetivos
La optimización del proceso de secado solar es crucial para preservar alimentos como el tomate, con un alto contenido de agua. El artículo titulado “Experimental and numerical study of tomatoes drying kinetics using solar dryer equipped with PVT air collector” [1] empleó COMSOL Multiphysics® para desarrollar una simulación numérica tridimensional (3D) que describe las características de transferencia de calor y masa durante el secado de rodajas de tomate en un secador solar equipado con un colector fotovoltaico-térmico (PVT).
Los objetivos incluyen evaluar el impacto de parámetros clave (temperatura, velocidad del aire y grosor de las rodajas) en la eliminación de humedad y validar los resultados numéricos con datos experimentales.
Modelización/Simulación
El modelo numérico axisimétrico desarrollado en COMSOL Multiphysics® para las rodajas de tomate (Figura 1) acopla las físicas de transferencia de calor en sólidos y transporte de especies diluidas en medios porosos. Para representar la geometría de las rodajas de tomate, se utilizó un cilindro axisimétrico de 35 mm de radio y 22 mm de grosor. Las ecuaciones principales se basan en la segunda ley de Fick para el transporte de agua y en la conducción de calor dentro de la rodaja. Entre las simplificaciones asumidas destacan:
- Propiedades homogéneas e isotrópicas del tomate.
- Transferencia primaria de calor por convección y de masa por difusión.
- Ausencia de contracción del producto.
Se generó una malla de ultra alta resolución con 21,826 elementos triangulares para garantizar la precisión de los cálculos. La simulación evaluó cómo la temperatura, el grosor de las rodajas y la velocidad del aire influyen en la distribución de temperatura y contenido de agua.
Figura 1. Rodajas de tomate seco modelizadas en COMSOL Multiphysics®.
Resultados/Conclusiones
La simulación mostró una alta concordancia con los datos experimentales. De acuerdo con los resultados, a temperaturas de secado superiores a 50 °C la evaporación de agua fue más rápida, evitando contaminación bacteriana. A 60 °C, el tiempo de secado se redujo un 45% en comparación con 40 °C. La Figura 2 y la Figura 3 muestran, respectivamente, el contenido en agua y la temperatura en función del tiempo de secado y la Figura 3 muestra . Los resultados también mostraron que reducir el grosor de las rodajas o aumentar la velocidad del aire permiten reducir el tiempo de secado debido a la menor resistencia al transporte de agua desde el núcleo hasta la superficie. Este estudio destaca el potencial de COMSOL Multiphysics® para modelar y simular procesos de secado de productos agroalimentarios. Su capacidad para predecir la distribución espacial y temporal de temperatura y humedad permite optimizar diseños de secadores y reducir los costos asociados a experimentos físicos. Estos resultados abren la puerta a mejoras en el diseño de secadores solares y sistemas de control automático para procesos industriales.
Figura 2. Contenido en agua de las rodajas de tomate calculado en COMSOL Multiphysics® para distintos tiempos de secado.
Figura 3. Temperatura de las rodajas de tomate calculado en COMSOL Multiphysics® para distintos tiempos de secado.
Referencias
[1] Fterich et al. Experimental and numerical study of tomatoes drying kinetics using solar dryer equipped with PVT air collector. Engineering Science and Technology, an International Journalt (2023), 47, 101524.
- Detalles
- Categoría: Minitab
- Visto: 1618
Por Oliver Franz.
Los desabastecimientos (cuando los niveles de inventario son insuficientes para satisfacer la demanda de los clientes) pueden provocar pérdidas de ventas, una menor confianza de los clientes y un estrés innecesario en la cadena de suministro. Afortunadamente, Minitab Statistical Software y la Analítica Predictiva proporcionan las herramientas necesarias para identificar de manera proactiva los factores que contribuyen a los desabastecimientos y optimizar el inventario.
En esta publicación, demostraremos cómo utilizar el software estadístico Minitab para analizar un conjunto de datos e identificar los impulsores clave de los desabastecimientos.
Paso 1: Analizar las tendencias históricas
Para pronosticar la demanda y evitar la falta de existencias, comience por analizar los datos históricos. Estos datos brindan información sobre los patrones de ventas anteriores, las preferencias de los clientes y el impacto de factores externos como promociones, días festivos o condiciones económicas. Al revisar las tendencias a lo largo del tiempo, puede identificar la estacionalidad, los picos de ventas y los períodos de baja demanda. Estos patrones son cruciales para establecer una línea base de la demanda esperada.
Por ejemplo, si observa un aumento constante de las ventas durante determinados meses o en respuesta a campañas de marketing específicas, puede utilizar esa información para predecir la demanda futura. Comprender estos patrones ayuda a evitar el exceso o la falta de existencias, lo que puede provocar desperdicios o pérdidas de ventas.
En Minitab, herramientas como el análisis de regresión y el análisis de series temporales pueden ayudar a identificar patrones significativos en sus datos, brindándole una imagen más clara de la demanda esperada, como en este ejemplo:
El equipo de esta empresa minorista puede utilizar el análisis de series temporales para generar proyecciones de ingresos en función de la estacionalidad. En este ejemplo, la empresa genera una parte importante de sus ingresos durante el cuarto trimestre. Conocer estas cifras anticipadas puede llevar a una planificación más informada y basada en datos.
Paso 2: Incorporar datos en tiempo real para análisis en vivo
Los datos en tiempo real son fundamentales para adaptar los pronósticos a las condiciones cambiantes del mercado. Con Minitab Connect pueden transmitirse datos en vivo a su análisis, lo que garantiza que sus pronósticos se mantengan actualizados. Esto incluye tendencias de ventas, actualizaciones de la cadena de suministro y demoras en la producción.
Por ejemplo, si la demanda aumenta inesperadamente debido a que un competidor se queda sin existencias, el análisis en vivo de Minitab Connect le permite ajustar rápidamente los niveles de inventario. Al integrar múltiples fuentes de datos, puede crear tableros de control en vivo que se actualizan continuamente, lo que le brinda una vista clara y en tiempo real de su inventario y pronósticos de demanda. Esto garantiza decisiones más rápidas basadas en datos para evitar que se queden sin existencias y optimizar el inventario.
Al combinar la información de los datos históricos con las actualizaciones en tiempo real, está bien preparado para tomar decisiones informadas sobre el inventario. Sin embargo, para evitar realmente los desabastecimientos y optimizar su inventario, es esencial ir un paso más allá con el análisis predictivo.
Paso 3: Aprovechar el análisis predictivo
El análisis predictivo le permite ir más allá de los datos históricos y la información en tiempo real al analizar las relaciones entre varios factores que influyen en las faltantes de existencias.
Para demostrarlo, utilizamos el aprendizaje automático en el módulo de análisis predictivo de Minitab. Nuestro conjunto de datos incluye factores potenciales que podrían provocar la falta de existencias de una determinada marca de auriculares Bluetooth.
El equipo quería ver qué factor se asociaba de forma más constante con la falta de existencias. Recopilaron datos de las últimas 50 semanas sobre el tiempo de entrega de los pedidos, el nivel de inventario al principio de la semana, la tasa de reabastecimiento al final de cada semana, las previsiones de unidades vendidas y las unidades vendidas realmente. A continuación, utilizaron el aprendizaje automático para determinar cuál de estas variables era la más significativa:
La importancia de la variable mide la mejora del modelo cuando se realizan divisiones en un predictor. La importancia relativa se define como el % de mejora con respecto al predictor superior.
Curiosamente, un plazo de entrega más largo fue el predictor más importante de faltantes de existencias.
Este es un problema relativamente sencillo de resolver. Al realizar los pedidos antes (a mitad de la semana, en lugar de a fin de semana), la empresa podría reducir drásticamente la probabilidad de que se produzca un desabastecimiento. El equipo podría entonces implementar esos cambios y medir sus datos nuevamente en varios meses y utilizar el software estadístico Minitab para ver si había una diferencia estadísticamente significativa en la cantidad de desabastecimientos que experimentaron.
Logre una gestión de inventario proactiva con información basada en datos
Para evitar la falta de existencias se necesita un enfoque estratégico que combine análisis históricos, datos en tiempo real y análisis predictivo. Con Minitab Statistical Software y Predictive Analytics, puede identificar los factores clave que provocan la falta de existencias, ajustar las estrategias de inventario en tiempo real y aprovechar el modelado avanzado para tomar decisiones proactivas. Al adoptar estas herramientas y técnicas, su empresa puede garantizar niveles óptimos de inventario, minimizar las interrupciones en la cadena de suministro y mantener la confianza de los clientes.
- Detalles
- Categoría: MapleSim
- Visto: 1728
La explosión del uso de dispositivos electrónicos, vehículos eléctricos y servicios públicos descentralizados (por ejemplo, redes inteligentes) ha impulsado la demanda de baterías recargables, creando un mercado próspero y en crecimiento. Las proyecciones actuales indican que el mercado mundial de baterías recargables tendrá un crecimiento de alrededor del 9% anual. Esto ha llevado a muchas de las principales empresas de electrónica a entrar en el mercado, con ofertas dirigidas a una gama de aplicaciones: desde baterías pequeñas y ligeras para dispositivos portátiles hasta baterías del tamaño de contenedores de envío para servicios públicos. También ha llevado a un aumento significativo de la inversión en investigación en tecnologías de baterías para abordar muchos de los desafíos técnicos que enfrenta esta industria, que van desde el aumento de la energía específica (la cantidad de carga que una celda puede contener por kg de peso) hasta la estabilidad térmica, la extensión de la vida útil de la batería y la eliminación final de los materiales usados al final de la vida útil de una batería.
Bájese el documento, donde nos centramos en un área de desarrollo en el contexto de un proyecto llevado a cabo recientemente por Maplesoft y su socio, ControlWorks Inc, de Corea del Sur. En concreto, cubriremos el desarrollo de un sistema de pruebas Hardware-in-the-Loop (HIL) para los sistemas de gestión de baterías (BMS) utilizados en uno de los productos de almacenamiento de energía eléctrica más grandes de nuestro cliente, dirigido a los mercados de Smart Grid y UPS.
Destacados:
|