EJEMPLO DE SUPERFICIES DE RESPUESTA P.

Reyes / febrero 2008

3. OPTIMIZACIÓN DE PROCESOS CON SUPERFICIES DE
RESPUESTA

Los diseños de experimentos factoriales y fraccionales, sirven para hacer

una selección de factores más relevantes que afectan el desempeño del
proceso. El paso siguiente es la optimización del proceso, o la búsqueda de las
condiciones de operación para las variables del proceso que lo optimicen.

3.1 MÉTODOS Y DISEÑOS DE SUPERFICIES DE RESPUESTA (RSM)

Sirven para modelar y analizar aplicaciones donde la respuesta de interés
es influenciada por diversas variables y el objetivo es optimizar esta respuesta.
Supóngase que se desea obtener el máximo rendimiento en un proceso (y) que
tiene como variables relevantes la temperatura de reacción (x1) y el tiempo de
reacción (x2). La función de rendimiento está en función de temperatura y tiempo,
o sea:

η = f ( x1 , x2 )
La superficie representada por esta ecuación se denomina superficie de
respuesta.
Región óptima

Rendimiento
esperado (%)
Tiempo de reacción (min.)

Temperatura (ºC)
Fig. 3.1 Superficie de respuesta tridimensional, muestra
el rendimiento esperado en función de la temperatura y tiempo

1
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008

Como apoyo se visualiza la grafica de contornos de igual rendimiento de la

superficie de respuesta como se muestra en la siguiente figura.
Rendimiento (%)

30
25 70 75 80 85 90
Tiempo de
Reacción 20
(min.) Condiciones de operación actuales
15 60 65

100 110 120 130 140

Temperatura (ºC)
Fig. 3.2 Gráfica de contornos del rendimiento de la
superficie de respuesta

Si la respuesta es modelada adecuadamente por una función lineal de las

variables independientes, entonces la función de aproximación es el modelo de
primer orden, por ejemplo:

y = β 0 + β1 x1 + β 2 x 2 + ... β k x k + ε (3.1)

Si hay curvatura en el sistema, entonces se requiere un polinomio de mayor orden

por ejemplo, el modelo de segundo orden,

k k k −1 k
Y = β 0 + ∑ βi X i +∑ βii X i2 + ∑ ∑β ij X i X j +ε (3.2)
i =1 i =1 i =1 j =2

3.1 .1 EL MÉTODO DE ASCENSO RÁPIDO

Frecuentemente el estimado inicial de las condiciones óptimas de
operación, se encuentran lejos del verdadero óptimo. En tal circunstancia el

2
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008
objetivo es moverse rápidamente a la vecindad del óptimo verdadero, en forma
económica. En estas condiciones se utiliza un modelo de primer orden.

El método de ascenso rápido es un procedimiento para moverse

secuencialmente por la trayectoria de ascenso rápido, o sea, en la dirección del
máximo incremento de la respuesta. Por supuesto, si lo que se busca es la
minimización, entonces se utiliza el método de descenso rápido. El modelo
ajustado de primer orden es:

^ ^ k^
y = β 0 + ∑ β i xi (3.3)

i= 1
Para este modelo de superficie de respuesta de primer orden, los contornos de

^
y
son una serie de líneas rectas paralelas como se muestra en la siguiente figura:

^
y =50
^
y =40 Trayectoria de

ascenso rápido

^
Región de la
y =30
^
superficie de respuesta
y =20
ajustada de 1º orden

3
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008
Fig. 3.3 Superficie de respuesta de primer orden y
trayectoria de ascenso rápido

^
La dirección de ascenso rápido es la dirección en la cual se incrementa
y
más rápido, esta dirección es normal a los contornos de la superficie de respuesta
ajustada y se toma como trayectoria de ascenso rápido, la línea que pasa al
centro de la región de interés y normal a los contornos de la superficie
ajustada. De esta forma, los pasos a lo largo de la trayectoria son

^
proporcionales a los coeficientes de regresión { βi }. El experimentador

determina la cantidad real de movimiento a lo largo de esta trayectoria en base a

su conocimiento del proceso u otras consideraciones prácticas.

Los experimentos se realizan a lo largo de la trayectoria de ascenso

rápido hasta que ya no se observa incremento en la respuesta o hasta que la
región de la respuesta deseada se alcanza. Entonces se usa un nuevo modelo
de primer orden, se determina la dirección de una nueva trayectoria de ascenso
rápido y de ser necesario, se realizan experimentos adicionales en esa dirección
hasta que el experimentador sienta que está cerca del óptimo.

Ejemplo 3.1 Un ingeniero químico está interesado en

determinar las condiciones de operación que maximizan el
rendimiento de un proceso. Hay dos variables de control que
influyen Tiempo de reacción y temperatura de reacción, el
punto de operación actual es 35 minutos y 155ºF que da un
rendimiento del 40% aproximadamente.

Se hace un diseño experimental variando el tiempo (30 a 40

minutos) y la temperatura (150 a 160ºF).

Por simplicidad se codifican las variables en el intervalo (-

1, 1). Si las variables codificadas son X1 y X2 y las
variables naturales son ξ 1 y ξ 2 se tiene:

4
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008
ξ1 − 35
x1 =
5
ξ − 155
x2 = 2
5

El arreglo y los datos experimentales son:

Variables Variables
del Proceso codificadas Rendimiento
Corrida Tiempo (min.) Temp.(ºF) X1 X2 Y
1 30 150 -1 -1 39.3
2 30 160 -1 1 40.0
3 40 150 1 -1 40.9
4 40 160 1 1 41.5
5 35 155 0 0 40.3
6 35 155 0 0 40.5
7 35 155 0 0 40.7
8 35 155 0 0 40.2
9 35 155 0 0 40.6

Los cinco puntos centrales se usan como réplicas para

verificar la adecuación del modelo de primer orden (con Pure
error).

Por medio de Minitab se crea el diseño factorial:

>Stat >DOE >Factorial >Create factorial design
2 Level designs Options: 5 puntos centrals
Introducir los valores de respuesta Y correspondientes.

Los resultados que arroja Minitab son los siguientes:

>Stat >DOE >Factorial >Analyze factorial design
Estimated Effects and Coefficients for Y (coded units)

Term Effect Coef SE Coef T P

Constant 40.4250 0.1037 389.89 0.000
A 1.5500 0.7750 0.1037 7.47 0.002 Son signif. A y B
B 0.6500 0.3250 0.1037 3.13 0.035
A*B -0.0500 -0.0250 0.1037 -0.24 0.821
Ct Pt 0.0350 0.1391 0.25 0.814

La ecuación de regresión es: Y 40.44 + 0.775 X1 + 0.325 X2

Analysis of Variance for Y (coded units)

Source DF Seq SS Adj SS Adj MS F P

5
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008
Main Effects 2 2.82500 2.82500 1.41250 32.85 0.003
2-Way Interactions 1 0.00250 0.00250 0.00250 0.06 0.821
Curvature 1 0.00272 0.00272 0.00272 0.06 0.814
Residual Error 4 0.17200 0.17200 0.04300 Curvatura no
significativa
Pure Error 4 0.17200 0.17200 0.04300
Total 8 3.00222
Para la trayectoria de ascenso más rápido, se siguen los pasos siguientes:

a) Se elige el tamaño de paso de una de las variables del proceso ∆x j . La

variable que tiene el coeficiente en valor absoluto más alto. En este caso se
elige X1.
b) El tamaño del paso para loas otras variables es

βˆi
∆xi = ....i = 1, 2,.., k ; − − para..i ≠ j
βˆ j / ∆x j
En este caso
βˆ2 0.325
∆x2 = = = 0.42
ˆ
β1 / ∆x1 (0.775) /1.0

Para convertir los tamaños de los pasos codificados (Delta

X1=1.0 y Delta X2=0.42) a las unidades naturales de tiempo y
temperatura se tiene:

∆ξ1
∆x=
1
5
∆ξ2
∆=
x2
5
ξ1∆ =
∆= 1 x=(5) 1*5 5
mi .
ξ2∆ =2x (5
∆= =) 0.42*5 2ºF

Tomando el punto correspondiente a (0,0)se realizan

experimentos individuales adicionales, incrementando

6
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008
las variables en los pasos indicados arriba
resultando en:

7
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008

Varia Codif. Variables naturales Respuest

bles a
Pasos X1 X2 ξ 1 ξ 2 y
Origen 0 0 35 155
∆ 1 0.42 5 2
Orig.+∆ 1 0.42 40 157 41.0
Orig.+2∆ 2 0.84 45 159 42.9
Orig.+3∆ 3 1.26 50 161 47.1
Orig.+4∆ 4 1.68 55 163 49.7
Orig.+5∆ 5 2.10 60 165 53.8
Orig.+6∆ 6 2.52 65 169 59.9
Orig.+7∆ 7 2.94 70 171 65.0
Orig.+8∆ 8 3.36 75 173 70.4
Orig.+9∆ 9 3.78 80 175 77.6
Orig. 10 4.20 85 177 80.3
+10∆
Orig. 11 4.62 90 179 76.2
+11∆
Orig. 12 5.04 95 181 75.1
+12∆

Se observa que el punto décimo representa el valor

máximo de la trayectoria de experimentación por lo
que ahora se tomará como nuevo punto central (0,0)el
punto (85, 175) y la región de experimentación para
ξ 1 es (80,90) y para ξ 2 es (170,180), con las
variables codificadas X1 y X2 como sigue:
ξ1 − 85
x1 =
5
ξ 2 − 175
x2 =
5

8
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008
90

80

70

60

50

40
0 1 2 3 4 5 6 7 8 9 10 11 12 Pasos

Fig. 3.4 Gráfica de rendimiento contra pasos en la

trayectoria de ascenso más pronunciado

Haciendo nuevos experimentos alrededor del nuevo

punto (0,0) se tiene:
Variables Variables
del Proceso codificadas Rendimiento
Corrida Tiempo (min.) Temp.(ºF) X1 X2 Y1
1 80 170 -1 -1 76.5
2 80 180 -1 1 77.0
3 90 170 1 -1 78.0
4 90 180 1 1 79.5
5 85 175 0 0 79.9
6 85 175 0 0 80.3
7 85 175 0 0 80.0
8 85 175 0 0 79.7
9 85 175 0 0 79.8
Los resultados de Minitab son los siguientes:
Estimated Effects and Coefficients for Y1 (coded units)

Term Effect Coef SE Coef T P

Constant 77.7500 0.1151 675.45 0.000
A 1.0000 0.5000 0.1151 4.34 0.012 A y B signif.

9
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008
B 2.0000 1.0000 0.1151 8.69 0.001
A*B 0.5000 0.2500 0.1151 2.17 0.096
Ct Pt 2.1900 0.1544 14.18 0.000

Analysis of Variance for Y1 (coded units)

Source DF Seq SS Adj SS Adj MS F P

Main Effects 2 5.0000 5.0000 2.5000 47.17 0.002
2-Way Interactions 1 0.2500 0.2500 0.2500 4.72 0.096
Curvature 1 10.6580 10.6580 10.6580 201.09 0.000
Residual Error 4 0.2120 0.2120 0.0530
Pure Error 4 0.2120 0.2120 0.0530 Curvatura signif
Total 8 16.1200

Como la curvatura es significativa ahora aplicamos

el modelo central compuesto que se muestra abajo
para obtener un modelo de segundo orden.

+2 X4

(0, 1.414)

(-1,1) (1,1)
(-α , 0) (α ,0) Exp. Axiales
(-1.414,0) (1.414,0)

X1
-2 (0,0) +2

(-1,-1) (1,-1)

(0,-1.414)

-2

Fig. 3.5 Diseño Central Compuesto en las variables

codificadas del ejemplo

La ecuación de segundo grado que nos dará tiene la

forma siguiente:

10
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008

^ ^ k ^ k ^ k− 1 k ^
y β += ∑ β X + ∑ β X + ∑ β XX + ε
2
0 i i i i i ij j
i= 1 i= 1 i = 1 j = 2
Los experimentos a realizar por medio del diseño central compuesto tomando el
nuevo punto (0,0) en (85, 175) y agregando puntos axiales en +- 1.414 queda
como:
Variables Variables
del Proceso codificadas Rendimiento
Corrida Tiempo (min.) Temp.(ºF) X1 X2 Y2
1 80 170 -1 -1 76.5
2 80 180 -1 1 77.0
3 90 170 1 -1 78.0
4 90 180 1 1 79.5
5 85 175 0 0 79.9
6 85 175 0 0 80.3
7 85 175 0 0 80.0
8 85 175 0 0 79.7
9 85 175 0 0 79.8
10 92.07 175 1.414 0 78.4
11 77.93 175 -1.414 0 75.6
12 85 182.07 0 1.414 78.5
13 85 167.93 0 -1.414 77.0

Se forma este diseño central compuesto por medio de:

>Stat >DOE >Surface response > Create surface response Design >Central
composite design
Designs Center points 5, para 13 corridas; Alfa custom 0.05
Options: Quitar Randomize
Introducir datos de respuestas de rendimiento

11
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008

StdOrder RunOrder BlocksA B Y

1 1 1 -1.00000 -1.00000 76.5
2 2 1 1.00000 -1.00000 78.0
3 3 1 -1.00000 1.00000 77.0
4 4 1 1.00000 1.00000 79.5
5 5 1 -1.41421 0.00000 75.6
6 6 1 1.41421 0.00000 78.4
7 7 1 0.00000 -1.41421 77.0
8 8 1 0.00000 1.41421 78.5
9 9 1 0.00000 0.00000 79.9
10 10 1 0.00000 0.00000 80.3
11 11 1 0.00000 0.00000 80.0
12 12 1 0.00000 0.00000 79.7
13 13 1 0.00000 0.00000 79.8

Analizar el diseño con:

>Stat >DOE > Surfase response > Analyze surfase response design

Central Composite Design

Central Composite Design

Factors: 2 Blocks: none Center points: 5

Runs: 13 Alpha: 1.414

Response Surface Regression: Y versus A, B

The analysis was done using coded units.

Estimated Regression Coefficients for Y

Term Coef SE Coef T P

Constant 79.940 0.11896 671.997 0.000

12
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008
A 0.995 0.09405 10.580 0.000 Si P<0.05 son signif.
B 0.515 0.09405 5.478 0.001
A*A -1.376 0.10085 -13.646 0.000
B*B -1.001 0.10085 -9.928 0.000
A*B 0.250 0.13300 1.880 0.102

S = 0.2660 R-Sq = 98.3% R-Sq(adj) = 97.0%

Analysis of Variance for Y

Source DF Seq SS Adj SS Adj MS F P

Regression 5 28.2478 28.2478 5.64956 79.85 0.000
Linear 2 10.0430 10.0430 5.02148 70.97 0.000
Square 2 17.9548 17.9548 8.97741 126.88 0.000
Interaction 1 0.2500 0.2500 0.25000 3.53 0.102
Residual Error 7 0.4953 0.4953 0.07076
Lack-of-Fit 3 0.2833 0.2833 0.09443 1.78 0.290
Pure Error 4 0.2120 0.2120 0.05300
Total 12 28.7431

El modelo cuadrático de regresión es significativo

Estimated Regression Coefficients for Y using data in uncoded units

Term Coef
Constant 79.9400
A 0.994975
B 0.515165
A*A -1.37625
B*B -1.00125
A*B 0.250000

Por tanto la Ecuación de regresión queda como:

Y = 79.94 + 0.995ª + 0.515B –1.376 A*A – 1.001 B*B + 0.25AB

Para las gráficas de contornos y de superficie de

respuesta se obtienen de Minitab con:

>Stat >DOE >Surfase response > Contour / Surfase

plots

13
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008

Surface Plot of Y

80.5

79.5
78.5
77.5

Y 76.5

75.5
74.5 1.5
1.0
73.5 0.5
-1.5 -0.5
0.0
B
-1.0 -0.5 -1.0
0.0 0.5 -1.5
A 1.0 1.5

Contour Plot of Y
75
76
1
77
78
79
80
0
B

-1

-1 0 1
A

14
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008

Contour Plot of Y
75
76
1
77
78
79
80
0
B

-1

-1 0 1
A

15
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008
La localización exacta del punto estacionario se
obtiene de la ecuación matricial siguiente:

 x1 
x 
x =  2
... 
 
 xk 
 βˆ1 
 
 βˆ   0.995
b =  2 = 
0.515
...  
 βˆ 
 k
 βˆ11 , βˆ12 / 2,..., βˆ1k / 2 
 
 βˆ12 / 2, βˆ22 ,....βˆ2 k / 2   −1.376, 0.1250 
B=  =  0.1250, −1.001 
   
 matriz.simetrica, βˆ 
 kk 

1 1  −0.7345, −0.0917  0.995 0.389 

xs = − B −1b = −  =
2 2  −0.0917, −1.006  0.515 0.306 
1
yˆ s = βˆ0 + xs b
2

Las matrices se invierten marcando el área donde quedará el resultado y con la

función matemática MINV (rango de la matriz original).

Las matrices se multiplican marcando el área donde quedará el resultado y

usando la función MMULT.

En términos de las variables naturales el punto estacionario es:

ξ1 − 85
x1 = 0.389 =
5
ξ − 175
x2 = 0.306 = 2
5
ξ1 = 86.95 min utos
ξ 2 = 176.5º F
yˆ s = 80.21

16
EJEMPLO DE SUPERFICIES DE RESPUESTA P.
Reyes / febrero 2008
También se puede usar el análisis canónico para caracterizar
la superficie de respuesta, por medio de la identificación de
los eigen valores lamda en la siguiente ecuación de
determinantes:

−1.376 − λ , 0.1250
=0
0.1250, −1.001 − λ
λ 2 + 2.3788λ + 1.3639 = 0
λ1 = −0.9641, λ2 = −1.4147
yˆ = 80.21 − 0.9641w1 − 1.4147 w2

Como los coeficientes lambda son negativos se concluye que se trata de un punto
estacionario máximo, si ambos son negativos se trata de un mínimo y si tienen
signos diferentes se trata de cordilleras.

17