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.