Está en la página 1de 15

Optimizacin simultnea de Varias Variables de respuesta GEORGE DERRINGER Laboratorios Batelle Columbus, 505 King Avenue, Columbus, Ohio

43201 RONALD SUICH California State University, Fullerton, California 92634 Un problema que enfrenta la comunidad de desarrollo de producto es la seleccin de un conjunto de condiciones lo que resultar en un producto con una conveniente combinacin de propiedades. Esto es esencialmente una problema de la optimizacin simultnea de varias variables de respuesta (lo deseable combinacin de propiedades) que dependen de un nmero de variables independientes o conjuntos de condiciones. Harrington, entre otros, ha abordado este problema y ha presentado un desira enfoque de la funcin de durabilidad. Este papel se modificar su enfoque e ilustrar cmo varios respuesta variables pueden transformarse en una funcin de conveniencia, que puede ser optimizada por univariado tcnicas. Su uso ser ilustrado en el desarrollo de un compuesto de caucho para neumticos de las pisadas. Introduccin A problema comn en el desarrollo de productos in volves la seleccin de un conjunto de condiciones, la X, lo que resultar en un producto con una deseable combinacin de propiedades, la Y Esencialmente, esto se convierte en un problema en el optimiza simultnea cin de la Y, o variables de respuesta, cada una de ellas depende de un conjunto de variables independientes, Xl, X 2, , Xp. Como ejemplo de la goma indus

prueba, considerar el problema de un compuesto de la banda de rodadura del neumtico. Aqu tenemos una serie de variables de respuesta, tal como ndice de abrasin de PICa, mdulo de 200 por ciento, elon tamiento en la rotura y dureza. Cada una de estas re las variables de respuesta depende de la vari de ingrediente ables, la x, como hidratada silano nivel, slice acoplador de nivel y azufre.Queremos seleccionar los niveles de la x que maximizar la Y Desafortunadamente, los niveles de la X s que maximizar YI no podra incluso acercarse a maximizar Y2 Una aproximacin a este problema ha sido a travs de el uso de programacin lineal. Hartmann y Beaumont [3] y Nicholson y Pullen [5] detallada esquemas de gramil optimizacin basados en el lineal Dr. Derringer es Investigador Principal en el Batelle Mem Instituto Orial. Dr. Suich es profesor asociado en el Departamento de Management Science. Palabras clave: Conveniencia, multivariante, Opti mization, regresin modelo de programacin. Sin embargo, un importante disadvan Tage de estos esquemas es la filosofa que se basan. Estos mtodos implican la optimizacin de la variable de respuesta de un sujeto a las limitaciones en las restantes variables de respuesta. A menudo, sin embargo, el objetivo es alcanzar el mejor equilibrio entre varias variables de respuesta diferentes. En el desarrollo

un compuesto para manguera de radiador, por ejemplo, es ms realista para dar la absorcin de agua, calor resist Ance y resistencia a la traccin igual pesos en el optimizacin que para optimizar la resistencia mientras manteniendo las otras propiedades dentro de lmites especificados. Harrington [2] present un esquema de optimizacin utilizando lo que llam la funcin de deseabilidad. Gatza y McMillan [1] dieron una ligera modificacin de la funcin de Harrington. Empleamos una diferente forma de esta funcin e ilustrar su uso en la ejemplo del desarrollo de un compuesto de caucho para peldaos del neumtico. Vamos a maximizar esta funcin Utilice un mtodo de bsqueda de patrn similar a se pre tantes por Hooke y Jeeves [4]. Adems, tambin nos va parcela esta funcin de conveniencia contra dos variables independientes con el tercer lugar en su nivel ptimo. Desarrollo Supongo que cada una de las variables de respuesta k es reinterpretaron calculado para las variables independientes de p por i = 1,2,..., k j = 1,2,... . , ni donde fi denota que la relacin funcional be interpolacin i y Xl, X 2, , Xp. Observamos que esto funcin puede ser diferente para cada i y representa fi Esta relacin excepto por un trmino de error Eij. Si nos hacer la suposicin usual que E(Eij) = 0 para cada uno yo, entonces podemos relacionar el promedio o esperado re

sponses YJi a las variables independientes de p por i = 1,2,..., k. En la prctica, fi generalmente se desconoce. La habitual procedimiento debe fi aproximada, a menudo (pero no nec encarga) por una funcin polinmica. Nosotros entonces esti compaero YJi por Yi, el estimador obtenido a travs de tcnicas de regresin. La funcin de deseabilidad implica transformacin de cada variable de respuesta estimado Yi a un desira bility valor di, donde 0:: di s:: s 1. El valor de di aumentos como la "conveniencia" de las correspondientes aumenta la respuesta. Los desirabilities individuales son luego combinaron mediante la media geomtrica. D = (dl X d2 X X dk ) l/k (1) Este valor nico de D da la evaluacin general de la conveniencia de los niveles de respuesta combinada. Claramente la gama de re caer en el intervalo [0, 1] y D se aumenta como el equilibrio de las propiedades llega a ser ms favorable. D tambin tiene la propiedad eso si cualquier di = 0 (es decir, si uno de la respuesta variables es inaceptable) entonces D = 0 (es decir, la producto en general es inaceptable). Es por estos las razones que la media geomtrica, en lugar de algunos otra funcin del d/s como la aritmtica significa, fue utilizado.

Transformaciones unilaterales En la transformacin de Yi di dos casos surgen: unilateral y transformaciones de la conveniencia de dos caras. Para el caso unilateral, di aumenta como Yi aumenta y es empleado cuando Yi debe maximizarse. (Minimiza cin de Yi es equivalente a maximizacin de - Yi). Muchas transformaciones son posibles-nos vamos con Sider las transformaciones dadas por o Yi::s i * di = i * < Yi < i * (2) 1 y graficados en la figura 1. El valor i * da el mnimo aceptable valor de Yi. El usuario especifica este valor de i *, sabiendo que cualquier valor menor de Yi dara lugar a an overall unacceptable product, since Yi ::s i* FIGURE 1. Graph of Transformation (2) for Various Values of r would make di = 0, and thus D = 0, which indicates an unacceptable product. For example, if i is the tensile strength of a radiator hose, a value of i below i* = 1500 psi would result in a product that could be unacceptable in the judgment of the man agement regardless of how desirable the other re sponse variables might be.

The value i* gives the highest value of Yi. Actually, since we are considering a one-sided trans formation here, there is no highest value of Yi. However, from a practical viewpoint, one can think of i* as the value for Yi such that higher values of Yi have little additional merit. For example, i* might be the tensile strength such that higher val ues of tensile strength would add little to the quality of the hose. Therefore, di would remain at 1. The value of r used in the transformation would again be specified by the user. Figure 1 indicates a large value of r would be specified if it were very desirable for the value of Yi to increase rapidly above i*. In other words, even though i* is an acceptable value the desirability of the product would be greatly increased by having Yi consider ably greater than i*. Again using the radiator hose example, even though any tensile strength above i* = 1500 psi would be acceptable, management puede encontrar valores considerablemente superiores a 1500 psi altamente deseable y as elegir un valor grande de r, decir r = 10. Como puede verse, el tren de di de conveniencia aumenta lentamente como Yi aumentos. Por lo tanto, a max imize di y de tal modo Di, Yi debe ser enormemente in arrugada sobre i *. Por otra parte, un valor pequeo r especificar si los valores de Yi consid

erably sobre i * no eran de importancia crtica. A valor de r = 0.1, por ejemplo, significa que cualquier fue casi tan deseable como valor de Yi sobre i * cualquier otro valor de Yi sobre i *. Transformaciones de dos caras La transformacin de dos caras se presenta cuando el respuesta variable Yi tiene tanto un mnimo y un restriccin mxima. Examinaremos el transporte formaciones dadas di = (3) o En esta situacin Yi * es el mnimo aceptable valor de Yi y Yi * es el mximo aceptable valor. Los valores de Yi fuera de estos lmites hara el producto inaceptable. El valor seleccionado Ci sera ese valor de Yi ms deseable y en cualquier lugar puede seleccionarse entre Yi * y Yi *. Los valores de s y t en los dos lados transformaciones jugar mucho el mismo papel como r en la transformacin de un solo lado. En la figura 2 varios diferentes valores de t y s son trazado. Para la Ilustracin, cabe sealar que el Ci era elegido para mentir en 0.25 de la distancia entre Yi * y Yi *. Esta figura muestra tambin que grandes valores para s y t sern seleccionados si fuese muy deseable for the value of Yi to be close to Ci. In this case the desirability di would not get large until Yi got close to Ci. On the other hand, if almost any value of Yi

above Yi* and below Yi* were acceptable, then small values of s and t would be chosen. Moderate values for s and t (near 1) would represent a com promise between the two extremes. One could also select a large value of s and a small value of t if it were desirable for Yi to increase rapidly to Ci while almost any value of Yi above Ci but below Y;* was also desirable. FIGURE 2. Graph of Transformation (3) for Various Values of sand t The procedure outlined can be used to maximize some of the d/s (corresponding to certain Y/s) while in essence putting constraints on the other Y/s. This, of course, would be similar to a linear pro gramming approach. For those Y/s that are subject to constraints one uses extremely small values of the exponents (r, s, and t) and permits Yi* and Yi* to act as the boundary values. The original transformation proposed by Har rington [2] is of the form di = exp( -exp( -Y; for the one-ided transformation and di = exp( - I Yi I S) for the two-sided transformation. Gatza and Mc Millan [1] used di = {exp[-exp(-Yi)]-exp(-l)}/ [1 - exp( -1)], a modification of Harrington's which produces negative values of di for unacceptable properties. The transformations presented in this paper may be viewed as a type of generalization of

those above. We no longer restrict ourselves to particular members of the exponential family but consider transformations that offer the user greater flexibility in the setting of desirabilities. As an ex ample, the use of Ci in (3) allows the user to set the most deisrable value of Yi anywhere between the lower and upper boundaries (Yi* and Yi*) rather than exactly in the middle. Harrington's and Gatza and McMillan's transformations may be closely ap proximated by selection of the parameters (r, s, and t) in (2) and (3) and may be viewed as special cases. Method of Optimization We have assumed that Yi is a continuous function of the Xh From (2) and (3) we see that the d/s are a continuous function of Y/s and from (1) that D is a continuous function of the d/s. Therefore, it fol lows that D is a continuous function of the Xh As a result, existing univariate search techniques can be used to maximize D over the independent vari able domain. In essence, the desirability function condenses a multivariate optimization problem into a univariate one. An added benefit of the method is the ability to plot D as a function of one or more independent variables. Example In the development of a tire tread compound, the optimal combination of three ingredient (indepen

dent) variables-hydrated silica level Xl, silane cou pling agent level X2, and sulfur level X3-was busc. Las propiedades para optimizar y con Straint niveles fueron los siguientes. ndice de abrasin de PICO, Yl Mdulo de 200%, Y2 Alargamiento en la rotura, Y3 Dureza, Y4 120 < Y1 1000 < Y2 400 < Y3 < 600 60 < Y4 < 75 FIGURA 3. Grfico de transformacin (2) utilizado para Y1 y ejemplo de la pisada de Y2 para neumtico Yl y Y2 las transformaciones unilaterales dada por (2) se utilizaron y se muestran en la figura 3. Como puede verse, hemos creado Yl * = 120 y Y2 * = 1000. Cualquier valor de 1\ inferior a 120 dio lugar a un unaccept neumtico capaz de pisada compuesto. De una prctica stand punto, establecemos Yl * = 170 y Y2 * = 1300. Es decir, nos considera cualquier ndice de abrasin de PICO por encima de 170 a ser tan deseable como uno en 170. En este ejemplo, establecemos r = 1 en la transformacin de (2) Yl y Y2 esto se hizo porque sentamos que la conveniencia aument en forma lineal. Y3 y Y4 las transformaciones de dos caras dada por (3) se utilizaron y se muestran en la figura 4.

Aqu Y3 * = 400 y Y3 * = 600 mientras Y4 * = 60 y Y4 * = 75. Para cada uno de estos, se seleccionaron los puntos medios C3 = 500 y C4 = valor como el ms deseable 67.5 FIGURA 4. Grfico de transformacin (3) utilizado para Y3 y ejemplo de la pisada de Y4 para neumtico de constantes Y3 y Y4 otra vez de s = 1 y t = 1 fueron utilizados, ya que pensamos que una transformacin lineal expresa nuestra evaluacin de la conveniencia. Una detallada compuesto de tres variables, rotativo, central muestra con seis puntos de centro (se muestra en la tabla 1) era employed to generate the data which was then fitted to the second degree polynomials 333 Yi = bo + L bLxL + L L bLmXLXm Ll Ll mL i = 1,2,3,4. (4) The resultant fitted coefficients are given in Table 2, along with the standard errors for each Yi Since it is important to have a good estimator Yi of 1/i for this optimization technique care should be taken to use good regression and design techniques, along with experience. It was felt from past experience that at least a second degree polynomial would be required to provide an adequate fit to the data. A central composite response surface design was em ployed because of favorable past experience with

such designs. With less previous experience, how ever, one could certainly utilize standard procedures in design and regression (including stepwise regres- . sion) in obtaining estimators Yi The next step was to use the coefficients given in Table 2 along with various values of Xl, X2, and X3 to obtain the Y/s. Each Yi was then transformed into a di, using (2) and (3) as illustrated in Figures 3 and 4. The four d/s were combined into a single Dusing (1). Hence, for each level of Xl, X2, and X3, a D value was obtained. We then searched through TABLE 2. Regression Coefficients and Standard Error for Responses the levels of Xl, X2, and X3 to find the optimum value for D. All of this was, of course, done on a computer. The algorithm we employed generally converged in fewer than 250 iterations. The result ing optimum formulation is shown in Table 3. The maximum composite desirability was 0.583 and all of the constraints have clearly been met. The value of 0.583 has little numerical meaning, except to indicate the level of the X's where the maximum D occurs. Aside from finding the maximum D, how ever, the experimenter is generally interested in how stable the optimum is. For example, do small changes in the independent variables result in sharp decreases in D? Since D is a function of the X variables, it can be plotted to answer such ques

tions. +1 -1 Std. b33 b12 b13 b23 Error -l. 57 5.13 7.13 7.88 5.61 199.17 69.38 94.13 104.38 328.69 0.43 8.75 6.25 l. 25 20.55 -0.32 -1.63 0.13 -0.25 l.27 Figures 5, 6, and 7 show the contour plots (sketched from a grid of D values) of D for two independent variables with the other held at its TABLE 3. Optimum Compound and Predicted Properties FIGURE 5. Contour Plots of D for X1 and X2 for Tire Tread Example FIGURE 6. Contour Plots of D for X1 and X3 for Tire Tread Example FIGURE 7. Contour Plots of 0 for X2 and X3 forTire Tread Example optimum. For example, Figure 5 shows the plot of Xl versus X2 with X3 held at its optimum, that is, X3 = -0.868. All three of these plots show the surface to be relatively flat near the maximum, meaning that small departures from optimality of the X values would not appreciably decrease the desirability.

Obviously, the approach utilized in this example is not the only possible approach. Another feasible method would involve studying the coefficients in the fitted equations and overlaying contour plots. However, the optimum reached in Table 3 did prove to be satisfactory from a production standpoint, although slight deviations from the optimum levels of the X's were instituted for other reasons. This proved no great problem in this example, since the surface is relatively flat near the optimum. Computer Program We have available, and will provide upon request, a copy of the FORTRAN computer program used to maximize D in terms of the Xh This program also enables one to generate a response surface of D as a function of two of the independent variables, holding the other independent variables constant. This can then be used to obtain contour plots. It should be noted that any good optimization pro gram may be used. Summary The simultaneous optimization of several re sponses has often been accomplished by a hit-or miss approach. In such a procedure, numerous for mulations are evaluated until one is found which is within all constraints. This becomes the "optimum" formulation. The desirability function approach is

a considerable improvement over this method and usually not only requires fewer formulations to be evaluated but also results in more desirable prop erty levels. Furthermore, the advantage of being able to plot the desirability surface to determine its sensitivity to small changes in the independent variables is significant. References 1. GATZA, P. E. and McMILLAN, R. C., "The Use of Experi mental Design and Computerized Data Analysis in Elas tomer Development Studies," Division of Rubber Chem istry, American Chemical Society Fall Meeting, Paper No. 6, Cincinnati, Ohio, October 3-6, 1972. 2. HARRINGTON, E. C. JR., "The Desirability Function," In dustrial Quality Control, Vol. 21, No. lO, 1965, pp. 494498. 3. HARTMANN, N. E. and BEAUMONT, R. A., "Optimum Com pounding by Computer," Journal of the Institute of the Rubber Industry, Vol. 2, No.6, 1968, pp. 272-275. 4. HOOKE, R. and JEEVES, T. A., Journal of the Association of Computing Machinery, Vol. 8, No. 2, 1962, p. 212. 5. NICHOLSON, T. A. J. and PULLEN, R. D., "Statistical and Optimization Techniques in the Design of Rubber Com pounds," Computer Aided Design, Vol. 1, No.1, 1969, pp. 39-47.

También podría gustarte