Lógica Difusa en Control de Calidad de Procesos
M.Delgado C. P. Olavarrieta S.
Dpto. de Ciencias de la Dpto. de Electricidad.
Computación e Informática. Universidad Tecnológica
Universidad de Granada España. Metropolitana. Chile.
e-mail: mdelgado@ugr.es e-mail: polavarr@utem.cl
Resumen
El control de calidad de procesos industriales
hasta ahora se han realizado a través de los
clásicos gráficos de Shewhart y de gráficos de
control con lı́mites probabilı́sticos, utilizando
los estadı́sticos muestrales x̄ y s o sus deriva-
dos Cp y Cpk , para determinar si el proceso
es preciso o poco preciso. La estadı́stica se
ha formulado empleando matemática crisp,
sin embargo entrega formas impregnadas de
vaguedad. Por ejemplo, se habla de proce-
sos precisos o poco precisos. Por este mo-
tivo parece natural e interesante introducir
herramientas que proceden del ámbito de la
lógica difusa para la formulación de modelos
para control de calidad.
Se propone realizar el estudio de la capacidad
de calidad de un proceso, generar un control
simultáneo bilateral para la tendencia central
y unilateral para la variabilidad, con lógica
difusa. Se definen reglas lingüı́sticas para rea-
lizar este control y se definen funciones de
pertenencia para x̄ y s.
Palabras Clave: Control, Fuzzy, Es-
tadı́stico, Calidad
1 Introducción
La caracterı́stica imprecisa que resulta en los criterios
empleados en control de calidad, lleva a preguntarse
si el precio que se paga por trabajar con intervalos de
valores amplios, tiene otra alternativa. La incorpo-
ración de conceptos de calidad a la producción lleva a
su vez a encajonar objetos en ellos (producción acep-
tada/rechazada, o proceso preciso/poco preciso) lo que
a su vez muestra que hay objetos que pueden estar en
XII CONGRESO ESPAÑOL SOBRE TECNOLOGÍAS Y LÓGICA FUZZY
P. Vergara V.
Dpto. de Industria
Universidad Tecnológica
Metropolitana Chile
e-mail: pvergara@utem.cl
un concepto o en el otro, pero los hay que podrı́an es-
tar en ambos. Se dirá que existe una zona difusa en
que quedan encajonados estos últimos objetos. Desde
mediados de la década de los sesenta se conoce una sis-
tematización de la lógica difusa [12] que ha permitido
una aplicación creciente de ella y permite el trabajo
de objetos que tienen una zona difusa.
Lo que se ha hecho hasta la fecha es un formalismo
que obtiene resultados precisos con grandes números
de producción, a pesar de ello maneja la imprecisión en
muestras, pero no trata el traslape de imprecisión entre
dos medidas (el concepto de zona difusa). La lógica
difusa presenta caracterı́sticas de ser una solución a
los problemas planteados, ya que opera con objetos
naturalmente imprecisos.
Una observación por lo cual se ha visto poco trabajo
publicado bajo esta perspectiva, es que el control de la
calidad de un proceso por muestreo estadı́stico, tiene
pocas caracterı́sticas del control realimentado normal
que se usa en maquinaria. En control de calidad, el
lazo motrı́z de realimentación lo forma un operario ex-
perto, que debe detener una máquina en producción,
cuando esta produce fuera de especificación, averiguar
la causa y reparar su falla. Este último paso ha evolu-
cionado a sistemas con un banco de datos que describe
fallas y de redes neuronales que diagnostican la causa
de falla [2].
Se propone estudiar la aplicación de Lógica Difusa en
control de calidad de procesos, con el fin de obtener
modelos que permitan manejar la incertidumbre no
probabilı́stica que es intrı́nseca en sus medidas. Exis-
ten propuestas en la literatura, como los trabajos de
Rowlands[6], Wang et al[10] y Raz et al[5]; en los que
se puede colegir que quedan espacios no cubiertos en
el tema.
Se realizarán estudios en base a la capacidad de cali-
dad del proceso (Cp y Cpk) [4], [7], [8] y [9] ya que
es a través de ellos que se define la precisión del pro-
ceso. De esto se propondrán métodos para controlar
273
un proceso respecto del valor nominal asignado a la
caracterı́stica, que se controlará utilizando lı́neas de
atención y de intervención en forma bilateral para la
tendencia central, y un control simultáneo unilateral
de la variabilidad del proceso, con los usuales riesgos
del 5% y 0,1% respectivamente, ahora sobre una base
difusa.
2 Marco estadı́stico.
El producto de un proceso de fabricación debe ser es-
pecificado en a lo menos una magnitud fundamental
(p.e. resistencia de un cinturón de seguridad), ella se
conoce como centro de tolerancia CT . Alrrededor de
ella debe haber un valor mı́nimo, la tolerancia inferior
T I y uno máximo, la tolerancia superior T S . Cuando
el proceso entrega piezas dentro del intervalo de to-
lerancia T I − T S , se dice que estas son aceptables,
en caso contrario son inaceptables o de rechazo. El
proceso de fabricación a su vez está inherentemente
afectado de causas que producen desviaciones de la
medida central especificada, conocidas como causas
asignables y de azar, ello lleva a que la produción entre-
gará en algún momento piezas defectuosas. El control
estadı́stico de calidad de un proceso permite identificar
si la desviación observada es debida a causa asignable
o del azar. Si se está dentro de los lı́mites del azar, el
proceso está bajo control, si no se está fuera de control.
2.1 Indicadores de capacidad del proceso.
Antes de producir es necesario hacer una prueba de
factibilidad, por lo que se debe hacer un muestreo tal
que permita tener una buena estimación del valor cen-
tral y la variabilidad del proceso. Se recomienda [4]
tomar en K intervalos muestras de tamaño n de modo
que Kn > 100. De esto salen los estadı́grafos estima-
dos m y σ̂. Si se define [4] por k el número de σ̂ que
contiene el intervalo de tolerancia especificado, a su
vez define un ı́ndice de variavilidad Cp :
k
Cp = (1)
6
Si Cp es mayor que 1 el proceso es preciso y si es menor
que 1 es poco preciso.
Si se define descentramiento [4] D entonces se puede
definir un ı́ndice de variavilidad bajo descentramiento
Cpk :
k D
Cpk = − (2)
6 3
274 XII CONGRESO ESPAÑOL SOBRE TECNOLOGÍAS Y LÓGICA FUZZY
2.2 Proceso bajo especificación.
Un proceso se encuentra bajo especificación, cuando
desde m hasta el extremo más próximo (T I o T S),
existan más de 3σ̂ de distancia, es decir:
D
1 ≤ Cp − = Cpk (3)
3
Entonces un proceso bajo especificación es un proceso
descentrado bajo control. Con el objetivo de traba-
jar [4] con valores continuos de k y D, se realizó una
modelación del riesgo de rechazo en función de k y D,
usándose posteriormente para modelar Cp y Cpk , am-
bos en planilla de cálculo Excel. Esto se muestra en
la tabla 1 y la tabla 2 en que aparecen los valores de
Cp y Cpk , como variables derivadas de las anteriores.
Se aprecia que el Cpk reproduce el valor original de Cp
cuando al primero se le suman 2D al valor de k sin
descentramiento.
3 Control del proceso.
Estas metodologı́as se hacen operativas en la práctica
como cartas de control provenientes de pruebas de
hipótesis con riesgo al 5 % y 0,2 %. Se debe realizar
una prueba de hipótesis para cada variable a controlar.
3.1 Zonas de decisión.
En un proceso preciso se ha definido un nivel de con-
fianza de 99,73% o mayor, que contiene a lo menos 6σ
dentro del intervalo de tolerancia especificado, el resto
define la zona de rechazo. Usualmente se define una
probabilidad del 95% para definir una interzona que
se llamará zona de atención. Quedan tres zonas, una
de rechazo, una de control y en el medio una zona de
atención. Veremos primero el caso preciso, dejando
el poco preciso para el final a fin de considerar desde
donde se llega al caso preciso, relación(3).
3.2 Control de x̄ . Caso preciso
Para el caso de control de la media muestral x̄, se
definen las funciones ζ y Ψ en que n, es el tamaño de
la muestra, como:
1
ζ = 3.09(1 − √ ) (4)
n
0.3657
Ψ=1+ √ (5)
n−1
Estas son evaluadas en la Tabla 3, para muestras de
tamaño 3 a 11.
 Tabla 1: Riesgo de rechazo en función de k y D. Indicadores derivados Cp y Cpk
D k 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5
0,00 Cp 0,5 0,58333 0,66667 0,75 0,83333 0,91667 1,0 1,08333
p 0,13721 0,08254 0,04684 0,02508 0,01266 0,00603 0,00271 0,00115
0,25 Cpk 0,41667 0,5 0,58333 0,66667 0,75 0,83333 0,91667 1,0
p 0,14887 0,09203 0,05381 0,02975 0,01555 0,00769 0,00359 0,00159
0,50 Cpk 0,33333 0,41667 0,5 0,58333 0,66667 0,75 0,83333 0,91667
p 0,18263 0,12014 0,07494 0,04429 0,02478 0,01311 0,00656 0,0031
0,75 Cpk 0,25 0,33333 0,41667 0,5 0,58333 0,66667 0,75 0,83333
p 0,23477 0,16554 0,11062 0,06996 0,04184 0,02365 0,01262 0,00636
1,00 Cpk 0,16667 0,25 0,33333 0,41667 0,5 0,58333 0,66667 0,75
p 0,29899 0,22525 0,16057 0,10818 0,06884 0,04136 0,02345 0,01255
1,25 Cpk 0,08333 0,16667 0,25 0,33333 0,41667 0,5 0,58333 0,66667
p 0,3666 0,29402 0,22281 0,15944 0,10769 0,06864 0,04128 0,02342
1,50 Cpk 0 0,08333 0,16667 0,25 0,33333 0,41667 0,5 0,58333
p 0,42749 0,36416 0,29289 0,22232 0,15924 0,10761 0,06861 0,04127

Tabla 2: Continuación Tabla 1 con k entre 6,5 y 10,0

D k 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,0
0,00 Cp 1,08333 1,16667 1,25 1,33333 1,41667 1,5 1,58333 1,66667
p 0,00115 0,00046 0,00017 6,2E-05 2,1E-05 6,6E-06 2E-06 5,6E-07
0,25 Cpk 1,0 1,08333 1,16667 1,25 1,33333 1,41667 1,5 1,58333
p 0,00159 0,00066 0,00026 9,7E-05 3,4E-05 1,1E-05 3,6E-06 1,1E-06
0,50 Cpk 0,91667 1,0 1,08333 1,16667 1,25 1,33333 1,41667 1,5
p 0,0031 0,00139 0,00059 0,00023 8,8E-05 3,1E-05 1E-05 3,3E-06
0,75 Cpk 0,83333 0,91667 1,0 1,08333 1,16667 1,25 1,33333 1,41667
p 0,00636 0,00303 0,00136 0,00058 0,00023 8,7E-05 3,1E-05 1E-05
1,00 Cpk 0,75 0,83333 0,91667 1,0 1,08333 1,16667 1,25 1,33333
p 0,01255 0,00634 0,00302 0,00136 0,00058 0,00023 8,7E-05 3,1E-05
1,25 Cpk 0,66667 0,75 0,83333 0,91667 1,0 1,08333 1,16667 1,25
p 0,02342 0,01254 0,00633 0,00302 0,00136 0,00058 0,00023 8,7E-05
1,50 Cpk 0,58333 0,66667 0,75 0,83333 0,91667 1,0 1,08333 1,16667
p 0,04127 0,02342 0,01254 0,00633 0,00302 0,00136 0,00058 0,00023

Tabla 3: Evaluación de ζ y Ψ para muestras de tamaño 3 a 11.

ζ\n 3 4 5 6 7 8 9 10 11
ζ 1,31 1,55 1,71 1,83 1,92 2,00 2,06 2,11 2,16
ζΨ 1,96 2,11 2,21 2,29 2,35 2,40 2,44 2,47 2,50
(ζΨ − ζ)/2 0,33 0,28 0,25 0,23 0,21 0,20 0,19 0,18 0,17

Tabla 4: Υ01 y Υ25 para riesgos de rechazo de 2,5 y 0,1%.

Υ\n 3 4 5 6 7 8 9 10 11
Υ01 2,63 2,33 2,15 2,03 1,93 1,86 1,81 1,76 1,72
Υ25 1,92 1,77 1,67 1,60 1,55 1,51 1,48 1,45 1,43
(Υ01 -Υ25 )/2 0,35 0,28 0,24 0,21 0,19 0,18 0,16 0,15 0,14

Tabla 5: Valores de 1, 58β y β para tamaños muestrales entre 3 y 11.

β \ n 3 4 5 6 7 8 9 10 11
1, 58β 1,78 1,55 1,38 1,26 1,17 1,09 1,03 0,98 0,93
β 1,13 0,98 0,88 0,80 0,74 0,69 0,65 0,62 0,59
(1, 58β − β)/2 0,33 0,28 0,25 0,23 0,21 0,20 0,19 0,18 0,17

XII CONGRESO ESPAÑOL SOBRE TECNOLOGÍAS Y LÓGICA FUZZY 275

Las lı́neas de atención inferior y superior definen entre
ellas la zona de control y fuera de ellas la zona de
atención:
M AI = T I + ζ Ψ σ̂
M AS = T S − ζ Ψ σ̂
Las lı́neas de intervención inferior y superior definen
entre ellas y hasta las lı́neas de atención mas próximas
la zona atención y valores mayores que ellas definen la
zona de intervención:
3.5 Control de caso poco preciso.
Un caso poco preciso es aquel en que en el intervalo
de tolerancia caben inicialmente menos de 6σ̂, o que
habiéndolo hay descentramiento. Diversas considera-
ciones de tipo práctico pueden llevar a trabajar con un
proceso en estas condiciones, por lo que se darán unas
directivas para su control. Se realiza en este caso un
control de la media x̄, desde el CT . Sea β función n:
1.96
β= √ (8)
n

Definición de las lı́neas de atención

M II = T I + ζ σ̂
M IS = T S − ζ σ̂ M A = CT ± β σ̂ (9)

3.3 Control de la variabilidad s. Caso preciso Definición de las lı́neas de intervención:

Para resolver si s está dentro de la desviación es- M I = CT ± 1, 58β σ̂ (10)

tadı́stica que permite la prueba de hipótesis, será ne-
cesario probar si la variabilidad de la muestra está en Estas se han evaluado en la Tabla 5 y definen un con-
la zona de control o a lo menos en la zona de atención, trol de x̄ alrededor de CT, lo cual en esencia controla
de acuerdo a las relaciones(6) y (7). Para ello, sean el descentramiento, sin embargo no controla la varia-
Υ25,n y Υ01,n definidos por la dócima unilateral de χ2 . bilidad. En este caso deberá bajarse el lı́mite de inter-
r vención al número de k con que se aceptó la prueba de
χ2 (p ≤ 0.025, ν = n − 1) factibilidad. Juntando el control de la media y de la
Υ25,n =
n−1 variabilidad para el caso poco preciso, con los lı́mites
r de zonas acomodados de acuerdo a la prueba de facti-
χ2 (p ≤ 0.001, ν = n − 1) bilidad, se debe operar con la metodologı́a de la sub-
Υ01,n =
n−1 sección (3.4)
Son función del tamaño de la muestra y del riesgo de
rechazo y son evaluados en la Tabla 4. 4 Variables de control difusas.
Las lı́neas de atención son:
Log p de rechazo vs Cp y Cpk

SAS = σ̂Υ25,n (6)

Lı́nea de intervención son: 1

SIS = σ̂Υ01,n (7) −1

Log10 p

−2

−3

3.4 Reglas de control −4

1.3

Cuando ambos estadı́grafos se encuentran en zona de 1.2

1.1

no rechazo de Ho , el proceso está bajo control tanto 1

0.9 1.3
1.4
1.5
1.6

1.2
en tendencia central como en variabilidad. Cuando Cpk
0.8
0.8
0.9
1
1.1

uno o ambos estadı́grafos se encuentran en la zona
de atención pero no en la de intervención, el proceso
se encuentra en posible fuera de control, para dilu-
cidarlo se necesita tomar una muestra instantánea,
si los nuevos estadı́grafos del muestreo se sitúan en
la misma zona inicial, o se ha(n) extendido(s) a la
zona de intervención, se debe intervenir el proceso
inmediátamente. Si en caso contrario se sitúan en
zona de control exclusı́vamente, se trató de una falsa
alarma. Cuando uno de los estadı́grafos se encuentra
dentro de la zona de intervención, el proceso se debe
intervenir inmediátamente, pues está fuera de control.
Cp
Figura 1: Lı́mite de Cp cuando pasa de poco preciso a
preciso. Permite definir una zona difusa.
En la Tabla (1) y la Tabla (2) se muestran algunos va-
lores de una modelación continua del riesgo de rechazo
en función de k y D; mediante una adaptación de los
datos al manejador de gráficos de Matlab se consigue la
figura (1). Ella muestra el comportamiento monótono
que tiene la probabilidad de fabricar una pieza defec-
tuosa en función de Cp y Cpk , esto permite de acuerdo

276 XII CONGRESO ESPAÑOL SOBRE TECNOLOGÍAS Y LÓGICA FUZZY

a lo anterior, definir directamente funciones difusas de
Cp y Cpk , de forma triangular o definir la funcion di-
fusa de s. Usaremos la cuarta lı́nea de las Tablas (3)
y (4) para fijar el intervalo difuso de Cp . Esto se hace
posible si solamente el intervalo definido es igual o ma-
yor que la imprecisión de la medida obtenida [11], [3]
, [1]. Para muestreo de cinco o más tomas, se pueden
modelar intervalos difusos siguientes:
1. Zona de transición control-atención:
1, 05σ ± 0, 25σ (11)
2. Zona de transición atención-fuera de control:
2, 75σ ↔ 3σ (12)
4.1 Conversión del indicador Cp
Si tomamos la zona difusa un poco más ancha, digamos
del orden de un σ (la diferencia entre 3,09 y 1,96, que
da 1,13), podemos obtener un Cp del caso poco preciso:
6, 18 − 1, 13
Cp = = 0, 82 (13)
6, 18
Y para el caso preciso:
6, 18 + 1, 13
Cp = = 1, 18 (14)
6, 18
Véase la figura (2).
Figura 2: Zona difusa de la variable Cp .
5 Simulación del motor de inferencia
Se hace una modelación simple de x̄ y de s con una
salida de alarma que se codifica en tres valores V, A
y R por los colores verde, amarillo y rojo. La variable
se denomina Campana. Para x̄ definimos IN e IP,
como zonas de intervención negativa y positiva, AN y
AP, como zonas de atención negativa y positiva y C
como zona bajo control. Para s se definen C, A e I,
simplemente.
XII CONGRESO ESPAÑOL SOBRE TECNOLOGÍAS Y LÓGICA FUZZY
5.1 Motor difuso
Se ha implementado un motor de inferencia difuso con
las entradas usuales del control de calidad clásico, x̄
∈ [−3, 3] y σ ∈ [1, 3], modelándose la función de perte-
nencia para el promedio de la muestra en la figura (3).
Figura 3: Función de pertenencia de x̄
La modelación de la función de pertenencia de la res-
puesta lógica del motor de inferencia, en la figura (4).
Se muestran también como el sistema de inferencia al
desfuzificar su salida entrega una respuesta plana en
la zona de control y atención, disminuyendo a cero su
respuesta a medida que nos alejamos de dicha zona.
Figura 4: Salida del motor de inferencia
Como son gráficos en dos dimensiones se graficará la
salida para una de las dos entradas, manteniendo la
otra en un valor constante. En la figura siguiente (5) se
muestra a campana en función de sigma de la muestra
para un valor de 1,5 de la media.
Figura 5: Desfuzificado en función de s para x̄ = 1,5
La respuesta de salida en función de las dos variables
difusas de entrada, realisado esto en Matlab, se ve en
la figura (6)para valores altos de la función de salida
el sistema est bajo control y se sale de l si x̄ se va a
los extremos o si s toma valores grandes.
6 Discusión
Con respecto a lo hecho se ve que cuando la producción
es calificada de poco precisa el método de control ad
hoc empieza a ser paulatinamente preponderante sobre
277
 [8] Vergara P. Comparación de la Eficiencia entre
Métodos de Control de Calidad. , Barrera R. Ac-
tas del VI Congreso de Estadı́stica de la Zona Sur.
Universidad de la Frontera,1994.

[9] Vergara P., Gonzalez H., Sepúlveda C., Buccioni

R. Efectos de la introducción de Señales en un
Método de Control de Calidad Acumulativo. Ac-
tas del VI Congreso de Estadı́stica de la Zona Sur.
Universidad de la Frontera,1994.

[10] Wang JH, Tzvy R. Applying ffuzy set theory in

the development of quality control chart. Inter-
national Industrial Engeneering Conference Pro-
Figura 6: Salida desfuzificada en función de s y x̄ ceedings, Pág.30-35, 1998.

[11] Yongting C. Fuzzy quality analysis on fuzzy prob-

el preciso a medida que dicha caracterı́stica se agranda, abilities. Fuzzy set and system, 88 Pág.283-90,
hasta ser 100% poco preciso. Lo contrario sucede a me- 1996.
dida que nos adentramos en la zona precisa. El sistema
tiene mayor tolerancia con respecto a variaciones de la [12] Zadeh L.A. Fuzzy Sets. Information Control, 8
desviación estándar grandes como se ve en la Tabla 3 Pág. 338-353, 1965.
y 4, al contrario de lo que se observa en la Tabla 5,
que es para el caso poco preciso.

Referencias

[1] Bissel A F. How reliable is your capability index?.

App. Stat. 39 Pág.339-40, 1990

[2] Guh Ruey-Shiang. Integrating Artificial intelli-

gence into on-line stadistical process control.
Qual. Reiab..Engng. Int., 19 Pág.1-20, 2003

[3] Kushler R, Hurley P. Confidence bound for capa-

bility indices. Journal of Quality Technology, 4,
1992

[4] Pepio, C. Polo, M. Vergara, P. Análisis crı́tico

de los ı́ndices de calidad Cp y Cpk Trilogı́a, 18
Pág.10-23, 1990-91.

[5] Raz T, Wang JH. Probabilistic and membership

approaches in the construction of control chart for
linguistic data. Production planning and control,
1 Pág.157-167, 1998

[6] Rowlands, H. Wang L. R. An approach of fuzzy

logic evaluation and control in SPC. Qual. Reliab.
Engng. 16 Pág.91-98, 2000.

[7] Vergara, P. Nuevas técnicas acumulativas de con-

trol de calidad. Control conjunto por medias
móviles, ponderadas exponencialmente para la
tendencia central y variabilidad.Tesis doctoral
ISBN 84-7653-206-7 depósito legal B.2.202.92
Universidad Politécnica de Cataluña,1992.

278 XII CONGRESO ESPAÑOL SOBRE TECNOLOGÍAS Y LÓGICA FUZZY