Un enfoque computacional en la inversión de un modelo de regresión en el ámbito de calidad diseñada

  1. S. Ruiz 1
  2. L.A. Sarabia
  3. M.S. Sánchez 1
  1. 1 Universidad de Burgos
    info

    Universidad de Burgos

    Burgos, España

    ROR https://ror.org/049da5t36

Libro:
VI Jornadas de doctorandos de la Universidad de Burgos [Recurso electrónico]
  1. Joaquín Antonio Pacheco Bonrostro (dir.)
  2. José Luis Cuesta Gómez (coord.)

Editorial: Servicio de Publicaciones e Imagen Institucional ; Universidad de Burgos

ISBN: 84-16283-86-9 978-84-16283-86-6

Año de publicación: 2019

Páginas: 29-43

Congreso: Jornadas de Doctorandos de la Universidad de Burgos (6. 2019. Burgos)

Tipo: Aportación congreso

Resumen

En el estudio de los modelos matemáticos y estocásticos en los que se relacionan un número grande de variables independientes con variables dependientes dentro del marco de Calidad Diseñada (QbD) y de Tecnología Analítica de Procesos (PAT), este trabajo presenta una propuesta computacional para apoyar el proceso de toma de decisiones sobre la factibilidad de un producto determinado con algunas características de calidad definidas a priori. El enfoque se basa en el cálculo del frente Pareto óptimo que se obtiene al minimizar simultáneamente las diferencias esperadas entre las características predichas por el modelo y las deseadas por el usuario. De esta manera se aborda la factibilidad del producto como un problema de optimización con la novedad de hacerlo simultáneamente para todas las características a la vez, preservando la estructura de correlación y manejando cada característica individual por separado. El modelo de trabajo que se presenta es una función vectorial de varias variables donde los datos provienen de un proceso de producción de polietileno de baja densidad (LDPE), con catorce variables de proceso (independientes) y cinco características medidas del polietileno final (variables dependientes). Las soluciones encontradas definen el Espacio de Diseño para las características de calidad objetivo del producto y sin la necesidad de invertir explícitamente el modelo de predicción PLS ajustado para el proceso.