Análisis y estimación del nivel de garantía en función de los cambios en el diseño del producto

Resumo

Cuando un producto sale de la lí³nea de fabricación se desconoce, a priori, el Nivel de Calidad que van alcanzar durante el periodo de garantía. Pero, no sólo de los productos que acaban de salir ni de los que saldrán a medio plazo sino que, además, de los productos que han salido durante los 23 meses anteriores tampoco se conoce el Nivel de Calidad final. La Tesis aborda el modelado y simulación de un sistema bivariante y su aplicación práctica en el mundo del automóvil, teniendo como materia de estudio la evolución y análisis del indicador de Nivel de Calidad con el fin de completar la información desconocida y preveer la que se tendría a medio plazo. Este modelado se realiza a través de la estimación en función de la evolución anterior de dicho parámetro y de las modificaciones que se han realizado y que se realizarán a través de la eficacia estimada de las mismas. En total se han considerado 28 posibles estimaciones ( 2 ejes temporales * 2 tipos de variables* 7 métodos = 28 posibles formas de estimar ) que tras un proceso de priorización quedan reducidos a 11. Finalmente, se realiza un análisis sobre los resultados de las diferentes estimaciones para escoger el modelo que mejor se adapta. Este análisis se realiza comparando las estimaciones realizadas sobre datos antiguos con los datos actuales. Durante la investigación se utilizan diferentes técnicas que van, desde los métodos estructurales para mejorar la estimación tratando cada una de las estimaciones individuales de cada pieza, a los métodos econométricos y modelos basados en la inferencia Difusa NeuroAdaptativa pasando por la teoría clásica series temporales. El resultado final es un híbrido entre Regresión Lineal y métodos difusos neuroadaptativos donde la fase neuronal proporciona las reglas de actuación de la inferencia difusa para obtener un modelo de comportamiento. Ambos métodos son complementarios en función de la cantidad y distribución de la información. Se puede también, a través de esta técnica, identificar las verdaderas fuentes de conflicto o problemas dentro de nuestro sistema. El modelo elegido iguala en facilidad de manejo a la Regresión Lineal y con mejores resultados que los obtenidos por el método kilométrico siendo la principal aportación la posibilidad de estimar para fabricaciones futuras y el tener en cuenta la efectividad de las acciones que se realizan. Durante el trabajo se ha comprobado que la utilización de modelos flexibles basados en Redes Neuronales y Lógica Borrosa mejora sustancialmente, aunque no de forma general, los resultados de predicción frente a los modelos llamados estadísticos.