5.1. Conclusões gerais
A partir da revisão de literatura e dos resultados obtidos, pode-se estabelecer as seguintes conclusões:
1. A análise de múltiplas respostas correlacionadas pelo componente principal mostrou-se eficaz mesmo para respostas com conflitos de objetivos e estrutura de correlação baixa, média e alta.
2. A utilização do cone de confiança para ponderar as respostas no cálculo do PCW e principalmente avaliar se a direção a ser tomada para otimizar as respostas de interesse esta correta.
3. A análise da variância integrada foi fundamental na definição dos experimentos iniciais aleatórios, evitando-se assim a escolha de pontos fora espaço amostral definido pelo processo.
4. Para as respostas W, R e D, foi utilizado a direção determinada pelos autovetores, por não apresentam pontos de mínimo ou máximo definido.
5. Nos casos 1, 2, 4 e 5 a diferença entre os percentuais de direções excluídas pelo cone de confiança é mínima, não influenciando no cálculo do PCW, mas foi fundamental para determinação do tamanho do passo.
5.2. Contribuições do trabalho
O desenvolvimento deste trabalho permite as seguintes contribuições:
1. Desenvolvimento do método de análise de processos multivariados com respostas correlacionados.
2. Desenvolvimento do cálculo da fração de direções excluídas pelo cone de confiança para valores de k até 10, conforme Tabela 2.3.
5.3. Sugestões para estudos futuros
Como sugestões para estudos futuros, ficam as seguintes considerações:
Avaliação do método desenvolvido em outros processos, com intuito de consolidar a aplicabilidade do método.
Realização de experimentos de confirmação para respostas geradas pelo PCW.
REFERÊNCIAS BIBLIOGRÁFICAS
AMES, A.; MATTUCCI, N.; MCDONALD, S.; SZONYI, G. HAWKINS, D. Quality loss function for optimization across multiple response surfaces. Journal of Quality Technology v.29, pp.339–34, 1997.
ANTONY, J. Multiresponse Optimization in Industrial Experiments using Taguchi’s Quality LossFunction and Principal Component Analysis, Quality and Reliability Engineering International, v 16, pp. 3-8, 2000.
BOX, G. E. P.; DRAPER, N. R. Empirical model-building and response surfaces. New York, Wiley. (Wiley Series in Probability and Mathematical Statistics), 1987.
BOX, G.E.P.; HUNTER, J.S. A confidence region for the solution of a set of simulataneous equations with an application to experimental design, Biometrika, v.41, pp. 190–199, 1954. BOX, G. E. P., WILSON, K. B. On the Experimental Attainment of OptimumConditions, Journal of the Royal Statistical Society, XIII, v 1, Série B, pp. 1-45, 1951.
BRATCHELL, N. Multivariate Response Surface Modelling by Principal Components Analysis. Journal of Chemometrics, v. 3, p.579-588, 1989.
CASTILHO E. Process Otimization A statistical Approach, 1th Edition, New York, Springer Science +Business Media, 2007, 480p.
CASTILHO E. Multiresponse process optimization via constrained confidence regions, Journal of Quality Technology,v 28, p. 61-70, 2006.
CATTEL, R. B. The Screen Test for the Number of Factors. Multivariate Behavior Research, v. 1, p.245-276, 1966.
CHIAO, H.; HAMADA, M. Analyzing experiments with correlated multiple responses. Journal of Quality Technology, 33(4):451–465, 2001.
CHUNG, H. W. Dynamic multi-response optimization using principal component analysis and multiple criteria evaluation of the grey relation model. International Journal Advanced Manufacturing Technology, v. 32 p.617-624, 2007.
DATTA, S.; MAHAPATRA, S. S. Simultaneous Optimization of Correlated Multiple Surface Quality Characteristics of Mild Steel Turned Product. Intelligent Information Management, v.2, p.26-39, 2010.
DATTA, S.; NANDI, G.; BANDYOPADHYAY, A. Application of entropy measurement technique in grey based Taguchi method for solution of correlated multiple response optimization problems: A case study in welding. Journal of Manufacturing Systems, v.28 p.55-63, 2009.
DERRINGER, G.; SUICH, R. Simultaneous optimization of severalresponse variables. Journal of Quality Technology v.12 pp.214–219, 1980.
FAN, S.-K. S. A Generalized Global Optimization Algorithm for Dual Response Systems, Journal of Quality Technology, 32, 444–456, 2000.
FUL, C. W.; CHIUH, C. C. Optimization of correlated multiple quality characteristics robust design using principal component analysis. Journal of Manufacturing Systems, v. 23, p.134-143, 2004.
GAURI, S. K.; CHAKRAVORTY, R.; CHAKRAVORTY, S. Optimization of correlated multiple responses of ultrasonic machining (USM) process. International Journal Advanced Manufacturing Technology, v. 53, p.1115-1127, 2011.
GOMES, J. H. F. Otimização do processo de soldagem com arame tubular para o revestimento de aços carbono com aços inoxidáveis. 2010. 120 p. Dissertação (Mestrado em Engenharia de Produção) – Instituto de Engenharia de Produção e Gestão, Universidade Federal de Itajubá, Itajubá, 2010.
HARRINGTON E. Jr The desirability function. Industrial Quality Control. v.21pp.494– 498, 1965.
HE, Z.; ZHU. P. F.; PARK, S. H. A robust desirability function method for multi-response surface optimization considering model uncertainty. European Journal of operational Research v.221p.241-247, 2012.
HOTELLING, H. Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, v. 24, p. 417-441, 1933.
LIAO, H. C. Multi-response optimization using weighted principal component. International Journal Advanced Manufacturing Technology, v.27, p.720-725, 2006.
LOPES, L. F. D., Análise de Componentes Principais Aplicada à Confiabilidade de Sistemas Complexos. (2001), 138 p. Tese de Doutorado. Universidade Federal de Santa Catarina – UFSC, Florianópolis, 2001.
JACKSON, D. A. Stopping rules in principal component analysis. A comparison of heuristical and statistical approaches. Ecology, v. 74, p.2204-2214, 1993.
JER, Y.H.; JIA, H. L.; JIUMN,Y W.; SZU, C.S.; HSIA F.H. Enhancement of asymmetric bioreduction of ethyl 4-chloro acetoacetate by the design of composition of culture medium and reaction conditions. Process Biochemistry, v.42 pp.1–7, 2007.
JOHNSON, R. A., WICHERN, D. W. (2007), Applied Multivariate Statistical Analysis, New Jersey: Prentice-Hall, Inc., 6th ed., 773p, 2007.
KAZEMZADEH, R.B.; BASHIRI, M.; ATKINSON, A.C.; NOOROSANA, R. A general framework for multi response optimization problems based on goal programming. European Journal of operational Research v.189 pp.421–429, 2008.
KHURI, A. I.; CONLON, M. Simultaneous optimization of multiple responses represented by polynomial regression functions. Technometrics, v. 23, p.363-375, 1981.
KHURI, A. I.; MUKHOPADHYAY, S. Response Surface Methodology. Wiley Interdisciplinary Reviews: Computational Statistics v.2 pp. 128-149, 2010.
KIM, I. J., JEONG, K. J. Interactive DesirabilityFunction Approach Multi-response Surface Optimization International Journal of Reliability, Quality and Safety Engineering, v 10, n 2, pp. 205-217, 2003.
KO, Y. H., KIM, K. J., JUN, C. H. A New Loss Function-Based Method for Multiresponse Optimization. Journal of Quality Technology, v 37, n 1, pp. 50-59, 2005.
LEE, I. T.; CHUNG, H. W.; HUNG, C. C. Optimization of multiple responses using principal component analysis and technique for order preference by similarity to ideal solution - International Journal Advanced Manufacturing Technology, v.27 p. 407-414, 2005. MING, Y. C.; GUO, J.T.; JER, Y. H. Optimization of the medium composition for the submerged culture of Ganoderma lucidum by Taguchi array design and steepest ascent method. Enzyme and Microbial Technology v.38 pp. 407–414, 2006.
MYERS R. H.; MONTGOMERY, D. C.; ANDERSON-COOK, C.M. Response Surface Methodology, 3th Edition, Wiley series in probability and statistics, John Wiley & Sons, 2009.
MONTGOMERY, D. C. Design and Analysis of Experiments. 6 ed. New York: John Wiley, 2009. 643 p.
NAJAFI, S.; SALMASNIA, A.; KAZEMZADEH, R. B. Optimization of Robust Design for Multiple Response Problem. Australian Journal of Basic and Applied Sciences, v.5, p. 1566-1577, 2011.
NILO JÚNIOR, L. P. Otimização de um processo de solda MIG/MAG para aplicação na indústria automobilística através da utilização da técnica do projeto e análise de experimentos. 2003. 111 p. Dissertação (Mestrado em Engenharia de Produção) – Instituto de Engenharia de Produção e Gestão, Universidade Federal de Itajubá, Itajubá. 2003.
ORTZ, F. Jr.; SIMPSON, J.R.; PIGNATELLO, J. J. Jr.; HEREDIA L. A. A Genetic Algorithm Approach to Multiple-Response Optimization. Journal of Quality Technology,v 36, p. 432-450, 2004.
PAIVA, A. P. Metodologia de Superfície de Resposta e Análise de Componentes Principais em otimização de processo de manufatura com múltiplas respostas correlacionadas. 2006. 229 p. Tese (Doutorado em Engenharia Mecânica) – Instituto de Engenharia Mecânica, Universidade Federal de Itajubá, Itajubá. 2006.
PAIVA, E. J. Otimização de processos de manufatura com múltiplas respostas baseada em índices de capacidade. 2008. 118 p. Dissertação (Mestrado em Engenharia de Produção) – Instituto de Engenharia de Produção e Gestão, Universidade Federal de Itajubá, Itajubá. 2008.
PASANDIDEH, S. H. R.; NIAKI, S. T. A. Multi-response simulation optimization using genetic algorithm within desirability function framework. Applied Mathematics and Computation v.175 pp.366–382, 2006.
Pearson K. On line and planes of closest fit to systems of points in space. Philos Mag 6:559, 1901.
PERES-NETO, P. R., JACKSON, D. A., SOMERS, K. M. How Many Principal Components? Stopping Rules for Determining the Number of Non-Trivial Axes Revisited. Computacional Statistics & Data Analysis, v 49, p. 974-997, 2005.
PETERSON, J. J. A Posterior Predictive Approach to Multiple Response Surface Optimization, Journal of Quality Technology, v 36, pp. 139-153, 2004.
PHADKE, M. S. Quality Engineering Using Robust Design, Prentice-Hall: Englewood Cliffs, New Jersey, 480p, 1989.
PIGNATIELLO, J. J. JR. Strategies for Robust Multiresponse Quality Engineering, IIE Transactions, v 25, pp. 5-15, 1993.
ROUTARA, B.C.; MOHANTY, S.D.; DATTA, S.; BANDYOPADHYAY, A.; MAHAPATRA, S.S.; Combined quality loss (CQL) concept in WPCA-based Taguchi philosophy for optimization of multiple surface quality characteristics of UNS C34000 brass in cylindrical grinding. International Journal Advanced Manufacturing Technology doi:10.1007/s00170-010-2599-1, 2010.
SALMASNIA, A.; KAZEMZADEH, R. B.; NIAKI, S. T. A. An approach to optimize correlated multiple responses using principal component analysis and desirability function. International Journal Advanced Manufacturing Technology, v. 62, p.835-846, 2012. SALMASNIA, A.; KAZEMZADEH, R. B.; ESFAHANI, M. S; HEJAZI, T. H. Multiple response surface optimization with correlated data. International Journal Advanced Manufacturing Technology, v. 64, p.841-865, 2012.
SIBALIJA, T. V.; MAJSTOROVIC, V. D.; Multi-response optimization of thermosonic copper wire-bonding process with correlated responses - International Journal Advanced Manufacturing Technology, v.42, p.363-371, 2009.
SCREMIN, M. A. A., Método para Seleção do Número de Componentes Principais com base na Lógica Difusa. 2003. 124p.Tese doutorado em Engenharia de Produção, Universidade Federal de Santa Catarina, 2003.
SOUZA, A. M., Monitoração e Ajuste de Realimentação em Processos Produtivos Multivariados. 2000. 166p.Tese doutorado em Engenharia de Produção, Universidade Federal de Santa, 2000.
TONG, L.I.; WANG, C.H., CHEN H. C. Optimization of multiple responses using principal component analysis and technique for order preference by similarity to ideal solution, Internacional Journal of Advanced Manufacturing Technology, 27: 407–414, 2005. VINING G. A compromise approach to multiresponse opti-mization, Journal of Quality Technology v.30 pp.309–313, 1998.
WANG, C.H. Dynamic multi-response optimization using principal component analysis and multiple criteria evaluation of the grey relation model, Internacional Journal of Advanced Manufacturing Technology, DOI 10.1007/s00170-005-0365-6 32: 617–624, 2007.