Revista de Ciencias Tecnológicas (RECIT). Volumen 3 (1): 10-22
Revista de Ciencias Tecnológicas (RECIT). Universidad Autónoma de Baja California ISSN 2594-1925
Volumen 6 (4): e269. Octubre-Diciembre. 2023. https://doi.org/10.37636/recit.v6n4e269
1 ISSN: 2594-1925
Artículo de investigación
Método Taguchi para la optimización de parámetros en la
simulación numérica del proceso de inyección de plástico
Taguchi method for parameter optimization in the numerical
simulation stage for the injection molding process
Elva Lilia Reynoso Jardón , Manuel Nandayapa Alfaro , Quirino Estrada Barbosa , Oscar Tenango
Pirin , Yahir de Jesús Mariaca Beltrán , Jacinto Fraire Bernal , Carlos Sebastián González
Miranda
Universidad Autónoma de Ciudad Juárez, Av. Plutarco Elías Calles #1210 Fovissste Chamizal Ciudad
Juárez, Chihuahua, México. C.P. 32310
Autor de correspondencia: Elva Lilia Reynoso Jardón, Universidad Autónoma de Ciudad Juárez, Av.
Plutarco Elías Calles #1210 Fovissste Chamizal Ciudad Juárez, Chihuahua, México. C.P. 32310. E-mail:
elva.reynoso@uacj.mx. ORCID: 0000-0002-0729-2822.
Enviado: 3 de Agosto del 2023 Aceptado: 13 de Octubre del 2023 Publicado: 24 de Octubre 2023
Resumen. - El trabajo plantea el uso de Método Taguchi para la optimización de parámetros en la
simulación numérica del proceso de inyección de plástico para reducir el desplazamiento total en el
producto. Se identificaron las variables de temperatura de derretimiento, tiempo de enfriamiento, tiempo
de llenado, y tiempo de mantención. Se plantea la utilización de diseño de experimentos de Taguchi de
tres niveles y cinco factores, que suman un total de 27 iteraciones del experimento. El análisis de señal a
ruido determinó que los dos parámetros más influyentes en la disminución de desplazamiento fueron
temperatura de derretimiento y tiempo de mantención de presión. Tras el análisis de la varianza y la
interpretación de gráficas de señal se plantearon dos experimentos cuyos valores demostraron una
mejora de 27 % (5.0349 mm) y 31.43% (4.7485 mm), respectivamente, en comparación a los valores de
control (6.9252 mm). Mediante el uso de las herramientas permite. Mediante el uso de Taguchi y
SolidWorks plastic se logró disminuir la variación de la deformación y la detección de las principales
variables que afectan en el proceso de llenado de la pieza aplicando el método propuesto.
Palabras clave: Simulación numérica; Inyección de plásticos; Taguchi.
Abstract. – This paper proposes the use Taguchi method for parameter optimization in the numerical
simulation stage for the injection molding process to reduce the total displacement of the product. The
variables of melting temperature, cooling time, filling time, and holding time were identified. The use of
Taguchi's design of experiments of three levels and five factors is proposed, which adds up to a total of
27 iterations of the experiment. The signal-to-noise analysis determined that the two most influential
parameters in the decrease of displacement were melting temperature and pressure maintenance time.
After the analysis of the variance and the interpretation of signal graphs, two experiments were proposed
whose values demonstrated an improvement of 27 % (5.0349 mm) and 31.43 % (4.7485 mm), respectively,
compared to the control values (6.9252 mm). Using Taguchi and SolidWorks plastic, it was possible to
reduce the variation of deformation and the detection of the main variables that affect the filling process
of the part by applying the proposed method.
Keywords: Numerical simulation; Plastic injection; Taguchi.
2 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
1. Introducción
Los moldes de inyección son una parte
importante del proceso de fabricación de
productos en la industria manufacturera de
plástico, caucho, metales, entre otras [1]. Los
moldes son herramientas especializadas que se
utilizan para dar forma a una variedad de
productos, desde piezas con dimensiones
pequeñas hasta aquellas con mayor tamaño sobre
todo cuidando características de diseño [2, 3].
Algunos productos son piezas de aviones,
utensilios de cocina, juguetes, piezas de
cómputo, entre otros. El proceso de inyección de
plástico es eficiente y versátil, por lo tanto, se
convierte en una opción para producir
componentes con formas complejas en grandes
volúmenes [4].
Hoy en día la demanda de bienes de consumo es
bastante alta; donde, la mayor cantidad de estos
bienes son hechos a base de plástico. Dentro de
los métodos integrados a la producción en masa
se encuentra la inyección de plásticos [5, 6]. En
la cual, a través de la inyección de distintos tipos
de plásticos en un molde permiten producir
piezas de alta calidad a bajo costo. Sin embargo,
al utilizar las condiciones incorrectas en el
proceso de inyección de plástico, la pieza puede
resultar de baja calidad representando una
pérdida monetaria para la empresa. De acuerdo
con [7], se encontró que si no se tienen cierto
control en la velocidad y presiones podrían de
llenado del molde ocasiona desequilibrio en el
llenado del molde. Otros estudios como los de [8]
y [9] demostraron que las propiedades mecánicas
de los termoplásticos son también factores
determinantes del proceso de moldeo,
principalmente los parámetros de llenado.
Por otro lado, en [10] y [11] se determinaron que
la fase de enfriamiento del proceso del moldeo
por inyección es la más importante, debido que
controla la calidad general de la pieza y la tasa de
producción general del producto. Además, de
acuerdo con [11] y [12] se concluyó que el
material del inserto del molde tiene un efecto
significativo en el tiempo de enfriamiento de la
pieza. Otro parámetro importante es el sistema de
enfriamiento; de acuerdo con [13] y [14] de no
tener un sistema adecuado de enfriamiento, la
presencia de deformación de la pieza puede ser
hasta de un 70%. La deformación es un tipo de
distorsión característico en los procesos de
inyección de plásticos en el que la pieza pierde
paralelismo y comienza a deformarse similar al
pandeo. Las variables de inyección y de diseño
juegan un papel importante que definirán la
producción de scrap [15, 16].
En la simulación numérica del proceso de
inyección de plásticos, los procesos de llenado,
embalaje, enfriamiento, deformación,
orientación de la fibra, tensión estructural y
contracción de material son incluidos,
permitiendo identificar puntos de falla o
deformación, áreas de mejora en diseño,
parámetros para el mismo proceso [17].
Por otra parte, el método Taguchi es una
alternativa a la resolución de problemas enfocada
al mejoramiento de calidad y mejora de
productos en general. El enfoque principal del
método es la reducción de ruido en los procesos
productivos. El método es utilizado en diversos
campos de la ingeniería y sector manufacturero
que va más allá de la filosofía de la empresa y se
enfoca en el proceso productivo [18, 19]. Por
ejemplo, en [20] el estudio presenta el uso del
método del Taguchi para optimizar la fabricación
aditiva en filamentos fundidos para aumentar la
resistencia a la flexión. Para el estudio
consideraron diferentes parámetros para
determinar la configuración óptima; donde,
utilizaron los resultados encontrados mediante el
análisis varianza (ANOVA).
2 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
2. Materiales y métodos
Para la obtención de los parámetros ideales en un
proceso de inyección de plásticos aplicado a una
cesta de material de polipropileno (PP) se plantea
el diseño de experimentos de Taguchi, donde la
variable a controlar será la distorsión del
producto (dada en mm). Se deberá dibujar una
pieza en 3D de una cesta en un software CAD. La
obtención de resultados se dará por medio de
SolidWorks Plastics [21, 22]. Para validar los
resultados se plantea un análisis de Taguchi
apoyado en el software estadístico Minitab. El
proceso de desarrollo se llevará a cabo en base al
siguiente método propuesto, véase en la Figura 1.
El método propuesto consiste en 6 pasos,
generando un resultado óptimo de una forma
simple de solución.
Figura 1. Diagrama de pasos del método propuesto.
2.1 Modelado físico
Para simular numéricamente un proceso de
inyección y obtener los parámetros óptimos del
mismo es necesario desarrollar un molde para el
proceso de inyección. Además, en el proceso es
necesario contar con un modelo en 3D el cual
consiste en una cesta pequeña con las siguientes
dimensiones 200 mm x 150 mm x 80mm.
Figura 2.
Cesta
2.2 Generación de Mallado
Para determinar la malla se evalúan distintos
tamaños de malla. Se ejecutaron varias
simulaciones numéricas con parámetros estándar
de SolidWorks Plastics como filling time, melt
Modelado
físico
Generación
de Mallado
Diseño de
experimento
Taguchi
Simulación en
SolidWorks Plastics
Análisis de Taguchi
Definición de
condiciones de frontera
con Taguchi
3 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
temperature, mold temperature, injection
pressure limit, etc. donde la única variable
independiente fue el tamaño de malla
considerando el Total Stress Displacement como
la variable controlable [23]. Para el análisis de
malla se consideraron diferentes tamaños de
malla con valores de 48780,
71420,108499,194030,284359 y 442305
elementos; la variación de la deformación fue de
entre 5.9227 mm hasta 7.7121 mm. Tras
considerar el tiempo de cómputo contra la
variación en los resultados se decidió utilizar el
tamaño de malla 194030 elementos y 83385
nodos, considerando para esta malla un total de
desplazamiento de 6.9252 mm.
2.3 Diseño d
e experimento Taguchi
Diseñar un experimento Taguchi consta de 4
pasos:
Identificar las variables dependientes de las
independientes. Las segundas son definidas
como aquellas que provocaran una respuesta en
las variables dependientes.
Definir los niveles para las variables
independientes. Los niveles son todos los valores
tomados en cuenta a la hora de realizar el
experimento.
Establecer el arreglo ortogonal de
experimentos. El método considera una cantidad
de variación con base en el número de variables
independientes, por el número de niveles, elevar
el número de experimentos genera un rango
mayor de puntos en el análisis de varianza.
Llevar a cabo los experimentos que
contempla el DOE Taguchi que se ha definido
para posteriormente analizarlo por medios
externos. Para este caso se utilizará un análisis de
varianza. Llevar a cabo los experimentos que
contempla DOE Taguchi para posteriormente
analizarlo por medios externos. Para este caso se
utilizará un análisis de varianza [24].
2.4. Simulación en SolidWorks Plastics
El primer paso para simular de forma numérica
dentro de SolidWorks Plastics es la selección del
tipo de análisis a realizar sobre la pieza. Se
ofrecen dos opciones: análisis de shell y solid (el
caso de estudio fue determinado con análisis
solid). El análisis de shell está diseñado para
modelos con partes delgadas de espesor
uniforme. Por otra parte, el análisis de tipo solid,
está diseñado para analizar partes gruesas con
geometrías complejas o detalladas, no obstante,
se requiere mayor capacidad de cómputo para
ejecutarse. Se debe seleccionar el tipo de plástico
a utilizar en la simulación para el estudio se
consideró material de polipropileno. Los
parámetros de la simulación numérica definirían
la forma en la que el polímero fluirá a través del
molde (filling time, melt temperature, mold
temperature, injection pressure limit). Los
parámetros de empaque tienen como objetivo la
distribución uniforme de peso e integridad
dimensional del polímero en el molde de
inyección (pure holding time y pure cooling
time).
2.5 Definición de condiciones de frontera con
Taguchi
Primero se debe definir el punto de inyección, ya
sea por el usuario con base en el conocimiento
previo o puede ser sugerido por medio del
software SolidWorks plastics. Otras
consideraciones son la declaración de las
entradas y salidas del flujo refrigerante como el
agua y la declaración de del molde virtual como
acero P20. Una vez determinados los parámetros
se puede ejecutar un análisis de llenado,
empaqué, deformación y enfriamiento que
entregará los resultados que busca el
experimento Taguchi.
2.6 Análisis de Taguchi
2.6.1 Tipo de diseño para crear diseño de
Taguchi
4 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
En los diseños de Taguchi se utilizaron arreglos
ortogonales, los cuales estiman los efectos de los
factores de respuesta y la variación. Un arreglo
ortogonal significa que el diseño esta balanceado,
de manera que los niveles de los factores se
ponderan equitativamente. El tipo de diseño que
se seleccionó fue de 3 niveles, considerando 5
factores. Es decir, se tendrían un diseño L27 tiene
27 corridas y (35) esto significa 5 factores en 3
niveles [25, 26].
2.6.2. Métodos de diseño de Taguchi
En la metodología de Taguchi utiliza una
función de perdida L cuadrática. La pérdida
esperada para la característica aleatoria X de la
calidad con media µ y varianza σ2 como se
muestra en la ecuación 1.
(1)
Según este modelo, las pérdidas son causadas por
la variabilidad y el sesgo en las características
estudiadas. Por tanto, para reducir las pérdidas se
debe actuar sobre la variabilidad del proceso y las
desviaciones del valor medio de la característica
de calidad en estudio respecto al valor nominal.
Sin embargo, cuando se introduce la función de
perdida como en la ecuación 1 se hace presente
la necesidad de combinar el estudio de la
respuesta media con la variabilidad, es decir,
definir una medida que tome ambos aspectos.
Esta medida es referida por Taguchi como razón
señal-ruido (S/N). Esta terminología proviene del
lenguaje utilizado en ingeniería, donde la media
de la variable respuesta representa la señal y la
variación del ruido. Se pueden definir
diferentes medidas de razón S/N, dependiendo
del objetivo del estudio. Las más frecuentes son
[27] y [28]:
(1) Nominal es mejor. La pérdida se
incrementa según la característica X de la
calidad estudiada se aleja del valor
nominal.
(2) Más pequeño es mejor. El valor nominal
es cero y la característica de la calidad es
no negativa. La pérdida disminuye según
la característica de la calidad se aproxima
a cero.
(3) Más grande es mejor. El valor nominal es
infinito y la característica de la calidad es
no negativa. La pérdida disminuye
cuando la característica de la calidad
crece.
Para el caso de estudio se busca encontrar
aquellos parámetros que expresen un menor
porcentaje de alabeo, por lo que el análisis se
basará en la aproximación de valor más pequeño
es mejor [29, 30].
Por lo que el modelo utilizado más pequeño es
mejor, se muestra en las siguientes ecuaciones
(2)
donde, X es la característica de la calidad
estudiada y por lo tanto se utiliza a aproximación
como se muestra en la ecuación 3.
(3)
Para la definición de la razón señal ruido (S/N)
se calcula para cada combinación de niveles de
factores, la fórmula para la relación S/N más
pequeño es mejor, utiliza logaritmo base 10 está
dada por la ecuación 4 [31].
(4)
5 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
donde, Y = respuestas para la combinación de
niveles de factores dada y n = número de
respuestas en la combinación de niveles de
factores, i es el número del experimento [32].
El análisis de varianza (ANOVA) se utilizó para
determinar qué factores y niveles tienen un
impacto significativo en la variabilidad y la
calidad del diseño de la cesta. Esto ayudo a
identificar los factores más importantes para
optimizar la disminución de la deformación de la
pieza. Los pasos de cálculo utilizados en
ANOVA son los siguientes:
La suma total de cuadrados (SCT), que mide la
variación total en las respuestas como se muestra
en la ecuación (5) [33].
(5)
donde, es la respuesta en la i-ésima corrida
del experimento y es el número de casos en
la matriz ortogonal, ecuación (6).
(6)
La suma total de las desviaciones al cuadrado.
consiste en la suma del error al cuadrado
y la suma de las desviaciones al cuadrado
debido a cada parámetro del proceso, por lo
tanto se definió en la ecuación (7):
(7)
donde, P es uno de los parámetros, j es el número
de nivel de este parámetro P, t es la repetición de
cada nivel del parámetro P, la suma de los
resultados experimentales que involucran este
parámetro P y el nivel j. La suma de cuadrados
de los parámetros de error. es:
(8)
El grado total de libertad es , y el
grado de libertad de cada parámetro probado es
. La varianza del parámetro probado
es
. Entonces, el valor F para cada
parámetro de diseño es simplemente la relación
entre la media de las desviaciones cuadráticas y
la media del error cuadrático
. La
contribución porcentual ρ se calculó como [33]:
(9)
El ANOVA utiliza estos cálculos estadísticos
para determinar si los factores y niveles tienen un
efecto significativo en la variable de salida, lo
que ayuda en la optimización y mejora de
procesos y productos.
3. Resultados
Para encontrar los parámetros ideales de
inyección de plásticos se optó por un diseño de
experimentos Taguchi de nivel 3. Cada nivel
propone un valor diferente para una variable
independiente. Las variables consideradas fueron
tomadas de la literatura de diferentes trabajos
[34, 35]. Se consideran como variables
independientes las siguientes:
Tiempo de llenado (filling time en inglés).
Temperatura de derretimiento (melt
temperature en inglés).
Tiempo de enfriamiento (pure cooling time
en inglés).
Tiempo de manutención de presión
(pressure holding time en inglés).
Temperatura de molde (mold temperature
en inglés).
La variable por controlar es la deformación total
(total displacement en inglés) expresado en
milímetros, dicho parámetro es lo que
6 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
previamente se definió como alabeo
(deformación).
Los niveles de las variables independientes
fueron asignados como se puede apreciar en la
Tabla 1.
El diseño de experimentos Taguchi sugiere que
se lleven a cabo tres iteraciones de cada
experimento para eliminar errores. No obstante,
los cambios entre una iteración a otra son
mínimos para ser considerados relevantes.
3.1 Simulación numérica
Para modificar los parámetros de inyección de
los experimentos es necesario tener en cuenta el
arreglo ortogonal que generó el diseño de
Taguchi. Para correr las 27 simulaciones fue
necesario considerar los parámetros de inyección
en melt temperature, mold temperature, filling
time, pressure holding time y pure cooling time.
El punto de inyección definido fue elegido con
base en ejemplos de cestas similares [35], el cual
se encuentra en el centro de la base interior.
Tabla 1. Tabla de diseño Taguchi.
Número de
experimento
Melt
Temperature
(°C)
Mold
Temperature
(°C)
Filling Time
(s)
Pure Cooling
Time (s)
Pressure
Holding Time
(s)
1
210
50
5
80
10
2
210
50
5
80
15
3
210
50
5
80
20
4
210
70
10
90
10
5
210
70
10
90
15
6
210
70
10
90
20
7
210
90
15
110
10
8
210
90
15
110
15
9
210
90
15
110
20
10
220
50
10
110
10
11
220
50
10
110
15
12
220
50
10
110
20
13
220
70
15
80
10
14
220
70
15
80
15
15
220
70
15
80
20
16
220
90
5
90
10
17
220
90
5
90
15
18
220
90
5
90
20
19
230
50
15
90
10
20
230
50
15
90
15
21
230
50
15
90
20
22
230
70
5
110
10
23
230
70
5
110
15
24
230
70
5
110
20
25
230
90
10
80
10
26
230
90
10
80
15
27
230
90
10
80
20
7 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
3.2 Resultados de la deformación
La Tabla 2, muestra la recolección de los resultados de Total Stress Displacement basado en el diseño
Taguchi, dicha combinación de datos se aprecian de la columna 2 a la 6.
Tabla 2. Resultados totales de la deformación.
Simulación
Melt
Temperature
(°C)
Mold
Temperature
(°C)
Filling
Time (s)
Pure Cooling
Time (s)
Pressure
Holding Time
(s)
Total,
Displacement
(mm)
1
210
50
5
80
10
5.1871
2
210
50
5
80
15
5.0498
3
210
50
5
80
20
5.0713
4
210
70
10
90
10
5.2429
5
210
70
10
90
15
5.0297
6
210
70
10
90
20
5.04
7
210
90
15
110
10
5.3445
8
210
90
15
110
15
5.1385
9
210
90
15
110
20
5.0027
10
220
50
10
110
10
5.3541
11
220
50
10
110
15
5.387
12
220
50
10
110
20
5.3986
13
220
70
15
80
10
5.394
14
220
70
15
80
15
5.3185
15
220
70
15
80
20
5.3184
16
220
90
5
90
10
5.8254
17
220
90
5
90
15
5.5726
18
220
90
5
90
20
5.3382
19
230
50
15
90
10
5.6693
20
230
50
15
90
15
5.6772
21
230
50
15
90
20
5.7608
22
230
70
5
110
10
5.9205
23
230
70
5
110
15
5.6258
24
230
70
5
110
20
5.6473
25
230
90
10
80
10
5.9653
26
230
90
10
80
15
5.714
27
230
90
10
80
20
5.563
3.3 Análisis de varianza
Una vez se obtuvieron los resultados del análisis
DOE, se sometió a un análisis de varianza por
medio del software Minitab. El análisis de
varianza de relaciones señal a ruido demostró que
las variables Melt Temperature y Pressure
Holding Time son estadísticamente
8 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
significativos, es decir, son los que menos
afectan en el proceso de llenado. La variable
Mold Temperature cuenta con un valor de 0.082
arriba de lo necesario para ser considerado como
estadísticamente como significativo,
considerando los menos significativos 0.002 para
Pressure Holding Time y melt Temperature con
valor de 0 [36].
Tabla 3. Análisis de Varianza de Relaciones SN
Fuente
GL
SC Sec.
SC Ajust.
MC Ajust.
F
P
Melt Temp. (°C)
2
4.22087
4.22087
2.11044
80.38
0.000
Mold Temp. (°C)
2
0.15378
0.15378
0.07689
2.93
0.082
Filling time (s)
2
0.05991
0.05991
0.02996
1.14
0.344
Pure Cooling Time (s)
2
0.04684
0.04684
0.02342
0.89
0.429
Pressure Holding Time(s)
2
0.48236
0.48236
0.24118
9.19
0.002
Error residual
16
0.42008
0.42008
0.02626
Total
26
5.38386
Debido a que la variable dependiente es del “tipo
más pequeño es mejor”, se obtuvo una tabla de
respuesta de relación de señal a ruido
considerando este factor. Esta puede ser definida
como una medida de utilizada para identificar los
parámetros de control que reducen la variabilidad
del proceso al minimizar los efectos de los
factores que no se pueden controlar (factores de
ruido) como se observa en la Tabla 4.
Tabla 4. Respuesta para relaciones de señal a ruido, más pequeño es mejor.
Nivel
Melt Temp. (°C)
Mold Temp.
(°C)
Filling
time (s)
Pure Cooling
Time (s)
Pressure
Holding
Time (s)
1
-14.19
-14.63
-14.75
-14.63
-14.87
2
-14.70
-14.63
-14.65
-14.73
-14.62
3
-15.16
-14.79
-14.64
-14.68
-14.56
Delta
0.97
0.16
0.10
0.10
0.31
Clasificar
1
3
4
5
2
En la Figura 3 se clasificó con números del 1 al
5, los factores que más tuvieron peso sobre la
variable dependiente. De modo que, si se quisiera
obtener mejores resultados, la variable Melt
Temperature sería la primera a considerar
cambiar.
9 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
Figura 3. Gráfica de efectos principales para medidas con respecto a la deformación en la cesta
En la Figura 4 se puede observar de manera
gráfica las variables independientes que aportan
los mejores resultados para las variables de Melt
Temperature, Mold Temperature, Filling Time,
Pressure Holding Time y Pure Cooling Time.
Aquellos valores cuya señal a ruido es mayor
proveerán los valores con los cuales disminuirá
la deformación en la cesta.
Figura 4. Gráfica de efectos principales para relaciones SN con respecto a la deformación en la cesta
10 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
Los resultados mostrados en la Figura 5 son de
una simulación de llenado donde no se
controlaron las variables de Melt Temperature,
Mold Temperature, Filling Time, Pressure
Holding Time y Pure Cooling Time. La
simulación de llenado presenta valores de
deformación mínima de 1.2742 mm identificados
con color azul en la base de la cesta y valores
máximos de 6.9262 mm identificados por el
color rojo ubicados en las zonas masa alejadas
del punto de inyección.
Figura 5. Análisis numérico de llenado sin control de las variables
3.4 Parámetros óptimos
De acuerdo con los resultados del análisis de
varianza expuestos en la Figura 5 los parámetros
óptimos del sistema son:
Tabla 6. Parámetros óptimos para el llenado del molde
Parámetro
Valor
Melt Temperature:
210 °C
Mold Temperature:
70 °C
Filling Time:
15 s
Pure Cooling Time:
80 s
Pressure Holding Time:
20 s
11 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
En la Figura 6 se puede observar los resultados
de los parámetros óptimos en proceso de llenado
de inyección. Cuyo valor de deformación
máximo es de 5.0349 mm. En comparación
contra el caso no optimizado del proceso de
inyección o sin control de las variables.
Calculando el valor de error relativo porcentual
entre el valor máximo de deformación con los
datos obtenidos en la simulación sin
optimización contra la simulación con las
variables controladas se obtuvo una diferencia a
favor de 27% cumpliendo el objetivo de
disminuir la deformación.
Figura 6. Simulación con parámetros ideales.
3.5 Caso predicción
Basado en los resultados mostrados en la Figura 4 y la Tabla 4 en donde la variable melt temperatura
podría considerarse cambiar el valor para una segunda simulación de llenado con valores optimizados.
Tabla 6. Parámetros óptimos para el llenado del molde para el caso de predicción
Parámetro
Valor
Melt temperature:
230 °C
Mold temperature:
70 °C
Filling time:
15 s
Pure cooling time:
80 s
Pressure holding:
20 s
12 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
Como se puede observar en la Figura 7 el valor
máximo del alabeo presente en la cesta es de
4.7485 mm. Lo cual representa una diferencia del
31.43% con base en el caso de los parámetros no
optimizados (6.9252 mm).
Figura 7. Caso con valores de predicción basados en ANOVA.
4. Conclusiones
En este artículo se llevó a cabo la aplicación del
método Taguchi para la optimización de
parámetros en la simulación numérica del
proceso de inyección de plástico. Los resultados
se obtuvieron mediante el uso de diseño de
experimentos Taguchi y análisis de resultados de
señal a ruido. Los parámetros recolectados
denotan una mejora del 27% en relación con la
presencia de desplazamiento en el producto y una
mejora de 31% en el caso predictivo basado en la
interpretación de la gráfica de análisis de
varianza señal a ruido.
Cabe resaltar que cada modelo puede presentar
una tendencia diferente debido a su geometría,
número de puntos de inyección o condiciones
externas a las variables independientes
previamente establecidas. Resaltando la
versatilidad del diseño de experimentos Taguchi
al permitir el análisis de distintos tipos de entrada
(modelo 3D).
Por mediante del uso de Taguchi y SolidWorks
Plastic se logró disminuir la variación de la
deformación y la detección de las principales
variables que afectan en el proceso de llenado de
la pieza aplicando el método propuesto.
5. Agradecimiento de autoría
Elva Lilia Reynoso Jardón: Conceptualización;
Manuel Nandayapa Alfaro: Metodología;
Quirino Estrada Barbosa: Investigación;
Análisis de datos; Oscar Tenango Pirin:
13 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
Borrador original. Yahir de Jesús Mariaca
Beltrán: revisión y edición. Jacinto Fraire
Bernal: Revisión y edición; Carlos Sebastián
González Miranda: Administración de proyecto.
Referencias
[1] P. Srikhumsuk, S. Butdee, C. Nitnara,” Study
on injection molding parameters on PET with
bio-plastic material and hot runner mold,”
Materials Today: Proceedings, 2023.
doi.org/10.1016/j.matpr.2023.07.168
[2] S. Kitayama, K. Tamada, M. Takano, S.Aiba,
“Numerical optimization of process parameters
in plastic injection molding for minimizing
weldlines and clamping force using conformal
cooling channel,” Journal of Manufacturing
Processes,vol. 32, 2018.
doi.org/10.1016/j.jmapro.2018.04.007
[3] N.A.Wahab, I.N. Ahmad, M. A. Omar, R.
Sauti, J. Saedon, “Determination of optimised
solvent debinding parameters of injection
moulded 316L stainless steel using Taguchi
approach,” Materials Today: Proceedings,vol.16,
no. 4, pp. 2357-2366,2019.
https://doi.org/10.1016/j.matpr.2019.06.139
[4] L. Flórez, “Problemas en piezas moldeadas
por inyección,” 2021. [Online]. Available:
https://www.plastico.com/es/noticias/como-
solucionar-problemas-en-piezas-moldeadas-por-
inyeccion.png
[5] B. Ravikiran, D. K. Pradhan, S. Jeetb, D. K.
Bagal, A. Baruab, S. Nayak,” Optimización
paramétrica del moldeo por inyección de plástico
para el moldeo de polímeros FMCG (PMMA)
utilizando el algoritmo de optimización híbrido
Taguchi-WASPAS-Ant Lion” materialstoday:
proceedings, vol.56, no.5,pp.2411-2420,2022.
doi.org/10.1016/j.matpr.2021.08.204
[6] G. Singh, M. k. Pradhan, A. Verma
“Optimización de respuesta múltiple de los
parámetros del proceso de moldeo por inyección
para reducir el tiempo de ciclo y la deformación,”
materialstoday, proceedings ,vol.5,no.2,pp.8398-
8405,2018.
https://doi.org/10.1016/j.matpr.2017.11.534
[7] A. H. Ridho, C. Feng-Jung, H. Sheng-Jye,
“Microstructure development analysis of long-
glass-fiber-reinforced polypropylene in injection
molded spiral-flow,” Composites Part A:
Applied Science and Manufacturing, vol. 163,
2022.
https://doi.org/10.1016/j.compositesa.2022.1072
61
[8]D.G. Seong, C. Kang, S.Y. Pak, C.H. Kim, Y
. S. Song, “Influence of fiber length and its
distribution in three phase poly (propylene)
composites”, Composites Part B: Engineering,
vol. 168, pp. 218-225, 2019.
https://doi.org/10.1016/j.compositesb.2018.12.0
86
[9] W. Kuan-Hsun, C. Ya-Tung,H. Sheng-Jye ,H.
Chao-Tsai , P. Hsin-Shu ,”Influence of back
pressure and geometry on microstructure of
injection-molded long-glass-fiber-reinforced
polypropylene ribbed plates,” Polymer Testing,
vol. 116, 2022.
https://doi.org/10.1016/j.polymertesting.2022.10
7797
[10] A. Pyata, M. Nikzad, S.S.Vishnubhotla,
J.Stehle, E. Gad, ”A simulation-based approach
for assessment of injection moulded part quality
made of recycled olefins,” Materials Today:
Proceedings, vol. 46, no. 1,pp. 311-319,2021.
https://doi.org/10.1016/j.matpr.2020.08.169
[11] K. P. Reddy, B.Panitapu, “High thermal
conductivity mould insert materials for cooling
time reduction in thermoplastic injection
moulds,” in 5th International Conference of
Materials Processing and
Characterization,vol.4,no.2,pp.519-526,2017.
https://doi.org/10.1016/j.matpr.2017.01.052
14 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
[12] M. Khan, S. K. Afaq, N. U. Khan, S. Ahmad,
“Cycle Time Reduction in Injection Molding
Process by Selection of Robust Cooling Channel
Design,” ISRN Mechanical Engineering, pp.1-
8,2014. https://doi.org/10.1155/2014/968484
[13] R. Sanchez, J. Aisa, A. Martinez, D.
Mercado, “On the relationship between cooling
setup and warpage in injection molding,”
Measurement, vol.45, no.5, pp.1051-1056,2012.
https://doi.org/10.1016/j.measurement.2012.01.
039
[14] A.B.D. Shayfull Zamree, S.S. Rahim, A. M.
Zain, S.M. Zain, R. Mohd Nasir, Saad,
“Improving the Quality and Productivity of
Molded Parts with a New Design of Conformal
Cooling Channels for the Injection Molding
Process,” Adv. Polym. Tech., vol.35, no. 1,pp.
21524,2015.
DOI:10.1002/adv.21524
[15] Z.X. Chen, Z.H. Wan, and C. Guo,
“Comprehensive simulation analysis of plastic
injection process,” in 2009 Third International
Symposium on Intelligent Information
Technology Application Workshops. IEEE, Nov.
2009. [Online]. Available:
https://doi.org/10.1109/iitaw.2009.80
[16] A. Z. Gómez and W. A. S. Castro,
“Mejoramiento de la calidad del café soluble
utilizando el método Taguchi,” vol. 22, no. 1, pp.
116–124, Jan. 2014. [Online]. Available:
https://doi.org/10.4067/s0718-
33052014000100011
[17] W. Kuang and Z. Xue, “Injection process
analysis and mold manufacturing for telephone
cover,” in 2009 International Conference on
Measuring Technology and Mechatronics
Automation, vol. 2, 2009, pp. 80–83.
DOI: 10.1109/ICMTMA.2009.35
[18] A. Hatim, K. Zohaib, A. U. Y. Syed, H. Syed
Rashi, R. Dinesh, Z. S. Muhammad,”
Polyetherketoneketone (PEKK): An emerging
biomaterial for oral implants and dental
prostheses,” Journal of Advanced Research, vol.
28, pp. 87-95, 2021.
https://doi.org/10.1016/j.jare.2020.09.004
[19] A.Rabinowitz, P. M. DeSantis, C. Basgul,
H. Spece, S.M. Kurtz,”Taguchi optimization of
3D printed short carbon fiber
polyetherketoneketone (CFR PEKK),”Journal of
the Mechanical Behavior of Biomedical
Materials, vol. 145, 2023.
https://doi.org/10.1016/j.jmbbm.2023.105981
[20] J. J. Páramo, J. F. R. Arredondo, H. P. Mora,
and E. A. Gómez, “Análisis de un proceso de
inyección de plástico por interacción fluido
estructural y cambio de estado,” Acta
Universitaria, vol. 29, pp. 1–18, 2019. [Online].
Available:
https://doi.org/10.15174/au.2019.2150
[21] H. Gu, J. Sun, J. Jiang, Y. Xu, B. Li, and J.
Zhang, “Research on intelligent control of thin-
walled plastic parts forming quality based on
CAE and DOE technology,” in 2020 11th
International Conference on Prognostics and
System Health Management (PHM-2020 Jinan).
IEEE, Oct. 2020. [Online]. Available:
https://doi.org/10.1109/phm-
jinan48558.2020.00102
[22] F.T. Weng, Tsochu-Lin, and Y.-Y. Lu,
“Parameter analysis of lift component in
injection molding,” in 2018 IEEE International
Conference on Applied System Invention
(ICASI), 2018, pp. 754–757.
DOI: 10.1109/ICASI.2018.8394369
[23] J. Xamán., Dinámica De Fluidos
Computacional Para Ingenieros, 1st ed. Palibrio,
2016.
https://es.scribd.com/book/524148143/Dinamica
-De-Fluidos-Computacional-Para-Ingenieros
15 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
[24] W. C. Chen, H. C. Tsai, and T. T. Lai,
“Optimization of mimo plastic injection molding
using doe, bpnn, and ga,” in 2010 IEEE 17Th
International Conference on Industrial
Engineering and Engineering Management,
2010, pp. 676–680.
DOI: 10.1109/ICIEEM.2010.5646527
[25] J. Antony, "Taguchi or classical design of
experiments: a perspective from a
practitioner", Sensor Review, vol. 26, no. 3, pp.
227-230,2006.
https://doi.org/10.1108/02602280610675519
[26] Soporte de Minitab 21,” Espeficicar el
diseño para crear diseño de Taguchi”, Copyright
© 2023 Minitab, LLC. All rights Reserved,2023.
https://support.minitab.com/es-
mx/minitab/21/help-and-how-to/statistical-
modeling/doe/how-to/taguchi/create-taguchi-
design/create-the-design/specify-the-
design/?SID=63302
[27] Soporte de Minitab 21” Seleccionar las
opciones para Analizar diseño de Taguchi
(estático)”, Copyright © 2023 Minitab, LLC.
All rights Reserved,2023.
https://support.minitab.com/es-
mx/minitab/21/help-and-how-to/statistical-
modeling/doe/how-to/taguchi/analyze-taguchi-
design/perform-the-analysis/select-the-options-
static-design/?SID=63406
[28] D.C.Montgomery, “Design and analysis of
experiments”. John wiley & sons,2017.
https://books.google.com.mx/books?hl=es&lr=
&id=Py7bDgAAQBAJ&oi=fnd&pg=PA1&dq=
Montgomery,+D.+C.+(2017).+%22Design+and
+Analysis+of+Experiments.%22+John+Wiley+
%26+Sons.&ots=X7y3k6SV26&sig=nzJC7Mh
Gd_6KTXKubDCyiOm00hM#v=onepage&q=
Montgomery%2C%20D.%20C.%20(2017).%20
%22Design%20and%20Analysis%20of%20Exp
eriments.%22%20John%20Wiley%20%26%20
Sons.&f=false
[29] Soporte de Minitab 21, “Métodos y
fórmulas para Analizar diseño de Taguchi”,
Copyright © 2023 Minitab, LLC. All rights
Reserved,2023.
https://support.minitab.com/es-
mx/minitab/20/help-and-how-to/statistical-
modeling/doe/how-to/taguchi/analyze-taguchi-
design/methods-and-formulas/methods-and-
formulas/#:~:text=M%C3%A1s%20peque%C3
%B1o%20es%20mejor,-
La%20relaci%C3%B3n%20de&text=2)%2Fn)-
,donde%20Y%20%3D%20respuestas%20para%
20la%20combinaci%C3%B3n%20de%20nivele
s%20de%20factores,combinaci%C3%B3n%20d
e%20niveles%20de%20factores.
[30] N. Arslanoglu, A. Yigit “Investigación
experimental del efecto de la radiación sobre el
confort térmico humano mediante el método
Taguchi,” Aplica. Termia. Ing., vol.92, pp. 18-
23,2017. 10.1016/j.applthermaleng.2015.09.070
[31] P.J. Ross,” Técnicas Taguchi para la
Ingeniería de Calidad”, (segundo), McGraw Hill
, Nueva York ,1996
.https://trid.trb.org/view/1182944
[32] A.H. Bademlioglu, A.S. Canbolat , N.
Yamankaradeniz , O. Kaynakli, “Investigation of
parameters affecting Organic Rankine Cycle
efficiency by using Taguchi and ANOVA
methods,” Aplica. Termia. Ing., vol.145, pp. 221-
228, 2018.
10.1016/j.applthermaleng.2018.09.032
[33] C. Vidal, V. Infante, P. Peças, P. Vilaça,”
Application of Taguchi Method in the
Optimization of Friction Stir Welding
Parameters of an Aeronautic Aluminium Alloy,”
En t. J. Adv. Madre. Fabricante. Carácter. vol.3
pp. 21-26, 2013.
DOI:10.11127/ijammc.2013.02.005
16 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e269
[34] Y. Tan, M.A. Zulkifli, K. M. Abdullah,
“Influence of Processing Parameters on Injection
Molded Polystyrene Using Taguchi Method as
Design of Experiment”, Procedia Engineering,
vol. 184, pp. 350-359,2017.
https://doi.org/10.1016/j.proeng.2017.04.105
[35] J. R. Lerma Valero, “Plastics injection
molding,” 1st ed. Hanser Publications, 2020.
https://www.grafiati.com/es/literature-
selections/injection-molding-of-plastics/
[36] Soporte de Minitab 21,” Seleccionar las
gráficas que se mostrarán para Analizar diseño
de Taguchi”, Copyright © 2023 Minitab, LLC.
All rights Reserved,2023.
https://support.minitab.com/es-
mx/minitab/21/help-and-how-to/statistical-
modeling/doe/how-to/taguchi/analyze-taguchi-
design/perform-the-analysis/select-the-analysis-
graphs-to-display/?SID=63412
Derechos de Autor (c) 2023 Elva Lilia Reynoso Jardón, Manuel de Jesús Nandayapa Alfaro, Quirino Estrada Barbosa, Oscar
Tenango Pirin, Yahir de Jesús Mariaca Beltrán, Jacinto Fraire Bernal, Carlos Sebastián González Miranda
Este texto está protegido por una licencia Creative Commons 4.0.
Usted es libre para compartir —copiar y redistribuir el material en cualquier medio o formato — y adaptar el documento —
remezclar, transformar y crear a partir del material— para cualquier propósito, incluso para fines comerciales, siempre que
cumpla la condición de:
Atribución: Usted debe dar crédito a la obra original de manera adecuada, proporcionar un enlace a la licencia, e indicar si se
han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del
licenciante o lo recibe por el uso que hace de la obra.
Resumen de licencia - Texto completo de la licencia
