Você está na página 1de 87

UNIVERSIDADE FEDERAL DE ITAJUB

Valmir Zacarias de Souza

OTIMIZAO DOS PARMETROS DE CONTROLE DE UM PROCESSO DE FABRICAO DE LATAS: UMA ABORDAGEM 6 SIGMA
Dissertao submetida ao Programa de Ps-

Graduao em Engenharia de Produo como requisito parcial obteno do ttulo de Mestre em Engenharia de Produo

Orientador: Pedro Paulo Balestrassi

Itajub, outubro de 2002

S584c

SOUZA, Valmir Zacarias de Otimizao dos parmetros de controle de um processo de fabricao de latas / Valmir Zacarias de. Itajub: EFEI, 2002. 76p. Dissertao (mestrado) Universidade Federal de Itajub, 2002. Orientador: Pedro Paulo Balestrassi 1. Projeto de Experimentos 6 Sigma Processo de Fabricao de Latas I.Balestrassi, Pedro Paulo. II. Universidade Federal de Itajub III.Ttulo CDD 658.5

ii

UNIVERSIDADE FEDERAL DE ITAJUB

Valmir Zacarias de Souza

OTIMIZAO DOS PARMETROS DE CONTROLE DE UM PROCESSO DE FABRICAO DE LATAS: UMA ABORDAGEM 6 SIGMA
Dissertao aprovada por banca examinadora em 04 de outubro de 2002, conferindo ao autor o ttulo de Mestre em Engenharia de Produo

Banca Examinadora: Prof. Pedro Paulo Balestrassi (Orientador) Prof. Sebastio Carlos da Costa Prof. Luiz Fernando Barca Prof. Roberval Rhymer

Itajub, outubro de 2002

iii

DEDICATRIA

Dedico este trabalho aos meus familiares, pelo incentivo e cumplicidade, nas horas mais precisas. Em especial, aos meus pais, que me deixam o exemplo da perseverana e do caminho do crescimento pessoal, quando empenho minhas esperanas por uma sociedade que busque a qualidade de vida, acima de tudo.

iv

AGRADECIMENTOS

Em primeiro lugar, minha esposa Mrcia, pelo apoio constante. s minhas filhas, Jlia, rica e Letcia, pelas horas em que estive ausente. Aos meus pais, por acreditar e obter o sonho realizado. empresa Latasa S.A., pela oportunidade de realizar os experimentos e possibilitar o confronto entre teoria e prtica, em prol do crescimento cientfico e tecnolgico. Universidade Federal de Itajub e a todos os colegas que compartilharam a busca de conhecimentos e a satisfao do aprimoramento profissional. Ao Prof. Dr. Pedro Paulo Balestrassi, pelo acompanhamento constante, competncia e, principalmente, pela seriedade do trabalho acadmico. Aos professores do Departamento DPR pelo companheirismo e troca de experincias durante a pesquisa realizada. A todos os pesquisadores brasileiros que se empenham em atingir a qualidade necessria para que o respeito vida possa garantir uma humanidade mais solidria e saudvel.

SUMRIO
Dedicatria Agradecimentos Resumo Abstract Lista de tabelas Lista de figuras 1. INTRODUO 1.1 Introduo 1.2 Descrio do Problema 1.3 Objetivo Principal 1.4 Objetivos Secundrios 1.5 Organizao do Trabalho 2. REVISO BIBLIOGRFICA 2.1 Introduo 2.2 Metodologia 6 Sigma 2.3 Implantao do 6 Sigma 3. DMAIC 3.1 Fase Definir 3.2 Fase Medir 3.2.1 Fluxograma do Processo 3.2.2 Mapeamento de Processo 3.2.4 Anlise de Capabilidade do Processo 3.2.5 Medio do Nvel Sigma do Processo 3.2.6 Desdobramento da Funo Qualidade 3.2.7 Anlise do Modo e dos Efeitos de Falha 3.2.8 Avaliao do Sistema de Medio 3.2.9 Anlise do Sistema de Medio de uma Varivel do Processo 3.3 Fase Analisar 3.3.1 Anlise de Correlao 3.3.2 Regresso Mltipla 3.3.3 Anlise de Varincia 3.3.4 Anlise Multi-Vari 3.4 Fase Melhorar 3.4.1 Projetos de Experimentos 3.4.2 Metodologia de Superfcie de Resposta 3.4.3 RSM Pontos Centrais Compostos 3.4.4 RSM Box-Behnken 3.4.5 Planejamento do Experimento Box- Behnken 3.4.6 Procedimento Experimental 3.4.7 Resultados do Experimento 3.5 Fase Controlar 3.5.1 Controle Estatstico do Processo 3.5.2 Cartas de Controle 3.5.4 CEP das Variveis Otimizadas 4. CONCLUSES 4.1 Anlise dos Resultados 4.2 Limitaes do Trabalho iii iv vii viii ix x 1 1 2 2 2 2 4 4 4 7 12 12 15 15 16 18 19 23 25 27 30 32 33 33 34 37 39 39 41 42 47 52 54 54 59 59 61 63 67 67 67

vi

4.3 Principais Dificuldades 4.4 Recomendaes a Trabalhos Futuros ANEXO A O processo de fabricao de latas de alumnio ANEXO B A Latasa REFERNCIAS BIBLIOGRFICAS

68 68 69 72 73

vii

RESUMO
Esta pesquisa teve como objetivo principal estudar a Otimizao do Controle do Processo de Fabricao de Latas Empregando a Abordagem 6 Sigma. Partindo da reviso terica de autores da referida metodologia e motivado pelo trabalho de Rasis, Gitlow e Popovich (2002), do qual seguiu-se o roadmap, acompanhou-se a aplicao prtica de um projeto 6 Sigma onde a utilizao do mtodo DMAIC direciona-se para a otimizao do dimensional da lata, evitando problemas no cliente. Verificou-se que a soluo tima foi alcanada atravs da RSM, na fase Improve do DMAIC. O projeto de experimentos foi realizado atravs do procedimento Box-Behnken, onde foram estabelecidos um ponto intermedirio com limites superiores e inferiores para as variveis e produzido um lote experimental de latas de acordo com as combinaes de variveis sugeridas pelo procedimento Box-Behnken para um nvel de experimentao de 3 variveis e 3 fatores. O resultado do experimento foi coletado simultaneamente durante o envase de latas na envasadora, onde foram coletados os dados de maior ou menor rejeio de acordo com a combinao de variveis e fatores. Para anlise dos resultados, utilizou-se o software estatstico Minitab 13.31, que forneceu os dados para anlise da influncia de cada varivel no processo e os valores que deixam o processo otimizado para evitar rejeio de latas no cliente. Almeja-se com o estudo generalizar o modelo apresentado, envolvendo projeto 6 Sigma para outras indstrias. A pesquisa mostrou que as variveis de entrada no processo de fabricao de latas, que influenciavam diretamente na rejeio durante o envase, tiveram seus valores otimizados possibilitando empresa evitar futuros problemas no cliente, comprovando a eficcia da metodologia 6 Sigma.

viii

ABSTRACT
This research had as its main goal to study the optimization of aluminum can manufacturing process control using a six-sigma approach. Starting from theory review from a number of authors of the above mentioned approach and motivated by the Rasis work, Gitlow and Popovich (2002), in which the roadmap was followed this study accompanied the implementation of a six sigma project in which the utilization of the method DMAIC is used to accomplish the optimization of the dimensional specification of the two piece aluminum can, and with that avoid any customer insatisfaction. It was verified that the optimal solution was accomplished through the use of RSM, in the phase improve of the DMAIC method. The projects experiments were done using the Box-Behnken procedure, where an intermediary point was established in between the upper control limit and the lower control limit for the chosen variables. A lot of aluminum cans were manufactured as a sample by using the suggested variable combination gotten from the Box-Behnken procedure according to the 3 variable 3 factors level of experimentation. The result of the experiment was collect simultaneously from the can filling process at the filling plant, were data was collected from the highest and lowest rejection points according to the combination of variables and factors suggested in the Box-Behnken procedure. For the data analysis the software Minitab 13.1 was used, and through it the values for the influencing variables, which would optimize the process, were identified. The main goal of this study is to generalize the developed model, based on the six-sigma approach, in order to allow it to be used by other industries. This study demonstrated that input variables in the two piece aluminum can which had an influence in the rejection level of the filling process were optimized therefore making it possible for the can company to avoid any future problems at the client, and with that proving the effectiveness of the six-sigma approach.

ix

Lista de Tabelas Tabela 2.1 Histria da Implementao do 6 Sigma Tabela 2.2 Treinamento Recomendado para Black Belt. Tabela 3.1 Cronograma do Projeto 6 Sigma. Tabela 3.2 Responsabilidade de Cada Membro da Equipe 6 Sigma. Tabela 3.3 Brainstorming para Verificao das Causas Especiais. Tabela 3.4 DPMO de Curto e Longo Prazo. Tabela 3.5 Converso de ppm para Nvel Sigma. Tabela 3.6 Matriz Causa e Efeito. Tabela 3.7 FMEA do Processo. Tabela 3.8 Medidas da Largura de Flange com duas Repeties por Operador Tabela 3.9 Anlise de Varincia com Interaes Operador & Pea. Tabela 3.10 ANOVA das Fontes de Variao do MSA para Largura de Flange. Tabela 3.11 Dados do Processo para Anlise de Multi-Vari. Tabela 3.12 Anlise de Regresso: Latas Rejeitadas versus Rtulo, Turma e Ms. Tabela 3.13 Arranjo Ortogonal. Tabela 3.14 Arranjo Ortogonal com 02 Variveis. Tabela 3.15 Adio de Pontos Centrais no Projeto. Tabela 3.16 Planejamentos de Experimentos de 3 Nveis. Tabela 3.17 Matrix Box-Behnken 3 Nveis e 3 Variveis Codificadas. Tabela 3.18 Resultado dos Ensaio na Linha de Produo do Cliente. Tabela 3.19 Anlise de Varincia para a Rejeio com Coeficientes Codificados. Tabela 3.20 Anlise de Varincia para Rejeio. Tabela 3.21 Coeficiente de Regresso no Codificados. Tabela 3.22 Dados de Medio das Variveis Otimizadas. 7 8 14 14 17 21 23 24 27 31 32 32 38 38 43 43 45 49 53 55 55 56 58 63

Lista de Figuras Figura 2.1 Metodologia 6 Sigma Figura 2.2 Fatores de Sucesso para Implementao do 6 Sigma. Figura 3.1 Processo de Recravao da Tampa na Lata. Figura 3.2 Fluxograma do Processo Figura 3.3 Mapeamento do Processo para Anlise da Rejeio. Figura 3.4 Processo 6 Sigma Centrado. Figura 3.5 Processo 6 Sigma a Longo Prazo. Figura 3.6 Capacidade a Curto e Longo Prazo. Figura 3.7 Desenho da Lata com Indicao das Variveis Selecionadas pelo FMEA. Figura 3.8 Grfico Multi-Vari Anlise das Latas Rejeitadas. Figura 3.9 Modelo Genrico de um Processo ou Sistema. Figura 3.10 Funo para 2x2 Projeto Ortogonal. Figura 3.11 Projeto de Experimentos com Pontos Centrais Compostos. Figura 3.12 Pontos Centrais Compostos. Figura 3.13 Projeto de Blocos Incompletos Balanceados para 4 Variveis em 6 Blocos. Figura 3.14 Indicao das Variveis de Entrada para o Projeto Box-Behnken. Figura 3.15 RSM: ngulo do Flange x Largura do Flange para Rejeio. Figura 3.16 RSM: Dimetro do Plugue x Largura do Flange para Rejeio. Figura 3.17 RSM: Dimetro do Plugue x ngulo do Flange para Rejeio. Figura 3.18 RSM: Otimizao das Variveis de Entrada. Figura 3.19 Carta de Controle X R. Figura 3.20 Carta de Controle do Dimetro do Plugue. Figura 3.21 Histograma do Dimetro do Plugue. Figura 3.22 Carta de Controle da Largura do Flange. Figura 3.23 Histograma da Largura do Flange. Figura 3.24 Carta de Controle da ngulo do Flange. Figura 3.25 Histograma da ngulo do Flange. Figura A1 Etapas do Processo de Fabricao de Latas. Figura A2 Planta Interna de uma Fbrica de Latas. 6 9 13 16 18 20 21 22 30 39 41 44 45 47 48 54 56 57 57 58 61 64 64 65 65 66 66 70 71

Introduo Captulo 1

1.

Introduo
Com a globalizao e, conseqentemente com a competio acirrada entre as

1.1 Introduo
corporaes, tornou-se necessrio reduzir custos e melhorar a lucratividade. Uma das formas de reduo de custos obtida atravs da melhoria de desempenho de uma linha de produo, reduo de tempo de ciclo e melhoria na qualidade dos produtos, buscando a anulao dos defeitos. Para alcanar isto, muitas empresas esto buscando um nvel de qualidade denominado 6 Sigma, que corresponde a 3,4 defeitos por milho de oportunidades (DPMO). Alcanar este nvel requer metodologia focalizada no processo, que deve ser aplicada com o apoio da alta administrao. O sucesso depende da incorporao e treinamento, da padronizao, de mudana de cultura, medies do desempenho e melhoria contnua. Tudo deve ser feito num determinado perodo para alcanar uma meta organizacional preestabelecida. Geralmente as empresas operam entre 3 e 4 sigma. O custo da qualidade tipicamente representa entre 10% e 15% do faturamento. Assim, cada melhoria representa uma reduo exponencial de defeitos. Para conseguir a reduo de variabilidade do processo, o 6 Sigma utiliza-se de vrias ferramentas estatsticas, como o simples grfico de Pareto, anlise de varincia e projeto de experimentos (DOE) (Harry, 1988). Esta pesquisa utiliza-se da aplicao de algumas ferramentas da metodologia 6 Sigma, com o intuito de reduzir defeitos no processo de fabricao de latas de alumnio. Este processo de fabricao recente no Brasil: iniciou-se em 1989 com a chegada do grupo americano Reynolds, este fundou em Pouso Alegre a primeira fbrica de latas de alumnio do Brasil, a Latasa. A partir de 1997, vieram as concorrentes como Ball Metal, Crow Cork e Rexam. A tecnologia similar, porm os equipamentos so diferentes, de modo que vrios parmetros do processo de fabricao nem sempre so aplicveis indistintamente em todas elas.
Este trabalho visa oferecer mtodos alternativos para os parmetros de controle para otimizar o processo de fabricao nas indstrias de latas de alumnio; entre os mtodos, destaca-se o DOE utilizado na fase I do DMAIC: Define, Measure, Analyse, Improve and Control (Definir, Medir, Analisar, Melhorar e Controlar); que algo inexistente na maioria das indstrias. A otimizao de vrios parmetros de controle pode

ser conseguida facilmente atravs do DOE, pois o mtodo de fcil aplicao, requerendo apenas um prvio conhecimento do processo e observaes dirias.

Introduo Captulo 1

Com um bom conhecimento do processo e a correta utilizao das ferramentas estatsticas, pode-se reduzir o nmero defeitos de fabricao, garantindo grande melhoria na qualidade. O DOE uma das principais ferramentas estatsticas para esse fim, estabelecendo limites de controle para as variveis do processo de fabricao.

1.2 Descrio do Problema


As indstrias de latas de alumnio no Brasil desperdiam muito tempo com vrias tentativas de acertos e de correo de erros para tentar controlar os parmetros de seus processos de fabricao. No h metodologia definida para as experimentaes na linha de produo.

1.3 Objetivo Principal


O trabalho tem como objetivo principal utilizar a Otimizao do Controle do
Processo de Fabricao de Latas Utilizando a Tcnica DOE. A pesquisa foi realizada

atravs de dados colhidos na linha de produo de latas e da observao do resultado no envase das latas na linha do cliente.

1.4 Objetivos Secundrios


Os objetivos secundrios deste trabalho so: 1. Revisar a Metodologia 6 Sigma e o Projeto de Experimentos no contexto de um processo de fabricao de latas. 2. Descrever um Projeto 6 Sigma desenvolvido em um processo de fabricao de latas. 3. Generalizar o modelo apresentado, envolvendo projeto 6 Sigma para outras indstrias.

1.5 Organizao do Trabalho


A principal ferramenta estatstica utilizada nesta dissertao foi o DOE, o qual, por sua vez, emprega a Metodologia de Superfcie de Resposta (RSM) para a obteno de um valor otimizado para as variveis do processo. As amostras foram casualmente estratificadas, com observao sistemtica de acordo com os princpios estatsticos adequado para o trabalho. A primeira parte do trabalho consiste em apresentar o problema e apontar seus objetivos. No captulo 2, feita uma reviso bibliogrfica sobre a metodologia e implantao do 6 Sigma. No captulo 3 so descritas as fases da metodologia 6 Sigma seguindo o modelo americano DMAIC, onde desenvolvido o projeto 6 Sigma, que divide-se em cinco fases:

Introduo Captulo 1

Fase Definir Definio do Projeto e Mapeamento do Processo. Fase Medir Matriz Causa e Efeito, Anlise do modo e dos efeitos de falha (FMEA) e Anlise do Sistema de Medio (MSA). Fase Analisar Estudo de Anlise de Multi-Vari e Regresso. Fase Melhorar DOE-RSM: Box-Behnken e Pontos Centrais Compostos. Fase Controlar Controle Estatstico do Processo. O quarto captulo dedicado s concluses obtidas com o modelo e sua

aplicao, limitaes desse trabalho, principais dificuldades e recomendaes para novos trabalhos.

Reviso Bibliogrfica Captulo 2

2.

REVISO BIBLIOGRFICA
O resultado da implantao da metodologia 6 Sigma na indstria tem sido um sucesso.

2.1 Introduo
Por exemplo, em 1999 a Companhia General Eletric, gastou cerca de meio bilho de dlares em iniciativas de implantao da metodologia e teve como retorno cerca de dois bilhes de dlares em benefcios fiscais no ano. Enquanto o 6 Sigma tem feito grande impacto nas industrias, a comunidade acadmica ficou para trs, pois h poucos trabalhos acadmicos de pesquisa nesta rea, no que diz respeito ao entendimento terico dos mtodos. (Linderman, Schoreder, Zaheer e Choo, 2002). Linderman, Schoreder, Zaheer e Choo (2002) mostraram vrios objetivos do 6 Sigma dando uma perspectiva terica, na qual analisou os conceitos da metodologia, sugerindo algumas propostas para futuras pesquisas, estimulando assim o desenvolvimento cientfico. Em um dos poucos trabalhos cientficos, Hoerl (2001) descreveu sobre a eficcia do treinamento dos especialistas desta metodologia, distinguindo a diferena entre os vrios nveis hierrquicos do programa. Rasis, Giltlow e Popovich (2002), deram exemplo de um projeto 6 Sigma em seu trabalho de Estudo de Caso. Neste captulo procurou-se fazer uma reviso da metodologia 6 Sigma abordando o processo de sua implantao, preparando para compreenso do DMAIC que se desenvolve no captulo 3.

2.2 Metodologia 6 Sigma


A metodologia 6 Sigma teve origem na Motorola, que adotou para manter-se competitiva. Quando uma empresa japonesa assumiu a direo de uma fabrica da Motorola, que fabricava aparelhos de televiso nos Estados Unidos em meados de 1970, estabeleceu de imediato mudanas drsticas na maneira pela qual a fbrica operava (Harry 1988). Sob gesto japonesa, a fbrica passou a produzir aparelhos de televiso com nmero de defeitos bem inferior aos ndices da gesto anterior. Os novos empreendedores garantiram essa mudana com o auxlio da mesma equipe, tecnologia e equipamentos, deixando claro que o problema estava na gesto da Motorola. Em meados de 1980, a empresa decidiu implantar a metodologia 6 Sigma. Naquela poca, o diretor presidente da Motorola, Bob Galvin, implantou o programa 6 Sigma e tornou-se, por extenso, smbolo de negcios tanto quanto de resultados, considerando-se as metas atingidas no controle de qualidade da Motorola (Harry, 1998).

Reviso Bibliogrfica Captulo 2

Bill Wiggernhorn (apud Breyfogle, 1999) disse que: o incio do 6 Sigma foi um exemplo de pioneirismo, coragem, intelectualidade e viso da realidade do pai do 6 Sigma, o engenheiro snior e cientista, Bill Smith, que desenvolveu a estatstica original e as frmulas que iniciaram a cultura da metodologia. Ele teve a idia, e passou para nosso diretor presidente, Bob Galvin; Bob pde ver a fora da concepo e acreditou na idia. Ele perguntou para Bill o que seria necessrio para montar a cultura de 6 Sigma na Motorola. Atualmente, a Motorola conhecida mundialmente como lder em qualidade e lucratividade. Depois que obteve o Prmio Nacional de Qualidade Malcolm Baldrige, em 1988, o segredo do seu sucesso tornou-se pblico e a revoluo do 6 Sigma teve incio. Ajudando as empresas a oferecer melhores produtos e servios, de maneira mais rpida e com menor custo, o 6 Sigma tradicionalmente visa preveno de defeitos, reduo de tempo de ciclo e custos. Diferente de negligentes programas de reduo de custos que reduzem valor e qualidade, o 6 Sigma identifica e elimina custos que no oferecem valor agregado. Para empresas que no utilizam o 6 Sigma, esses custos so extremamente altos. Aquelas que operam com 3 ou 4 sigma gastam tipicamente entre 25% a 40% de sua receita solucionando problemas. Isso conhecido como custo intil da qualidade, ao passo que empresas que operam com o 6 Sigma gastam menos do que 5%. A General Electric estima que o intervalo entre 3 e 4 sigma estava custando-lhes entre 8 bilhes e 12 bilhes de dlares por ano (General Electric Annual Report, 2001). O objetivo da metodologia 6 Sigma busca atingir nveis de 3,4 ppm dos CTQs (crticas para a qualidade). Um dos maiores impulsos das empresas, que aplicam a metodologia 6 Sigma, tem sido o desenvolvimento de especialistas altamente treinados, ao longo de determinado perodo, para organizar equipes e trabalhar em projetos de melhoria. A estrutura do 6 Sigma foi criada na Motorola para designar especialistas na aplicao das ferramentas estatsticas (Harry 1994 a):
Champion Representante da alta administrao, tal gerente da planta ou vice-presidente-

executivo, estes utilizam o 6 Sigma no seu dia a dia e transmitem a mensagem de 6 Sigma em todas as oportunidades.
Master Black Belts o nvel mais alto de proficincia tcnica e organizacional, estes

oferecem liderana, devem conhecer tudo que o Black Belts sabem, bem como entender a teoria matemtica na qual os mtodos estatsticos so baseados. Os Master Black Belts devem estar aptos a acompanhar Black Belts na aplicao correta dos mtodos em situaes incomuns.

Reviso Bibliogrfica Captulo 2

Black Belts Os candidatos podem vir de uma extensa linha de disciplinas e no precisam

ser engenheiros ou estatsticos formalmente treinados. Os Black Belts trabalham para extrair conhecimento litigioso do armazenamento de informaes da organizao. Para assegurar o acesso s informaes necessrias, as atividades do 6 Sigma devem ser estritamente integradas com os sistemas de informaes da organizao.
Green Belts So executores de projeto 6 Sigma capazes de formar e facilitar equipes de

6 Sigma e administrar os projetos do conceito concluso.


Team Members Representante do cho de fbrica responsvel na coletagem de dados do

processo de produo, seguindo orientao do Green Belt ou Black Belt. Na execuo dos projetos as ferramentas so aplicadas dentro de um modelo simples de controle de desempenho, conhecido como DMAIC (figura 2.1):
Ferramentas Propsito
Identificar os clientes Definir o escopo do projeto Definir time Identificar as variveis de entrada Identificar as variveis de sada Verificar a evoluo da medio e possveis erros Avaliar desempenho do processo

Fase : Definir
Projeto Mapeamento do Processo Matriz de Crticas

Fase : Medir
Mapeamento do Processo Causa e Efeito FMEA Anlise do Sistema de Medio Tcnicas Grficas

Fase : Analisar
Mapeamento do Processo Teste de Hiptese Anlise de Varincia Regresso Correlao

Analisar por Tcnicas Grficas, Influncias dos X sobre o(s) Y

Fase : Melhorar
Mapeamento do Processo DOE Tcnicas de Otimizao

Otimizar as variveis criticas de entrada Determinar Y = F (X,X2...) Institucionalizar a melhoria Implantar Controle Contnuo Manter os Ganhos

Fase : Controlar

Planos de Controle CEP Manuteno Preventiva Poke Yoke

Figura 2.1 Metodologia 6 Sigma Fonte: Harry (1998).

Reviso Bibliogrfica Captulo 2

O 6 Sigma possui mtodos verdadeiros e testados ao longo de dcadas. Assim, esta metodologia descarta a muita complexidade, caracterstica da Gesto de Qualidade Total (GQT). Segundo os especialistas, havia 400 ferramentas e tcnicas de GQT, enquanto o 6 Sigma adota um nmero menor de mtodos testados e treina os lderes tcnicos para que estes atinjam alto nvel de proficincia para aplicao destas tcnicas (Godfrey 2000).

2.3 Implantao do 6 Sigma


A implantao do 6 Sigma executada por uma equipe de especialistas nos processos, capacitados a pensar estatisticamente, a fim de encontrarem a soluo para a causa dos problemas. Esta equipe atua como agente de mudana na organizao, aplicando e disseminando o uso das ferramentas estatsticas e da qualidade no aprimoramento dos projetos. Uma vez que o processo apresenta-se maduro na organizao, pode-se compartilhar projetos com clientes e fornecedores. Uma excelente oportunidade, junto a fornecedores, a realizao de projetos conjuntos para aumento da qualidade de insumos relevantes para a organizao, compartilhando os treinamentos para o mesmo (Godfrey, 2000). Usualmente, os projetos com clientes visam melhorar o desempenho do produto final, na sua utilizao pelo cliente, pois aumentam a fidelidade. A GE auxiliou a realizao de 1.200 projetos em companhias areas e mais de 1.000 projetos junto a hospitais, gerando economias superiores a US$ 400 milhes para seus clientes (Hahn, Hill e Zinkgraf, 1999). A estratgia de implementao recebeu contribuies importantes de organizaes como IBM, Xerox, Texas Instruments, AlliedSignal (atualmente Honeywell) e GE, onde o processo de melhoria DMAIC foi padronizado como o principal mtodo de aprimoramento para atingir a qualidade 6 Sigma, a tabela 2.1 mostra que o 6 Sigma teve maior adeso a partir de 1995 com a entrada da GE.
Empresa Motorola Texas Instruments IBM ABB- Asea Brown Boveri AlliedSignal e kodack General Electric Whirpool, PACCAR, Invensys e Polaroid Ford, American Express, DuPont, LG, Sony Samsung, Johnson & Johnson. Ano 1987 1988 1990 1993 1994 1995 1996/98 1999 1999

Tabela 2.1 Histria da Implementao do 6 Sigma. Fonte: Snee (2000).

Reviso Bibliogrfica Captulo 2

Um aspecto crtico, na implantao do 6 Sigma, a capacitao dos agentes de mudana, pois na maioria das vezes, so especialistas de processos, que usam pouco ou at desconhecem as ferramentas estatsticas que sero aplicadas. A Motorola pioneira na implantao do 6 Sigma, define suas caractersticas em dois nveis: o gerencial, onde cada pessoa da organizao responsvel pela melhoria da qualidade de seus processos, produtos e servios; e o operacional, utilizando-se das ferramentas estatsticas para controle. As empresas bem sucedidas com o 6 Sigma tm grandes problemas para integrar sua implementao outras iniciativas corporativas, estratgias de negcios e mtricas de desempenho. Para esta finalidade a AlliedSignal estendeu o uso de ferramentas e abordagens do 6 Sigma fora da produo, para as operaes de suporte de servios de escritrios. Isso est sendo aplicado para melhorar os processos de desenvolvimento do produto, como por exemplo, colocar produtos no mercado mais rapidamente. Ocorre quase o mesmo na GE, na qual articulou-se trs estratgias corporativas principais da empresa para o futuro previsvel: globalizao, servios e 6 Sigma. A tabela 2.2 mostra os tpicos bsicos recomendados para o treinamento do Black Belt, com durao de quatro semanas e carga horria de 160 horas (Hoerl, 2001).
S em an a F erram en tas Introduo ao S eis S igm a C usto da Q ualidade D efinio dos C T Q s V oz do C liente- V O C A nlise S IP O C M apeam ento do P rocesso P lano de C oleta de D ados E statstica D escritiv a A nlise de C apabilidade do P rocesso QFD FMEA A nlise do S istem a de M edio E statstica B sica U tilizando o M initab A nlise M ulti-V ari A nlise grfica de dados T eorem a do Lim ite C entral Interv alo de C onfiana T este de H ipteses A nlise de R egresso e C orrelao ANOVA A nlise de R egresso M ltipla DFSS DOE RSM P adronizao M todos de C ontrole de P rocesso CEP P lano de C ontrole D ispositiv os a P rov a de F alha F AS E

D efin ir

M ed ir

An alisar

M elh o rar

C o n tro lar

Tabela 2.2 Treinamento Recomendado para Black Belt. Fonte: Hoerl (2001).

Reviso Bibliogrfica Captulo 2

Este treinamento visa a formao de Black Belts, que o lder do time para implantao dos projetos com dedicao integral aos mesmos. O treinamento utiliza as fases do DMAIC, agrupadas em quatro mdulos. O objetivo capacitar a equipe com o conhecimento de mtodos estatsticos voltados para a metodologia 6 Sigma. O treinamento baseado em certificao e pressupe-se que os participantes atuem em um projeto de interesse da organizao que ser desenvolvido ao longo de 6 meses, para a aplicao prtica da metodologia apresentada, facilitando o entendimento e proporcionando um resultado imediato (Snee, 2000). O sucesso da melhoria do desempenho que deve comear na alta administrao, que deve tambm fazer uso das ferramentas para que possam preparar sua organizao para atingir os objetivos. Utilizando o conhecimento adquirido, os lderes direcionam o desenvolvimento de uma infra-estrutura de gesto para apoiar o 6 Sigma. Simultaneamente os passos so obtidos para estabilizar a organizao e cultivar um ambiente para inovao e criatividade. Isso envolve a remoo de barreiras entre os nveis hierrquicos organizacional e uma variedade de outras mudanas projetadas para facilitar o processo de implantao. A figura 2.2 ilustra as aes necessria para o sucesso do 6 Sigma (Harry, 1988).

Comprometimento da liderana Integrao com a estratgica de alto nvel Estrtura do processo de negcios Rede de inteligncia do mercado e clientes Os projetos produzem economia ou rendas reais Lderes da equipe 6 sigma em perodo integral Incentivo para todos

Figura 2.2 Fatores de Sucesso para Implementao do 6 Sigma. Fonte: Harry (1988)

Finalmente para que a implementao continue madura, os prximos passos devero ser seguidos:

Reviso Bibliogrfica Captulo 2

10

1. Auditoria Organizacional: Primeiramente, com base nas entrevistas com lderes de unidades de negcios e equipes-chave, onde determinado o que a empresa sabe sobre seus clientes e concorrentes. As questes a serem feitas para indivduos de cada unidade de negcio incluem:

Os processos dos negcios so planejados? Quais medies so feitas atualmente? Os proprietrios do processo tm sido designados? O que atualmente conhecido sobre os clientes da empresa em diferentes segmentos de mercado? Quais os CTQs ? A empresa est preparada para atender esses a requisitos de medio? Qual informao competitiva necessria, e para onde o mercado est se direcionando? H algum na equipe responsvel pela medio, anlise e que tenha conhecimentos de contabilidade? Com base nessas discusses, a equipe determina quais unidades de negcios e

indivduos so provavelmente fortes intercessores e apoiadores dos esforos do 6 Sigma e onde permanecem as reas de resistncia. A equipe de implementao analisa cuidadosamente os danos de auditoria na preparao para o prprio passo. 2. Reunies de Planejamento da Ao Executiva: Segundo estgio em que h uma sesso de dois dias entre o Diretor Presidente e a equipe de alta administrao da empresa para desenvolver uma viso de como o 6 Sigma pode ajudar a empresa a atender seus objetivos de negcios. Nessa reunio, os diretores enfatizam que o 6 Sigma ser a ferramenta fundamental pela qual a empresa permanece conectada a seus clientes e mercados. Alm disso, isso fornece uma linguagem comum para desenvolver uma cultura de melhoria contnua e integrar outras iniciativas de melhoria. Aps a viso ser acordada, a equipe executiva passa o tempo conhecendo as ferramentas e os mtodos do 6 Sigma e cuidadosamente fazendo o planejamento estratgico. O acordo alcanado sobre as economias lquidas, crescimento, e melhoria de satisfao do cliente nos cinco dias seguintes, discutindo tambm a auditoria organizacional. 3. Reunies para Melhoria: Direcionadas para que as pessoas familiarizem-se com o mtodo e a estratgia do 6 Sigma, e saibam como sero integrados dentro do plano existente

Reviso Bibliogrfica Captulo 2

11

de negcios para direcionar ao desempenho aprimorado e custos mais baixos. O foco de atividades est em auditar as necessidades do cliente, fazer benchmarking, e conhecer o processo dentro da unidade de negcio. Isto harmoniza melhor as mudanas das necessidades do cliente e desenvolve mecanismo para contato permanente com o mercado facilitando o desenvolvimento de novos projetos (Blakeslee, 2000).

DMAIC Captulo 3

12

3.

DMAIC
Na fase definir, so identificados os projetos 6 Sigma que sero desenvolvidos na

3.1 Fase Definir


empresa, com objetivo garantir a VOC (voz do cliente), identificando os CTQs, satisfazendo as expectativas, em termos de qualidade, preo e prazo de entrega. A habilidade das organizaes em atender a essa expectativa est intimamente ligada variao de seus processos. A variao de processos tem um impacto direto nos resultados financeiros da empresa em termos de custo, tempo de ciclo e nmero de defeitos, falhas e erros que afetam a satisfao do cliente. A identificao de projetos 6 Sigma permite s organizaes reconhecerem como os seus processos afetam sua lucratividade, permitindo definir quais desses processos so crticos para o negcio da empresa (Breyfogle, 1999). Baseado no estudo de caso de Rasis, Gitlow e Popovich (2002), a seguir citado um questionrio para melhor definio do projeto 6 Sigma, direcionando para as prximas fases: 1) Qual o nome do processo? Resposta: O processo a ser estudado a fabricao de embalagens metlicas (latas de alumnio) para bebidas. 2) Qual o objetivo deste processo? Resposta: O objetivo deste processo a produo de latas que atendam as exigncia das envasadoras . 3) Qual a reduo de custo estimado com este projeto? Resposta: Espera-se reduzir na ordem de 5 a 8% do faturamento anual. 4) Qual a descrio do problema? Resposta: A empresa estava com alto ndice de rejeio de latas em seu cliente externo. Durante o processo de recravao de latas na envasadora (figura 3.1), muitas das mesmas apresentavam defeitos, sendo imediatamente rejeitadas pelo equipamento do cliente, gerando alto ndice de refugo. A proposta do projeto 6 Sigma foi a realizao de experimentos utilizando a metodologia de superfcie de resposta para otimizar o processo de produo e evitar altos custos de produo de latas.

DMAIC Captulo 3

13

Figura 3.1 Processo de Recravao da Tampa na Lata.

5) Qual o objetivo deste projeto? Resposta: Esperar-se reduzir o ndice de latas rejeitadas na linha de envase de latas de alumnio. 6) Quais os limites do projeto? Esta questo respondida com as seguintes sub questes: 6a) Quais os limites do processo? Resposta: O processo a ser estudado inicia-se com a fabricao dos copos pela prensa de copos e termina com a reclavao da tampa na lata pela reclavadora. 6b) Qual o custo estimado para este projeto? Resposta: Este projeto ter um acrscimo de 3% na folha salarial com horas extras. 6c) Quem aprovar as despesas? Resposta: Todas as despesas sero aprovadas pelo champion (gerente da planta). 6d) Pode-se gastar alm do orado? Resposta: No. 6e) Quais os obstculos deste projeto? Resposta: 1. O cliente aceitar a execuo dos teste em sua linha de produo. 2. Cumprir o oramento e o tempo para execuo do projeto dentro do prazo determinado. 6f) Qual o horrio de reunies da equipe do projeto?

DMAIC Captulo 3

14

Resposta: A reunio para discusso do projeto ser de segunda sexta aps a reunio de produo, quando houver qualquer problema ser feito aps o horrio de trabalho em horas extras. 6g) Qual o cronograma deste projeto? Resposta: A tabela 3.1 mostra o cronograma deste projeto.

Fase Definir Medir Analisar Controlar Melhorar

Responsvel Valmir Valmir Valmir Valmir Valmir

Semana 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Tabela 3.1 Cronograma do Projeto 6 Sigma.

7) Quais so os benefcios do projeto? Resposta: Este projeto visa reduzir o custo de retrabalho e garantir a qualidade do produto, fazendo com que o mesmo tenha maior aceitao no mercado. 8) Quais so as funes e responsabilidades de cada membro da equipe? Resposta: A tabela 3.2 mostra a hierarquia de cada membro dentro da metodologia 6 Sigma e os prazos de execuo das etapas do projeto.

Nome do projeto: Reduo de latas rejeitadas na envasadora Funo Responsvel Assinatura Data Assinatura da superviso Champion A Jul/00 L L Black Belt B Jul/00 L L Green Belt C Ago/00 L L Team Member 1 D Set/00 L L Team Member 2 E Out/00 L L Team Member 3 F Nov/00 L L Team Member 4 G Dez/00 L L
Tabela 3.2 Responsabilidade de Cada Membro da Equipe 6 Sigma.

DMAIC Captulo 3

15

3.2 Fase Medir


A fase medir consiste no estudo dos CTQs, abrangendo aes relacionadas mensurao do desempenho dos processos e quantificao da sua variabilidade. Atravs de consenso entre integrantes da equipe 6 Sigma, so identificadas as Variveis Chaves de Entrada do Processo (KPIV) e as Variveis Chaves de Sada do Processo (KPOV). So utilizadas as ferramentas bsicas, como, por exemplo, as mtricas do 6 Sigma, MSA, FMEA e o Desdobramento da Funo Qualidade (QFD) (Mastro, 1998). Nesta fase as principais aes so:

Identificar as variveis chaves de entrada do processo(KPIV); Identificar as variveis chaves de sada do processo (KPOV); Implementar plano de coletas de dados; Fazer estudo da repetitividade e reprodutividade do instrumento de medio; Medir a capacidade do processo; Estabelecer metas de reduo de defeitos.

3.2.1 Fluxograma do Processo


O fluxograma representa graficamente a seqncia de operaes constituintes do processo produtivo, e utilizado para analisar o problema em diversos nveis e sob diferentes aspectos. O estudo global d diretrizes para aes detalhadas, com integrao harmnica e eficiente para que se possa analisar as partes das etapas do processo, revelando os pontos sujeitos a problemas e ento o Controle Estatstico do Processo (CEP) tem uma boa base para determinar os limites necessrios (Schmidt, Kiemele e Berdine, 1997). No projeto em questo o fluxograma foi a primeira ferramenta da fase medir utilizada pela equipe 6 Sigma, o mesmo foi til para que se tivesse uma viso global de como seria a implementao da metodologia 6 Sigma, e a partir da, obtivesse o detalhamento do processo para conhecimento das causas especiais. Foi feito o mapeamento considerando todo o processo de fabricao at o envasamento das latas pela enchedora. O processo de fabricao pode ser visto a seguir (figura 3.2):

DMAIC Captulo 3

16

Desbobinador

Lubrificador

Prensa de Copos

Lavadora

Aparador de Latas Envernizadora de Topo

Prensa de Latas

Impressora

Envernizadora de Fundo

Forno de Esteira

Aplicador de Verniz Externo

Forno de Pinos

Lubrificador de Topo Paletizadora

Flangeador 01

Flangeador 02

Inspeo Automtica 01

Inspeo Automtica 01

Envasadora

Figura 3.2 Fluxograma do Processo

3.2.2 Mapeamento de Processo


Aps o fluxograma de processo, foi feito um brainstorming (tabela 3.3) com os operadores de vrios turnos e dos equipamentos identificados como provvel causa especial, a finalidade seria o direcionar o mapeamento do processo e identificao dos variveis de entrada. Para tanto, listou-se tudo o que poderia influenciar na rejeio de latas na envasadora. No brainstorming foi respeitadas as opinies de cada participante, no havendo preocupao em correlacionar o raciocnio lgico.

DMAIC Captulo 3

17

BRAINSTORMING
Variveis de Entrada Variveis de Sada

Amassamento na Base da Lata Rugosidade do Ferramental do Flangeador 01 Rugosidade do Ferramental do Flangeador 02 Espessura da Parede da Lata Resistncia de Coluna Altura da Lata Acabada Mobilidade do Verniz Externo Excesso de Verniz no Topo da Lata Quantidade de leo Mineral no Pescoo da Lata Excesso de Camada de Verniz Externo Manuteno do Flangeador 02 Excesso de Camada de Tinta Resistncia da Base da Lata ao Estufamento Largura do Flange da Lata Profundidade do Painel do Fundo da Lata Perfil do Painel do Fundo da Lata Temperatura do Flangeador 02 Qualidade de Metal Utilizado ngulo do Flange da Lata Resistncia da Lata ao Abaulamento Raio Externo do Fundo da Lata Dimensional do Pescoo no Flangeador 01 Largura do Flange da Lata Temperatura do Forno de esteira Temperatura do Forno de Pinos Espessura do Flange na Prensa de Latas Qualidade do Verniz Externo Dimetro do Plugue da Lata Distncia da Base x Ferramenta da Estaes do Flangeador 01 Tabela 3.3 Brainstorming para Verificao das Causas Especiais. Com os dados dos brainstorming, colocou-se de maneira organizada no mapa do processo as variveis de entrada (Xs) que poderiam estar afetando o processo, tendo como varavel de sada (Y) a rejeio de latas na envasadora, como mostra a figura 3.3: Rejeio de Latas na Envasadora

DMAIC Captulo 3

18

Variveis de Entrada Resistncia de Coluna Profundidade do Painel do Fundo da Lata Perfil do Painel do Fundo da Lata Resistncia da Base da Lata ao Estufamento Qualidade de Metal Utilizado Espessura do Flange da Lata na Prensa de Latas Resistncia da Lata ao Abaulamento Raio Externo do Fundo da Lata Excesso de Camada de Verniz Externo Qualidade do Verniz Externo Excesso de Verniz no Topo da Lata Mobilidade do Verniz Externo

Variveis de Sada

Prensa de Latas

Impressora

Fornos

Temperatura do Forno de Pinos Temperatura do Forno de Esteira Rejeio de Latas: ENVASADORA No reclavao Vazamento Tombamento Lata enroscada

Flangeador 01

Dimensional do Pescoo no Flangeador 01 Quantidade de leo Mineral no Pescoo da Lata

Mesas de Transporte

Amassamento na Base da Lata

Flangeador 02

Largura do Flange da Lata Distncia da Base x Ferramenta da Estaes do Flangeador 02 Manuteno do Flangeador 02 ngulo do Flange da Lata Dimetro do Plugue da Lata

Figura 3.3 Mapeamento do Processo para Anlise da Rejeio.

3.2.4 Anlise de Capabilidade do Processo


No sugerido que as organizaes utilizem todas as mtricas utilizadas no 6 Sigma (Harry 1994a), e sim as de acordo com os tipos de projetos a serem realizados. Algumas

DMAIC Captulo 3

19

organizaes calculam seu nvel sigma atravs do DPMO e os converte para o nvel sigma considerando o deslocamento e 1,5 sigma (Schmidt e Launsby 1997). O 6 Sigma utiliza as seguintes nomenclaturas:

Nmero de operaes do processo = m Defeitos = D Unidade = U Oportunidade por um defeito = O Rendimento = Y As relaes bsicas so:

Total de oportunidades: TOP = U X O Defeitos por unidade: DPU = D/U Defeitos por uma oportunidade: DPO = DPU/O = D/U X O Defeitos por milho de oportunidade: DPMO = DPO X 106 Relaes de Rendimento do Processo: (3.1)

Rendimento de primeira vez: YTP = e DPU Defeitos por unidade: DPU = - ln(Y) Total de Defeitos por unidade: TDPU = ln(YRT) Rendimento Normalizado: Ynorm = (YRT)1/m Distribuio Normal para Relaes de Z (3.2)

Zequiv Z ~ N(0;1) Zlongo prazo: ZLT = Zequiv Z curto prazo (ZST) = ZLT + 1,5 desvio padro

(3.3)

Z Benchmark: Zbenchmark = ZYnorm + 1,5

3.2.5 Medio do Nvel Sigma do Processo


A avaliao da capacidade do processo possibilita s organizaes predizerem seus verdadeiros nveis de qualidade para todos os processos e servios. Isto guia a estimativa inicial do nvel sigma de um produto ou processo; assim para determinar a capacidade para uma sada varivel, deve-se (Blakeslee, 2000): 1. Verificar a especificao do produto ou processo; 2. Tomar uma amostra (curto prazo ou longo prazo); 3. Calcular o nvel z;

DMAIC Captulo 3

20

4. Deslocar o nvel z de 1,5 se apropriado; 5. Converter o nvel z no ndice desejado(ppm, ou Cp, Cpk, Pp, Ppk) A transformao z converte qualquer distribuio normal (dada uma mdia amostral e um desvio-padro amostral) em uma distribuio normal padro que tem uma mdia igual a 0 e um desvio-padro igual a 1. Pode ser medida em unidades de milmetros, polegada, ps, psi, volts, etc., a distribuio transformada ter sempre mdia = 0 e desvio padro = 1. O valor z indica quo longe um nmero particular de interesse, x, est longe da mdia da amostra em unidades de desvio-padro. Por exemplo, se z = 2, ento o particular nmero de interesse, x, est 2 desvios-padro longe da mdia da amostra. Ao predizer-se nveis de defeitos, (ou estimar rendimento), deve-se substituir o limite inferior de especificao (LIE) e o limite superior de especificao (LSE) por x. Assim, pode-se calcular a proporo de produtos fora da especificao baseada na mdia e desvio-padro de uma amostra. O escore z calculado pela seguinte frmula (Harry, 1998):

(3.4) Em que:

= mdia do processo
x = mdia da amostra = Estimativa da mdia

= desvio padro do processo


S = estimativa do desvio padro

A figura 3.4 ilustra um processo 6 Sigma centrado (curto prazo).


Capacidade do processo Um processo 6 Sigma centrado

0.001 ppm

0.001 ppm T

LIE

6
Figura 3.4 Processo 6 Sigma Centrado. Fonte: Breyfogle (1999).

LSE

DMAIC Captulo 3

21

O processo 6 Sigma, a longo prazo, pode ser representado pela figura 3.5:

Figura 3.5 Processo 6 Sigma a Longo Prazo. Fonte: Harry (1998). De acordo com o nvel sigma, tem-se determinado o DPMO, assim medida que se eleva o nvel sigma de um processo, diminui-se o nmero de defeitos. No entanto, o nmero de defeitos a curto prazo menor que a longo prazo, pois h um deslocamento de 1,5 desvios padro de curto para longo prazo, como pode ser visto na tabela 3.4, que mostra os valores do nvel sigma em relao ao processo centralizado (DPMO de curto prazo) e processo decentralizado (DPMO de longo prazo) (Harry, 1998):

Tabela 3.4 DPMO de Curto e Longo Prazo. Fonte: Blakeslee, 2000. O nvel sigma resultante descreve o desempenho do processo a longo prazo. Isto inclui todas as causas assinalveis que impactam na centralizao do processo. Por exemplo: turno de produo, operador, mquina, desgaste de ferramenta, programao de manuteno, reparo por quebra, calibrao, temperatura, umidade, matria prima, mudana de requisitos dos clientes, etc. A figura 3.6 ilustra a capacidade a curto e longo prazo.

DMAIC Captulo 3

22

Figura 3.6 Capacidade a Curto e Longo Prazo. Fonte: Harry, 1998.

Assim, Cp a capacidade potencial do processo supondo que o mesmo esteja centrado. Esta mtrica tambm chamada de titulao de processo ou o melhor desempenho que se pode esperar do processo a curto prazo. A fim de calcular esta mtrica deve-se fazer uma aproximao para o desvio-padro de curto prazo. J o Cpk e Ppk usam a mdia, no somente a faixa de tolerncia, para estimar a capacidade. O termo min (Cpk(I), Cpk(S)) posto como a menor distncia numrica entre a mdia e o limite de especificao mais prximo (Hradesk, 1988). Neste projeto os dados disponveis so do tipo atributos, onde foram consideradas todas as latas no reclavadas na envasadora. O clculo do nvel sigma foi realizado atravs da frao de produtos defeituosos:

nmero de produtos defeituosos antes da atuao no processo = 0,80%; 0,80% = 8.000 ppm. Consultando a tabela 3.5, que faz a converso dos defeitos em partes por milho,

considerando o processo a longo a prazo, ou seja deslocado 1,5 sigma, tem-se um processo com nmero de defeituoso de 8000 ppm, o que eqivale a nvel sigma de 3,9. Aps o trmino deste projeto dever ser calculado o novo nvel sigma, assim poder acompanhar como est o processo em reao excelncia ou seja nvel 6 Sigma.

DMAIC Captulo 3

23

Nvel Sigma Longo 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2 2.1 2.2 2.3 2.4 2.5 2.6

Defeitos ppm:1.5 Sigma 697672.15 660082.92 621378.38 581814.88 541693.78 501349.97 461139.78 421427.51 382572.13 344915.28 308770.21 274412.21 242071.41 211927.71 184108.21 158686.95 135686.77

Nvel Sigma Longo 2.7 2.8 2.9 3 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4 4.1 4.2 4.3

Defeitos ppm:1.5 Sigma 115083.09 96809.10 80762.13 66810.63 54801.40 44566.73 35931.06 28716.97 22750.35 17864.53 13903.50 1074.14 8197.56 6209.70 4661.23 3467.03 2555.19

Nvel Sigma Longo 4.4 4.5 4.6 4.7 4.8 4.9 5 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6

Defeitos ppm:1.5 Sigma 1865.88 1349.97 967.67 687.20 483.48 336.98 232.67 159.15 107.83 72.37 48.12 31.69 20.67 13.35 8.55 5.42 3.40

Tabela 3.5 Converso de ppm para Nvel Sigma. Fonte: Breyfogle, 1999.

3.2.6 Desdobramento da Funo Qualidade


A matriz QFD simples para enfatizar a importncia de se entender os requisitos do cliente. usada para relacionar e priorizar Xs e Ys do cliente atravs de ordenao numrica, usando como fonte primria, o mapa do processo. Os Ys so avaliados pela importncia para o cliente e os Xs pelo relacionamento com as sadas. O resultado o Pareto dos Xs que podem ser usados como ponto de partida na avaliao do FMEA e plano e controle (Carvalho, 1997). Na tabela 3.6 tem-se a matriz causa e efeito, que foi elaborada primeiramente listandose as variveis de sada (subconjunto da lista do mapa do processo). Depois foi avaliada, em uma escala arbitrria de 1 a 10, a sada mais importante, a qual recebeu o nmero mais alto. O prximo passo foi o de identificar todas as entradas, que poderiam ter impacto nos vrios Ys. Avaliou-se as correlaes numericamente e o efeito de cada X em cada Y dentro do corpo da matriz. Isto tambm foi baseado na experincia do grupo, de acordo com os seguintes critrios para o ndice de importncia para o cliente:

0 = Nenhuma correlao; 1 = O requisito do processo afeta s remotamente o requisito do cliente; 4 = Esta varivel de entrada tem um requisito moderado no requisito do cliente; 9 = Esta varivel de entrada tem um efeito direto e forte no requisito do cliente.

DMAIC Captulo 3

24

ndice de importncia para o cliente

5 1 No reclavao

5 2 Vazamento

2 3 Tombamento

3 4 Enroscamento 4 1 4 4 1 1 9 9 0 4 1 1 0 0 0 4 1 1 0 0 0 0 135

Total

Etapa do Processo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 Flangeador 01 Flangeador 01 Flangeador 02 Flangeador 02 Flangeador 02 Flangeador 02 Prensa de Latas Impressora Prensa de latas Impressora Prensa de Latas Flangeador 02 Prensa de Latas Prensa de Latas Prensa de Latas Impressora Prensa de Latas Impressora Forno de Pinos Forno de Esteira Flangeador 01 Prensa de Latas

Variveis de Entrada Dimensional do Pescoo no Flangeador 01 Distncia de Base X Ferramenta Largura do Flange da Lata ngulo do Flange da Lata Altura da Lata Acabada Dimetro do Plugue da Lata Resistncia da Base da Lata ao Estufamento Mobilidade do Verniz Externo Espessura do Flange da Lata na Prensa de Latas Excesso de Verniz na Boca da Lata Raio Externo do Fundo da Lata Manuteno do Flangeador 02 Perfil do Painel do Fundo da Lata Qualidade do Metal Utilizado Resistncia da Lata ao Abaulamento Qualidade do Verniz Externo Resistncia de Coluna Excesso de Camada de Verniz Externo Temperatura do Forno de Pinos Temperatura do Forno de Esteira Quantidade de leo Mineral no Pescoo da lata Profundidade do Painel do Fundo da Lata Total 9 9 9 9 4 4 4 4 4 4 1 4 4 4 1 0 1 0 1 1 1 0 390 9 9 4 4 9 9 4 1 9 1 1 1 0 1 4 0 0 0 1 1 1 0 345 1 4 4 4 4 4 4 9 0 0 9 1 4 0 0 4 4 4 0 0 0 4 128 104 101 85 85 76 76 75 70 65 37 31 30 28 25 25 20 16 11 10 10 10 8

Tabela 3.6 Matriz Causa e Efeito. Atravs da matriz causa e efeito obteve-se as supostas variveis, que de acordo com a experincia da equipe que participou da elaborao da mesma, estavam influenciando na rejeio de latas no cliente. Assim por esta matriz foram escolhidas as nove primeiras variveis que tiveram maior correlao com a rejeio de latas: 1. Dimensional do Pescoo no Flangeador 01; 2. Distncia de Base X Ferramenta; 3. Largura do Flange da Lata; 4. ngulo do Flange da Lata; 5. Altura da Lata Acabada; 6. Dimetro do Plugue da Lata; 7. Estufamento na Base da Lata;

DMAIC Captulo 3

25

8. Mobilidade do Verniz Externo; 9. Espessura do Flange da Lata. importante observar que as variveis selecionadas pela matriz causa e efeito no so a resposta final para priorizar a atuao no processo. preciso analis-las primeiramente atravs da planilha do FMEA.

3.2.7 Anlise do Modo e dos Efeitos de Falha


O FMEA uma ferramenta para analisar e priorizar as falhas, que providencia uma estrutura para a anlise da causa e efeito, esta ferramenta requer um time experiente que saiba quantificar o relacionamento dos modos de falhas, efeitos, causas, controles atuais, e recomendaes atuais. Lutz e Woodhouse (apud Signor, 2000), definiram o modo falha como fsica ou manifestao funcional da falha. No projeto 6 Sigma, o FMEA tem os seguintes benefcios:

Melhoramento do produto em termos de funcionalidade e robustez; Reduo de custos; Reduo gradativa dos problemas de manufatura; Melhoramento na segurana dos produtos e implementao dos processos; Reduo de problemas de venda.

Durante o desenvolvimento do FMEA tambm importante a participao de um grupo de pessoas treinadas, que entrar com a experincia e conhecimento do processo para montagem e estruturao da ferramenta. necessrio identificar maneiras pelas quais o produto ou processo pode falhar e eliminar ou reduzir o risco de falha a fim de proteger o cliente, em resumo o FMEA pode capturar o processo inteiro e identificar as maneiras pelas quais o produto ou processo pode falhar, facilitando a documentao de um plano para prevenir estas falhas. Conforme descreveu Breyfogle (1999) e Signor (2000), existem diferentes conceitos importantes entre FMEA de Produto e de Processo:
FMEA de Produto Usado para analisar projetos de produto antes deles serem liberados

para a produo;
FMEA de Processo Usado para analisar fabricao, montagem ou qualquer outro

processo. Focado nas entradas do processo.

DMAIC Captulo 3

26

A terminologia seguida pelo manual de FMEA do Automotive Industry Action Group (AIAG, 1995 c), so:

Modo de Falha: Uma descrio de uma no-conformidade em uma particular etapa

do processo (tambm conhecido como um defeito do cho da fbrica).


Efeito da Falha: O efeito que um modo de falha particular ter no cliente (tentar

quantificar em relao aos Ys).


Severidade (do efeito da falha, escala de 1 a 10): Uma avaliao da seriedade do

efeito da falha no cliente. O cliente pode ser o cliente final e/ou a operao seguinte do processo.

Causa da falha: Algo que pode ser corrigido ou controlado (X) que descreve como o

modo de falha pode ter ocorrido.


Ocorrncia (da causa da falha, escala de 1a 10): Uma avaliao da freqncia com

que a causa da falha ocorre. Com que freqncia este X falha de uma maneira especfica?

Deteco (da causa da falha ou modo de falha, escala de 1a 10): Uma avaliao da

chance (ou probabilidade) de que seus controles atuais vo detectar quando o X falha ou quando o modo de falha ocorre.

RPN (Nmero de Prioridade de Risco): Severidade x Ocorrncia x Deteco Usado

para priorizar aes recomendadas. Considerao especial deve ser dada a altas taxas de Severidade mesmo se Ocorrncia e Deteco forem baixas. Neste projeto a montagem do FMEA tornou-se necessria para identificar as maneiras pelas quais o processo poderia falhar, estimar o risco associado a causas especficas, e assim priorizar as aes que deveriam ser tomadas para reduzir o risco e avaliar o plano de validao do projeto. As variveis de entrada selecionadas, conforme a tabela 3.7 (FMEA), foram as que tiveram maior RPN : Largura do Flange da Lata; ngulo do Flange; Dimetro do Plugue

DMAIC Captulo 3

27

Pode-se notar que as variveis selecionadas pelo FMEA foram respectivamente a terceira, quarta e sexta varivel da matriz causa e efeito, o peso maior que determinou a seleo das mesmas atravs do FMEA foi o desconhecimento dos parmetros ideais, isto durante o processo de fabricao no Flangeador 02.

Etapa do Processo

Entrada Chave Modo Potencial do Processo de Falha

S Efeito Potencial da E V Falha

Causas Potenciais

O D C Controles Atuais E C T

R P N

Aces Recomendadas

Flangeador 02

Largura do flange Medida fora de Encaixe da tampa No reclavao 7 da lata especificao

So 6 desconhecidos os 7 294 parmetros ideais So 7 desconhecidos os 5 245 parmetros ideais So 5 desconhecidos os 4 140 parmetros ideais Inspeo Automtica Manuteno peridica Parmetros Testados Medidor de abaulamento Instrumento de medio de camada Manuteno peridica 2 64

DOE

Flangeador 02

Medida fora de ngulo do flange Encaixe da tampa No reclavao 7 especificao da lata Dimetro do plugue da lata Espessura do flange da lata Distncia de base X ferramenta Altura da Lata Acabada Medida fora de especificao

DOE

Flangeador 02 Prensa de Latas Flangeador 01

Encaixe da tampa No reclavao 7 Rachadura de Flange Encaixe da Tampa Lata Maior Lata parada no transportador

DOE

Vazamento

Desalinhamento da Prensa de 4 Latas Medida fora de especificao 4

Nenhuma

No reclavao 7

56

Nenhuma

Flangeador 02

Tombamento

Medida Fora de 4 Especificao Parede fina 4

40

Nenhuma

Transportador Resisistncia da de Latas base da lata

Esroscamento 5

40

Nenhuma

Impressora

Mobilidade do Atrito da lata Tombamento verniz externo durante transporte

Camada de 3 verniz muito fina

30

Nenhuma

Flangeador 01

Dimensional do Medida fora de pescoo no Encaixe da tampa No reclavao 7 especificao flangeador 01

28

Nenhuma

Tabela 3.7 FMEA do Processo.

3.2.8 Avaliao do Sistema de Medio


As organizaes tm observado constantemente o impacto de no terem qualidade em seus sistemas de medio. Muitas organizaes que avaliam suas medies nem sempre podem estar exatas e se precipitam em muitas concluses a respeito de seus processos. SegundoDeming (1986),
o que se registra ao final de uma determinada operao de medio, o ltimo produto de uma longa srie de operaes, desde a matria prima at a operao de

DMAIC Captulo 3

28

medio propriamente dita. A medio , pois, a parte final deste processo. Assim, do mesmo modo como vital controlar estatisticamente o processo de medio; caso contrrio, no h medida que tenha significado comunicvel.

As decises envolvidas no gerenciamento dos processos produtivos de uma empresa so baseadas em dados, muitas vezes resultantes da realizao de medies. No entanto, importante observar que a obteno das medidas de alguma varivel ou caracterstica de interesse associada a um processo de produo de bens ou de fornecimento de servios, tambm se constitui em um processo, estando sujeita atuao de diversas fontes de variao (Werkema, 2000). No processo de medio, as caractersticas da qualidade da pea, so as possveis fontes de variao envolvidas em cada etapa do processo de medio. Pode-se dizer que os principais fatores responsveis pela variabilidade associada aos processos de medio so:

Desgaste de componentes do instrumento de medio; Posio em que o item a ser medido colocado no aparelho; Condies ambientais; Emprego de procedimentos de medio inadequados; Falta de calibrao do aparelho de medio. Para verificar se um sistema de medio aceitvel, so avaliadas a repetitividade e a

reprodutividade:

Repetitividade a variabilidade inerente do dispositivo de medio, isto , a variao


nas medidas obtidas quando um operador utiliza o instrumento para medir repetidas vezes as caractersticas de interesse dos mesmos itens, estimada pelo desvio-padro agrupado (mdio) da distribuio de medies repetidas (AIAG, 1995a). A repetitividade geralmente menor que a variao total do sistema de medio. Tambm conhecida como erro de teste-reteste; usado como estimativa da variao da medio de curto prazo. A variao que ocorre quando so feitas medies repetidas da mesma varivel sob condies semelhantes.

Reprodutividade a diferena na mdia das medies feitas por diversas pessoas usando
o mesmo ou instrumentos variados para medir caracterstica idntica na mesma pea;

DMAIC Captulo 3

29

estimada pelo desvio-padro das mdias das medies sob condies diferentes de medio (AIAG, 1995a). A reprodutividade de um instrumento de medio a variao que resulta quando condies diferentes so usadas para fazer as mesmas medies. A variao mdia das medidas obtidas quando diferentes operadores utilizam o instrumento para medir repetidas vezes a caracterstica de interesse dos mesmos. As etapas realizadas no estudo de avaliao do instrumento de medio para avaliar o sistema de medio utilizado, so (Werkema, 2000):
Varincia do Sistema de Medio Sada primria do R&R analtico para determinar se

o sistema de medio adequado para uma certa aplicao, necessrio comparar a variao da medio com a variao do produto/processo. A variabilidade total presente em um conjunto de dados gerados por um processo produtivo e medida por meio de algum instrumento de medio pode ser dividida em duas parcelas (AIAG, 1995a): Variabilidade inerente ao processo produtivo. Variabilidade (preciso) inerente ao instrumento e medio. Sendo:

2total = varincia total calculada para o conjunto de dados; 2pp = varincia devida ao processo produtivo; 2im = varincia devida ao instrumento de medio.
Assim: 2total = 2pp + 2im

(3.5)

Comparao da Repetitividade com a Tolerncia (P/T) A relao P/T a estimativa

mais comum da preciso do sistema de medio. Esta estimativa apropriada para avaliar quo bem o sistema de medio pode atuar em relao especificao. Especificaes entretanto, podem ser muito apertadas ou muito folgadas. Geralmente, a relao P/T uma boa estimativa quando o sistema de medio usado somente para classificar amostras de produo, mesmo se a capabilidade do processo (Cpk) no for adequada, a relao P/T pode dar uma falsa sensao de segurana.
Comparao da reprodutividade com a Variao do Produto/Processo (P/VT): A

relao P/VT (%R&R) a melhor medida para MSA. Ela estima quo bem o sistema de

DMAIC Captulo 3

30

medio atua em relao variao global do processo. A porcentagem de R&R a melhor estimativa-se ao desenvolver estudos de melhoria do processo. As diretrizes da AIAG (1995a) para variao de medio (baseado no desvio-padro) em comparao com a variao total so dadas como porcentagem da Tolerncia: Ideal: 10% ou menos; Aceitvel:10-20% e Marginal: 20-30% (depende da aplicao)

3.2.9 Anlise do Sistema de Medio de uma Varivel do Processo


Aps anlise realizada sobre todas as variveis de entrada e de sada do processo que apresentaram alto RPN observado atravs do FMEA, decidiu-se realizar anlise do sistema de medio para a largura do flange:

Comprovao do monitoramento do departamento de metrologia sobre o sistema de medio, sendo que o instrumento que faz a medio do flange similar ao das outras variveis com sada pelo software estatstico utilizado pela empresa;

Tem-se como objetivo atravs desta anlise contribuir para outros trabalhos em que for necessrio analisar o sistema de medio. A figura 3.7 mostra as variveis selecionadas pelo FMEA com a indicao da largura

do flange para realizao da anlise do sistema de medio.

Figura 3.7 Desenho da Lata com Indicao das Variveis Selecionadas pelo FMEA.

DMAIC Captulo 3

31

A seqncia para coleta de dados para anlise da medio da largura do flange foi baseado no trabalho de Raffaldi e Ramsier (2000), que relaciona os mtodos utilizados durante os 20 anos da indstria automobilstica, citando o mtodo utilizado pela AIAG (1995a) como ideal. Assim foram coletadas 10 amostras de latas que representavam toda a amplitude de variao de longo prazo do processo e identificados trs operadores (A, B e C) que usavam este instrumento diariamente: 1. Verificou-se se o instrumento de medio de largura do flange estava dentro do prazo de validade da calibrao; 2. Coletou-se os dados, 3. O primeiro operador mediu todas as amostras uma vez, em ordem aleatria. Foi usada uma amostragem cega, na qual o operador no sabia a identidade de cada pea, para reduzir o vis humano; 4. Foi pedido ao segundo e terceiro operador que tambm fizessem as medies, como determinado ao primeiro operador. Assim, todas as medies foram feitas com duas repeties para cada operador; 5. Os dados (tabela 3.8) e a informao da tolerncia(2,083 +/- 0,203 mm)foram introduzidos no Minitab.

Amostra 1 2 3 4 5 6 7 8 9 10

Operador 2 Operador 3 Operador 1 1 medio 2 medio 1 medio 2 medio 1 medio 2 medio 2,159 2,159 2,159 2,159 2,159 2,134 2,007 2,007 2,007 2,032 2,007 2,007 2,083 2,083 2,108 2,083 2,083 2,083 1,930 1,956 1,956 1,956 1,93 1,930 2,286 2,286 2,261 2,235 2,286 2,286 2,108 2,108 2,134 2,108 2,108 2,108 2,184 2,184 2,159 2,159 2,159 2,184 2,057 2,057 2,083 2,057 2,083 2,057 2,083 2,083 2,032 2,057 2,083 2,083 2,159 2,159 2,134 2,159 2,184 2,159

Tabela 3.8 Medidas da Largura de Flange com duas Repeties por Operador possvel observar atravs da anlise de varincia (tabela 3.9) que as peas foram de fcil medio, sem erros considerveis no sistema de medio (p >0,05).

DMAIC Captulo 3

32

Fonte Pea Operador Operador.Pea Repitibilidade Total

DF 9 2 18 30 59

SS 0.0004978 0.000271 0.006632 0.003878 0.468811

MS 0,0000553 0.0001354 0.0003685 0.0001293

F 138.117 0.368 2.851

P 0.00000 0.69753 0.00543

Tabela 3.9 Anlise de Varincia com Interaes Operador & Pea.

Fonte Total Gage R&R Repetibilidade Reprodutibilidade Operador Operador.Pea Pea-para-Pea Varincia Total

Var. Comp. 2.49E-04 1.29E-04 1.20E-04 0.00E+00 1.20E-04 8.42E-03 1,22E-05

%Contribuio Desvio Padro Var. Estudo % Var. Estudo % Tolerncia da Var. Comp. (SD) (5,15*SD) (%SV) 20.00 2.87 1.58E-02 1.58E-02 16.94 14.42 1.29E-04 1.14E-02 0.058549 12.21 13.87 1.38 1.09E-02 0.056324 11.75 0.00 0,00 0,00E+00 0,00E+00 0.00 13.87 1.38 1.09E-02 0.056324 11.75 116.40 67,70 9.18E-02 0.472584 98.55 118.11 100,00 9.31E-02 0.479517 100.00

Tabela 3.10 ANOVA das Fontes de Variao do MSA para Largura de Flange. A relao P/T (coluna %tolerncia) para R&R de 20%. De acordo com as diretrizes da AIAG (1995a), a relao com valores de 10 a 20% para o instrumento de medio considerada aceitvel. A repetitividade e a reprodutividade do sistema de medio foram verificadas atravs da percentagem de R&R total para a contribuio da varincia dos componentes, que 2,87%, podendo ser considerado um ndice ideal, segundo AIAG, 1995a. A relao P/VT, que estima quo bem o sistema de medio atua em relao variao global do processo, foi obtida tambm na tabela 3.10, na coluna %SV%, cujo valor 16,91%; trata-se, assim, de um sistema de medio aceitvel.

3.3 Fase Analisar


Nesta fase so identificados os efeitos das variveis Xs nos CTQs, analisados os dados relativos aos processos estudados, com objetivo principal de se conhecer as relaes causais e as de fontes de variabilidade e desempenho insatisfatrio de tais processos, visando melhoria destes. Explorando toda a metodologia, pode ser utilizadas as seguintes ferramentas (Hoerl, 2001):

Anlise de Mult-Vari; Intervalo de Confiana;

DMAIC Captulo 3

33

Teorema do Limite Central; Correlao e Regresso; Teste de Hiptese e Anlise Varincia (ANOVA). Neste trabalho utilizou-se anlise de multi-vari, correlao e regresso, decidiu-se

mostrar tambm ANOVA, pois uma ferramenta muito explorada na anlise dos resultados do DOE.

3.3.1 Anlise de Correlao


A correlao uma medida da relao entre duas ou mais variveis. O tipo mais usado de coeficiente de correlao o de Pearson (r), chamado tambm de correlao linear ou do produto do momento. As escalas das medidas usadas devem ser as mesmas escalas do intervalo, mas outros coeficientes de correlao esto disponveis para assegurar outros tipos de dados. Os coeficientes de correlao podem variar de -1,00 a +1,00. O valor de -1,00 representa uma correlao negativa perfeita enquanto que um valor de +1,00 representa uma correlao positiva perfeita. Um valor de 0,00 representa uma ausncia da correlao (Kendall e Gibbons, 1990). O coeficiente de correlao uma medida do grau de relacionamento linear entre duas variveis. Pode-se obter um p-value para testar se h uma evidncia suficiente que o coeficiente de correlao no seja zero. Um coeficiente de correlao parcial o coeficiente de correlao entre duas variveis ao tender para os efeitos de outras variveis. Para as duas variveis x e y, onde o sx o desvio mdio padro das amostras para a primeira amostra, e sy o desvio mdio padro da amostra para a segunda amostra, a correlao dada pela seguinte equao (Kendall e Gibbons, 1990):

(3.6)

3.3.2 Regresso Mltipla


A finalidade geral da regresso mltipla (o termo foi usado primeiramente por Pearson, 1908) descobrir mais sobre o relacionamento entre as diversas variveis independentes e uma varivel dependente, ou do critrio que as mesmas esto relacionadas entre si. A equao da regresso linear em um espao bidimensional, sendo por (Kahane, 2001):

DMAIC Captulo 3

34

y = a+b.x;

(3.7)

Onde: A varivel de y pode ser expressada nos termos de uma (a) constante e uma inclinao (b) cronmetra a varivel de x; A constante consultada tambm como a interseco, e a inclinao como ao coeficiente da regresso ou ao coeficiente de b. No caso da regresso mltipla, quando h mais do que uma varivel independente, a linha de regresso no pode ser visualizada no espao bidimensional, mas pode ser computada facilmente. Em geral, os procedimentos da regresso mltipla estimaro uma equao linear da seguinte forma (Miles e Shevlin, 2001):
y = a + b1.x1 + b2.x2 + ... + bp.xp

(3.8)

Nesta equao, os coeficientes da regresso (ou os coeficientes de b) representam as contribuies independentes de cada varivel independente predio da varivel dependente. A correlao tambm pode ser expressa com a varivel x1 correlacionado com a varivel y, aps controlar para todas variveis independentes restantes. Este tipo de correlao consultado tambm como a uma correlao parcial (Kahane, 2001).

3.3.3 Anlise de Varincia


A anlise de varincia (ANOVA) usada para descobrir os efeitos principais e as interaes das variveis independentes (Xs) e uma varivel dependente do intervalo (Y). A verso (GLM) modelo linear geral de ANOVA suporta tambm um nmero maior de variveis dependentes (Ys). Um efeito principal o efeito direto de uma varivel independente na varivel dependente. Um efeito de interao o efeito comum a duas ou mais variveis independentes na varivel dependente (Turner e Thayer, 2001). A ANOVA similar regresso que usada para investigar e modelar o relacionamento entre uma varivel dependente com uma ou mais variveis independentes. Entretanto, este mtodo difere da regresso em duas maneiras: as variveis independentes so qualitativas, e nenhuma suposio feita sobre a natureza do relacionamento (isto , o modelo no inclui coeficientes para variveis). De fato, a ANOVA estende o teste t de duas amostras para testar a igualdade de duas mdias da populao a uma hiptese nula mais geral de comparar a igualdade de mais de duas mdias. Diversos procedimentos de ANOVA permitem modelos com variveis qualitativas e quantitativas. As potencialidades incluem

DMAIC Captulo 3

35

procedimentos e modelos com dados coletados de um nmero de projetos diferentes para testar variaes iguais e grficos de efeitos e de interaes principais (Cole, Maxwell, Arvey e Salas, 1993). Os principais tipos de ANOVA so:

ANOVA de Fator nico Testa diferenas em uma varivel dependente (Y) do nico
intervalo entre dois, trs, ou mais grupos dados pelas categorias de uma nica varivel independente (Xs). Testa se os grupos que deram forma pelas categorias da varivel independente se parecem similares (especificamente esse tem o mesmo teste padro da disperso que medido comparando estimativas de variaes do grupo). Se os grupos parecerem diferentes, ento se conclui que a varivel independente tem um efeito na varivel dependente. H trs possibilidades de soma de quadrados: soma dos quadrado entre grupos (SSA), dentro do grupo ou soma do erro dos quadrados (SSs/A) e soma total dos quadrados (SST). A soma total dos quadrados pode ser dividida entre a soma dos quadrados e dentro da soma dos quadrados, representando a variao devido diferenas individuais na contagem respectivamente (Jackson e Brashers, 1994):
SST = SS A + SS s / A

(3.9)

A soma entre grupos dos quadrados examina as diferenas entre as mdias do grupo, calculando a variao de cada mdia em torno da mdia maior.
SS A = s (YA YT )
2

(3.10)

onde, s o nmero de observaes em cada grupo (clula ou fator de nvel A). A soma de dentro dos grupos dos quadrados verifica a variao do erro ou a variao de contagens individuais em torno de cada mdia do grupo. Esta a variao nas contagens no devido ao tratamento (ou varivel independente):
SS s / A = (Y YA )
2

(3.11)

A soma total dos quadrados pode ser calculada adicionando-se o SSA e o SSs/A. Cada SS tm um grau de liberdade diferente associado com df A = a 1 , df s / A = n a , e

DMAIC Captulo 3

36

iguais ao nmero dos grupos (ou dos nveis da varivel independente), e de n o nmero total das observaes no estudo. Os quadrados mdios so computados dividindo os SS pelo df. Este calculado pela variao da amostra que divide a soma dos quadrados por graus de liberdade. Na frmula, . Na relao de F calculada uma relao da variao entre os grupos e dentro dos grupos:
F= MS A MS s / A

(3.12)

ANOVA de Dois Fatores Analisa uma varivel dependente do intervalo (Y) em relao
a duas variveis independentes (Xs). Este mtodo testa se os grupos formados pelas categorias das variveis independentes tem centride similares. Este tipo de anlise menos sensvel do que ANOVA de fator nico, pois detecta as violaes moderadas da suposio da homogeneidade das variaes atravs dos grupos (Girden, 1992).

ANOVA Fatorial Este tipo de ANOVA incorporam as variveis independentes de n.


fatores. Deve-se notar que enquanto o nmero de variveis independentes aumenta, o nmero de interaes potenciais prolifera. Duas variveis independentes tm uma nica interao de primeira ordem (AB). Trs variveis independentes tem trs primeiras interaes da ordem (AB, AC, BC) e uma interao de Segunda ordem (ABC), ou 04 no total. Quatro variveis independentes tem seis primeiras ordem (AB, AC, BC, BC), trs segunda ordem (ABC, ACD, BCD), e uma interao (ABCD) terceira ordem, ou 10 no total. Enquanto o nmero das interaes aumenta, torna-se cada vez mais difcil interpretar o modelo. Assim um projeto fatorial completo com 2 variveis dependentes A e B cada um do predicador com 2 nveis cada um seria chamado um projeto 2 x 2 fatorial completo. Usando a codificao, a matriz de X para esta anlise ser (Cortina e Nouri, 2000):

(3.13)

DMAIC Captulo 3

37

Nota-se que X1 e as colunas X2 representam os contrastes principais do efeito para uma varivel, (isto , A e B, respectivamente). A coluna X3 representa um contraste entre combinaes diferentes dos nveis A e B. Nota-se tambm de que os valores para X3 so produtos dos valores correspondentes para X1 e variveis do produto de X2, tais como X3 representa os efeitos multiplicados ou da interao de seus fatores, assim que X3 estaria representando a interao de dois sentidos de A e relacionamento de B, que indicam as influncias interativas dos fatores nas respostas (isto , influncias independentes do efeito principal). Assim, os projetos fatoriais fornecem mais informao sobre os relacionamentos entre variveis dependentes do que os correspondentes projetos de fator nico ou de efeitos principais (Girden, 1992). Neste trabalho utilizou-se a anlise de varincia na fase Improve do DMAIC, onde atravs do software Statstico Minitab calculou-se o nvel descritivo (p-value), onde:

Notao: = nvel descritivo, onde p (F>F0) = .

Valores pequenos de p value indicam rejeio da hiptese nula. Valores grandes de p value indicam aceitao da hiptese nula.

3.3.4 Anlise Multi-Vari

Multi-vari uma ferramenta grfica que atravs de agrupamentos lgicos, analisa os dados histricos do processo de produo para identificar correlao entre as mltiplas fontes de variaes, que impactam nas variveis de sada, estas se classificam em (Breyfogle, 1999):

Posicionais variao dentro da pea; Cclicas variao de pea a pea consecutivas; Temporais turno, dia, semana, etc...

Na tabela 3.11 tem-se os dados histricos de produo de latas, onde consta:


Variveis de Entradas do Processo (Xs): diferentes produes entre turnos, rtulos, e

meses.
Variveis de Sada do Processo (Y): nmero de latas rejeitadas na envasadora.

DMAIC Captulo 3

38

Amostra Rotlo 1 1 2 1 3 1 4 1 5 2 6 2 7 2 8 2 9 3 10 3 11 3 12 3 13 1 14 1 15 1 16 1 17 2 18 2 19 2 20 2 21 3 22 3 23 3 24 3

Turma 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

Ms 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2

Latas Rejeitadas 29 37 29 54 45 24 35 32 25 52 43 28 48 33 47 18 20 15 19 39 40 29 28 42

Tabela 3.11 Dados do Processo para Anlise de Multi-Vari. A tabela 3.12 mostra que no h correlao entre as variveis: rtulos, turma e ms, pois p>0,05.
Termo Constante
Rotlo Turma Ms S = 11.53

Coef 40.460 -0.500 0.483 -4.583

SE Coef 10.790 2.883 2.105 4.707

T 3.75 -0.17 0.23 -0.97

P 0.001 0.864 0.821 0.342

R-Sq = 4.9%

R-Sq(adj) = 0.0%

Tabela 3.12 Anlise de Regresso: Latas Rejeitadas versus Rtulo, Turma e Ms. A figura 3.8 ilustra graficamente a no correlao entre as variveis.

DMAIC Captulo 3

39

.
Turma Rotlo
1 2 3
1 2 3 4 1 2 3 4

55

Latas Rejeitadas

45

35

25

15
1 2

Ms

Figura 3.8 Grfico Multi-Vari Anlise das Latas Rejeitadas.

3.4 Fase Melhorar


A fase otimizar consiste fundamentalmente em descobrir as relaes entre os CTQs e as variveis Xs pouco vitais, para tal desenvolve -se DOE, com objetivo de se conhecer a fundo cada processo, atravs da mudana estrutural de nveis de operao de diversos fatores simultaneamente do processo em estudo. A informao obtida com o DOE auxilia a identificar o ajuste das variveischaves para modificar e otimizar o processo.

3.4.1 Projetos de Experimentos


Sir Ronald A. Fisher, cientista britnico, foi o inovador no uso dos mtodos estatsticos e da anlise de dados no Rothamsted Agricultural Experiment Station, de Londres, em 1920. Fisher desenvolveu o primeiro uso da anlise e varincia, assim como os primeiros mtodos de estatstica no DOE. Em 1933, Fisher levou seu trabalho para a Universidade de Londres. Alm da contribuio de Box (Motgomery, 1997). O mtodo DOE foi aplicado na agricultura e na cincia biolgica, tendo alcanado enorme sucesso. A primeira aplicao prtica ocorreu em 1930, na British Textile (Schmidt e Case, 2001). Depois da Segunda Guerra mundial, o mtodo foi introduzido na indstria Fisher, houve muitas outras para a literatura DOE, incluindo-se as de F. Yates, R.C.Bose, W. G. Cochram, R. H. Myers, J. S. Hunter, e G. E . P.

DMAIC Captulo 3

40

qumica e em outros processos industriais de empresas nos Estados Unidos e Europa. Recentemente, os mtodos so largamente utilizados em pesquisas e set up industriais, s vezes por diferentes propsitos. Na indstria, o objetivo principal extrair o mximo de informao para determinar quais fatores afetam o processo produtivo; similarmente na aplicao cientfica, onde as tcnicas de anlise de varincia e regresso so usadas para determinar se existe significncia entre as variveis de entrada no processo sobre as variveis de sada, com intuito de descobrir possveis correlaes entre os fatores pesquisados, e assim determinar a origem de diferentes mudanas no processo, ou seja, as causas especiais de variao do processo (Halbleib e Crowder, 2001). Box (1960) disse que praticamente impossvel achar o que est acontecendo a um sistema quando simultaneamente se est interferindo no mesmo. Atravs do DOE possvel detectar as causas especiais por ser uma tcnica que promove a interao das variveis de entrada para analisar os efeitos sobre as variveis de sada. O DOE no apenas revela o rendimento e a significncia dos testes do nvel de fator, mas tambm fornece um modelo de resposta. Estes experimentos podem ser combinados, segundo todas as variveis (fatorial completo) ou com as combinaes parciais (fatorial fracionrio). Koselka (1996) listou vrias aplicaes com resultados positivos obtidos atravs do DOE:

Reduo de defeitos em uma sensvel escala computacional de 25% para menos de 1% dentro de um ms; Manuteno da qualidade de uma usina de papel com menor custo de madeira; Reduo nos riscos de erros de medicamentos errados para os pacientes num hospital, implantando a padronizao de procedimentos, com tcnicas prova de erro; Impacto nas vendas de calados com utilizao do arranjo de cores para impressionar os clientes; Reduo de defeitos de impregnao de carbono nos carimbos de uretane em 85 %. Reduo nos erros de ordens de servio; Aumento da vida til de um rolamento em at cinco vezes. A utilizao do DOE na investigao das causas especiais de variao do processo,

tem por conseqncia o desenvolvimento de um processo robusto, pois elimina o mtodo de tentativa e erro. A figura 3.9 ilustra as variveis de um processo (Montgomery, 1997):

DMAIC Captulo 3

41

Fatores Controlveis
X1 X2

...

Xp

Entradas

Sadas

Materiais Controles Mquinas etc...

Processo

O que se mede para avaliar o sucesso do processo

...
Z1 Z2 Zp

Fatores Incontrolveis (rudo)


Figura 3.9 Modelo Genrico de um Processo ou Sistema. Fonte: Montgomery (1997). A definio da funo de transferncia do DOE pode ser descrita assim:
y = f ( x1,x2,... xn) ;

(3.14)

onde:
y = varivel dependente do experimento ou sada do processo; xi = variveis independentes ou entrado do processo; f = funo matemtica gerada para cada varivel resposta.

Esta funo matemtica determina que os efeitos das variveis incontrolveis (Z1, Z 2
...Zp ) sejam minimizados.

3.4.2 Metodologia de Superfcie de Resposta


A RSM transformou-se em uma ferramenta importante no processo e no desenvolvimento de produtos, esta metodologia consiste em tcnicas matemticas e estatsticas de otimizao, que so usadas para melhorar e desenvolver processos. Em ambas situaes, a metodologia pode ser usada para obter parmetros de processos otimizados que resultam em um melhor produto final. As aplicaes da RSM podem ser encontradas em

DMAIC Captulo 3

42

muitos ajustes industriais onde diversas variveis influenciam no resultado desejado (Borror e Montgomery, 2000). Segundo Breyfogle (1999), a RSM tem uma grande vantagem, pois podem ser utilizados vrios fatores para analisar vrios problemas com poucos ensaios. Isto sem dvida viabiliza os experimentos no processo industrial, pois os set up tem custo elevado.

3.4.3 RSM Pontos Centrais Compostos


A equao linear para dois fatores com efeito principal, sem considerar as interaes, pode ser escrita da seguinte forma:
y=b0+b1 x1+b2x2

(3.15)

Onde y a resposta, b0 a interseco axial, e (b1,b2) so coeficientes dos fatores. O balanceamento do experimento feito por dois fatores que so considerados por x1 e x2, respectivamente pela equao 1 e +1, sendo que os coeficientes b1 e b2 so equivalentes metade dos efeitos de b0, e a medida para todas as respostas. Para se ter a resposta, os programas computacionais utilizam as tcnicas de anlise de regresso (Piepel, 1988). Quando so consideradas as interaes, a equao tem a seguinte forma:
y=b0+b1 x1+b2x2 + . . . +bk xk +
(3.16)

O nmero de termos na equao descreve o nmero mnimo de ensaios necessrios para determinar o modelo, sendo o erro observado na resposta. Pontos centrais podem ser adicionados para dois nveis de fatorial fracionrio designado para determinar o modelo linear assumido. Quando usado o programa e a regresso nos efeitos, os nveis de fatorial fracionrio devem assumir uma simetria de valor ao redor de zero. Para determinar se a linearidade assumida vlida, a resposta mdia dos pontos centrais pode ser comparada com a medida mdia das tentativas de experimento com fatorial fracionado de dois nveis (Cornell,1981). Se h uma curvatura no sistema, ento o polinmio de alto grau pode ser escrito assim:
y = b0 +b1.x1 +...+bk. xk + b12.x1.x2 +b13.x1.x3 +... +bk-1,k.xk-1 xk + b11.x1 +...+bkk.xk

(3.17)

Nesta equao, podem ser observadas as variveis dependentes da resposta y, que inclui (1) efeitos principais por fator x1 , ..., xk, (2) suas interaes (x1x2, x1x3, ... ,xk-1xk), e (3)

DMAIC Captulo 3

43

seus componentes quadrticos (x12, ..., xk2). No esto assumidos os nveis dos fatores, que podem ser analisados pelo valor contnuo dos fatores (Box e Draper, 1987). Os principais efeitos e interaes estimadas so independentes, por exemplo, supondose ter um experimento com dois fatores, tem-se um experimento ortogonal, conforme arranjo da tabela 3.13.
A Ensaio 1 Ensaio 2 Ensaio 3 Ensaio 4 B

1 1 1 1 -1 -1 -1 -1

Tabela 3.13 Arranjo Ortogonal. Para os dois primeiros fatores (A e B), ambos tm valor maior (+1). Nos dois ltimos ensaios, ambos tm valor baixo (-1). Assim, pode-se estimar a contribuio independente dos fatores A e B e o efeito de cada varivel no experimento. Para assegurar a contribuio independente dos dois fatores, o nvel do fator nvel nos quatro ensaios pode ser trocado, formando um arranjo ortogonal, usado pela primeira vez por Yates (apud Cornell, 1990a). Pode-se ilustrar este arranjo da seguinte forma (tabela 3.14):
A 1 1 -1 -1 B

Ensaio 1 Ensaio 2 Ensaio 3 Ensaio 4

1 -1 1 -1

Tabela 3.14 Arranjo Ortogonal com 02 Variveis. Onde A e B so colunas ortogonais. Assim estimado o efeito principal por comparao de
A, com maior valor de A dentro de cada nvel de B, e com menor valor de A dentro de cada

nvel de B; o efeito principal de B pode tambm ser estimado da mesma maneira. Uma segunda considerao relatada para o primeiro requerimento, em que este tambm tem como extrair a mxima quantidade de informao do experimento, ou especificamente, da regio experimental de interesse; Box e Draper (1987) demostraram que o erro padro para previso do valor das variveis dependentes proporcional a: (1 + f(x)' (X'X) f(x)) (3.18)

DMAIC Captulo 3

44

Onde f(x) padro para cada fator do respectivo modelo (f(x) um vetor, f(x) a imagem deste vetor, e X a matriz designada para o experimento, que codificada por fator e efeito para todos os ensaios; (XX)-1 o inverso do cruzamento do produto da matriz. A incerteza no valor das variveis dependentes est sujeita variabilidade e distribuio dos pontos nos ensaios). Estes pontos podem ser escolhidos para extrair o mximo de informaes das variveis dependentes e nveis de quantidade de incerteza para predizer valores futuros. A equao seguinte quantifica a informao, que o inverso da incerteza normalizada. Para um experimento com quatro testes ortogonal a informao :

Ix = 4/(1 + x1 + x2)

(3.19)

Onde x1 e x2 so padro para cada fator A e B, respectivamente (Box e Draper, 1987). Inspees desta funo em uma plotagem demonstram que esta uma constante sobre crculos centrados na origem. Assim, algum tipo de rotao dos pontos do planejamento original ser gerado com igual quantidade de informao, e para igual informao da funo. Portanto, o projeto ortogonal 2x2 de quatro ensaios, conhecido como rotacional (figura 3.10).

Figura 3.10 Funo para 2x2 Projeto Ortogonal. Para que o experimento seja do tipo rotacional, so adicionados pontos estratgicos chamados de pontos estrelas, (tanto no quadrado ou cubo) para um projeto fatorial de 2 nveis. A matriz de experimento na tabela 3.15 mostra a adio destes pontos:

DMAIC Captulo 3

45

A Ensaio 1 Ensaio 2 Ensaio 3 Ensaio 4 Ensaio 5 Ensaio 6 Ensaio 7 Ensaio 8 Ensaio 9 Ensaio 10

1 1 -1 -1 -1.414 1.414 0 0 0 0

1 -1 1 -1 0 0 -1.414 1.414 0 0

Tabela 3.15 Adio de Pontos Centrais no Projeto. Os cincos primeiros ensaios do experimento so de pontos quadrticos ou cbicos; os ensaios de 5 a 8 so chamados de pontos estrelas ou pontos axiais, nos testes 9 e 10, so pontos centrais (figura 3.11). A informao da funo para este projeto um modelo rotacional de segunda ordem (quadrtica); este constante nos crculos ao redor da origem.

Figura 3.11 Projeto de Experimentos com Pontos Centrais Compostos. As duas caractersticas discutidas dos pontos centrais compostos (ortogonalidade e rotacionalidade) dependem da distncia dos pontos axiais (), sendo que a distncia dos pontos axiais aos pontos centrais padro (1.414). (Box e Draper, 1987). Ento o experimento rotacional se:
= ( nc )

(3.20)

Onde nc padro para nmero de pontos cbicos.

DMAIC Captulo 3

46

Um projeto ortogonal de pontos compostos, se uma distancia axial escolhida for:


= {[( nc + ns + n0 ) - nc] nc/4}

(3.21)

Onde: nc o nmero de pontos cbicos no experimento; ns o nmero de pontos axiais no experimento; n0 o nmero de pontos centrais no experimento. Para se realizar os experimentos aproximadamente ortogonal e rotacional, primeiro deve-se escolher a distncia axial para rotacional e ento adicionar pontos centrais (Piepel, 1988), portanto: n0 = 4nc + 4 - 2k Onde k padro para o nmero de fatores no experimento. A seguinte frmula sintetiza a distncia axial, e a maioria dos contornos razoveis da funo da informao, isto , contornos que so perto de esfricos (Box and Draper, 1987):
= [k(l+ns0/ns)/(1+nc0/nc)]

(3.22)

(3.23)

Onde: ns0 o nmero de pontos centrais na poro axial do experimento; ns o nmero de pontos no centrais na poro axial do experimento; nc0 o nmero de pontos na poro cbica do experimento; nc o nmero de pontos no centrais na poro cbica do experimento. Os Projetos de Experimentos de Pontos Centrais Compostos so geralmente construdos sobre a forma 2(k-p) para a poro cbica do experimento, que adicionado pontos centrais. Box e Draper (1987) listaram um nmero de experimento semelhante. A forma de plotagem da resposta pode ser mais bem resumida em grficos e pode-se gerar ambos contornos da plotagem da superfcie de resposta (figura 3.12).

DMAIC Captulo 3

47

Figura 3.12 Pontos Centrais Compostos.

3.4.4 RSM Box-Behnken


Box e Behnken (1960) descreveram uma classe de projetos de experimentos fatoriais incompletos de nvel 3 para a estimativa de coeficientes em um polinmio de segundo grau. Estes projetos satisfazem aproximadamente o critrio de rotatibilidade e, em sua maioria, podem ser bloqueados ortogonalmente. No desenvolvimento de projetos Box-Behnken, delimita-se as variveis para gerar projetos rotatrios de segunda ordem.. Supondo-se que a codificao dos nveis seja feita em unidades padronizadas, de forma que os 3 valores alcanados por cada uma das variveis x1 ,
x2 , xk sejam 1, 0 e 1, e supondo tambm que o polinmio graduado de segundo grau

providenciado pelo mtodo dos menores quadrados :

y = b0 + bixi + bijxixj
k i =1 j = i

(3.24)

Um planejamento rotativo de segunda ordem tal que a variao de constante para todos os pontos eqidistantes do centro do projeto ou seja, para todos os pontos para os

DMAIC Captulo 3

48

quais = i (x2i)1/2 seja constante. Dentre a classe de projetos rotativos, seleciona-se aqueles para os quais a variao de , (funo de ), razoavelmente constante na regio do espao-k coberta pelo experimento. A exigncia de rotatibilidade introduzida para assegurar uma gerao simtrica de informao no espao das variveis definidas e graduadas, at certo ponto correntemente pensadas de modo mais apropriado pelo experimentador. Os projetos Box-Behnken so formados pela combinao de projetos fatoriais de 2 nveis com projetos de blocos incompletos de uma maneira particular. Isso ilustrado na figura 3.13, onde mostrado um projeto de blocos incompletos balanceados para o ensaio dos variveis k = 4 em blocos b = 6 de tamanho s = 2.

x1
1 2 3 4 5 6

x2

x3

x4

Figura 3.13 Projeto de Blocos Incompletos Balanceados para 4 Variveis em 6 Blocos. Fonte: Box-Behnken (1960). Os dois asteriscos em todas as linhas do projeto de blocos incompletos so substitudos pelas colunas s = 2 do projeto de nvel 22. No lugar onde no tem asterisco, deve-se substituir por zero. O projeto completado pela adio de um nmero de pontos centrais (0, 0, 0, 0), sendo desejvel essa combinao. Na tabela 3.16, so mostrados vrios nmeros de projetos Box-Behnken como apropriados para a pesquisa de 3, 4, 5, 6, 7, 9, 10, 11, 12, e 16 variveis. Nessa tabela, exceto se indicado de outra forma, o smbolo ( 1, 1, , 1) quer dizer que todas as combinaes de mais e menos nveis podem ser ensaiadas. Sempre que um fatorial obtido no confundir os principais efeitos e duas interaes de fator uns com os outros, ele pode ser usado em substituio ao fatorial inteiro. Por exemplo, no projeto nmero 8, s equivalente a cinco e, como indicado na tabela, ao invs de usar um fatorial inteiro 25, para estes pode-se alcanar o resultado desejvel com replicao.

DMAIC Captulo 3

49

N. do Planejamento

Nmero de Variveis 3

Matriz do Planejamento

N. de Ensaios

Blocos e Esquema de Associao Blocagem no ortogonal. BIB (uma classe associada).

3 blocos de 9. BIB (uma Classe associada).

2 blocos de 23. BIB (uma classe associada).

2 blocos de 27. 1 Associao: (1, 4); (2, 5); (3 6).

2 blocos de 31. BIB (uma classe associada)

(a) 5 blocos de 26. (b) 10 blocos de 13. 6 9 1 associao: (1, 4); (1, 7); (4, 7); (2, 5); (28); (5, 8; (3, 6); (3, 9); (3, 9).

Tabela 3.16 Planejamentos de Experimentos de 3 Nveis.

DMAIC Captulo 3

50

N. do Planejamento

Nmero de Variveis

Matriz do Planejamento

N. de Ensaios

Blocos e Esquema de Associao


2 blocos de 85. 2 Associao: (1, 8); (1, 9); (1, 10); (2, 6); (2,7); (2, 10); (2, 5); (3, 7); (3, 9); (4, 5); (4, 6); (4, 8); (5, 10); (6, 9); (7, 8).

10

25 fracionado em x1x2x3x4x5. 8 11 Blocagem no ortogonal. BIB (uma classe associada).

2 blocos de 102. 9 12 1 Associao: (1, 7); (2, 8); (3, 9); (4, 10); (5, 11); (6, 12).

(a) 6 blocos de 66. (b) 12 blocos de 33. 1 Associao: (1, 5); (1, 9); (1, 13); ( 5, 9); (5, 13); (9, 13); (2, 6); (2, 10), 2, 14); (6, 10); (6, 14}; (10, 14); (3, 7); (3, 11); (3, 15); (7, 11); (7, 15); (11, 15); (4, 8); (4, 12); (4, 16); (8, 12); (8, 16); (12, 16).

10

16

Tabela 3.16 Planejamentos de Experimentos de 3 Nveis Fonte: Box e Behnken (1960)- Continuao.

DMAIC Captulo 3

51

Alguns projetos Box-Behnken so ensaiados em blocos, e para este, desejvel realizar bloqueamento ortogonal, ou seja, combinar de forma que os contrastes sejam no-correlativos com todas as estimativas dos coeficientes no polinmio. Se isso puder ser alcanado, a anlise poder ser executada quase como se diferenas de blocos no existissem. A nica modificao necessria que, na anlise de varincia, a soma de quadrados associados com diferenas de blocos precisa ser subtrada da soma residual de quadrados. Assumindo-se que o modelo seja adequado, a soma residual de quadrados assim ajustada pode ento ser usada para estimar a variao dentro-do-bloco e conseqentemente os desvios padro dos coeficientes. Aplicando estes conceitos pode-se notar que: 1) Onde os conjuntos de replicao puderem ser encontrados na gerao do projetos de blocos incompletos, estes produziro uma base para o bloqueamento ortogonal. Estes conjuntos de replicao so subgrupos dentro dos quais cada variedade testada o mesmo nmero de vezes. 2) Onde os projetos fatoriais componentes puderem ser divididos em blocos que apenas confundam interaes com nmero maior que dois fatores, estes podem dar uma base para o bloqueamento ortogonal. As linhas pontilhadas (tabela 3.16) indicam as divises apropriadas em conjuntos de replicao. Usando estas divises, o projeto nmero 2 pode ser dividido em 3 blocos, o projeto nmero 3, em 2 blocos, o projeto nmero 6, em 5 blocos e o projeto nmero 10 em 6 blocos. Nestes esquemas de bloqueamento os pontos centrais precisam ser distribudos igualmente no meio dos blocos para reter a ortogonalidade. O segundo mtodo pode ser ilustrado com o projeto nmero 4, para o qual o primeiro mtodo no pode ser empregado. A base para o projeto consiste em 48 ensaios gerados a partir de 6 projetos fatoriais 23. O projeto fatorial simples 23 pode ser executado em 2 conjuntos de 4 ensaios, confundindo a interao de 3 fatores com blocos. Ensaios com nveis (1, 1, 1), (1, 1, 1), (1, 1, 1), (1, 1, 1) podero ser includos em um conjunto (denominado conjunto positivo) e ensaios com nveis (1, 1, 1), (1, 1, 1), (1, 1, 1), (1, 1, 1), no outro (denominado conjunto negativo). O grupo completo de 48 ensaios pode ser dividido em 2 blocos ortogonais de 24 por intermdio da alocao do conjunto um (ou positivo ou negativo) a partir de todos os projetos fatoriais 23 no bloco 1, e o resto no outro. Este mtodo usado onde o tamanho do bloco s > 2 e empregado para projetos 4, 5, 6, 7, 9, e 10. Nos projetos 7, 9, e 10 o fatorial bsico um projeto 24. Este dividido em dois

DMAIC Captulo 3

52

conjuntos de tal forma que confunda a interao de fator quatro, o que vale dizer que ensaios com nveis cujo produto seja positivo so alocadas no grupo um, e o resto no outro. Em alguns casos, ambos os mtodos podem ser usados simultaneamente. Dessa forma, no projeto 6, o projeto de bloco bsico incompleto contm 5 replicaes indicadas pelas linhas pontilhadas na tabela 3.16, dando uma base para a gerao de 5 blocos de 24 ensaios. Cada um desses blocos pode ser dividido em dois atravs da alocao dos conjuntos positivos dos fatoriais componentes no bloco 1 e os conjuntos negativos, no outro. Obtem-se, finalmente, uma combinao para gerao de 10 blocos de 12 ensaios. Um procedimento similar pode ser aplicado no bloqueamento do projeto nmero 10 (Box e Behnken, 1960).

3.4.5 Planejamento do Experimento Box- Behnken


No presente trabalho, a RSM foi utilizada adotando-se o procedimento Box- Behnken com 3 fatores e 3 nveis, pois um fator importante que se deve considerar ao se planejar um experimento, a escolha correta do tipo de projeto que melhor se adapte s condies experimentais especficas do problema em estudo (Custdio, Morais e Muniz, 2000). Segundo Breyfogle (1999), os projetos Box- Behnken tem poucos ensaios, e isto uma das principais razes de ser escolhido sobre os de Pontos Centrais Compostos, ou seja, este projeto requer somente 3 nveis para cada varivel, sendo que o de Pontos Centrais Compostos requer 5 nveis para cada varivel. Os projetos Box- Behnken so gerados por variveis previamente delimitadas (Box e Behnken, 1960). Neste experimento teve-se como obstculo, o alto custo de set up, sendo assim procurou-se um tipo de RSM que tivesse menor nmero de ensaios, alm das limitaes de ajustes do flangeador 02, pois o dimensional do produto a ser fabricado no mesmo no poderia ultrapassar os limites de engenharia, sob o qual o mesmo foi projetado. Assim por requerer poucos ensaios e os ajustes serem limitados o projeto Box-Behnken foi escolhido para este experimento. As variveis independentes (KPIVs), selecionadas pelas etapas anteriores do programa 6 Sigma, como Matriz Causa e Efeito e FMEA, foram: Dimetro do Plugue, Largura do Flange e ngulo do Flange. A varivel dependente (resposta ou KPOV) foi o nmero de latas rejeitadas na envasadora (cliente). A funo assumida que vincula a resposta com as variveis independentes pode se aproximar com o polinmio de segunda ordem, que tem a seguinte forma:
y = b0 +b1.x1 + b2.x2 + b3.x3 +b12.x1.x2 + b13.x1.x3 + b23.x2.x3 + b11.x1 + b22.x2 + b33.x3

(3.25)

DMAIC Captulo 3

53

Em que:
y o n de latas rejeitadas; x1, x2, e x3, so o dimetro do plugue, largura do flange e ngulo do flange,

respectivamente, expressos em forma codificada (que tomam os valores 1, 0 e 1 respectivamente);


b0, b1, b2, b3, b12, b13, b23, b11, b22, b33 so os coeficientes de regresso.

O projeto Box-Behnken composto de 3 variveis e 3 nveis, com uma replicao representada pela tabela 3.17:

Ensaio 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Variveis x1 x2 x3 0 + 0 0 0 0 0 + + + 0 0 0 0 + 0 0 0 0 0 + 0 + 0 + 0 + 0 + + 0 0 + -

Tabela 3.17 Matrix Box-Behnken 3 Nveis e 3 Variveis Codificadas. Foram estabelecidos os limites mnimos e mximos para as variveis pela capacidade de ajuste do equipamento (Flangeador 02) e em funo dos dimetros mnimos e mximos permitido na abertura de encaixe da tampa para reclavao da mesma na lata. Assim, teve-se as seguintes medidas para nvel mnimo, mdio e mximo para as variveis de entrada (figura 3.14):
x1 = Dimetro do Plugue, mm, (52,298; 52,400; 52,502), x2 = Largura do Flange, mm, (1,880; 2,083; 2,286); x3 = ngulo do Flange, grau, (-1, 0, +1).

DMAIC Captulo 3

54

Figura 3.14 Indicao das Variveis de Entrada para o Projeto Box-Behnken.

3.4.6 Procedimento Experimental


Foi produzido um lote com 8.000 peas, numeradas de 1 a 15, de acordo com a combinao solicitada pela tabela 3.17, e inseridos os valores extremos e mdio (-1, 0 1) para:

Varivel 1= dimetro do plugue; Varivel 2 = largura do flange e Varivel 3 = ngulo do flange. As latas foram paletizadas aleatoriamente e enviadas para a envasadora do cliente. As

latas foram colocadas na linha de produo do cliente com acompanhamento dos tcnicos de produo, instrudos para coletar todas as latas que no completassem a reclavao da tampa, e anotar, em uma planilha a numerao de todas.

3.4.7 Resultados do Experimento


Aps o trmino do envase das latas, foram separadas as latas que apresentaram problemas de no recravao (rejeio), obteve-se o resultado da rejeio para cada tipo de combinao das variveis de entrada, conforme mostra a tabela 3.18:

DMAIC Captulo 3

55

Ordem Ordem do Dimetro Largura ngulo N. de Latas Padro Ensaio do Plugue do Flange do Flange Rejeitadas 12 1 52.400 2.286 1 26 13 2 52.400 2.083 0 6 2 3 52.502 1.880 0 15 15 4 52.400 2.083 0 6 8 5 52.502 2.083 1 14 1 6 52.298 1.880 0 40 9 7 52.400 1.880 -1 12 6 8 52.502 2.083 -1 6 14 9 52.400 2.083 0 6 5 10 52.298 2.083 -1 2 10 11 52.400 2.286 -1 1 4 12 52.502 2.286 0 2 3 13 52.298 2.286 0 2 7 14 52.298 2.083 1 11 11 15 52.400 1.880 1 26

Tabela 3.18 Resultado dos Ensaio na Linha de Produo do Cliente. As informaes da tabela 3.18 foram introduzidas no software estatstico Minitab, utilizando a RSM para projetos Box- Behnken. O Minitab estimou os coeficientes de regresso de superfcie de resposta para a rejeio versus dimetro do plugue, largura de flange e ngulo do flange, conforme tabelas 3.19 e 3.20, cuja anlise realizada com os coeficientes codificados, ou seja, sem os valores da variveis inseridos. As variveis significativas foram largura de flange (95%) e ngulo do flange (92%).
Termo Constante Dimetro Largura ngulo do Plugue.ngulo do plugue Dimetro.Dimetro Largura . Largura ngulo do Plugue.ngulo do plugue Dimetro.Largura Dimetro.ngulo do Plugue Largura.ngulo do Plugue
S = 8.815

Coef 6.000 -2.250 -7.750 7.000 0.375 8.375 1.875 6.250 -0.250 2.750

SE Coef 5.089 3.116 3.116 3.116 4.587 4.587 4.587 4.407 4.407 4.407

T 1.179 -0.722 -2.487 2.246 0.082 1.826 0.409 1.418 -0.057 0.624

P 0.291 0.503 0.055 0.075 0.938 0.127 0.700 0.215 0.957 0.560

R-Sq = 77.8%

R-Sq(adj) = 38.0%

Tabela 3.19 Anlise de Varincia para a Rejeio com Coeficientes Codificados.

DMAIC Captulo 3

56

Fonte Regresso Linear Quadrtico Interaco Erro Residual Falta de Ajuste Erro Puro Total

DF 9 3 3 3 5 3 2 14

Seq SS Adj SS Adj MS 1364.830 1364.833 151.648 913.000 913.000 304.333 265.080 265.083 88.361 186.750 186.750 62.250 388.500 388.500 77.700 388.500 388.500 129.500 0.000 0.000 0.000 1753.330

F 1.950 3.920 1.140 0.800

P 0.239 0.088 0.419 0.544

Tabela 3.20 Anlise de Varincia para Rejeio. Alm das tabelas com resultados do experimento, o Minitab forneceu os grficos atravs dos quais a superfcie de resposta para as variveis de entrada no processo (ngulo do flange, dimetro do plugue e largura do flange) pde ser analisada em relao varivel de sada (rejeio). Pode-se ento verificar quais foram os fatores e combinaes que mais influenciaram a rejeio de latas para o cliente. A figura 3.15 mostra que a rejeio diminui medida que o ngulo do flange assume valor negativo e a largura de flange aumenta.

Figura 3.15 RSM: ngulo do Flange x Largura do Flange para Rejeio. A figura 3.16 mostra que, quando o dimetro do plugue aumenta, a rejeio diminui; e que a variao da rejeio no ngulo do flange maior em relao variao do dimetro do plugue, indicando que o ngulo do flange tem maior influncia sobre a rejeio.

DMAIC Captulo 3

57

Figura 3.16 RSM: Dimetro do Plugue x Largura do Flange para Rejeio. Na figura 3.17, verifica-se que a menor rejeio ocorre quando o ngulo do flange tem valor -1 e o dimetro do plugue menor, este porm com menor influncia sobre a rejeio.

Figura 3.17 RSM: Dimetro do Plugue x ngulo do Flange para Rejeio. O Dimetro do Plugue no influenciou no aumento de rejeio, pela anlise de regresso o ndice descritivo (p value) 47,4%; portanto, devemos rejeitar a hiptese de

DMAIC Captulo 3

58

correlao com a rejeio. No entanto, a largura de Flange e o ngulo do Flange tem forte correlao com a rejeio, pois verifica-se que p 3,2 e 4,8%, respectivamente. A figura 3.18 mostra os valores otimizados das variveis, dimetro do plugue, largura de flange e ngulo de flange.

Figura 3.18 RSM: Otimizao das Variveis de Entrada. Conforme figura 3.18, a menor rejeio deve ocorrer quando:
x1 = Dimetro do Plugue = 52,3891 mm x2 = Largura de Flange = 2,1046 mm x3 = ngulo do Flange = -1

Se substituirmos os valores de x1, x2 e x3 na equao 3.25 da pgina 52, utilizando os valores de coeficientes de regresso da tabela 3.21, a resposta y (n de latas rejeitadas) ser zero, comprovando assim que os parmetros dimensionais para dimetro de plugue, largura de flange e ngulo de flange so otimizados:
Coeficiente b0 b1 b2 b3 b12 b13 b23 b11 b22 b33 Valor Numrico 134037.000 -4428.200 -16701.500 107.213 36.044 203.232 1.875 301.845 -2.451 13.547

Tabela 3.21 Coeficiente de Regresso no Codificados.

DMAIC Captulo 3

59

Assim:
y = b0 +b1.x1 + b2.x2 + b3.x3 +b12.x1.x2 + b13.x1.x3 + b23.x2.x3 + b11.x1 + b22.x2 + b33.x3 => y = 134037 + (-4428,2.x1)+(-16701,5.x2)+107,213.x3 +36,044.x1.x2 +203,23252,3891.x1.x3 +

1,875.x2.x3 + 301,845.x1 + (-2,451.x2) + 13,547.x3 =>


y = 134037 + (-4428,2. 52,3891)+(-16701,5. 2,1046)+107,213.x3 +36,044. 52,3891. 2,1046

+203,23252,3891. 52,3891.(-1) + 1,875. 2,1046.(-1) + 301,845. 52,3891 2,1046) + 13,547.(-1) =>


y=0

+ (-2,451.

3.5 Fase Controlar


Nesta fase so implementados diversos mecanismos para monitorar continuamente as variveis Xs que influenciam diretamente nos CTQs, mantendo desempenho do processo estvel. Entre as tcnicas adotadas, destaca-se o controle estatstico do processo(CEP) (Hoerl, 2001), atravs do mesmo tem-se vrios mtodos para monitorar a qualidade de um processo de produo. Entretanto, uma vez que um processo est sob controle necessrio manter o desempenho do processo tambm a longo prazo com as exigncias de engenharia. A maioria dos procedimentos e os ndices utilizados, foram introduzidos nos Estados Unidos primeiramente pela Ford Motor Company (Kane, 1986).

3.5.1 Controle Estatstico do Processo


Em todos os processos de produo, h necessidade de monitoramento dos produtos atravs de suas especificaes. H duas anomalias da qualidade do produto: (1) desvios das especificaes da mdia, e (2) variabilidade excessiva em torno das especificaes. Durante os estgios mais adiantados de se controlar o processo de produo, as experincias projetadas so usadas freqentemente para otimizar estas caractersticas da qualidade; os mtodos fornecidos no controle de qualidade so procedimentos para controle do monitoramento de um processo de produo ( Shirland, 1993):

Capabilidade Potencial (Cp) - Este o indicador mais simples e o mais direto da

potencialidade do processo. definido como a relao da escala da especificao escala do processo; usando limites do sigma do 3: Cp = (LSC-LIC)/6 (3.26)

DMAIC Captulo 3

60

Esta relao expressa a proporo da escala da curva normal que cai dentro dos limites da especificao da engenharia. Bhote (1988) relata o uso difundido de tcnicas estatsticas do controle de qualidade (antes de 1980), a qualidade normal de processos de manufatura dos Estados Unidos era aproximadamente Cp = 0,67. Aps 1988, somente 30% de processos dos Estados Unidos estavam abaixo deste nvel de qualidade. Na indstria de manufatura japonesa de 1980, adotou-se como padro Cp = 1,33. A potencialidade processo requerida para manufaturar produtos geralmente mais elevada do que esta; Minolta (Apud Bhote 1998, p.53) estabeleceu um ndice do Cp de 2,0 como seu padro mnimo para seus fornecedores, pois quando maior o Cp, indica menor variabilidade no processo e conseqentemente menores custos.

Processo no Centralizado Demonstrao Excelente(Cpk): Um dos principais

defeitos do ndice Cp que pode dar informao errnea se o processo no estiver no alvo. Primeiramente, os ndices potenciais superiores e mais baixos da potencialidade podem ser calculados para refletir o desvio da mdia observada no processo limites presumidos de 3 dos limites de controles superiores e inferiores. Obviamente, se estes valores no forem idnticos, o processo no centrado. A correo (k) para corrigir o Cp para os efeitos de no centralizados, dada pela seguinte expresso: K=(D - )1/2 Onde D = (LSC+LIC)/2. (3.27) (3.28)

Este fator da correo expressa a no centralizao (especificao do alvo menos a mdia) relativo escala da especificao. Pode-se ajustar o Cp para o efeito: Cpk = (1-k).Cp (3.29)

Se o processo for centrado perfeitamente, k igual a zero, e Cpk igual ao Cp.

Capabilidade Potencial II (Cpm): Uma modificao recente (Chan, Cheng, e Spiring,

1988) ao Cp dirigida em ajustar a estimativa do sigma para o efeito de no centralizao (aleatrio). Especificamente, pode-se calcular o sigma alternativo (2) como:
2 = { (xi - TS)2/(n-1)}

(3.30)

onde:

DMAIC Captulo 3

61

2 = estimativa alternativa do sigma xi = valor da amostra

TS = so o alvo ou a especificao nominal n = o nmero das observaes na amostra Para a curva normal padro, estes limites (z1 = -3 e z2 = +3) traduzem o percentil de 0,135 com 99,865%. No caso da distribuio no normal, os limites de bem como as mdias (zm = 0,0) podem ser substitudos pelos valores padres correspondentes, dados os mesmos percentis sob a curva no normal (Kane, 1986).

3.5.2 Cartas de Controle


As cartas de controle so teis para seguir a estatstica do processo ao longo do tempo e detectar a presena de causas especiais. Uma causa especial resulta na variao que pode ser detectada e controlada. A variao devido a causa comum a variao que inerente ao processo, pois um processo est sob controle quando h somente causas comuns. As cartas de controle por variveis, controlam estatisticamente dados de medidas dos lotes de produo, tais como o comprimento, a presso, etc. As cartas do controle por atributos traam dados da contagem, tais como o nmero dos defeitos ou de unidades defeituosas (AIAG, 1995b). As carta de controle mais utilizadas nos processos de fabricao so a carta X R e X S, na figura 3.19 tem-se um exemplo de uma carta X R:
Mdia das Amostras

603 602 601 600 599 598 0

1 LSC=602,4

Mdia=600,2

LIC=598,1 10 20

Subgrupo

Amplitude das Amostras

9 8 7 6 5 4 3 2 1 0

LSC=7,866

R=3,72

LIC=0

Figura 3.19 Carta de Controle X R.

DMAIC Captulo 3

62

Em ambas, a linha central horizontal representa as amostras diferentes; a linha central vertical para a carta de X R representam as mdias para a caracterstica de interesse; a linha central vertical para a carta de R (amplitude) representa as escalas. A linha central na carta da X R representa o tamanho padro desejado, enquanto que a linha central na carta de R representa a escala aceitvel; assim, esta ltima carta uma carta da variabilidade do processo. Alm da linha central, uma carta tpica inclui duas linhas horizontais adicionais para representar os limites de controle superiores e inferiores (AIAG, 1995b). Os tipos de cartas so classificados freqentemente de acordo com o tipo de caracterstica da qualidade que so supostos para monitorar: cartas para variveis e cartas do controle para atributos. Especificamente, as seguintes cartas so construdas geralmente para variveis controlando (AIAG, 1995b):

Carta X R Nesta carta as mdias da amostra so traados a fim controlar o valor mdio

de uma varivel (por exemplo, tamanho de anis de pisto, de fora dos materiais, etc.).
Carta R Nesta carta, as escalas da amostra so traadas a fim controlar a variabilidade

de uma varivel.
Carta S Nesta carta, os desvios padro da amostra so traados a fim controlar a

variabilidade de uma varivel.


Carta S2 Nesta carta, as variaes da amostra so traadas a fim controlar a

variabilidade de uma varivel. Para as caractersticas controlando da qualidade que representam atributos do produto, as seguintes cartas so construdas (Kane, 1986):

Carta C Nesta carta, traa-se o nmero dos defeitos (por grupo, por dia e por mquina,

por 100 ps da tubulao, etc.). Esta carta supe que os defeitos do atributo da qualidade so raros, e os limites de controle nesta carta so computados baseados na distribuio de Poisson (distribuio de eventos raros).

Carta U Nesta carta, traa-se a taxa dos defeitos, isto , o nmero dos defeitos

divididos pelo nmero das unidades inspecionadas. Ao contrrio da carta de C, esta carta no requer um nmero constante das unidades, e pode ser usada por exemplo, quando os grupos (amostras) so de tamanhos diferentes.

Carta Np Nesta carta, traa-se o nmero dos defeitos (por o grupo, por o dia, por a

mquina) como na carta de C. Entretanto, os limites de controle nesta carta no so

DMAIC Captulo 3

63

baseados

na

distribuio

de

eventos

raros,

mas

na

distribuio

binomial.

Conseqentemente, esta carta deve ser usada se a ocorrncia dos defeitos no for rara (por exemplo, ocorrem mais em de 5% das unidades inspecionadas). Por exemplo, pode-se usar esta carta controlar o nmero das unidades produzidas com falhas menores.

Carta P Nesta carta, traa-se a porcentagem dos defeitos (por o grupo, por o dia, por a

mquina, etc..) como na carta U. Entretanto, os limites de controle nesta carta no so baseados na distribuio de eventos raros mas na distribuio binomial (das propores). Conseqentemente, esta carta a mais aplicvel s situaes onde a ocorrncia dos defeitos no rara (por exemplo, espera-se a porcentagem dos defeitos ser maior que 5% do nmero total das unidades produzidas).

3.5.4 CEP das Variveis Otimizadas


O processo foi ajustado para que as variveis dimetro do plugue, largura do flange e ngulo do Flange, que foram otimizadas atravs da RSM Box-Behken, mantivesse o mais prximo do valor otimizado, conforme figura 3.18 da pgina 58. Na tabela 3.22, tem-se os dados do monitoramento, onde dimetro do plugue e largura do flange so medidas em milmetro e o ngulo do flange dado em grau.
H o ra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 D im etr o d o P lug ue 1 d ia 2 d ia 3 d ia
5 2 .3 7 6 5 2 .3 7 6 5 2 .4 2 2 5 2 .4 0 5 5 2 .3 6 6 5 2 .3 5 7 5 2 .3 9 3 5 2 .3 7 2 5 2 .3 9 4 5 2 .3 9 4 5 2 .3 9 9 5 2 .3 8 9 5 2 .3 7 9 5 2 .3 8 8 5 2 .4 1 7 5 2 .3 6 5 5 2 .3 7 4 5 2 .3 7 3 5 2 .3 8 1 5 2 .4 2 8 5 2 .3 9 9 5 2 .3 8 0 5 2 .4 1 3 5 2 .4 1 7 5 2 .3 4 5 5 2 .3 9 6 5 2 .4 1 9 5 2 .3 7 4 5 2 .3 7 4 5 2 .4 2 4 5 2 .4 1 7 5 2 .4 1 0 5 2 .3 8 5 5 2 .3 9 8 5 2 .3 7 9 5 2 .4 0 7 5 2 .4 0 3 5 2 .3 6 9 5 2 .4 0 6 5 2 .3 8 0 5 2 .3 6 6 5 2 .3 9 8 5 2 .3 8 4 5 2 .3 7 1 5 2 .3 7 0 5 2 .3 9 8 5 2 .4 1 7 5 2 .4 3 1 5 2 .4 0 2 5 2 .3 7 9 5 2 .3 9 6 5 2 .3 9 2 5 2 .3 9 7 5 2 .3 8 9 5 2 .4 0 2 5 2 .3 8 4 5 2 .3 9 3 5 2 .3 7 2 5 2 .3 7 9 5 2 .3 8 5 5 2 .3 6 4 5 2 .3 9 4 5 2 .3 7 9 5 2 .3 9 0 5 2 .3 9 9 5 2 .4 4 3 5 2 .3 8 1 5 2 .4 0 4 5 2 .3 9 7 5 2 .3 8 3 5 2 .4 2 5 5 2 .3 8 9

L a rg ura d o F lang e 1 d ia 2 d ia 3 d ia
2 .1 3 3 2 .0 9 7 2 .1 2 6 2 .1 0 8 2 .0 8 9 2 .1 0 8 2 .0 6 4 2 .0 8 7 2 .1 2 0 2 .0 6 8 2 .0 8 4 2 .1 5 5 2 .1 2 6 2 .0 9 3 2 .1 3 4 2 .0 8 6 2 .1 1 1 2 .0 7 7 2 .1 0 2 2 .1 0 8 2 .1 3 3 2 .0 9 0 2 .0 5 2 2 .0 9 4 2 .0 7 6 2 .1 3 1 2 .1 3 9 2 .1 1 7 2 .1 4 1 2 .1 3 2 2 .1 1 2 2 .1 1 2 2 .1 1 3 2 .1 2 0 2 .1 3 6 2 .1 4 3 2 .1 1 5 2 .1 4 6 2 .0 8 5 2 .0 2 4 2 .1 0 6 2 .1 5 7 2 .0 7 7 2 .1 2 5 2 .1 1 0 2 .0 7 6 2 .1 2 5 2 .0 9 6 2 .1 5 0 2 .1 2 3 2 .0 9 0 2 .0 7 8 2 .1 1 3 2 .1 1 9 2 .1 2 3 2 .0 8 9 2 .1 1 3 2 .1 3 9 2 .1 0 5 2 .0 9 1 2 .0 6 5 2 .0 9 5 2 .0 8 7 2 .1 0 0 2 .1 0 4 2 .0 9 5 2 .0 9 6 2 .1 2 1 2 .0 9 1 2 .0 8 3 2 .0 9 3 2 .1 1 1

ng u lo d o F lang e 1 d ia 2 d ia 3 d ia
-0 .8 4 -0 .7 9 -1 .2 6 -0 .5 9 -1 .1 7 -0 .7 5 -1 .1 4 -0 .8 9 -0 .8 6 -0 .9 7 -1 .2 7 -0 .7 9 -0 .8 8 -1 .1 3 -0 .8 9 -1 .1 1 -1 .4 7 -1 .0 2 -0 .9 9 -0 .6 1 -0 .9 6 -0 .9 6 -0 .8 3 -0 .8 9 -0 .9 1 -1 .0 0 -1 .2 5 -1 .0 2 -1 .1 8 -0 .9 0 -1 .1 4 -0 .4 4 -0 .5 8 -0 .7 7 -1 .0 3 -0 .8 7 -0 .9 9 -0 .7 0 -1 .1 6 -0 .9 7 -1 .0 4 -1 .4 8 -0 .9 5 -1 .3 6 -1 .4 5 -0 .9 1 -0 .9 7 -0 .9 4 -0 .7 6 -1 .0 2 -0 .9 2 -1 .3 6 -1 .1 2 -1 .1 4 -1 .1 8 -1 .1 0 -1 .3 9 -0 .8 6 -1 .3 5 -1 .0 7 -1 .0 5 -1 .2 2 -0 .9 8 -1 .2 0 -0 .9 3 -1 .3 0 -1 .1 8 -1 .2 6 -1 .1 5 -0 .7 5 -1 .0 5 -1 .3 8

Tabela 3.22 Dados de Medio das Variveis Otimizadas.

DMAIC Captulo 3

64

Os dados da tabela 3.22 foram levados no Minitab e obteve-se as carta de controle e histograma com ndice de capabilidade, em todos: Cp >1.33, conforme mostras as figuras: 3.20; 3.21; 3.22; 3.23; 3.24 e 3.25.

52,44 52,43 52,42 52,41 52,40 52,39 52,38 52,37 52,36 52,35 52,34 Subgrupo

Mdia das Amostras

LSC=52,43

Mdia=52,39

LCL=52,35 0 10 20 30 40

Amplitude das Amostras

0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0,00

LSC=0,069

R=0,021 LIC=0

Figura 3.20 Carta de Controle do Dimetro do Plugue.

Process Data USL Alvo LSL M dia N de Amostras Desvio Padro 52,490 52,389 52,299 52,392 72 0,0187

LIE

LSE

Capabilidade Cp Cpk 1,69 1,64

52,30

52,35

52,40

52,45

52,50

Figura 3.21 Histograma do Dimetro do Plugue.

DMAIC Captulo 3

65

2,15

UCL=2,158

Sample Mean

2,10

Mean=2,106

2,05 Subgroup 0 10 20 30 40

LCL=2,054

0,10 UCL=0,09085

Sample Range

0,05 R=0,02781 0,00 LCL=0

Figura 3.22 Carta de Controle da Largura do Flange.

Process Data LSE Alvo LIE Mdia Nmero de Amostras Desvio Padro 2,228 2,105 1,985 2,106 72 0,0248

LSL

USL

Capabilidade Cp Cpk 1,61 1,60

2,00

2,05

2,10

2,15

2,20

2,25

Figura 3.23 Histograma da Largura do Flange.

DMAIC Captulo 3

66

Mdia das Amostras

-0,5

LSC=-0,50

-1,0

Mdia=-1,02

-1,5 0 10 20 30 40

LIC=-1,55

Subgrupo

Amplitude das Amostras

1,0

LSC=0,91

0,5 R=0,28 0,0 LIC=0

Figura 3.24 Carta de Controle da ngulo do Flange.

Dados do Processo LSC Alvo LIC Mdia N de Amostras Desv io Padro 0,00 -1,00 -2,00 -1,02 72 0,2228

LIE

LSE

Capabilidade Cp Cpk 1,50 1,46

-2,0

-1,5

-1,0

-0,5

0,0

Figura 3.25 Histograma da ngulo do Flange. Obedecendo aos valores otimizados das variveis de entrada do projeto de experimento utilizado, e controlando o processo atravs das cartas de controle, foi produzido novo lote de latas. Ao serem testadas novamente as latas na linha do cliente, a rejeio caiu de 0,80 para 0,17%, ou seja 1700 ppm, o que eqivale a um nvel sigma aproximado de 4,46 de acordo com a tabela 3.4 da pgina 21.

Concluses Captulo 4

67

4.

CONCLUSES

4.1 Anlise dos Resultados


Atravs do projeto 6 Sigma pode-se estabelecer novos controles para o processo de fabricao, quebrando-se um paradigma que existia desde quando o equipamento flangeador 2 entrou em operao, ou seja, a varivel controlada com maior rigor sempre foi o dimetro do plugue; nenhuma importncia era dada largura de flange e ngulo do flange. Com o controle tambm mais rigoroso desta varivel em torno dos valores otimizados, produziu-se produtos com melhores nveis de qualidade. Este trabalho apresentou uma soluo simples para resolver problemas de reclamao de produtos acabados por parte do cliente de latas de alumnio. Foi proposta a utilizao do projeto de experimento, atravs da RSM para otimizao das variveis de entrada. A reduo de custo foi da ordem de 6% do faturamento da empresa. O trabalho teve como objetivo utilizar a metodologia 6 Sigma, mostrando um exemplo prtico de aplicao da mesma. As variveis de entrada no processo para o projeto de experimento tiveram seus valores otimizados, possibilitando empresa antecipar futuros problemas com o cliente. Com base no exposto acima, pode-se concluir que o objetivo geral do trabalho foi atingido. Com relao aos objetivos secundrios, vrias constataes podem atestar o alcance dos mesmos. Elas esto relacionadas a seguir:

A metodologia 6 Sigma foi utilizada seguindo-se o roadmap conforme o trabalho de Rasis, Gitlow e Popovich, atravs da qual pode-se otimizar as variveis de controle do processo de fabricao;

O modelo de projeto de experimentos apresentado na fase Improve do DMAIC pode ser facilmente aplicado em outras indstrias; Os novos parmetros de processo fornecido indstria de latas de alumnio trouxeram resultados satisfatrios.

4.2 Limitaes do Trabalho


Existem algumas limitaes nesta pesquisa que podem ser eliminadas em futuros trabalhos:

A metodologia 6 Sigma foi aplicada parcialmente com utilizao de algumas ferramentas;

Concluses Captulo 4

68

Poderia ser feito outro DOERSM com os resultados obtidos na primeira rodada do experimento, utilizando valores prximos ao ponto timo, pois os valores adotados atravs desta rodada poderia no ser ideais, sendo assim deve-se confirmar os valores com mais uma rodada de experimento, evitando assim assumir riscos. No entanto, tornou-se invivel, neste trabalho, devido ao alto custo de equipamento parado para execuo dos ensaios (set up). Sugiro que em novas aplicaes da metodologia 6 Sigma seja calculado o retorno financeiro no escopo do trabalho prevendo custo/ benefcio do set up versus processo otimizado.

4.3 Principais Dificuldades


As principais dificuldades encontradas para elaborao deste trabalho foram:

Poucos trabalhos acadmicos nacionais que abrangem a metodologia 6 Sigma; Alto custo para obteno de artigos sobre 6 Sigma e RSM, por exemplo Box-Behnken um artigo de 1960. A oportunidades de experimentao na indstria rara devido a urgncia em se cumprir o cronograma de produo;

4.4 Recomendaes a Trabalhos Futuros


Este trabalho utilizou a metodologia 6 Sigma, porm de maneira resumida. A explorao da metodologia 6 Sigma teve seu auge somente na fase Improve do DMAIC, onde foi utilizado o projeto de experimento para otimizao das variveis de entrada no processo. Assim, deve-se pesquisar de maneira mais intensa por meio do programa 6 Sigma, ou seja, que se faa utilizao de mais ferramentas contribuindo para melhoria da qualidade dos produtos de fabricao nacional.

Anexos

69

ANEXO A O processo de fabricao de latas de alumnio


As latas possuem estrutura que lhes confere grande resistncia antes, durante e aps o envase. So formadas por duas peas bsicas: corpo e tampa. Devido s suas caractersticas geomtricas, o fundo da lata se encaixa perfeitamente tampa de uma outra lata, o que propicia a um empilhamento perfeito no ponto de venda. A impresso do rtulo pode ser feita em at oito cores, dependendo da solicitao do cliente. Com isso, o aspecto visual da lata ganha destaque, atraindo a ateno do consumidor. A tampa de abertura Stay-on-Tab, de fcil manuseio, e que retm o anel reduzindo a poluio ambiental chamada de ecolgica (Morgan 1985). No processo de fabricao, o alumnio, sob forma de grandes bobinas, desenrolado no desbobinador, que possui dois mandris, um para trabalho contnuo e outro para espera, fazendo com que o set-up seja o mais reduzido possvel (figura A1, 1). A prensa de copos corta a chapa, pr-lubrificada no lubrificador em diversos discos, dando-lhes, simultaneamente, a forma do copo (figura A1, 2). Os copos seguem para a prensa de latas, onde suas paredes externas, sob grande presso, vo diminuir de espessura e sero estiradas para formar o corpo da lata (figura A1, 3). Na sada da prensa, as bordas superiores so aparadas no aparador para que todas as latas fiquem da mesma altura (figura A1, 4). As latas passam por seis banhos consecutivos na Lavadora, onde so retirados os resduos de orgnicos e inorgnicos; depois passam por um forno de secagem, o que garante sua total assepsia e esterilizao (figura A1,5). Aps a lavagem, as latas recebem uma camada de tinta branca (impressora de cobertura bsica) como preparao para a litografia (figura A1, 6) e logo depois so secas por um forno de corrente pinada , cujos componentes so chamados de forno de pinos (figura A1, 7). Os rtulos so gerados em flexografia na impressora e podem receber at seis cores simultaneamente (figura A1, 8). Aps a litografia, as latas recebem verniz no fundo pela envernizadora de fundo para reduzir o atrito nos transportadores da envasadora e so secas novamente, por outro forno de pinos (figuras A1, 9 e A1, 10, respectivamente). O interior das latas recebe um verniz especial que vai formar uma camada de proteo extra (figura A.11); as latas seguem, ento, para o forno de secagem do revestimento aplicado (figura A1, 12). A ltima etapa de fabricao a moldagem do pescoo e do perfil da borda para o encaixe da tampa (figura A1, 13), que realizada sucessivamente no flangeadores 01 e 02; antes de ter moldado o pescoo, a lata recebe uma camada de cera ou leo mineral pelo aplicador de leo . O pescoo da lata, alm de lhe conceder uma maior resistncia de coluna, reduz o dimetro da boca, o que permite o uso de uma tampa menor, diminuindo o custo da embalagem. Depois de pronta, a lata passa pelo

Anexos

70

primeiro controle de qualidade, que executado atravs de um teste de luz de alta intensidade e cmara de vdeo (inspeo automtica interna e externa respectivamente) que capaz de detectar qualquer eventual defeito na lata (figura A1,14). Finalmente, as latas so paletizadas na paletizadora (figura A1, 15) para armazenagem e transporte De cada lote produzido so retiradas amostras para o controle estatstico de qualidade(CEQ), (Turney, 1998). As latas de alumnio tm muitas vantagens competitivas: ocupam menor espao para armazenamento; gastam menos energia para resfriamento por terem maior condutividade trmica; tm o menor custo de transporte; maior giro de estoque e so 100% reciclveis.

Figura A1 Etapas do Processo de Fabricao de Latas. A figura A2 d uma viso geral do processo de fabricao da lata, onde os itens identificados so (Turney, 1998):

Anexos

71

1 Desbobinador; 1b Lubrificador; 2 Prensa de Copos; 3 Prensa de Latas; 4 Aparador de Latas; 5 Lavadora; 6 Envernizadora de Cobertura; 7 Forno de Pinos 01; 8 Impressora; 9 Envernizadora de Fundo; 10 Forno de Pinos 02; 11 Forno de Esteira; 12 Forno de Esteira; 13a Aplicadora de leo; 13b Flangeador 01; 13c Flangeador 02; 14a Inspeo Automtica Interna; 14b Inspeo Automtica Externa; 15 Paletizafora; X Reformador de fundo.

Figura A2 Planta Interna de uma Fbrica de Latas.

Anexos

72

ANEXO B A Latasa
A Latasa a empresa lder na produo e comercializao de embalagens metlicas para bebidas no Brasil, Argentina e Chile. Com capacidade anual de produo de 8 bilhes/ lata por ano. A Latasa iniciou suas operaes comerciais no Brasil no ano de 1990, atravs da instalao da primeira fbrica da empresa, localizada no municpio de Pouso Alegre, Minas Gerais. A partir da, a Latasa levou adiante um agressivo processo de expanso de sua capacidade instalada, abrindo cinco novas fbricas no perodo de sete anos. Depois da unidade de Pouso Alegre, MG (Janeiro de 1990), foram construdas as fbricas de Santa Cruz, RJ (Janeiro de 1995); duas novas fbricas na Amrica Latina, em Santiago, Chile (setembro de 1995) e Buenos Aires, Argentina (novembro de 1995); em Jacare, SP (outubro de 1996) e Recife, PE (setembro de 1997). No final de 1998, o mercado brasileiro j contava com mais quatro concorrentes, contabilizando no total oito fbricas produtoras de latas. Destas fbricas, quatro pertencem Latasa, que, sozinha, responsvel pela produo de 55,2% das latas de alumnio consumidas pelo mercado. Alm das quatro fbricas, a Latasa tambm possui um Centro de Reciclagem de latas de alumnio, localizado em Pindamonhangaba, no interior de So Paulo. Neste Centro, as latas de alumnio usadas so derretidas e transformadas em matria-prima para a produo de chapas de alumnio, com as quais sero produzidas novas latas, reiniciando o processo de reciclagem. Devido crescente preferncia do consumidor brasileiro por bebidas em lata, no final de 1998, as latas de alumnio j ocupavam mais de 30% do mercado de cervejas e refrigerantes (Martins, 2000).

Referncias Bibliogrficas

73

REFERNCIAS BIBLIOGRFICAS
AIAG (1995 a), Automotive Industry Action Group, Measurement Systems Analysis MSA) Reference Manual, Chrysler Corporation, Ford Motor Company, General Motors Corporation, Detroit Michigan. AIAG (1995 b), Statical Process Control (SPC) Reference Manual, Chrysler Corporation, Ford Motor Company, General Motors Corporation, Detroit Michigan. AIAG (1995 c), Potential Failure Mode and Effects Analysis (FMEA) Reference Chrysler Corporation, Ford Motor Company, General Motors Corporation, Michigan. BHOTE, K. R. (1988), World class quality. New York: AMA Membership Publications. BLAKESLEE, J. A. (2000), Achieving Quantum Leaps in Quality and competitiveness: Congress Implementing Six Sigma Solution in Your Company, ASQ S 53rd Annual Quality. Proceeding, pages 495-496. BORROR, C. M. and MONTGOMERY, D. C. (2000), Evaluation of Statistical Design for Experiments Involving Nois Variables Variables, Journal of Quality Technology, Vol. 34. Issue 1. BOX, G. E. P. and BEHNKEN, D. W. (1960), Some new Three level Design for the Study of quantitative Variable, Tecnometrics, Vol. 1, pp. 445-476. BOX, G. E. P. and DRAPER, N. R. (1987), Empirical Model Building and Response Wiley, New York. Surfaces, Manual, Detroit

BREYFOGLE, F. W. (1999), Implementing Six Sigma : Smarter Solutions Using Statistical Methods, John Wiley & Sons, Inc Texas. CARVALHO, M. M.(1997), QFD- Uma Ferramenta de Tomada de Deciso em Projeto. Universidade Federal e Santa Catarina. CHAN, L. K., CHENG, S. W., & SPIRING, F. (1988), A New Measure of Process Capability: Cpm. Journal of Quality Technology, 20, 162-175. COLE, D. A., MAXWELL, S. E., ARVEY, R., & SALAS, E. (1993), Multivariate Group Comparisons of Variable Systems: MANOVA and Structural Equation Modeling. Psychological Bulletin, 114, 174-184. CORNELL, J. (1981), Experiments with Mixtures, 2nd, John Wiley & Sons Inc New York. CORNELL, J. A. (1990a), How to Run mixture Experiments for Product Quality. Milwaukee, Wisconsin: ASQC.

Referncias Bibliogrficas

74

CORTINA, J. M. and NOURI H. (2000), Effect Size for ANOVA Designs. Thousand Oaks, CA: Sage Publications. Quantitative Applications in the Social Sciences series no. 129. CUSTDIO, T. N., MORAIS, A. R. e MUNIZ J. A(2000), Superfcie de Resposta em Experimento com Parcelas Subdivididas. Cincias Agrotcnica, Lavras, v.24, n.4, p.1008. DEMING, W. F. (1986). Out of Crisiss, Massachusetts Institute of Technology, Cambridge, MA. GE (2001),General Electric Company, Annual Report 2001. GIRDEN, E. R. (1992), ANOVA Repeated Measures. Thousand Oaks, CA: Sage Publications. Quantitative Applications in the Social Sciences series no. 84. GODFREY, A .B.(2000), A Carreira dos Faixas Pretas, Banas Qualidade, Maio 2000. HAHN. G. J., HILL, W. J., J., HOERL., R. W. and ZIKGRAF, S. A (1999), The Impact of Six Sigma Improvement: A Glimpse Into the Future of Statistics, The American Statician 53, pp. 1-8. HALBLEIB, L. L. and CROWDER, S. V. (2001), Teaching Design of Experiments Using a Job Aid and Minitab, Sandia National Laboratories. [on line, http// www.minitab.com/ resources/whitepapers/crowder.htm; capturado em 05/01/2002]. HARRY, M. J. (1988). The Nature of 6 Sigma Quality, Rolling Meadows, IL: Motorola University. HARRY, M. J. (1994 a), The Vision of Six Sigma: Tools and Methods for Breakthrough Sigma. Published Company, Phoenix, Arizona. HARRY, M. J. (1998), A Breakthrough Strategy for Profitability, Quality Progress, May: 60-64. HOERL, R. W. (2001), Six Sigma Black Belts: What Do They Need to Know? Journal of Quality Technology Vol. 33, N. 4. HRADESK, J. L. (1988), Productivity & Quality Improvement: A Practical Guide to Implementing Statistical Process Control, McGraw - Hill, Inc. New York. JACKSON, S. and BRASHERS, D. E. (1994), Random Factors in ANOVA. Thousand Oaks, CA: Sage Publications. Quantitative Applications in the Social Sciences series no. 98. Thorough coverage of random effect models, including SAS and SPSS code. KAHANE, L. H. (2001), Regression Basics. Thousand Oaks, CA: Sage Publications. KANE, V. E. (1986), Process Capability Indices. Journal of Quality Technology, 18, 41-52. KENDALL, M. and GIBBONS, J. D. (1990), Rank Correlation Methods, Fifth Edition. NY: Oxford Univ Press; ISBN: 0195208374. KOSELKA, R. (1996), The New Manta: MTV, Forbes, March 11, 1996, pp. 114- 118.

Referncias Bibliogrficas

75

LINDERMAN, K., SCHROEDER, R. G., ZAHEER, S. and CHOO, A., (2002), Six Sigma: a goal-theoretic perspective, Journal of Operations Management, (21) 193-203. MARTINS, J. C. (2000), Quem Somos.[on line, http://www.latasa.com.br/index1.htm; capturado em 12/01/2001]. MASTRO, C. A. (1998), Using Six Sigma to Optimize a Continuous Chemical Process at AlliedSignal Inc, North Carolina State University. MILES, J. and SHEVLIN, M. (2001), Applying Regression and Correlation. Thousand Oaks, CA: Sage Publications. Introductory text built around model-building. MINITAB (2000), Minitab Statistical Software, Release 13.31 for Windows. MONTGOMERY, D. C. (1997), Design and Analysis of Experiments, John Wiley & Inc New York. Sons,

MORGAN, E. (1985), Tinplate and Modern Canmaking Technology, Pergamon Press, Inc Oxford. PIEPEL, G. F. (1988), Programs for Generating Extreme Vertices and Centroids of Linearly Constrained Experimental Regions. Journal of Quality Technology, 20, 125-139. RAFFALDI, J. and RAMSIER, S. (2000), 5 Ways to Verify Your Gages, Quality OnLine, March capturado em 2000.[on line, http//www.qualitymag.com/articles/2000/marc00/0300f2.asp; 07/12/2001]. RASIS, D., GITLOW, H. S. and POPOVICH, E. (2002), Paper Organizers International: A Fictitious Six Sigma Green belt Case Study I and II, Quality Engineering, 2002- Vol. 15, N. 2. SCHMIDT, S. and CASE, K. (2001), Communicating Design of Experiments (DOE) to Nonstatisticians, Air Academy Associates and Oklahoma State University.[on line, http//www.airacad.com/Papers/CommunicatingDOE.html; capturado em 10/01/2002]. SCHMIDT, S. R. and LAUNSBY, R. G. (1997), Understanding Industrial Designed Experiments, Air Academy Press, Colorado Spring, CO. SCHMIDT, S. R., KIEMELE. M.J., BERDINE, R. J. (1997), Knowledge Based Management. Air Associates Press & Academy, Colorado Spring. SHIRLAND, L. E. (1993), Statistical quality control with microcomputer applications. New York: Wiley SIGNOR, M. C. (2000), The Failure Analysis Matrix: A Usable Model for Ranking Solutions to Failure in Information Systems, School of Computer and Information Sciences Nova Southeastern University, USA.

Referncias Bibliogrficas

76

SNEE, R. D. (2000), Six Sigma Improved Both Statistical Training and Process, Quality Progress 33(10), pp. 68-72. TURNER, J. R. and THAYER, J. (2001), Introduction to Analysis of Variance. Thousand Oaks, CA: Sage Publications. Focus on explaining different types of designs. TURNEY, T. A. (1998), Canmaking: the Technology of Metal Protection and Blankie Academic & Professional, Inc London. Decoration,

WERKEMA, M. C. C. (2000), Avaliao da Qualidade de Medidas, Editora de Desenvolvimento Gerencial, MG.