Você está na página 1de 127

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

ESCOLA DE ENGENHARIA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO

IMPLEMENTAO DE UM PROJETO DE
MELHORIAS EM UM PROCESSO DE REAO
QUMICA EM BATELADA UTILIZANDO O MTODO
DMAIC
Jorge da Luz Matos

Porto Alegre, 2003

1
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
ESCOLA DE ENGENHARIA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO

IMPLEMENTAO DE UM PROJETO DE MELHORIAS EM UM


PROCESSO DE REAO QUMICA EM BATELADA UTILIZANDO O
MTODO DMAIC
Jorge da Luz Matos
Orientadora: Profa. Carla Schwengber ten Caten, Dra.
Banca Examinadora:
Dinara Westphalen Xavier Fernandez, Dra.
Profa. Depto. de Estatstica / UFRGS
Fernando Gonalves Amaral, Dr.
Prof. PPGEP / UFRGS
Nilson Romeu Marclio, Dr.
Prof. Depto. de Engenharia Qumica / UFRGS

Dissertao submetida ao Programa de Ps-Graduao em Engenharia de


Produo como requisito parcial obteno do ttulo de
MESTRE EM ENGENHARIA DE PRODUO
rea de concentrao: Qualidade e Gerncia de Servios

Porto Alegre, dezembro de 2003.

3
Esta dissertao foi julgada adequada para a obteno do ttulo de Mestre em
Engenharia de Produo e aprovada em sua forma final pela orientadora e pela Banca
Examinadora designada pelo Programa de Ps-Graduao em Engenharia de Produo.

__________________________________
Profa. Carla Schwengber ten Caten, Dra.
Universidade Federal do Rio Grande do Sul
Orientadora

__________________________________
Prof. Jos Luis Duarte Ribeiro, Dr.
Coordenador do PPGEP / UFRGS

Banca Examinadora:
Dinara Westphalen Xavier Fernandez, Dra.
Profa. Depto. de Estatstica / UFRGS
Fernando Gonalves Amaral, Dr.
Prof. PPGEP / UFRGS
Nilson Romeu Marclio, Dr.
Prof. Depto. de Engenharia Qumica / UFRGS

AGRADECIMENTOS
A minha orientadora, professora Carla Schwengber ten Caten, pelo
conhecimento transmitido, pelo apoio dispensado e pela pacincia ao conduzir o trabalho.
Aos funcionrios da empresa que integraram o projeto, pela oportunidade
oferecida para a aplicao dos conhecimentos tericos em um ambiente real. Pelo apoio,
colaborao e companheirismo demonstrado durante o desenvolvimento da pesquisa.
Aos professores e funcionrios do PPGEP, pela forma como sempre estiveram
presentes e dispostos a me auxiliar, quando se fez necessrio.
Aos professores componentes da banca examinadora, pelas significativas
contribuies.
Aos meus pais, Joo e Maria, meus maiores exemplos de fora, f e amor
vida, que aliceram constantemente a luta na conquista dos meus ideais.
A todos aqueles que direta ou indiretamente contriburam para a elaborao
deste trabalho.
Finalmente agradeo a minha amada esposa Fabiana, pelo incentivo e apoio
dispensados nos momentos difceis.

Dedico este trabalho aos meus pais Joo e


Maria; minhas irms Iolanda e Elivete; meu
irmo Rodrigo; meus filhos (as) Lisiane, Diego
Christian, Jssica, Jennifer e minha esposa
Fabiana; que me inspiraram e sempre me
incentivaram na busca de mais esta conquista.

SUMRIO

LISTA DE FIGURAS............................................................................................................... 8
LISTA DE TABELAS ..............................................................................................................9
RESUMO................................................................................................................................. 10
ABSTRACT ............................................................................................................................ 11
INTRODUO ...................................................................................................................... 12
1.1 CONSIDERAES INICIAIS ................................................................................................ 12
1.2 TEMA E OBJETIVOS .......................................................................................................... 13
1.3 JUSTIFICATIVA ................................................................................................................. 13
1.4 MTODO DE TRABALHO ................................................................................................... 15
1.5 LIMITAES DO TRABALHO ............................................................................................. 16
1.6 ESTRUTURA DA DISSERTAO ........................................................................................ 17
2 REVISO BIBLIOGRFICA ........................................................................................... 18
2.1 O SEIS SIGMA .................................................................................................................. 18
2.1.1 A origem do Seis Sigma .......................................................................................... 18
2.1.2 Filosofia Seis Sigma ................................................................................................ 19
2.1.3 As mtricas do Seis Sigma ...................................................................................... 20
2.1.4 Escala sigma ............................................................................................................ 22
2.1.5 Seleo do projeto Seis Sigma................................................................................. 22
2.2 PROCESSOS EM BATELADA............................................................................................... 23
2.2.1 Introduo................................................................................................................ 23
2.2.2 Definio de processos em batelada........................................................................ 23
2.2.3 Caractersticas dos processos em batelada .............................................................. 24
2.2.4 Fontes de variao em bateladas ............................................................................. 25
2.3 CONTROLE ESTATSTICO DO PROCESSO ........................................................................... 26
2.3.1 Introduo................................................................................................................ 26
2.3.2 Definio do CEP .................................................................................................... 26
2.3.3 Implementao do CEP ........................................................................................... 27
2.3.4 Sub-grupos racionais ............................................................................................... 27
2.3.5 Cartas de controle para variveis............................................................................. 28
2.3.6 Interpretao da estabilidade do processo ............................................................... 33
2.3.7 Estudo de capacidade do processo .......................................................................... 34
2.4 ANLISE DE SISTEMAS DE MEDIO ................................................................................ 37

7
2.4.1 Introduo................................................................................................................ 37
2.4.2 Fontes de variao em sistemas de medio ........................................................... 37
2.4.3 Mtodo da mdia e amplitude ................................................................................. 40
2.4.4 Mtodo da Anlise de Varincia ............................................................................. 43
2.5 ANLISE DO MODO E EFEITO DE FALHA (FMEA) ...........................................................45
2.5.1 Introduo................................................................................................................ 45
2.5.2 Mtodo de anlise.................................................................................................... 45
2.5.3 Os ndices utilizados no FMEA............................................................................... 46
2. 6 DESDOBRAMENTO DA FUNO QUALIDADE (QFD) .......................................................49
2.6.1 Introduo................................................................................................................ 49
2.6.2 O uso do QFD..........................................................................................................50
2.6.3 As matrizes do QFD ................................................................................................ 51
2.6.4 Matriz dos processos ............................................................................................... 51
2.7 ANLISE DE REGRESSO .................................................................................................. 53
2.7.1 Introduo................................................................................................................ 53
2.7.2 Regresso linear simples ......................................................................................... 53
2.7.3 Regresso linear mltipla ........................................................................................ 58
3 METODOLOGIA................................................................................................................ 67
3.1 INTRODUO ................................................................................................................... 67
3.2 O MTODO DMAIC......................................................................................................... 67
3.2.1 Definir...................................................................................................................... 67
3.2.2 Medir ....................................................................................................................... 69
3.2.3 Analisar.................................................................................................................... 70
3.2.4 Melhorar .................................................................................................................. 71
3.2.5 Controlar.................................................................................................................. 71
4 DESCRIO DO ESTUDO, RESULTADOS E DISCUSSO ......................................73
4.1 INTRODUO ................................................................................................................... 73
4.2 DESCRIO DO PROCESSO ............................................................................................... 74
4.3 MTODO DMAIC............................................................................................................ 75
4.3.1 Etapa Definir ........................................................................................................... 75
4.2.2 Etapa Medir ............................................................................................................. 81
4.3.3 Etapa Analisar ......................................................................................................... 95
4.3.4 Etapa Melhorar ...................................................................................................... 103
4.3.5 Etapa Controlar...................................................................................................... 104
CONCLUSO....................................................................................................................... 105
5.1 SUGESTES PARA TRABALHOS FUTUROS ....................................................................... 108
REFERNCIAS BIBLIOGRFICAS ...............................................................................109
APNDICE A ....................................................................................................................... 116
ANEXO A.............................................................................................................................. 123
ANEXO B .............................................................................................................................. 125

LISTA DE FIGURAS

Figura 1 - Curva de distribuio normal ilustrando a diferena entre processos 3 e 6........ 20


Figura 2 - Carta de controle para mdias.................................................................................. 28
Figura 3 - Carta de controle para amplitudes. .......................................................................... 29
Figura 4 - Curvas de distribuio normal para trs processos, A, B e C com Cpk=1. .............. 36
Figura 5 - Fontes de variao observadas em sistemas de medio......................................... 38
Figura 6 - Representao grfica da reprodutibilidade para trs operadores. .......................... 41
Figura 7 - Fluxograma simplificado para a elaborao de um FMEA de processo. ................ 48
Figura 8 - Fluxograma que ilustra a abordagem do QFD......................................................... 50
Figura 9 - Grfico de disperso e a reta de regresso ajustada a um conjunto de dados..........54
Figura 10 - Esquema simplificado do processo de polimerizao de NBR especial em
emulso............................................................................................................................. 75
Figura 11 - Intervalo de confiana de 95% para a varincia da VM ........................................ 78
Figura 12 - Boxplots relacionando a VM com a quantidade de MOD inc. ............................. 78
Figura 13 - Boxplots comparando os tempos de reao por reator........................................... 80
Figura 14 - Diagrama de causa e efeito das variveis influentes no processo.......................... 82
Figura 15 - Mapa do processo de produo de NBR em batelada. .......................................... 84
Figura 16 - Matriz de causa e efeito das variveis do processo. .............................................. 85
Figura 17 - Grfico de Pareto do grau de importncia das variveis do processo. .................. 86
Figura 18 - Carta de controle para os valores individuais do sistema de dosagem do OX ini. 88
Figura 19 - Carta de controle para os valores individuais do sistema de dosagem do OX inc.89
Figura 20 - Carta de controle para os valores individuais do sistema de dosagem do MOD ini.
.......................................................................................................................................... 89
Figura 21 - Estudo de capacidade do sistema de dosagem do TM........................................... 89
Figura 22 - Estudo de capacidade do sistema de dosagem da PC. ........................................... 90
Figura 23 - Estudo de capacidade do sistema de dosagem do MOD inc. ................................ 90
Figura 24 - Estudo de capacidade do sistema de dosagem do MOD ini para t=20 min........... 92
Figura 25 - Estudo de capacidade do sistema de dosagem do MOD ini para t=31 min........... 92
Figura 26 - Histograma de resduos para o modelo de regresso da VM................................. 97
Figura 27 - Probabilidade normal para os resduos do modelo de regresso da VM. .............. 98
Figura 28 - Grfico dos resduos contra os valores ajustados para a VM. ............................... 98
Figura 29 - Grfico dos resduos contra a ordem da coleta dos dados para a VM. .................. 99
Figura 30 - Histograma de resduos para o modelo de regresso do tR. ................................ 100
Figura 31 - Probabilidade normal para os resduos do modelo de regresso do tR. .............. 101
Figura 32 - Grfico dos resduos contra os valores ajustados para o tR................................101
Figura 33 - Grfico dos resduos contra a ordem da coleta dos dados para o tR. .................. 102

LISTA DE TABELAS

Tabela 1 - Custos da m qualidade em funo do nvel sigma do processo, com a mdia


deslocada de 1,5. ............................................................................................................ 14
Tabela 2 - Tabela simplificada do nvel sigma em funo nmero de defeitos produzidos..... 22
Tabela 3 Tabela para a obteno da constante d2 .................................................................. 40
Tabela 4 Mdias quadradas para os efeitos das fontes de variao....................................... 43
Tabela 5 Critrios para a aceitao de um sistema de medio............................................. 44
Tabela 6 - ANOVA para o teste de significncia da regresso linear simples......................... 56
Tabela 7 - Disposio dos dados para utilizao no modelo de regresso linear mltipla.......60
Tabela 8 - ANOVA para o teste de significncia da regresso linear mltipla........................ 62
Tabela 9 - Estatstica descritiva dos valores de VM utilizados para a determinao da situao
atual. ................................................................................................................................. 77
Tabela 10 - Estatstica descritiva dos tempos de reao para a avaliao da situao atual. .. 79
Tabela 11 - Estudo de R&R para a VM do ltex NBR............................................................. 95
Tabela 12 - ANOVA para a significncia da regresso VM versus t 7 ini, t PC, t MOD inc,
MOD inc e TM. ................................................................................................................ 96
Tabela 13 - ANOVA para a regresso de VM versus t 7 ini, t PC, t MOD inc, MOD inc e TM.
.......................................................................................................................................... 97
Tabela 14 - ANOVA para a significncia da regresso tR versus T OX ini, t 7 ini e t MOD
inc. .................................................................................................................................. 100
Tabela 15 - ANOVA para a regresso de tR versus T OX ini, t 7 ini e t MOD inc. .............. 100

10

RESUMO

Esta dissertao apresenta a implementao das etapas do mtodo DMAIC


(Definir, Medir, Analisar, Melhorar e Controlar) no desenvolvimento de um projeto Seis
Sigma em uma indstria petroqumica. O objetivo do projeto Seis Sigma foi reduzir a
variabilidade de uma caracterstica de qualidade crtica para o cliente e diminuir a disperso
dos tempos de reao entre as bateladas na produo de elastmeros. Neste trabalho so
apresentadas as principais tcnicas e ferramentas estatsticas utilizadas nas cinco etapas do
mtodo DMAIC, tais como brainstorming, mapeamento de processo, diagrama de causa e
efeito, matriz da causa e efeito, grfico de Pareto, FMEA e anlise de regresso linear
mltipla. A pesquisa desenvolvida de forma participativa, atravs da interao entre o
pesquisador e os especialistas do processo, evidenciou a importncia do conhecimento tcnico
do processo e um bom planejamento para a aquisio dos dados, como pontos importantes
para a realizao de um projeto de melhoria bem sucedido. O estudo apontou ainda,
deficincias no sistema de controle de temperatura do reator, no sistema de medio para a
caracterstica de qualidade viscosidade Mooney e no sistema de dosagem dos insumos.

Palavras-chave:
Seis Sigma, DMAIC, indstria petroqumica, processos em batelada.

11

ABSTRACT

This work presents the implementation of DMAIC Method (Define, Measure,


Analyze, Improve and Control) for a Six Sigma project development in a petrochemical
process industry. The purpose of this project is to reduce the variability of a quality
characteristic critical to the client and the reaction time variability of rubber production in
batch reaction. This research presents the main methods and statistical tools used in the
DMAIC method steps as brainstorming, mapping process, cause and effect diagram, cause
and effect matrix, Pareto graphic, FMEA, and multiple linear regression analysis. The
research was conduced considering the interaction between the researcher and the process
practitioners, showing the importance of technical knowledge about the process and good data
acquisition planning as important steps to the success of an improvement project. This work
also indicated deficiencies in the reactor temperature control system, in the Mooney viscosity
quality characteristic measurement system and at the inputs addition system.

Key-words:
Six Sigma, DMAIC, petrochemical industry, batch process.

12

CAPTULO 1

INTRODUO
1.1 CONSIDERAES INICIAIS
O atual ambiente de negcios demanda um novo entendimento da qualidade e
uma nova definio da alta direo, levando executivos e gerentes da qualidade a seguir um
caminho que promova a satisfao do cliente, dos colaboradores, dos acionistas e de toda a
organizao ao mesmo tempo. Diante dessa realidade, torna-se necessrio que as organizaes
adotem estratgias para melhorar continuamente a gesto de seus negcios e as relaes com
seus consumidores. Para enfrentar esse ambiente cada vez mais competitivo muitas empresas,
na busca da reduo da variabilidade das caractersticas crticas para a qualidade, esto
adotando o Seis Sigma, que um programa associado aos conceitos de qualidade,
lucratividade e aumento da satisfao do cliente (HARRY, 2000a).
O programa Seis Sigma uma estratgia de gerenciamento desenvolvida para
melhorar negcios, que foi primeiramente utilizada pela Motorola nos anos oitenta e
popularizada, quando a AlliedSignal e General Electric a adotaram, como mtodo
predominante no gerenciamento de seus negcios (ECKES, 2002). A abordagem da
Motorola para a melhoria contnua foi baseada na comparao do desempenho do processo
com a especificao do produto e um esforo direcionado para a reduo de defeitos
(FOLARON; MORGAN, 2003). De acordo com Bendell (2001), Seis Sigma mais que uma
tcnica de qualidade, trata-se de uma estratgia sistematizada para projetos de programas de
melhoria, com o objetivo de atingir um elevado nvel de qualidade do produto. Em outras
palavras, Seis Sigma um esforo para otimizar os processos de produo, visando assegurar
at doze desvios-padro (seis para cada lado do valor nominal) dentro da especificao de

13
qualquer processo. O programa Seis Sigma envolve a identificao do nvel de qualidade e a
probabilidade de ocorrncia de defeitos. A estratgia de negcios Seis Sigma se baseia nas
ferramentas estatsticas e especificamente em processos e mtodos para alcanar metas
mensurveis, aumentar a eficincia e a produtividade, reduzindo o desperdcio e melhorando
processos e produtos (CHALLENER, 2001).
1.2 TEMA E OBJETIVOS
O tema desta dissertao versa sobre programas de melhoria Seis Sigma, o
mtodo DMAIC e processos de reao qumica em batelada na indstria petroqumica.
O objetivo principal deste trabalho a implementao de um projeto de
melhoria em um processo de reao qumica em batelada com a utilizao do mtodo
DMAIC (Definir, Medir, Analisar, Melhorar e Controlar) do programa Seis Sigma. Para
tanto, ser desenvolvido um projeto para diminuir a variabilidade de uma caracterstica
crtica para a qualidade do produto e a disperso nos tempos de processamento das bateladas,
seguindo as cinco etapas do mtodo DMAIC.
Os objetivos especficos esto relacionados com:
- apresentar uma viso sobre o programa de qualidade Seis Sigma; o mtodo DMAIC e as
principais tcnicas e ferramentas estatsticas utilizadas na sua implementao;
- apresentar e comentar tcnicas e utilizao prtica do mtodo DMAIC, apresentando as
atividades desenvolvidas, as ferramentas utilizadas e os resultados obtidos em cada etapa do
mtodo.
- identificar e priorizar as variveis do processo que esto mais relacionadas com a
caracterstica de qualidade viscosidade Mooney e com o tempo de reao das bateladas.
1.3 JUSTIFICATIVA
Com o aumento da concorrncia entre as empresas, em funo da abertura da
economia para o mercado internacional, a partir de 1990 (at ento era proibido importar
produtos ou servios com similar nacional), surgiu a necessidade de uma adequao dos
meios de produo nova realidade econmica mundial. As empresas que at ento
operavam com o protecionismo de mercado garantido pelo estado, no tinham uma
preocupao com qualidade e preo e, com isto, ficaram ao longo dos anos, defasadas
gerencialmente e tecnologicamente em relao s concorrentes internacionais. Durante a
vigncia do protecionismo do estado, segundo Campos (1999), os preos praticados pelas

14
empresas eram negociados com o CIP (Conselho Interministerial de Preos), a partir de um
clculo perverso utilizado para determinar o preo final dos produtos, onde o nus da m
qualidade era repassado ao cliente.
Este cenrio poltico-econmico trouxe s empresas brasileiras uma grande
ineficincia em seus processos produtivos, provocando um alto custo operacional e um baixo
nvel de qualidade dos produtos e servios. Assim, para se adaptarem s novas regras de
mercado, as empresas esto passando por um processo de reestruturao gerencial focado na
otimizao dos processos produtivos, visando a reduo dos custos de produo e um
atendimento compatvel s exigncias do cliente.
Nesse contexto, Seis Sigma uma estratgia com uma srie de tcnicas e
ferramentas estatsticas que pode auxiliar as organizaes na tomada de deciso para a
implementao de aes de melhoria de processos e produtos proporcionando satisfao aos
clientes e lucratividade s organizaes (HARRY, 1998). Ainda, segundo Harry (2000b), o
Seis Sigma se preocupa com a percepo e o reconhecimento das reais necessidades do
cliente e do produtor.

O programa Seis Sigma, baseado na utilizao organizada e

estruturada das tcnicas, mtodos e ferramentas estatsticas pode proporcionar s


organizaes um salto de melhoria da qualidade em produtos e processos, bem como gerar
nas organizaes uma atuao voltada s necessidades dos clientes (ECKES, 2001).
Na tabela 1 apresenta-se uma escala onde Harry e Schroeder (1998) classificam
as empresas, relacionando os nveis de qualidade, expressos na escala sigma, aos custos com a
m qualidade em termos do percentual das vendas.

Tabela 1 - Custos da m qualidade em funo do nvel sigma do processo, com a mdia deslocada de 1,5.
Nvel sigma

Defeitos por milho

Custo da m qualidade

308.537 (empresas no-competitivas)

No se aplica

66.807

25 a 40% das vendas

6.210 (mdia da indstria)

15 a 25% das vendas

233

5 a 15% das vendas

3,4 (empresas "classe mundial")

< 1% das vendas

Fonte: Harry e Schroeder (1998).

15
1.4 MTODO DE TRABALHO
A metodologia utilizada neste trabalho uma pesquisa bsica aplicada,
participante, com uma abordagem quantitativa e explicativa. O trabalho se desenvolve a
partir da interao entre o pesquisador e especialistas do processo em estudo.
O mtodo de pesquisa utilizado se enquadra na metodologia da pesquisa-ao
utilizando-se alguns elementos da metodologia do estudo de caso. De acordo com Thiollent
(1998), pesquisa-ao consiste em uma pesquisa social com base emprica implementada em
estreita associao com uma ao ou com a resoluo de problemas coletivos. Neste mtodo,
os pesquisadores e os participantes representativos da situao ou problema esto envolvidos
de modo cooperativo ou participativo.
Com relao aos procedimentos tcnicos a pesquisa se caracterizar segundo o
ponto de vista de Gil (1999), como:
a) Pesquisa bibliogrfica elaborada a partir de material j publicado, constitudo
principalmente de livros, artigos de peridicos e materiais disponibilizados na
Internet;
b) Pesquisa participante, onde a pesquisa se desenvolve a partir da interao entre
pesquisador e membros das situaes investigadas.
O propsito da pesquisa utilizar conceitos desenvolvidos por outros autores
e aplic-los no ambiente industrial, por meio da discusso com os especialistas do processo
sobre os problemas a serem resolvidos. A investigao se basear na observao da
realidade, experincias dos atores da situao investigada e consulta literatura existente
sobre o assunto. O trabalho se desenvolver a partir da reviso bibliogrfica sobre o
programa de qualidade Seis Sigma, o mtodo DMAIC e sobre as tcnicas e ferramentas
estatsticas utilizadas. Ainda durante o desenvolvimento dos trabalhos haver participao do
pesquisador em treinamentos e sesses de brainstorming com os integrantes do grupo de
estudo.
A metodologia de trabalho se constituir na utilizao organizada e
estruturada das tcnicas e ferramentas estatsticas para a implementao do mtodo DMAIC
na elaborao de projetos de melhoria em processos industriais. A verificao da
aplicabilidade do mtodo ser efetuada atravs da realizao de uma pesquisa-ao em um

16
processo de reao qumica em batelada de uma indstria petroqumica, conforme o mtodo
de trabalho descrito na seqncia.
Inicialmente, realizou-se uma reunio com a gerncia e os engenheiros da
empresa para discutir os problemas e os projetos de melhoria de interesse, a serem
implementados com uma abordagem baseada no programa Seis Sigma. Aps esse encontro,
iniciou-se uma pesquisa bibliogrfica preliminar sobre o Seis Sigma e a participao,
juntamente com os engenheiros da empresa, na segunda sesso de um treinamento sobre o
Seis Sigma. Na primeira sesso do treinamento Seis Sigma, que versava principalmente sobre
as ferramentas bsicas de estatstica, houve a participao dos gerentes, engenheiros e
tcnicos da empresa.
Posteriormente, foi realizada uma reunio com os representantes da empresa
para discutir os critrios para a seleo do projeto de melhoria. Nesta ocasio definiu-se o
projeto com base nos seguintes critrios: aumento da satisfao do cliente; potencial de
ganho financeiro para a empresa e principalmente na adequao do projeto para o
aprendizado do Seis Sigma (projeto piloto).
Na seqncia foi realizado o planejamento e execuo das etapas Definir e
Medir. Simultaneamente ao desenvolvimento destas etapas, procedeu-se a pesquisa
bibliogrfica referente ao Seis Sigma, ao mtodo DMAIC e as tcnicas e ferramentas
estatsticas da qualidade. Nesse perodo, participou-se tambm da terceira sesso do curso
sobre Seis Sigma acompanhando os engenheiros da empresa.
Aps a concluso das etapas Definir e Medir desenvolveu-se as etapas
Analisar, Melhorar e Controlar. Finalmente, foi realizada uma discusso dos resultados e
complementao da pesquisa bibliogrfica.
1.5 LIMITAES DO TRABALHO
Os mtodos e ferramentas sero estudados e aplicados em processos qumicos
em bateladas, sendo que o uso em outros processos, como produtos manufaturados, por
exemplo, no ser discutido neste trabalho. Tambm no so objetos deste estudo, aspectos
relacionados cultura da qualidade existente na organizao e ao aprendizado
organizacional, to necessrios para a implantao de um programa de qualidade.
O presente trabalho, se concentrar na determinao da situao atual do
processo em estudo, determinao das variveis e priorizao das variveis crticas do
processo, anlise do processo e proposio de aes de melhorias para o mesmo. Estas aes

17
visam a reduo na variabilidade das caractersticas de qualidade do produto (mais crticas
para o cliente) e da variabilidade nos tempos de processamento das bateladas. A
implementao das etapas de melhoria e controle do processo, propostos pela equipe de
estudo, depender de deciso gerencial da empresa.
1.6 ESTRUTURA DA DISSERTAO
O trabalho est organizado em cinco captulos. No primeiro introduzido o
tema, justificando a importncia da melhoria da qualidade de processos e produtos no cenrio
econmico atual. Aqui tambm so apresentados os objetivos, o mtodo de trabalho
utilizado, a estrutura e as limitaes do estudo.
A reviso bibliogrfica do programa Seis Sigma, dos processos qumicos em
batelada e das principais tcnicas e ferramentas estatsticas que sero utilizadas durante o
desenvolvimento do trabalho apresentada no segundo captulo.
No terceiro captulo so apresentados o mtodo DMAIC e a descrio das
etapas do mtodo: Definir, Medir, Analisar, Melhorar e Controlar.
O desenvolvimento da pesquisa em uma indstria petroqumica, onde
apresentam-se a implementao das etapas e o detalhamento das tcnicas e ferramentas
utilizadas, assim como os resultados obtidos em cada etapa do mtodo DMAIC so descritos
no quarto captulo.
Finalmente, no captulo 5 so apresentadas as concluses e as consideraes
finais sobre o projeto de melhoria. Tambm sero propostas sugestes para trabalhos futuros,
que possam dar continuidade ao trabalho desenvolvido.

18

CAPTULO 2

2 REVISO BIBLIOGRFICA
Neste captulo apresenta-se a fundamentao terica que possibilitou a
elaborao desta dissertao. Sero abordados os conceitos da qualidade Seis Sigma, as
tcnicas e ferramentas estatsticas aplicadas na gesto e melhoria da qualidade.
2.1 O SEIS SIGMA
Seis Sigma uma filosofia de qualidade baseada em um conjunto de objetivos
de curto prazo, com um empenho para atingir metas de longo prazo. Se utiliza da medio e
foco no cliente para orientar projetos de melhoria contnua em todos os nveis da empresa. As
metas de longo prazo, desenvolvidas e implementadas nos processos tanto industriais quanto
administrativos visam torn-los robustos, mantendo nveis de poucos defeitos por milho de
oportunidades (MARASH, 2000).
De acordo com Martens (2001), Seis Sigma uma metodologia disciplinada
com lgica, seqncia e estrutura para implementar projetos de melhoria. uma filosofia para
a excelncia operacional provida de viso, foco e direo para a companhia.
Diferentemente de outras iniciativas da qualidade, Seis Sigma procura
identificar a essncia do processo para guiar os objetivos estratgicos da organizao. Em
organizaes com fins financeiros, os objetivos estratgicos chave do negcio so:
lucratividade; crescimento do negcio; satisfao do cliente; excelncia na gesto
organizacional e satisfao dos colaboradores (ECKES, 2002).
2.1.1 A origem do Seis Sigma
Segundo Harry e Schoroeder (2000), a metodologia Seis Sigma nasceu e se
desenvolveu em meados de 1980 na Motorola, nos Estados Unidos. Porm, a raiz original do

19
Seis Sigma foi encontrada no livro Quality is Free escrito por Philip Crosby em 1979, onde
uma das contribuies de Crosby para a gesto da qualidade foi o conceito do zero defeito,
que a filosofia seguida pelo Seis Sigma. Nesta poca a empresa se sentia ameaada pela
concorrncia da indstria eletrnica japonesa e necessitava fazer uma profunda melhoria em
seu nvel de qualidade. Com a ameaa da concorrncia japonesa, a Motorola iniciou um novo
modo de abordagem gerencial para a melhoria da qualidade, no qual a meta estabelecida para
melhoria de todos os produtos, bem como servios, foi melhorar a qualidade em dez vezes. A
Motorola focou os recursos no Seis Sigma, incluindo esforo humano na reduo da variao
dos processos como, processos de manufatura, processos administrativo e todos os demais
processos. O conjunto de aes de melhorias chamado de programa Seis Sigma foi lanado
oficialmente pela Motorola em 1987.
A origem do nome Sigma vem da medida estatstica de quantificao da
variabilidade (desvio-padro), utilizada para expressar a capacidade de um processo, isto , a
habilidade deste de produzir produtos no-defeituosos. Estatisticamente, sigma o termo
usado para representar a disperso em torno da mdia do processo. Seis Sigma implica
geralmente na ocorrncia de uma taxa de defeitos abaixo de 3,4 defeitos por milho de
oportunidades (dpmo) para defeitos levantados (KLEFSJ; WIKLUND; EDGEMAN, 2001).
2.1.2 Filosofia Seis Sigma
Segundo Harry (1998), a filosofia do Seis Sigma reconhece que h uma
correlao direta entre o nmero de produtos defeituosos, o desperdcio com custos
operacionais e o nvel de satisfao do cliente. A estatstica utilizada no Seis Sigma mede a
capacidade do processo em executar trabalhos livres de defeitos. Na abordagem Seis Sigma, o
ndice de medida de defeito comumente usado o dpu - defeitos por unidades produzidas. O
valor do nvel sigma indica a freqncia provvel para a ocorrncia de defeitos. Um alto valor
de sigma corresponde a uma baixa probabilidade do processo em produzir itens com defeitos.
Conseqentemente, um incremento no nvel sigma, produz melhoria na confiabilidade,
diminui a necessidade de testes e inspees finais, reduz o tempo de ciclo e aumenta a
satisfao do cliente.
Seis Sigma tornou-se, ento, uma abordagem conhecida em muitas
organizaes, utilizada para controlar a variabilidade e reduzir o desperdcio nos processos,
usando avanadas tcnicas e ferramentas estatsticas. Em termos de negcio, Seis Sigma
definido como uma estratgia usada para melhorar a lucratividade, reduzir os custos com a m
qualidade, melhorar a eficcia e eficincia de todas as operaes, visando exceder as

20
necessidades e expectativas do cliente (CORONADO; ANTONY, 2002; SMITH;
BLAKESLEE, 2002).
2.1.3 As mtricas do Seis Sigma
Historicamente, a variabilidade natural dos processos foi considerada em
termos estatsticos como sendo seis sigmas. Este nvel de capacidade se refere a um processo
no qual a variabilidade de uma caracterstica de qualidade est compreendida entre mais ou
menos trs sigmas ( 3 ), resultando em um percentual de 99,73% das unidades
produzidas dentro dos limites de especificao. Conseqentemente, um processo com esta
capacidade ter aproximadamente 0,27% de defeitos. Se for assumido um deslocamento da
mdia (shift) de at 1,5 sigmas e, considerando o lado da curva normal onde a mdia est mais
prxima do limite de especificao, este processo apresentar 66807 defeitos em um milho
de oportunidades. Um processo 4 sigmas, por exemplo, produzir 6210 defeitos em um
milho de oportunidades, enquanto que um processo 6 sigmas no gerar mais do que 3,4
defeitos em um milho de oportunidades, correspondendo a um rendimento com 99,99966%
dos itens produzidos livres de defeitos (MARASH, 2000).
Na figura 1 est representada a curva de distribuio normal, comparando o
desempenho de processos trs e seis sigmas com deslocamento da mdia (shift) de 1,5 sigmas.

LIE

A lvo
+1,5

LSE

3,4 p p m
66807 p p m

+1

+2

+3

+4

+5

+6

+7

Fonte: adaptado de Man (2002).


Figura 1 - Curva de distribuio normal ilustrando a diferena entre processos 3 e 6.

+8

21
Segundo Breyfogle e Meadows (2001), as organizaes freqentemente
perdem tempo criando mtricas que no so apropriadas para medir o rendimento das sadas
dos processos. Algumas dessas podem requerer uma grande quantidade de valiosos esforos
sem fornecer o resultado desejado. Mtricas que revelam o fator oculto tal como retrabalho
no processo podem trazer benefcios para muitos projetos de melhorias. A estratgia de
negcio Seis Sigma prope a criao da mtrica certa para cada situao.
Para Wheeler (2002), as mtricas utilizadas no Seis Sigma medem os defeitos
mais eficientemente do que as usadas nos clssicos programas de qualidade. Estas mtricas e
termos definidos por Wheeler (2002) e Lucas (2002), so apresentados a seguir:
- caractersticas crticas para a qualidade (CTQ critical to quality) um atributo do produto
ou processo que afeta a aceitao do cliente, ou seja, aquele atributo especificado pelo
cliente;
- defeitos por unidade (dpu): uma medida que reflete o nmero mdio de defeitos de todos
os tipos, sobre o nmero total de unidades produzidas. O dpu pode ser calculado com a
equao 1.
dpu =

n defeitos
n unidades

(1)

- defeitos por oportunidades (dpo): o dpo expressa a proporo de defeitos levando em


considerao o nmero total de oportunidades, durante o processo, para a ocorrncia de
defeitos. O dpo pode ser calculado com o auxlio da equao 2.
dpo =

n defeitos
dpu
=
n de unidades x n de oportunidades n de oportunidades

(2)

- defeitos por milho de oportunidades (dpmo): o dpmo indica o nmero provvel de defeitos
que podem ocorrer em um milho de oportunidades possveis para a ocorrncia de defeitos.
Em ambientes de fabricao o dpmo tambm pode ser entendido como partes por milho
(ppm). O dpmo e o ppm so calculados como apresentado nas equaes 3 a e 3 b.
dpmo =

n de defeitos
x106 = dpox106
n de unidades x n de oportunidades

ppm = Probabilidade de defeitosx106 = Px106

(3a)
(3b)

22
2.1.4 Escala sigma
De acordo com Lucas (2002), o nvel sigma de um processo pode ser obtido a
partir do nmero de defeitos por ele produzido (utilizando-se os valores de dpmo ou ppm)
com o auxlio de uma tabela de converso. A tabela de converso para a escala sigma foi
elaborada supondo-se um deslocamento da mdia do processo (shift) de 1,5 . Segundo
Bothe (2002), esse deslocamento pode variar de 1,4 a 1,6 , sendo recomendado para a
maioria dos processos o valor de 1,5 . O valor do dpmo ou ppm convertido em nvel
sigma, conforme ilustrado na tabela simplificada (tabela 2). A tabela completa do nvel sigma
apresentada no anexo A.

Tabela 2 - Tabela simplificada do nvel sigma em funo nmero de defeitos produzidos.


Defeitos por milho de oportunidades
(dpmo)
1
691462
2
308537
3
66807
4
6210
5
233
6
3,4
Fonte: adaptado de Lucier e Sechadri (2001).

Nvel sigma

2.1.5 Seleo do projeto Seis Sigma


A etapa mais importante em um projeto Seis Sigma a escolha do projeto. A
seleo de um projeto apropriado garante o alinhamento do projeto com a estratgia da
organizao e com as necessidades do cliente. Selecionar um bom projeto, significa
identificar e melhorar o desempenho das mtricas que melhoraro os resultados financeiros da
organizao (HARRY; SCHROEDER, 2000). Para Snee (2002), o escopo de um projeto pode
incluir reduo de perdas, aumento de capacidade, diminuio de tempo ocioso, uso mais
eficiente ou melhoria do rendimento da matria prima. Questes relacionadas com satisfao
do cliente, tais como: entregas no prazo e reduo de defeitos, tambm podem resultar num
bom projeto.
Segundo Lynch e Cloutier (2003), o projeto Seis Sigma ideal aquele que se
concentra em uma rea especfica de interesse e tem uma dimenso compatvel para ser
concludo num prazo de trs a seis meses. Grandes projetos focados em mais de uma rea

23
devem ser divididos em outros que devero ser completados mais tarde ou conduzidos em
paralelo.
Para Werkema (2002), o sucesso e a consolidao da cultura Seis Sigma na
organizao, bem como a obteno de resultados significativos em tempos adequados
depende da escolha de um bom projeto. As principais caractersticas a serem consideradas
para a seleo de um bom projeto so: (i) o alinhamento com as metas estratgicas da
empresa; (ii) propiciar aumento da satisfao do cliente; (iii) apresentar uma boa chance de
concluso no prazo estabelecido; (iv) garantir uma melhoria no desempenho da organizao,
compatvel com o porte e tipo de negcio da empresa; (v) quantificao precisa, por meio de
mtricas adequadas, da situao atual e dos resultados a serem alcanados com o projeto e (vi)
comprometimento por parte da alta administrao da empresa e dos demais gestores
envolvidos.
2.2 PROCESSOS EM BATELADA
2.2.1 Introduo
Na maioria das operaes de processamento economicamente vantajoso
manter o equipamento em operao contnua e permanente com um mnimo de perturbaes
ou paradas, principalmente nos processos de produo em larga escala. Esta estratgia de
produo conveniente em funo da maior produtividade do equipamento que opera com
uma maior taxa de ocupao e, conseqentemente, com um menor preo unitrio do produto.
Um processo contnuo, onde as condies operacionais no variam com o tempo, dito
processo em regime permanente ou em estado estacionrio. Em contraste, processos
descontnuos (batelada ou semibatelada) so ditos processos em regime transiente ou noestacionrio. A anlise das condies transientes normalmente mais complicada do que as
de regime permanente.
2.2.2 Definio de processos em batelada
Segundo Aziz e Mujtaba (2002), Boqu e Smilde (1999), Cho e Kim (2003),
um processo de produo em batelada consiste basicamente no carregamento de
equipamentos padronizados, com quantidades das matrias-primas pr-definidas usando uma
seqncia especfica. Se necessrio, os equipamentos devem ser facilmente adaptados e
configurados para a produo de uma gama de produtos diferentes. Em processos de reao
qumica, a reao ocorre em um certo perodo de tempo, no qual as variveis crticas so
acompanhadas durante o andamento da batelada. Finalmente, o produto resultante

24
descarregado e algumas caractersticas de qualidade so medidas. Esta estratgia de produo
particularmente adequada para produtos farmacuticos, polimricos, bioqumicos e outros
produtos da qumica fina.
2.2.3 Caractersticas dos processos em batelada
Os processos em batelada so caracterizados por um alto grau de flexibilidade
que, pode ser apropriadamente explorado para se obter a mxima produo com lucratividade.
Em princpio, a receita utilizada para a produo deve apresentar um equilbrio otimizado
entre qualidade e custo por batelada do produto obtido (ROMERO et al., 2003).
Os processos de reao qumica em batelada so importantes na indstria da
qumica fina, por apresentarem versatilidade e flexibilidade de produo. Em processos de
reao qumica em batelada as variveis do processo variam significativamente durante a
produo da batelada. Logo, no h um estado estacionrio e, conseqentemente, no h um
set point em torno do qual o processo pode ser regulado e mantido. Ento, em operaes do
tipo batelada o objetivo no a manuteno do sistema em um valor constante, mas sim a
otimizao de algum parmetro que expresse o desempenho do sistema.
De acordo com Marsh e Tucker (1989), o processamento em batelada pode
produzir uma grande variedade de produtos com baixo investimento, se comparado ao
processamento contnuo. Entretanto, processos em batelada introduzem mais oportunidades
para variao em processos e produtos do que o processo contnuo. Processos em batelada
raramente so operados em estado estacionrio. Em reator de batelada, a reao qumica
direcionada at um ponto final no qual o tempo da batelada se aproxima do estado
estacionrio.
Em processos contnuos a operao quase sempre em estado estacionrio e h
um valor alvo e limites de controle constantes. Para processos em batelada, estes alvos e
limites se aplicam somente prximo ao final do processo ou no final da batelada. A batelada
produzida a partir da execuo de uma receita - um conjunto completo com dados e
procedimentos que definem os requisitos a serem controlados para o tipo de produto desejado
(SRINIVASAN et al., 2000).
Segundo Bonvin (1998), os processos em batelada tambm apresentam as
seguintes caractersticas:

25
Comportamento irreversvel: em processos nos quais as propriedades dependem da
histria do produto, tal como polimerizao ou cristalizao, uma vez que o material
produzido fora de especificao, quase sempre impossvel efetuar correes remediveis.
Ao corretiva limitada: a capacidade para influenciar a reao tipicamente decresce com o
tempo em reatores descontnuos. O tempo de durao da corrida, que previamente definido,
limita o impacto da ao de correo. Se a batelada apresenta um desvio em relao
qualidade do produto a carga tem que ser descartada.
Natureza repetitiva: processamento em batelada caracterizado por uma freqente repetio
de corridas de bateladas. Isso possibilita o uso de resultados de bateladas anteriores para a
melhoria de operaes subseqentes. Este aspecto tem grande relevncia para a otimizao do
processo corrida-a-corrida.
Processo lento: a maioria das transformaes qumicas e bioqumicas so muito rpidas ou
relativamente lentas. Em transformaes rpidas pouco se pode fazer para controlar ou
otimizar a operao. Nas transformaes lentas, entretanto, o domnio da varivel tempo
relativamente grande, possibilitando o ajuste ou otimizao do processo em tempo real atravs
da coleta e avaliao das informaes do processo on line.
2.2.4 Fontes de variao em bateladas
Nas reaes em batelada os parmetros que normalmente se deseja manter sob
controle so: a qualidade do produto batelada-a-batelada e a uniformidade dos tempos de
processamento das bateladas, ou seja, a reprodutibilidade das caractersticas de qualidade do
produto e dos tempos de processamento das bateladas (SRINIVASAN et al., 2000). De
acordo com Marsh e Tucker (1989) as principais fontes de variao nos processos em
batelada so:
1) Habilidade do operador: haja vista que muitos processos em batelada no so totalmente
automatizados, os procedimentos da confeco das bateladas so de certa forma dependentes
da habilidade do operador. Alguma ferramenta que possa auxiliar o operador muito til.
2) Matrias primas: a quantidade de matrias primas carregada relativamente fcil de
controlar, mas a composio freqentemente diferente. Obviamente, a composio da
matria prima pode provocar um grande efeito na reao qumica.
3) Utilidades: reatores em batelada normalmente necessitam utilidades comuns tais como
fontes de aquecimento ou resfriamento. Competir com demandas para utilidades comuns

26
resulta na reduo da capacidade e instabilidade no suprimento de utilidades para o reator.
Para se obter um produto uniforme batelada-a-batelada a estratgia quase sempre seguida
verificar a constncia (composio e quantidade) das matrias primas e garantir
procedimentos idnticos para cada batelada processada (MARSH; TUCKER, 1989).
2.3 CONTROLE ESTATSTICO DO PROCESSO
2.3.1 Introduo
Considerado em muitas organizaes como um importante elemento para a
gesto da qualidade total, o controle estatstico do processo (CEP) conhecido mundialmente,
no como uma simples coleo de tcnicas, mas como um caminho para desenvolver o
pensamento no qual a melhoria da qualidade nunca deve parar. Sem esta melhoria contnua
no se pode esperar competitividade em um mercado globalizado (CAULCUTT, 1995).
Os fundamentos bsicos do CEP e as cartas de controle foram propostas por
Walter A. Shewhart entre os anos de 1920 e 1930 e, at meados de 1970, houve muitos
avanos importantes. No entanto, poucos pesquisadores conduziram trabalhos na rea,
comparativamente com outras reas da estatstica aplicada. Com a revoluo da qualidade
causada pelo aumento progressivo da competitividade do mercado internacional, onde
melhorias da qualidade foram requeridas para a sobrevivncia de muitas indstrias no
ambiente dos negcios, a atividade de pesquisa em CEP comeou a ser incrementada a partir
de 1980. (WOODALL; MONTGOMERY, 1999).
2.3.2 Definio do CEP
O CEP, baseado nas teorias desenvolvidas por Walter A. Shewhart, a partir dos
anos 20, considerado um sistema de inspeo por amostragem, operando ao longo do
processo produtivo, com o objetivo de permitir a identificao das causas especiais e comuns
de variabilidade, possibilitando uma atuao objetiva para a melhoria contnua no processo
visando um aumento na qualidade do produto final. A implementao do CEP se d a partir
da coleta de dados amostrais da varivel a ser controlada, elaborao das cartas de controle,
anlise das cartas de controle e, por fim, o estudo de capacidade do processo (RIBEIRO;
CATEN, 2001a).
O CEP uma tcnica estatstica usada para controlar processos e reduzir
variao. A reduo da variao um aspecto chave da qualidade. Em um processo h duas
causas principais de variao causas especiais ou assinalveis e causas comuns ou
aleatrias. Causas especiais de variao so causas no inerentes ao processo e podem ser

27
facilmente identificadas. Elas tm uma magnitude relativamente grande e requerem algumas
aes no sistema ou processo para elimin-las. Desgaste de ferramentas, erros de medio,
erros de clculo, erros operacionais so exemplos de causas especiais. Causas comuns de
variao afetam todos os produtos/servios de um processo, elas so sempre inerentes ao
processo. Exemplos de causas comuns podem incluir oscilaes na umidade, temperatura
ambiente, flutuaes eltricas, deteriorao do desempenho do equipamento e variaes de
composio das matrias-primas. O objetivo principal das cartas de controle usadas no CEP
distinguir entre causas comuns e especiais de variao (MASON; ANTONY, 2000).
2.3.3 Implementao do CEP
A implementao do CEP em um ambiente industrial pode melhorar a
qualidade, aumentar a produtividade e reduzir os custos. O CEP, considerado uma sub-rea do
controle estatstico da qualidade, consiste na utilizao de mtodos para entender, monitorar e
melhorar o desempenho de processos ao longo do tempo (WOODALL, 2000).
A coleo de dados ou amostras usadas nas cartas de controles, denominadas
por Shewhart de sub-grupo racional, corresponde a maneira pela qual os sub-grupos ou
amostras devem ser obtidas para detectarem a ocorrncia de causas especiais no processo. Os
sub-grupos ou amostras devem ser selecionados de modo a evidenciar uma possvel existncia
de variabilidade das observaes dentro de um sub-grupo, devendo incluir toda oportunidade
de variabilidade natural e excluir a variabilidade devido s causas especiais de variao
(MONTGOMERY; RUNGER, 1999).
2.3.4 Sub-grupos racionais
As clssicas cartas de Shewhart, para monitorar as mdias e as amplitudes,
empregam sub-grupos racionais com mesmo nmero de itens. Os tamanhos dos sub-grupos,
preferencialmente usados na indstria, apresentam de quatro a oito itens ou amostras. O
objetivo coletar o menor nmero de itens possvel que apresente a mnima possibilidade
para a ocorrncia de variao dentro do sub-grupo (economia no processo de amostragem). O
tamanho mnimo de quatro itens para um sub-grupo justificado pelo fundamento estatstico,
teorema do limite central, onde esperado que a distribuio das mdias amostrais ( X ) se
aproxime da distribuio normal, quando as amostras so de tamanho igual ou maior a quatro,
mesmo que estas tenham se originado de uma populao no normal. Este fato til para
garantir a distribuio normal das mdias e ajudar na interpretao dos limites da carta de
controle (GRANT e LEAVENWORTH, 1972).

28
De acordo com Juran (1951), para manter um processo considerado sob
controle, freqentemente sub-grupos de quatro ou cinco itens ou amostras, em geral, so
suficientes. Em situaes nas quais uma pequena mudana no processo pode causar um
desvio dos limites de controle, especiais consideraes sobre tamanho da amostra, princpios
e aplicaes das cartas de controle devero ser observadas.
2.3.5 Cartas de controle para variveis
As cartas de controle permitem que se faa uma estimativa da variabilidade do
processo, fornecendo informaes sobre o valor de importantes parmetros do processo e sua
estabilidade ao longo do tempo (MONTGOMERY; RUNGER, 1999).
Montgomery (1996) classifica as cartas de controle em dois grandes grupos
as cartas de controle para variveis e as cartas de controle para atributos - a opo por uma ou
outra carta, vai depender do tipo de varivel a ser medida, das caractersticas do processo, do
nvel do operador e dos recursos disponveis. Neste trabalho sero apresentados trs tipos de
cartas de controle para variveis: (i) as cartas para as mdias e amplitudes; (ii) as cartas para
as mdias e desvios-padro e (iii) as cartas para os valores individuais e as amplitudes mveis.
Nas figuras 2 e 3 apresentam-se exemplos de cartas de controle para variveis: a carta para
mdias e a para as amplitudes, respectivamente.

35,00

Mdias

30,00

LSC

25,00
LC

20,00
15,00

LIC

10,00
5,00
1

11 13 15 17 19 21 23 25 27 29
sub-grupos

Figura 2 - Carta de controle para mdias.

29

30,00

LSC

Amplitudes

25,00
20,00
15,00
LC

10,00
5,00

LIC

0,00
1

11 13 15 17 19 21 23 25 27 29

sub-grupos
Figura 3 - Carta de controle para amplitudes.

Cartas de controle para variveis so ferramentas que podem ser utilizadas


quando as medies de um processo podem ser obtidas. O dimetro de um eixo, o tempo para
se revisar um processo de compra so exemplos de variveis mensurveis. As cartas para
mdias e amplitudes ( X e R ) representam a aplicao tpica do controle de processo atravs
de cartas de controle (IQA, 1997b).
As cartas para variveis podem explicar dados do processo em termos de
disperso (variabilidade pea-a-pea) e tendncia central (mdia do processo). Por este
motivo, as cartas de controle para variveis devem sempre ser preparadas e analisadas aos
pares uma carta para tendncia central e outra para a disperso (RIBEIRO; CATEN, 2001a).
2.3.5.1 Carta para mdias e amplitudes ( X e R )
Segundo Montgomery (1996), quando o tamanho do sub-grupo relativamente
pequeno (igual ou menor do que 10) pode-se usar a amplitude ao invs do desvio-padro e
construir a carta para X e R . A amplitude da amostra facilmente determinada pela diferena
entre a maior e a menor observao ( R = X max X min ). Esta substituio possvel, porque
h uma relao estatstica entre a mdia das amplitudes R e o desvio-padro (para dados
de uma distribuio normal). Esta relao depende somente do tamanho da amostra n. A
mdia das amplitudes R dada pela relao d 2 , onde o valor de d 2 tambm funo de n.
Ento, R / d 2

um estimador para o desvio-padro. A partir deste pode-se desenvolver a

carta de X e R .

30
Carta para mdias
Esta carta utilizada com o objetivo de controlar a mdia do processo. Os
limites de controle para as mdias do processo so calculados como descrito por Montgomery
(1996).
Considerando-se, R1, R2, R3, ..., Rk as amplitudes e X 1 , X 2 , X 3 , ..., X k as
mdias dos k sub-grupos, calculam-se a mdia das amplitudes com a equao 4, a mdia das
mdias com a equao 6 e uma estimativa para desvio-padro pode ser calculado com a
equao 5.
R=

R1 + R2 + R3 + ... + Rk
, mdia das amplitudes dos sub-grupos;
k

(4)

R
, estimativa para o desvio-padro;
d2

(5)

X=

X 1 + X 2 + X 3 + ... + X k
, mdias das mdias dos sub-grupos.
k

(6)

Assim, se X for usado como estimador de e R / d 2 , como estimador de ,


ento os limites de controle para a carta X so calculados pelas equaes 7, 8 e 9;
LIC = X 3

R
d2 n

, limite inferior de controle;

LC = X , linha central;
LSC = X + 3
como,

3
d2 n

R
d2 n

, limite superior de controle.

(7)

(8)

(9)

pode ser substitudo pela constante A2, os limites de controle da carta X podem

ser calculados pelas equaes simplificadas 10, 11 e 12 usando a constante A2, que tabelada
e depende somente de n.
LIC = X A2 R

(10)

LC = X

(11)

LSC = X + A2 R

(12)

31
Carta para amplitudes
De acordo com Montgomery (1996), esta carta controla a variabilidade do
processo a partir dos valores das amplitudes em substituio ao desvio-padro do processo.
Para calcular os limites de controle precisa-se de uma estimativa adequada do desvio-padro.
Esta estimativa pode ser obtida atravs da distribuio W = R / (assumindo que os dados
seguem uma distribuio normal). Supondo d3 como sendo o desvio-padro de W , e que d3
pode ser determinado em funo do tamanho da amostra, n. A partir de W = R / o desviopadro de R R = d3 , mas como o desconhecido, o caminho para estimar R
atravs da utilizao da equao 13 e com as equaes 14, 15 e 16 calculam-se os limites de
controle para uma amplitude de 3 .
R = d3

R
d2

(13)

LIC = R 3 R = R 3d 3

R
d2

LC = R

(14)

(15)

LSC = R + 3 R = R + 3d3

R
d2

(16)

definindo as constantes tabeladas atravs das equaes 17 e 18, resultam as equaes


simplificadas 19, 20 e 21 para o clculo dos limites de controle da carta R.
D3 = 1 3

d3
d2

(17)

D4 = 1 + 3

d3
d2

(18)

Limites de controle para a carta das amplitudes:


LIC = D3 .R

(19)

LC = R

(20)

LSC = D4 .R

(21)

2.3.5.2 Carta para mdias e desvio-padro ( X e S )


De acordo com IQA (1997b), Ribeiro e Caten (2001a), para a construo das
cartas X e S , inicialmente calculam-se os desvios-padro de cada sub-grupo atravs da
equao 22, a mdia dos desvios-padro dos sub-grupos ( S ) com a equao 23, as mdias

32
dos sub-grupos ( X ) com a equao 24 e a mdia das mdias ( X ) com a equao 25, de um
conjunto de 20 a 30 sub-grupos, para depois determinar os limites de controle. Os limites de
controle para as mdias calculam-se com as equaes 26, 27 e 28 e para os desvios-padro
com as equaes 29, 30 e 31. As constantes B3, B4 e A3 que aparecem nas equaes do
clculo dos limites de controle so tabeladas e dependem do tamanho do sub-grupo n.
Clculos preliminares:
S=

(X - X) /(n-1) , desvio-padro dos sub-grupos;


2

(22)

S=

S1 + S 2 + S3 + ... + S k )
, mdia dos desvios-padro dos sub-grupos;
k

(23)

X=

X 1 + X 2 + X 3 + ... + X n )
, mdia dos sub-grupos;
n

(24)

X=

X 1 + X 2 + X 3 + ... + X k
, mdia das mdias dos k sub-grupos;
k

(25)

Limites de controle para as mdias:


LIC = X A3 .S

(26)

LC = X

(27)

LSC = X + A3 .S

(28)

Limites de controle para o desvio-padro:


LIC = B3 .S

(29)

LC = S

(30)

LSC = B4 .S

(31)

2.3.5.3 Carta para valores individuais e amplitude mvel (X e MR)


H muitas situaes nas quais o tamanho da amostra possvel de ser usada para
monitorar o processo n =1, ou seja, amostras de unidades individuais. Alguns exemplos
destas situaes so: (i) uso de inspeo automatizada, onde toda unidade produzida
analisada; (ii) processos nos quais a taxa de produo muito baixa e no conveniente
aguardar para que se acumulem amostras; (iii) em alguns processos qumicos (por exemplo,
reao em batelada) ou (iv) em situaes onde as anlises dependem de ensaios caros e/ou
destrutivos (MONTGOMERY, 1996; RIBEIRO; CATEN, 2001a).

33
Para a determinao dos limites de controle inicia-se pelo clculo da amplitude
mvel entre os valores individuais (MR). Geralmente, registra-se a diferena entre cada par de
leituras sucessivas (diferena entre a primeira e a segunda leitura, a segunda e a terceira, e
assim sucessivamente). Em alguns casos, a amplitude mvel pode ser baseada em um grupo
mvel maior (trs ou quatro), ou em sub-grupo fixo (todas as leituras tomadas em um nico
turno). Para o clculo da amplitude mvel utilizam-se as diferenas absolutas das sucessivas
observaes individuais, conforme a equao 32, onde Xt 1 e X t so as observaes de X no
tempo t-1 e no tempo t respectivamente. Para o clculo da mdia das amplitudes mveis
utiliza-se a equao 33 (ADKE; HONG, 1997; MONTGOMERY, 1996).
MR = X t 1 X t , t 2

MR =

MR1 + MR2 + MR3 + ... + MRk


k 1

(32)
(33)

Na seqncia calculam-se os limites de controle para a carta das amplitudes


com as equaes 34, 35 e 36 e para os valores individuais com as equaes 37, 38 e 39.
Limites de controle para as amplitudes:
LIC = D3 .MR

(34)

LC = MR

(35)

LSC = D4 .MR

(36)

Limites de controle para os valores individuais:

LIC = X E2 .MR

(37)

LC = X

(38)

LSC = X + E2 .MR

(39)

onde: D3, D4 e E2 so constantes que dependem do tamanho da amostra. No anexo B


apresentada a tabela para a obteno destas constantes.
2.3.6 Interpretao da estabilidade do processo
Segundo Kume (1993), importante compreender com exatido o estado em
que se encontra o processo, interpretando os grficos de controle e, imediatamente,
implementando as aes apropriadas quando for observado algum comportamento anormal do
processo. Um processo sob controle estvel, se sua mdia e disperso no mudam. Os

34
seguintes critrios observados nas cartas de controle tradicionais podem caracterizar um
processo fora de controle:
1) Pontos fora dos limites de controle;
2) Seqncia: uma seqncia com comprimento de sete pontos considerada
anormal nas seguintes situaes:
- sete ou mais pontos em seqncia acima (ou abaixo) da linha central;
- sete ou mais pontos em seqncia ascendente (ou descendente);
- sete ou mais pontos consecutivos acima ou abaixo da linha central.
Mesmo que o comprimento da seqncia seja inferior a seis pontos, os
seguintes casos so considerados anormais:
-pelo menos dez de onze pontos consecutivos incidir em um mesmo lado da
linha central;
-pelo menos doze de catorze pontos consecutivos incidir num mesmo lado da
linha central;
-pelo menos dezesseis de vinte pontos consecutivos incidir num mesmo lado
da linha central.
3) Proximidade dos limites de controle: observando pontos prximos dos
limites de controle 3-sigma, se dois em trs pontos consecutivos incidem alm das linhas 2sigma, caracteriza uma situao anormal.
4) Proximidade da linha central: quando a maioria dos pontos esto situados
entre as linhas de 1,5-sigma acima e abaixo da linha central, esta configurao no caracteriza
um processo sob controle. Isto pode ser explicado por uma inadequao na formao dos subgrupos, resultando em uma mistura de dados de diferentes populaes em um mesmo subgrupo, tornando o intervalo entre os limites de controle muito amplo.
5) Periodicidade: quando o traado apresenta repetidamente uma tendncia
para cima e para baixo em intervalos quase sempre iguais, tambm caracteriza uma situao
anormal.
2.3.7 Estudo de capacidade do processo
Segundo Stenberg e Deleryd (1999), o estudo da capacidade do processo uma
importante ferramenta para a melhoria da qualidade dentro das organizaes. O CEP e o

35
estudo de capacidade so mtodos que tm a finalidade de monitorar os processos dentro dos
limites de controle e ajudar a encontrar causas de variao para sucessivamente elimin-las.
O objetivo da anlise de capacidade do processo avaliar a habilidade do
processo em atender a especificao das caractersticas de qualidade estabelecidas. Um outro
aspecto importante da anlise de capacidade a determinao do desempenho do sistema de
medio, normalmente referido como MSA (Measurement System Analysis) ou gage R&R
(WOODALL; MONTGOMERY, 1999).
Para Stoumbos (2002), o estudo de capacidade do processo a quantificao
da situao atual e da expectativa futura com relao a atuao de causas comuns de variao.
A quantificao da variabilidade do processo essencial para avaliar a qualidade potencial
dos produtos manufaturados. O uso dos ndices de capacidade permitem associar a variao e
a localizao da mdia do processo com as especificaes do cliente. Estes ndices fornecem
uma efetiva estimativa da capacidade do processo, permitindo a atuao para melhorar a
capacidade e reduzir custos.
ndices de capacidade
Aparentemente, as frmulas para o clculo de Cpk e Ppk so idnticas. Ambas
medem a variao do processo, comparando com a tolerncia dos limites de especificao, a
diferena entre Cpk e Ppk est na estimativa do desvio-padro utilizado no clculo. Para o
Cpk, o desvio-padro utilizado reflete a variao inerente ao processo, devido somente as
causas comuns. Para o Ppk, o desvio-padro incorpora a variao total do processo, devido s
causas comuns e especiais. Para uma situao onde somente atuam causas comuns, ento o
Ppk ser igual ao Cpk. Se causas especiais estiverem atuando o Ppk ser menor do que o Cpk
(UDLER; ZAKS, 1997).
Para o clculo dos ndices de capacidade Cp e Cpk so consideradas as
variaes dentro dos sub-grupos para a estimativa do desvio-padro do processo, tipicamente
estimado por R / d 2 , onde R a mdia das amplitudes e d 2 a constante tabelada usada para
o clculo dos limites de controle para a carta de amplitudes. A estimativa R / d 2 chamada de
R / d2 ou st para indicar que se trata de uma medida de variao dentro do sub-grupo ou
variao de curto prazo. Quando os ndices so calculados usando-se uma estimativa do
desvio-padro baseada nos valores individuais (equao 42) estes ndices so denominados
ndices de desempenho do processo (Pp e Ppk) e so calculados com as equaes 45 e 46

36
respectivamente (LU; RUDY, 2002). O desvio-padro estimado St usado para o clculo do
Cp e Cpk nas equaes 43 e 44, pode ser determinado a partir da mdia das amplitudes ( R )
com a equao 40 ou a partir da mdia dos desvios-padro amostrais ( S ) com a equao 41.
St =

R
d2

(40)

St =

S
c4

(41)

S=

1 N
( X i X )2 = Lt
n 1 i =1

(42)

Cp =

LSE LIE
faixa de tolerncia
=
6 St
variao de curto prazo

(43)

LSE X X LIE
,
C pK = min

3 st
3 st

Pp =

(44)

LSE LIE
faixa de tolerncia
=
6 Lt
variao de longo prazo

(45)

LSE X X LIE
,
PpK = min

3 Lt
3 Lt

(46)

Na figura 4 so apresentados trs exemplos de curvas de distribuio normal


referentes aos processos A, B e C, com diferentes localizaes da mdia, diferentes disperses
e iguais ndices de capacidade (Cpk).

LIE

Alvo

LSE

B
A

Fonte: adaptado de Maleyeff (1997) e Bothe (2002).


Figura 4 - Curvas de distribuio normal para trs processos, A, B e C com Cpk=1.

37
2.4 ANLISE DE SISTEMAS DE MEDIO
2.4.1 Introduo
A satisfao do cliente obtida com a alta qualidade de produtos e servios e
estas caractersticas de qualidade precisam ser medidas adequadamente. Freqentemente, so
estas medies que expressam os requisitos de qualidade do cliente. Logo, o nvel de
qualidade de produtos ou servios tambm determinado pela medio de suas caractersticas
de qualidade. Avaliaes estatsticas de sistemas de medio so considerados elementos
importantes para implementao de programas de qualidade. Se o sistema de medio no
suficientemente capaz, melhorias tero de ser implementadas. A avaliao estatstica de
sistemas de medio mais comum, originria da indstria automotiva, a gauge R&R. Esta
avaliao determina as fontes de variao repetitividade e reprodutibilidade (HEUVEL,
2000).
Segundo Burdick e Larsen (1997), o objetivo da anlise de um sistema de
medio determinar se o procedimento ou instrumento de medio adequado para o
monitoramento do processo. Se o erro de medio pequeno em relao variao total do
processo, ento o procedimento de medio considerado adequado. Visto que melhorias no
processo resultam em reduo da variao do processo, o estudo de R&R precisa ser
progressivo. Com o decrscimo da variao do processo atravs da melhoria contnua, o
sistema de medio para o monitoramento deste poder deixar de ser adequado.
Para Ribeiro e Caten (2001a), a avaliao da capacidade dos sistemas de
medio utilizados na produo um importante estudo que deve ser parte integrante do
gerenciamento de processos. Uma vez que a validade das anlises relativas ao desempenho do
processo depende da validade dos dados essencial que o sistema de medio seja adequado.
2.4.2 Fontes de variao em sistemas de medio
Como o resultado da medio representa apenas uma estimativa do valor do
medido, torna-se necessrio um entendimento das fontes de variao inerentes ao processo de
medio utilizado para monitorar a variabilidade do produto e processo. O estudo de
repetitividade e reprodutibilidade, tambm chamado de gage R&R usado par determinar a
capacidade do procedimento de medio. As fontes de variabilidade associadas com o
procedimento de medio podem ser comparadas usando-se o modelo da anlise de varincia
(ANOVA). Um modelo comumente usado no estudo de R&R envolve dois fatores: amostras e

38
operadores. Os operadores escolhidos aleatoriamente fazem medidas repetidas em cada
amostra de sada do processo (DOLENZAL, 1998).
Atkinson (2000) classificou os principais problemas que podem provocar
incerteza em sistemas de medio, os quais so apresentados no fluxograma da figura 5.

Incerteza na medio

Erro de posio

Erro de variao

Discriminao

Tendncia
Repetitividade

Linearidade

Reprodutibilidade

Estabilidade
Fonte: Atkinson (2000).
Figura 5 - Fontes de variao observadas em sistemas de medio.

2.4.2.1 Discriminao
Discriminao a habilidade de um sistema de medio em detectar diferenas
entre produtos, ou seja, a capacidade de detectar pequenas mudanas na caracterstica do
mensurando. Um equipamento com melhor discriminao pode detectar menores diferenas
de uma varivel medida. O nvel de discriminao funo do tipo de sistema de medio
adotado. Um micrmetro, por exemplo, tem melhor discriminao que uma escala para a
maioria das aplicaes (ATKINSON, 2000). Segundo Ribeiro e Caten (2001a), um sistema de
medio, para fornecer estimativas precisas dos parmetros e ndices do processo, precisa ser
capaz de discriminar acima de cinco categorias, dentro dos limites de controle de uma carta

39
para mdias. J para apenas estimativas grosseiras dos parmetros e ndices do processo uma
discriminao de trs categorias suficiente.
2.4.2.2 Erro de posio
O afastamento entre o valor considerado correto (valor de referncia) e a mdia
das vrias medies se caracteriza como um erro de posio. Esta diferena pode ocorrer por
vrias razes e deve ser conhecida para se estabelecer a incerteza do sistema de medio. De
acordo com Atkinson (2000), esses erros so definidos como: tendncia, linearidade e
estabilidade.
Tendncia: tendncia ou vcio um erro sistemtico determinado pela diferena entre a
mdia dos valores medidos e o valor de referncia. A tendncia o valor numrico utilizado
para avaliar a exatido (acurcia) do sistema de medio (IQA, 1997a).
Linearidade: linearidade a diferena nos valores da tendncia, observados ao longo da
faixa de operao utilizada do instrumento de medio (ROTONDORO et al., 2000).
Estabilidade: a estabilidade de um sistema de medio refere-se consistncia das medidas
ao longo do tempo. Em geral, a estabilidade no quantificada, mas ela pode ser avaliada
usando-se as cartas de controle. Neste caso, uma amostra padro (sempre a mesma amostra)
medida ao longo de dias ou semanas e os resultados so marcados, por exemplo, em uma
carta de controle para valores individuais (X). Indcios de problemas de medio sero
caracterizados com o aparecimento de pontos fora dos limites de controle, revelando a falta de
estabilidade no sistema de medio (RIBEIRO; CATEN, 2001a).
2.4.2.3 Erro de variao
A preciso do mtodo de medio se refere variabilidade observada, quando
se usa o sistema de medio para fazer repetidas medies em condies cuidadosamente
controladas (GRANT; LEAVENWORTH, 1972). O erro de variao pode ser atribudo tanto
ao operador como ao dispositivo de medio e pode ser determinado pelo gage R&R
(ATKINSON, 2000).
Gage R&R: os mtodos de anlise dos sistemas de medio mais amplamente utilizados para
uma anlise de R&R so: o mtodo da mdia e amplitude e o mtodo da Anlise de Varincia
(ANOVA). O mtodo da mdia e amplitude permite distinguir entre as duas fontes de
variao (repetibilidade e reprodutibilidade) quantificando a contribuio de cada uma delas
para a variabilidade total. J o mtodo da ANOVA permite extrair mais informaes (efeito

40
devido ao operador, efeito devido a pea e a interao pea com operador) e uma estimativa
mais precisa das variveis. importante investigar as causas da variabilidade, pois isso ir
orientar a respeito das medidas a serem tomadas para a melhoria do sistema de medio (IQA,
1997a; HEUVEL, 2000; RIBEIRO; CATEN, 2001a).
2.4.3 Mtodo da mdia e amplitude
O mtodo da mdia e amplitude ( X e R ) permite a determinao da
repetitividade e reprodutibilidade de um sistema de medio, decompostas em dois
componentes. O procedimento para o clculo de cada um destes componentes (repetitividade
e reprodutibilidade) apresentado a seguir.
2.4.3.1 Repetitividade
A repetitividade ou variao do dispositivo de medio (VE) observada
quando um mesmo operador mede a mesma pea mais de uma vez nas mesmas condies.
Para a determinao da repetitividade pode-se calcular o desvio-padro do dispositivo de
medio utilizando a equao 47 (IQA, 1997a).

e = R / d 2 , desvio-padro do dispositivo de medio.

(47)

onde: R a amplitude mdia observada nas diversas medies efetuadas pelos operadores e d2
uma constante obtida da tabela 3 em funo de m e g, sendo m = nmero de medies por
peas e g = nmero de peas multiplicado pelo nmero de operadores.
A repetitividade ou VE obtida com a equao 48. O intervalo de 5,15 e
abrange 99% da variao esperada para uma distribuio normal.

VE = 5,15 e , variao do dispositivo de medio (repetitividade).

(48)

Tabela 3 Tabela para a obteno da constante d2


m
g
1
5
10
15
30

10

15

1,410
1,190
1,160
1,150
1,128

1,910
1,740
1,720
1,710
1,693

2,240
2,100
2,080
2,070
2,059

2,480
2,360
2,340
2,340
2,326

2,670
2,560
2,550
2,540
2,534

2,830
2,730
2,720
2,710
2,704

2,960
2,870
2,860
2,850
2,847

3,080
2,990
2,980
2,980
2,970

3,180
3,100
3,090
3,080
3,078

3,550
3,490
3,480
3,480
3,472

Fonte: Ribeiro e Caten (2001a).

41
2.4.3.2 Reprodutibilidade
A reprodutibilidade refere-se a diferenas que podem existir entre as medidas
de diferentes operadores, em geral provenientes de procedimentos especficos adotados por
cada operador. Para a determinao da reprodutibilidade inicia-se calculando a amplitude
entre as mdias dos operadores (Ro), o desvio-padro do operador ( o ) e na seqncia a
variao do operador (VO), utilizando-se as equaes 49, 50 e 51 respectivamente. A
constante d2 que aparece na equao 50 obtida da tabela 3, em funo de m e g onde, m =
nmero de operadores e g = 1 (IQA, 1997a).
Ro = X max X min , amplitude entre as mdias dos operadores.

(49)

o = R0 / d 2 , desvio-padro do operador.

(50)

VO = 5,15 0 , variao do operador (reprodutibilidade).

(51)

Na figura 6 apresentada uma representao grfica da reprodutibilidade


quando trs operadores so avaliados.

Valor de
referncia

Op1 Op2 Op3

Reprodutibilidade
Fonte: Igram e Taylor (1998).
Figura 6 - Representao grfica da reprodutibilidade para trs operadores.

Como a estimativa da reprodutibilidade contaminada por uma parcela da


variao devido ao dispositivo de medio, ela deve ser ajustada subtraindo-se uma frao
que corresponde repetitividade atravs da equao 52, onde n = nmero de peas e r =

42
nmero de ciclos de medio. O desvio-padro ajustado dos operadores calculado pela
equao 53 (IQA, 1997a).
2

R (5,15 e ) 2 , variao do operador ajustada.


VO = 5,15 0
d2
nr

(52)

o = VO / 5,15 , desvio-padro ajustado do operador.

(53)

Conhecidas as variabilidades devido a repetibilidade e a reprodutibilidade, a


variabilidade total do sistema de medio (R&R) calculada somando-se estas duas parcelas
segundo a equao 54. A variao do operador mais o dispositivo de medio expressa em
termos de desvio-padro calculada pela equao 55 (IQA, 1997a).

R & R = VE 2 + VO 2 , variao do conjunto operador + dispositivo de medio.

(54)

m = e2 + 02 , desvio-padro do conjunto operador + dispositivo de medio.

(55)

2.4.3.3 Determinao da variao pea-a-pea


O desvio-padro das peas pode ser determinado atravs de um estudo
independente de capacidade do processo, ou pode ser obtido a partir dos dados do estudo do
sistema de medio. Usando-se os dados do estudo, inicia-se calculando a mdia das
medies para cada pea e depois calcula-se a amplitude destas mdias (Rp) segundo a
equao 56, e o desvio-padro das peas com a equao 57, onde d2 obtido da tabela 3, em
funo das constantes m e g considerando m = nmero de peas e g = 1 (IQA, 1997a).
R p = X max X min , amplitude entre as mdias das peas.

(56)

p = Rp / d 2 , desvio-padro das peas.

(57)

A variao total entre as peas estimada usando-se a equao 58 (99% das


peas devem estar nesse intervalo, supondo-se distribuio normal).

VP = 5,15 p , variao pea-a-pea.

(58)

2.4.3.4 Variao total do processo


A variabilidade total do processo calculada somando-se a variabilidade do
sistema de medio com a variabilidade das peas, esta soma de variabilidades pode ser
expressa pela equao 59 e em termos de desvio-padro pela equao 60.
VT = ( R & R ) 2 + VP 2 , variao total.

(59)

t = m2 + p2 , desvio-padro total.

(60)

43
2.4.3.5 Avaliao do sistema de medio em termos percentuais
A avaliao do sistema de medio expressa em termos percentuais. O
percentual da variabilidade total do processo, que atribudo ao sistema de medio
determinado atravs da equao 61, onde VT significa a variao total do processo. Tambm
comum usar como base de comparao o intervalo das especificaes do cliente. Neste caso,
utiliza-se a equao 62 com a tolerncia do cliente (RIBEIRO; CATEN, 2001a). O R&R%
comparado com a tolerncia nos informa que percentual da tolerncia consumida pelo
sistema de medio.
R & R % PC =

R&R
.100 , onde: PC significa percentual de contribuio.
VT

(61)

R & R % PT =

R&R
.100 , onde: PT significa percentual de tolerncia.
Toler.

(62)

2.4.4 Mtodo da Anlise de Varincia


A ANOVA uma tcnica estatstica que pode ser utilizada tambm para o
estudo de variabilidade de um sistema de medio. Usando a ANOVA, a variabilidade pode
ser decomposta em quatro fontes: peas, operadores, interao entre peas versus operadores
e erro de replicao devido ao dispositivo de medio (HEUVEL, 2000). Na tabela 4 so
apresentadas as fontes de variao e as equaes para o clculo das mdias quadradas.

Tabela 4 Mdias quadradas para os efeitos das fontes de variao.


Fonte de variao

Frmula para a mdia quadrada


n

Mdia quadrada esperada

Pea

MQ p =

nr
( yi y )
n 1 i =1

Operador

MQo =

nr m
( yj y )
n 1 j =1

Operador x pea

n m
r
MQop =
( yij yi y j + y )

(n 1)(m 1) i =1 j =1

Repetitividade

mr p2 + r op2 + e2

n m
r
1
MQe =
( yijk yij )

nm(r 1) i =1 j =1 k =1

nr o2 + r op2 + e2

r op2 + e2
e2

Fonte: Heuevel (2000).

As mdias, yi , y j , yij e y , usadas na tabela 4 so calculadas segundo as equaes 63,


64, 65, e 66 respectivamente.

44

yi =

1 m r
yijk
mr j =1 k =1

(63)

yj =

1 n r
yijk
nr i =1 k =1

(64)

yij =

1 r
yijk
r k =1

(65)

y=

1 n m r
yijk
nmr i =1 j =1 k =1

(66)

onde: n = nmero de peas, m = nmero de operadores e r = nmero de ciclos de medio.


p2 = varincia entre as peas, o2 = varincia do operador, op2 = varincia da interao pea
2
= varincia devido ao equipamento de medio. A varincia
x operador e e2 = Repetitividade

total expressa pela equao 67 e a reprodutibilidade calculada pela equao 68.


2
m2 = o2 + op
+ e2 , varincia total do sistema de medio.

(67)

2
Reprodutibilidade
= o2 + op2 , varincia do operador e interao operador versus pea.

(68)

Critrios de aceitao
De acordo com Heuvel (2000), em cada caracterstica de qualidade um limite
superior de especificao (LSE) e outro inferior de especificao (LIE) so definidos para
garantir que o cliente obtenha produtos dentro dos limites de especificao. O valor 5,15 m
comparado com a tolerncia a partir da equao 69.

R & R% PT =

5,15 m
.100
LSE LIE

(69)

O R&R%, usado para avaliar a qualidade ou capacidade do sistema de


medio, em geral, segue o critrio apresentado na tabela 5, sugerido por Heuvel (2000).

Tabela 5 Critrios para a aceitao de um sistema de medio.


R&R% 10%

excelente

10 %< R&R% 20%

bom

20 %< R&R% 30%


30% < R&R%

pode ser aceito (depende do caso)


no aceitvel
Fonte: Heuevel (2000).

45
2.5 ANLISE DO MODO E EFEITO DE FALHA (FMEA)
2.5.1 Introduo
Como metodologia formal, o FMEA se originou na indstria aeroespacial a
partir dos anos sessenta e posteriormente foi adotado pela indstria automotiva. O FMEA tem
demonstrado ser uma ferramenta til para avaliar o potencial de falha, possibilitando prever
sua ocorrncia (VANDENBRANDE, 1998). Baseado em sesses sistemticas de
brainstorming, o FMEA tem com objetivo principal descobrir as falhas com possibilidades de
ocorrncia, em sistemas ou processos (CLIFTON, 1990; apud PUENTE et al., 2002).
O FMEA uma tcnica indutiva, estruturada e lgica com o objetivo de
identificar as causas e efeitos de cada modo de falha de um sistema ou produto. A anlise
pode resultar em aes corretivas, priorizadas de acordo com a criticidade, para eliminar ou
compensar os modos de falhas e seus efeitos (LAFRAIA, 2001).
Os conceitos do FMEA podem auxiliar um grupo de melhoria a direcionar a
energia e os recursos alocados ao planejamento das aes, nos sistemas ou itens que
produziro os melhores resultados (PANDE; NEUMAN; CAVANANGH, 2002). Nos
projetos Seis Sigma estes conceitos normalmente so usados na etapa de anlise do DMAIC,
com o objetivo de se priorizar as variveis crticas do processo.
2.5.2 Mtodo de anlise
O FMEA um mtodo de anlise de projetos (de produtos ou processos
industriais, e/ou administrativos) utilizado com a finalidade de identificar todos os possveis
modos potenciais de falha e determinar o efeito destes sobre o desempenho do sistema,
produto ou processo, mediante um raciocnio basicamente dedutivo (HELMAN; ANDERY,
1995). Segundo Sankar e Prabhu (2001), o FMEA representa um eficiente e documentado
mtodo para engenheiros apresentar de maneira estruturada e formalizada seu pensamento
subjetivo e experincias sobre as seguintes questes: O que poder sair errado? Qual a causa
para isto dar errado? Quais os efeitos desses erros?
O objetivo de um estudo de FMEA identificar falhas e propor aes
corretivas necessrias para a preveno de falhas que podero atingir o cliente, assegurando
qualidade, durabilidade e confiabilidade no produto ou servio (STAMATIS, 1995). No
FMEA procura-se determinar modos de falha dos sistemas mais simples, as suas causas e de
que maneira eles afetam os nveis superiores do processo. As perguntas bsicas que so feitas

46
em uma anlise de FMEA so: (a) Que tipos de falhas so possveis de ocorrer? (b) Que
partes do processo podem ser afetadas? (c) Em ocorrendo a falha, quais so os efeitos desta
sobre o processo? (d) Qual o nvel de importncia da falha? (e) O que fazer para preveni-la?
(HELMAN; ANDERY, 1995).
Para Freitas e Colosimo (1997), as caractersticas gerais do FMEA podem ser
sumarizadas como segue:
- o FMEA pode ser implementado tanto para o projeto de um produto (FMEA
de produto) como de um processo (FMEA de processo);
- o ponto de partida a definio precisa da funo do componente (FMEA de
produto) ou da etapa do processo (FMEA de processo);
- relacionam os tipos (modos) de falha com os seus efeitos, as causas do modo
de falha e os mecanismos existentes para preveno da ocorrncia;
- na anlise de cada modo de falha em potencial no tempo, considera-se que
todas as demais caractersticas esto conforme o especificado no projeto;
- conhecida como uma ferramenta bottom line (de baixo para cima) no
produto ou processo, por iniciar a anlise a partir dos componentes ou em cada etapa do
processo respectivamente.
Sankar e Prabhu (2001) descrevem as etapas essenciais para a conduo de um
estudo de FMEA na ordem que segue: (1) descrever o nome, o nmero e a funo do item; (2)
listar os possveis modos de falhas; (3) estimar a severidade da falha; (4) listar as causas
potenciais da falha (5) estimar a freqncia de ocorrncia da falha (6) descrever o mtodo de
deteco da falha; (7) estimar a probabilidade de deteco da falha; (8) avaliar o NPR e (9)
recomendar a ao corretiva.
2.5.3 Os ndices utilizados no FMEA
Segundo Scipioni et al. (2002), as prioridades das falhas identificadas nos
subsistemas ou componentes so avaliadas com a utilizao de trs ndices, os quais so
descritos a seguir:
- Severidade: este ndice mede o grau do potencial da falha em termos de segurana e
funcionalidade, pontuado de 1 a 10, onde 1 representa uma severidade muito baixa e 10 uma
muito alta.

47
- Ocorrncia: mede a probabilidade de ocorrncia da falha, ou a chance que a falha apresenta
de ocorrer, utilizando uma escala de 1 a 10, para 1 uma chance remota de ocorrncia e10 uma
probabilidade muito alta de ocorrncia;
- Deteco: representa a probabilidade de que o modo de falha seja detectado e/ou corrigido
por controles existentes na linha de produo, tambm quantificada por uma escala de 1 a 10,
onde 1 significa que os controles existentes possuem um altssima probabilidade de detectar
uma possvel falha e 10 corresponde a uma probabilidade muito baixa da falha ser detectada.
Para quantificar o nvel de risco do produto ou processo determina-se o nmero
de prioridade de risco (NPR). O NPR calculado a partir do produto dos trs ndices de
avaliao relacionados com os efeitos potenciais de falha, as causas potenciais de falha e os
controles disponveis para detectar estas causas e falhas antes da entrega do produto ao
cliente. O NPR determinado matematicamente pelo produto dos ndices de severidade,
ocorrncia e deteco como apresentado na equao 70 (CHANG; LIU; WEI, 1998).
NPR = S .O.D

(70)

Ammerman (1998) citado por Puente et al. (2002), estabeleceu uma ordem de
prioridade que pode ser seguida para se decidir sobre as aes corretivas aps a concluso de
um estudo de FMEA em um produto ou processo descrita a seguir:
1) eliminar a causa da falha: por exemplo, alterando o projeto de partes que podem ser
substitudas;
2) reduzir a freqncia ou a probabilidade de ocorrncia: no sendo possvel eliminar a causa
da falha, pode-se reforar o sistema, tornando-o mais robusto;
3) reduzir a severidade da falha: isto pode ser garantido: projetando um sistema livre de
falhas ou usando sistemas redundantes;
5) aumentar a probabilidade de deteco: aumentando ou melhorando os controles existentes.
Reduzir a freqncia da falha ou aumentar a probabilidade de deteco so
medidas limitadas, que devem ser aceitas como uma soluo temporria at que se estabelea
uma medida definitiva que resolva o problema de uma vez por todas.
Na figura 7 apresentado um fluxograma simplificado para a elaborao de um
FMEA de processo.

48

Coletar informaes do
processo

Determinar o modo
potencial de falha

Verificar o efeito de cada


falha

Determinar as causas de
cada falha

Encontrar os ndices
de ocorrncia

Listar os controles atuais


do processo

Encontrar os ndices
de severidade

Encontrar os ndices de
deteco

Calcular o NPR

Requer
correo?

No

Sim
Recomendar ao
corretiva

Revisar os dados

Modificar processo

Relatrio
FMEA

Fonte: Pillay e Wang (2003); Teng e Ho (1996).


Figura 7 - Fluxograma simplificado para a elaborao de um FMEA de processo.

49
2. 6 DESDOBRAMENTO DA FUNO QUALIDADE (QFD)
2.6.1 Introduo
O QFD foi concebido no Japo nos anos sessenta quando a indstria japonesa
passava pelas dificuldades do ps-segunda guerra mundial. Nessa poca a forma de
desenvolvimento de produto era a imitao e a cpia, a partir da passando para o
desenvolvimento baseado na originalidade. Assim, o QFD nasceu como um mtodo ou
tcnica para o desenvolvimento de novos produtos sob a filosofia do controle da qualidade
total (AKAO; MAZUR, 2003).
Ao longo dos ltimos trinta anos, o QFD tem beneficiado a indstria no
empenho em garantir que os requisitos do cliente sejam atingidos. Nesse sentido, o
desenvolvimento de produtos e esforos de melhorias para produtos e processos tm sido as
aplicaes predominantes desta tcnica (WALDEN, 2003). Segundo Prazeres (1995), funo
qualidade o conjunto de todas as atividades atravs das quais possvel obter produtos ou
servios que atendam s necessidades e as expectativas do cliente.
O QFD pode ser definido como a converso da demanda dos clientes
(requisitos) em caractersticas tcnicas da qualidade. Desenvolvendo a qualidade desde o
projeto at o produto final, para sistematicamente desdobrar as relaes entre a demanda do
cliente e as caractersticas de engenharia; iniciando com a qualidade de cada componente
funcional e estendendo o desdobramento da qualidade em todas etapas do processo (AKAO,
1996).
Na abordagem do QFD o processo comea com os requisitos do cliente, que
em geral so as caractersticas da qualidade importantes para o cliente. Como estas
caractersticas so expressas na linguagem do cliente no so quantificadas e, portanto, so de
difcil operacionalizao na produo. Durante o desenvolvimento do produto, as
necessidades do cliente so convertidas em requisitos internos da empresa, chamados de
requisitos de projeto. A partir da, os requisitos do projeto so traduzidos em caractersticas de
componentes que permitem o desempenho das funes essenciais do produto. Estas
caractersticas so desdobradas em operaes de fabricao, que so traduzidas em requisitos
para os responsveis da produo fabricar os componentes com as caractersticas exigidas
(EUREKA; RYAN, 1993). Na figura 8 apresentado um fluxograma simplificado que ilustra
a abordagem do QFD.

50
Necessidades do
cliente

Requisitos do
projeto

Caractersticas do
componente

Operaes de
fabricao

Requisitos de
produo
Fonte: Eureka e Ryan (1993).
Figura 8 - Fluxograma que ilustra a abordagem do QFD.

2.6.2 O uso do QFD


Considerado uma tcnica de planejamento, o QFD vem sendo utilizado para a
melhoria da qualidade. uma abordagem para a qualidade orientada ao cliente, na qual as
necessidades e expectativas do cliente so identificadas e desdobradas para determinar as
especificaes de projeto do produto ou servio. A matriz multidimensional, chamada de Casa
da Qualidade, porque tem esta forma, usada como base para demonstrar o planejamento do
procedimento. As principais etapas na anlise do QFD compreendem: a identificao dos
requisitos dos clientes; a avaliao das prioridades destes requisitos; a identificao das
caractersticas tcnicas; o desenvolvimento da matriz de relaes e a seleo das
caractersticas tcnicas (OWLIA; ASPINWALL, 1998).
Segundo Myint (2003), o QFD dirigido para satisfazer completamente as
expectativas do cliente em relao ao produto ou servio. usado em muitas empresas para
economizar no projeto e no tempo de desenvolvimento do produto, focar na satisfao do
cliente e melhorar a comunicao entre os nveis da organizao.
Kelly (2002) afirma que para o negcio ter sucesso os gerentes precisam ouvir
a voz de cada tipo de cliente e priorizar a importncia dos diferentes clientes. As diferentes
reas de negcios representadas por um corpo executivo, permitem escutar a correta voz entre

51
os clientes internos e externos. A voz do cliente, interno ou externo, orientar a seleo do
projeto de melhoria e lhe proporcionar uma estabilidade suplementar. Com a voz do cliente
externo possvel obter-se um feedback sobre as questes de garantia, prazo de entrega,
qualidade intrnseca e especificao de componentes. Por outro lado, com a voz do cliente
interno obtm-se o feedback sobre ordens incorretas, acuracidade de testes e a qualidade de
produtos intermedirios. A negatividade da voz sinal de que os negcios no esto correndo
to eficientemente como o desejado e necessitar de uma ao para minimizar ou eliminar as
reclamaes dos clientes.
2.6.3 As matrizes do QFD
Segundo Sullivan (1986), h quatro documentos comumente usados para
conduzir o QFD: (i) a matriz do planejamento, contendo todos requisitos do cliente; (ii) a
matriz de desenvolvimento, com as caractersticas finais do produto; (iii) os planos de
processos e as cartas de controle da qualidade e (iv) as instrues de operao. De acordo com
Hauser e Clausing (1988), a casa da qualidade a parte mais usada no QFD, uma casa estilo
matriz que identifica os atributos do cliente o que e os transforma em caractersticas
tcnicas como.
O QFD usa basicamente quatro matrizes, tambm chamadas casas, para
integrar as informaes necessrias. A aplicao do mtodo tem incio com a casa da
qualidade, a qual usada pelo grupo para entender os requisitos do cliente e transformar estes
requisitos em caractersticas de engenharia. Posteriormente, as casas so desdobradas de
requisitos para caractersticas de produo. A traduo dos requisitos do cliente significa: (1)
um critrio chave no gerenciamento da qualidade total, (2) aumento nas vendas e lucros
satisfazendo os clientes e reduzindo o ciclo de tempo no desenvolvimento de novos produtos
e (3) aquisio de novos clientes (TEMPONI; YEN; TIAO, 1999).
2.6.4 Matriz dos processos
Para Ribeiro, Echeveste e Danilevicz (2001), a matriz dos processos usada
para relacionar e priorizar as variveis do processo (Xs) com os requisitos do cliente (Ys). O
objetivo desta matriz evidenciar as variveis do processo que esto associadas com as
caractersticas de qualidade. Isto, para auxiliar na identificao das variveis crticas para a
qualidade do produto que devem ser monitoradas e/ou otimizadas.
Neste trabalho a matriz de processos utilizada como matriz de causa e efeito,
com o objetivo de identificar e priorizar as variveis do processo de maior impacto nas

52
caractersticas de qualidade, atravs da quantificao do relacionamento das caractersticas de
qualidade com as variveis do processo.
O relacionamento das caractersticas da qualidade com as variveis do processo
consiste em avaliar o grau de relao existente entre as variveis do processo (variveis de
entrada) e as caractersticas de qualidade (requisitos do cliente). Para esta avaliao pode ser
utilizada uma escala como descrita a seguir: (i) 0 = no h relao entre a varivel do processo
e o requisito do cliente; (ii) 1 = a varivel do processo afeta s remotamente o requisito do
cliente; (iii) 4 = a varivel de entrada tem um efeito moderado no requisito do cliente e (iv) 9
= a varivel de entrada influencia fortemente no requisito do cliente.
A avaliao do relacionamento permite identificar quais as variveis esto mais
fortemente relacionadas ao atendimento das caractersticas de qualidade e, por conseguinte, ao
atendimento s caractersticas crticas da qualidade para o cliente. Para se estabelecer as
relaes de causa e efeito entre as variveis de processo e as caractersticas de qualidade devese responder a seguinte questo: se a varivel x for perfeitamente controlada, estar
assegurado o atendimento das especificaes para as caractersticas da qualidade? Se a
resposta for sim, ento a relao forte (9); se a resposta for parcialmente, ento a relao
moderada ou mdia (4), etc. (RIBEIRO; ECHEVESTE; DANILEVICZ, 2001).
Definio da importncia das variveis de processo
A definio da importncia das variveis do processo tem por objetivo fornecer
uma medida concreta para avaliar o quanto cada varivel est associada obteno das
caractersticas de qualidade, possibilitando a visualizao daquelas variveis de maior
importncia para a qualidade. O grau de importncia das variveis calculado considerandose a intensidade dos relacionamentos entre uma determinada varivel e as caractersticas de
qualidade, ponderado pela importncia definida para as caractersticas de qualidade. Com os
valores de importncia das variveis, pode-se, por exemplo, elaborar um grfico de Pareto;
onde as variveis do processo so apresentadas em ordem decrescente de importncia. A
frmula de clculo apresentada na equao 71.
n

IVi = VQij xIQ j , grau de importncia da varivel i.

(71)

j =1

onde: VQij = intensidade do relacionamento entre a varivel i e a caracterstica de qualidade j.


IQj = ndice de importncia da caracterstica de qualidade j.

53
2.7 ANLISE DE REGRESSO
2.7.1 Introduo
Para a resoluo de muitos problemas de controle da qualidade se faz
necessria uma estimativa das relaes existentes entre duas ou mais variveis. Na maioria
dos casos, o interesse est centrado na obteno de uma equao que relacione uma varivel
(normalmente uma caracterstica de qualidade) a um conjunto de uma ou mais variveis
(normalmente variveis do processo) (JURAN; GRINA, 1993).
A anlise de regresso linear uma das tcnicas estatsticas mais utilizadas
para investigar e modelar o relacionamento existente entre as variveis de um processo. Esta
tcnica se baseia numa anlise que visa a obteno de um modelo matemtico capaz de
expressar o relacionamento entre as variveis de interesse atravs de uma equao
denominada equao de regresso. De maneira geral, a anlise de regresso pode ser
utilizada para descrever, prever, controlar e estimar os resultados de um fenmeno
(WERKEMA; AGUIAR, 1996).
2.7.2 Regresso linear simples
Em um estudo de anlise de regresso, o caso mais simples, em que apenas
duas variveis esto envolvidas, corresponde regresso linear simples. Na regresso linear
simples procura-se a correlao entre uma varivel preditora X e a varivel dependente ou
varivel de resposta Y. Contudo, nos problemas prticos quase sempre existem outras
variveis preditoras, as quais so mantidas constantes durante a anlise, ou seus efeitos
considerados desprezveis (JURAN; GRINA, 1993).
2.7.2.1 Critrio dos mnimos quadrados
O critrio normalmente usado para se obter uma equao de regresso, que
melhor se ajusta a um determinado conjunto de dados, desenvolvido pelo matemtico francs
Adrian Legendre no incio do sculo XIX, o critrio dos mnimos quadrados. A soluo da
equao dos mnimos quadrados define as estimativas 0 e 1 , para as quais a soma dos
quadrados do resduo mnima. Esse mtodo, exige que a reta ajustada aos dados seja tal que,
a soma dos quadrados das distncias verticais dos pontos linha ajustada seja mnima
(KLEINBAUM; KUPLER, 1978; FREUND; SIMON, 2001). Na figura 9 apresentado um
diagrama de disperso mostrando os valores observados de X i , Yi e a reta de regresso que se
ajusta aos dados observados.

54

150
Reta de regresso
140
Y
i

130i
120

110

100
15

20

Xi

25
X

30

35

Fonte: adaptado de Kleinbaum e Kupper (1978).


Figura 9 - Grfico de disperso e a reta de regresso ajustada a um conjunto de dados.

Em uma anlise de regresso deseja-se encontrar as estimativas ( 0 e 1 ) para


os parmetros ( o e 1 ) desconhecidos e assim obter-se uma equao de previso que, dado o
valor de X (varivel independente), a equao prev o valor de Y (varivel dependente)
(JURAN; GRINA, 1993).
De acordo com Montgomery e Runger (1999), supondo-se que cada
observao Y possa ser descrita pelo modelo da equao 72, o coeficiente 0 a interseo
(valor de Y para X = 0) enquanto que 1 a inclinao da reta, que pode ser positiva,
negativa ou nula e

o erro do modelo ajustado.

Y = 0 + 1 X +

(72)

Se h n pares de dados (Y1, X1), (Y2, X2), (Y3, X3), ..., (Yn, Xn) possvel
estimar os parmetros 0 e 1 , pelo mtodo dos mnimos quadrados usando a equao 73
com os n pares de observaes da amostra. A soma de quadrados dos desvios das observaes
em relao reta de regresso calculada pela equao 74 (MONTGOMERY; RUNGER,
1999).

Yi = o + 1 X i + i , i = 1, 2, 3, ..., n
n

i =1

i =1

L = i2 = (Yi o 1 X i ) 2

(73)
(74)

55
onde: Xi = valores das variveis independentes de ndice i;
Yi = valores das variveis dependentes de ndice i;
n = nmero de pares dos valores X Y do conjunto de dados.
Para Montgomery e Peck (1982), a soluo das equaes normais resultantes
da equao 74 fornece os estimadores de mnimos quadrados 0 e 1 , a partir das equaes
75, 76, 77, 78 e79.
1 n

S xx = X i X i
n i =1
i 1
n

1 n
S yy = Yi Yi
n i =1
i =1
n

(75)

(76)

1 n
n
S xy = X iYi X i Yi
n i =1 i =1
i =1

(77)

S xy
1 =
, coeficiente angular;
S xx

(78)

0 = Y 1 X , coeficiente linear;

i =1

i =1

onde: Y = (1/ n) Yi e X = (1/ n) X i

(79)

A equao de regresso ou modelo ajustado representado pela equao 80.

Y = 0 + 1 X , equao de regresso.

(80)

2.7.2.2 Coeficiente de correlao


O coeficiente de correlao r, calculado pela equao 81 uma medida da
intensidade da relao linear existente entre duas variveis. (RIBEIRO; CATEN, 2001b).

r( X ,Y ) =

S xy
S xx S yy

, coeficiente de correlao.

(81)

2.7.2.3 Teste de significncia da regresso


O mtodo da Anlise de Varincia pode ser usado para o teste de
significncia da regresso. O procedimento parte do desmembramento da variabilidade total
da varivel de resposta nos seus componentes bsicos para o teste F. A Anlise de Varincia
identificada como mostrado na equao 82. A SQT tem n-1 graus de liberdade, a SQReg 1 e a

56
SQR n-2 graus de liberdade respectivamente. A formulao da hiptese, para o teste de
significncia da regresso e a estatstica do teste so apresentadas em 83.
n

(Y Y )
i =1

i =1

i =1

= (Yi Y ) 2 + (Yi Yi ) 2

(82)

SQT = SQRe g + SQR


H o : 1 = 0
H 0 : 1 0
Fo =

SQRe g /1
SQR /(n 2)

(83)

MQRe g
MQR

A hiptese H o : 1 = 0 deve ser rejeitada se Fo > F ,1,n 2 , indicando que a


regresso significativa. O procedimento usualmente apresentado em uma tabela de anlise
de varincia como aparece na tabela 6.

Tabela 6 - ANOVA para o teste de significncia da regresso linear simples


Fontes de
variao

Soma de
quadrados

Graus de
liberdade

Mdias
quadradas

Fo

Regresso

SQRe g = 1S xy

MQReg

MQReg

Residual

SQR = SQT 1S xy

n-2

MQR

MQR

Total

SQT

n-1

Fonte: Montgomery e Runger (1999).

2.7.2.4 Coeficiente de determinao


O coeficiente de determinao r2 pode ser entendido como a frao da
variabilidade observada na varivel de resposta Y que pode ser explicada pela varivel
regressora X no modelo de regresso ajustado (WERKEMA; AGUIAR, 1996).
2.7.2.5 Suposies associadas ao modelo de regresso linear simples
Segundo Montgomery e Peck (1982), levando-se em considerao que os
parmetros o e 1 so desconhecidos, ser necessrio uma estimativa destes por meio do
emprego de dados amostrais. Para que se obtenha boas estimativas para os parmetros

57
o e 1 e tambm uma boa interpretao prtica do fenmeno analisado, deve-se considerar
algumas suposies ao modelo de regresso linear simples:
1) A relao entre Y e X linear, ou pode ser bem aproximada por uma lina reta;
2) O termo do erro tm mdia zero
3) A varincia do erro 2 aproximadamente constante;
4) Os erros so no correlacionados, ou seja, o valor de um erro no depende de
qualquer outro erro;
5) Os erros tm distribuio aproximadamente normal.
2.7.2.6 Adequao do ajuste
Quando um modelo de regresso escolhido, deve-se verificar se o mesmo
adequado para os propsitos a que se destina. A adequao do ajuste e as suposies do
modelo podem ser verificadas atravs de uma anlise dos resduos. Se o ajuste para o modelo
linear for adequado, os grfico de resduos contra os valores ajustados apresentar um padro
aleatrio. Caso contrrio, alguma tendncia curvilnea ser observada (RIBEIRO; CATEN,
2001b).
De acordo com Montgomery (2001), um estimador para o resduo i definido
pela diferena entre o valor observado de Y e o valor ajustado pela equao de regresso
( ei = Yi Yi ), onde: ei o estimador para o erro, Yi uma observao e Yi o valor
correspondente estimado pelo modelo de regresso. Muitos modelos de regresso preferem
usar os resduos padronizados a trabalhar com as mdias quadradas dos resduos. Os resduos
padronizados, por apresentarem a mdia zero e o desvio-padro aproximadamente unitrio,
facilitam a identificao de possveis valores atpicos outliers no conjunto de dados.
Segundo Montgomery e Runger (1999), para um desvio-padro unitrio, a maioria dos
resduos (aproximadamente 95%) devem estar situados no intervalo 2 di 2 . Se alguma
observao apresentar o valor do resduo fora deste intervalo pode tratar-se de um provvel
dado atpico ou outlier. Os dados atpicos devem ser criteriosamente examinados, pois podem
fornecer informaes importantes sobre o processo que est sendo analisado. Se for
constatado registro incorreto ou outras anormalidades sem possibilidades de correo, que
justifiquem o descarte, estes dados devem ser eliminados do modelo.

58
No modelo de anlise de regresso simples os resduos padronizados so
calculados com o uso das equaes 84, 85 e 86 sugeridas por (MONTGOMERY; RUNGER,
1999).

di =

ei
2

Yi ( 0 + 1 X i )
2

, i = 1, 2, 3, ..., n , resduo padronizado;

(84)

SQR = S yy 1S xy , soma de quadrados dos resduos;

(85)

SQR
, estimativa da varincia dos resduos.
n2

(86)

2 =

Homogeneidade da varincia: a suposio de homogeneidade da varincia S2 ao longo de


todo o intervalo de X pode ser verificada analisando-se o grfico de resduos contra os
valores ajustados (MONTGOMERY; PECK, 1982).
Os erros so no correlacionados: a validade desta suposio pode ser verificada por meio
de um grfico de resduos contra o tempo ou ordem de coleta das observaes, que dever
apresentar uma distribuio aproximadamente homognea dos pontos sobre o grfico.
Configuraes especiais podem indicar que os erros so correlacionados (WERKEMA;
AGUIAR, 1996).
Normalidade dos resduos: a validade da suposio de normalidade pode ser verificada com
o teste de normalidade, atravs do grfico de probabildidade normal para os resduos. A
suposio de normalidade ser vlida se os pontos do grfico estiverem distribudos
aproximadamente ao longo de uma linha reta sendo que os valores centrais do grfico devem
merecer uma maior ateno (WERKEMA; AGUIAR, 1996).
Dados atpicos outliers: um outlier uma observao extrema, que no tpica do
restante da massa de dados. Os dados atpicos podem ser provenientes do efeito de algum
fator externo ao estudo, ou podem simplesmente ser um erro de leitura e registro. Uma
observao extrema poder ser identificada atravs do grafico de resduos contra os valores
ajustados (RIBEIRO; CATEN, 2001b).
2.7.3 Regresso linear mltipla
Regresso linear mltipla uma tcnica usada para medir quantitativamente o
efeito de vrias variveis, X1, X2, X3, ..., Xk sobre uma varivel de resposta Y, atravs do
critrio dos mnimos quadrados. A estimativa do grau de ajuste da relao tipicamente

59
medida por R2 que pode estar compreendido entre os valores zero e um (CHATTERJEE;
SORENESEN, 1998).
De modo anlogo regresso linear simples as suposies associadas ao
modelo de regresso linear mltipla tambm devem ter sua validade verificada para que o
modelo tenha validade para o seu uso (WERKEMA; AGUIAR, 1996).
Segundo Montgomery (2001), a minimizao do erro quadrado mdio envolve
a resoluo das conhecidas equaes normais. A soluo das equaes normais fornecer os
estimadores dos coeficientes de regresso 0 , 1 , 2 ... k . Em notao matricial o modelo de
regresso linear dado pela equao 87. A expresso do modelo linear geral de regresso
dada pela equao 88.

Y=X+

(87)

Y = 0 + 1 X 1 + 2 X 2 + ... + k X k +

(88)

onde: k o nmero de variveis regressoras desconhecidas, 0 , 1 , 2 ,..., k so os


coeficientes de regresso e o erro aleatrio dado pela diferena entre o valor observado Y
e o valor obtido pela equao de regresso.
Como os parmetros 0 , 1 , 2 ... k so desconhecidos ser necessrio estimlos por meio da utilizao de dados amostrais. Para estimar 0 , 1 , 2 ,..., k supe-se que n>k
observaes estejam disponveis, sendo Xij a i-sima observao da varivel Xi. O modelo de
regresso linear escrito a partir das observaes amostrais dado pela equao 89.
k

Yi = 0 + 1 X i1 + 2 X i 2 + ... + k X ik + i = o + i X ij + i , i = 1, 2, 3, ...,n

(89)

j =1

Para encontrar os estimadores de mnimos quadrados de 0 , 1 , 2 ,..., k ,


deve-se minimizar o resultado da equao 90 em relao a estes coeficientes. Estas p
equaes com p = k+1 so as equaes normais que devem ser resolvidas.
n

i =1

i =1

j =1

L = i2 = (Yi - o i X ij ) 2

(90)

O modelo de regresso linear mltipla da equao 87, expresso em termos das


observaes amostrais e escrito sob a forma matricial, apresentado em 91. A disposio dos

60
dados amostrais para a resoluo do modelo apresentada na tabela 7 (MONTGOMERY;
RUNGER, 1999).

Tabela 7 - Disposio dos dados para utilizao no modelo de regresso linear mltipla.
Yi
Y1
Y2

Xi1
X11
X21

Xi2
X12
X22

...
...
...

Xik
X1k
X2k

Yn

Xn1

Xn2

...

Xnk

Fonte: Montgomery (2001)

0
Y1
1 X11 X12 . . . X1k
1

Y

1 X X . . . X
21
22
2k
1
2

2
.
.
.
. . .
.
Y=X+ , onde: Y = , X =
, = e =
.
.
. . .
.
.
.
.
.
. . .
.


Yn
n
1 X n1 X n2 . . . X nk
k

(91)

sendo: Y o vetor das observaes da varivel de resposta Y (n x 1), X a matriz das variveis
regressoras X (n x p), o vetor dos coeficientes de regresso (p x 1) e o vetor dos erros
aleatrios (n x 1).
Para encontrar o vetor dos estimadores dos mnimos quadrados , deve-se
minimizar a funo escrita sob a forma matricial na equao 921:
n

L = i2 = = (Y-X) (Y-X)

(92)

i =1

O estimador de mnimos quadrados a soluo para na equao 93.


L
=0

(93)

Resolvendo a derivada da equao 93 obtm-se equao 94.

X' X=X'
Y

O sinal apstrofo que aparece a partir da equao 92 um smbolo que representa a transposta da matriz.

(94)

61
Para resolver a equao normal na forma matricial, multiplica-se ambos os
lados da equao 94 pela inversa de XX , obtendo-se a equao 95 para a estimativa de .

= (X' X) -1X' Y

(95)

A equao matricial 95 representa o sistema de equaes normais para o


modelo de regresso linear mltipla. Os estimadores de mnimos quadrados so obtidos
atravs da resoluo da equao 95 e os valores ajustados pelo modelo so dados pela
equao matricial 96.


Y=X

(96)

2.7.3.1 Teste de significncia da regresso


Segundo Montgomery (2001), o teste de significncia para a regresso serve
para determinar se h uma relao linear entre a varivel de resposta Y e as variveis
regressoras X1, X2, X3, ..., Xk. O teste de hiptese apropriado apresentado na equao 97.

H o : 1 = 2 = ... = k = 0

H1 : j 0 , para pelo menos um j

(97)

A rejeio de Ho na equao 97 significa que, pelo menos uma das variveis


regressoras, X1, X2, X3, ..., Xk contribui significativamente para o modelo. O procedimento do
teste de hiptese envolve uma Anlise de Varincia (ANOVA) partindo da soma de
quadrados totais (SQT), decomposta em soma de quadrados, devido ao modelo de regresso
(SQReg) e a soma de quadrados dos resduos ou erro (SQR), de acordo com a equao 98.

SQT = SQRe g + SQR

(98)

onde: a SQT calculada com a equao 99, a SQReg com a equao 100 e a SQR com a
equao 101.
2

n
Yi
SQT = Y Y i =1 , soma de quadrados totais.
n

(99)

SQRe g

n
Yi

= X Y i =1 , soma de quadrados da regresso.


n

SQR = Y Y- X Y , soma de quadrados dos resduos.

(100)

(101)

62
O procedimento do teste de hiptese para H o : 1 = 2 = ... = k = 0
realizado atravs do teste F apresentado na equao 102.
Fo =

SQRe g / k
SQR /(n p )

MQRe g

(102)

MQR

Rejeita-se Ho em um teste com um nvel de significncia se Fo > F ,k ,n p , ou


se o valor-p para a estatstica Fo for menor do que . Este procedimento pode ser sumarizado
em uma tabela ANOVA, conforme apresentada na tabela 8.

Tabela 8 - ANOVA para o teste de significncia da regresso linear mltipla.


Fontes de
variao

Soma de
quadrados

Graus de
liberdade

Mdias
quadradas

Fo

Regresso

SQReg

MQReg

MQReg

Residual

SQR

n-p

MQR

MQR

Total

SQT

n-1
Fonte: Montgomery (2001).

2.7.3.2 Anlise dos resduos


O resduo padronizado para o modelo de anlise de regresso mltipla pode ser
obtido atravs das equaes 103 e 104. Para tanto, utiliza-se como estimativa para o desviopadro, a MQR calculada com a equao 105 ou a MQR obtida atravs da tabela ANOVA
apresentada na tabela 7.

ei = Yi Yi , i = 1, 2, 3, ..., n , resduo;
di =

ei
2

2 = MQR =

ei
, resduo padronizado;
MQR
SQR Y Y X Y
=
, estimativa da varincia.
n p
n p

(103)

(104)

(105)

2.7.3.3 Teste individual dos coeficientes de regresso


O teste de hiptese individual dos coeficientes de regresso til para se
determinar o nvel de contribuio de cada varivel explicativa para modelo de regresso. Um
modelo poder ser melhorado com a incluso de variveis adicionais, ou talvez com a retirada

63
de uma ou mais variveis que j tenham sido incorporadas ao modelo de regresso
(MONTGOMERY, 2001).
A adio de variveis ao modelo de regresso sempre provoca um aumento da
soma de quadrados da regresso (SQReg) e uma diminuio da soma de quadrados do erro
(SQR). Precisa-se avaliar, se um aumento na SQReg suficiente para justificar o uso de uma
varivel adicional ao modelo. Entretanto, se for adicionada ao modelo, uma varivel com
pouca contribuio, a MQR poder aumentar e no melhorar o modelo ajustado.
(MONTGOMERY, 2001).
O teste de hiptese para a significncia de um coeficiente individual de
regresso, indicado por Montgomery e Runger (1999) apresentado na equao106,

Ho : j = 0
(106)

H1 : j 0
Se H o : j = 0 no rejeitado, ento um indicativo de que Xj pode ser
eliminada do modelo. O teste estatstico para esta hiptese apresentado na equao 109,
onde: Cjj o elemento da diagonal da matriz (X'X) 1 correspondente a j e 2 estimado
pela varincia do erro obtido com a equao 105. O denominador da equao 109 o erro
padro da estimativa para coeficiente de regresso j representado por Se ( j ) apresentado
na equao 108 . A varincia dos coeficientes Bs so expressas em termos dos elementos da
matriz de covarincia Cov( ) , apresentada na equao 107. A diagonal da matriz 2 (X'X) 1
so as varincias de 0 , 1 , 2 ,..., k .
= 2 (X'X) 1
Cov()

(107)

Se ( j ) = 2C jj

(108)

to =

j
j
=
Se ( j )
2C jj

(109)

A hiptese nula H o : j = 0 rejeitada se to > t / 2, n p . Esse teste chamado


de teste parcial ou teste marginal, porque o coeficiente de regresso j depende de todas as
outras variveis regressoras que esto no modelo.

64
2.7.3.4 Modelos para seleo de variveis
Para Montgomery e Runger (1999), um dos problemas, em muitas aplicaes
da anlise de regresso mltipla o que envolve a seleo do grupo de variveis regressoras
usadas no modelo para encontrar a melhor equao de regresso. A seguir apresentam-se os
modelos que podem ser utilizados para este fim.
Coeficiente de determinao mltipla: o coeficiente de determinao R2 representa uma
medida da frao da variabilidade de Y que pode ser atribuda s variveis explicativas X1, X2,
..., Xn, presentes no modelo de regresso. Entretanto, um alto valor para R2 no significa,
necessariamente, que o modelo de regresso esteja adequadamente ajustado. possvel
aumentar o R2 por meio da adio de novas variveis ao modelo, mas isto no quer dizer que
o modelo com um maior nmero de variveis seja melhor, apesar de apresentar um maior R2.
Para contornar esse problema, pode-se utilizar o coeficiente de determinao mltipla
ajustado Raj2 , que leva em considerao o nmero de variveis regressoras includas no
modelo. Se R 2 e Raj2 forem muito diferentes, um bom indicativo de que foram includas
variveis explicativas ao modelo ajustado sem, no entanto, apresentarem uma contribuio
significativa (WERKEMA; AGUIAR, 1996). O coeficiente de determinao mltipla,
definido por Montgomery (2001) calculado pela equao 110 e o coeficiente de
determinao mltipla ajustado, pela equao 111.

R2 =

SQRe g
SQT

Raj 2 = 1

= 1

SQR
SQT

SQR /(n p )
n 1
= 1
(1 R 2 )
SQT /(n 1)
n p

(110)

(111)

Estatstica C-p: alm dos critrios R2 e Raj2 , j citados, usados para a obteno do melhor
modelo de regresso pode-se utilizar a estatstica C-p, a qual fornece uma medida da mdia
quadrada total do erro para o modelo de regresso. Nessa estatstica usa-se a mdia quadrada
do erro do modelo completo com K+1 termos ( 2 = MQR (k + 1) , como uma estimativa da
varincia 2 . Ento, um estimador para a mdia quadrada total do erro :
C p =

SQR( p )
n+ 2p
2

(112)

Se o modelo de tamanho p resultar em um valor de C-p com um desvio


negligencivel em relao ao valor de p, ento, isto pode ser interpretado como demonstrado
na equao 113.

65
E (C p \ desvio zero) = p

(113)

Portanto, o valor de C-p para cada modelo de regresso sob considerao deve
ser avaliado em relao a p. Logo, aqueles modelos com desvio significativo de um suposto
melhor modelo, tero um valor de C-p significativamente maior do que p. A deciso para a
escolha da melhor equao de regresso se basear no modelo com o valor do C-p o mais
prximo possvel do valor de p (MONTGOMERY; PECK, 1982).
Mtodo stepwise: uma tcnica usada para a seleo de variveis. O procedimento
iterativamente constri uma seqncia de modelos de regresso, adicionando ou removendo
variveis em cada passo. O critrio para adicionar ou remover uma varivel em cada passo
normalmente baseado no teste F parcial. O Fe o valor de F fixado para adicionar uma
varivel e o Fs o valor de F para remover uma varivel do modelo. Pode-se fixar Fe < Fs ou
como normalmente usado Fe = Fs. O mtodo stepwise inicia com uma varivel regressora Xi
que apresenta a mais alta correlao com a varivel de resposta Y, ou seja, a varivel
regressora que produz o maior valor da estatstica F. Exemplificando o processo, no primeiro
passo a varivel X1 selecionada, no segundo, as restantes k-1 variveis candidatas so
avaliadas, e a varivel para a qual a estatstica F parcial for mxima adicionada equao,
desde que F2 > Fe. Na equao 114, MQR ( X j , X 1 ) significa a mdia quadrada do erro para o
modelo contendo ambas as variveis Xj, X1 . Supondo que este procedimento esteja indicando
que X2 deve ser adicionada ao modelo, agora o algoritmo do mtodo stepwise determina se a
varivel X1 adicionada no primeiro passo permanecer ou dever ser removida do modelo. Se
o valor calculado de F1 resultar F1 < Fs a varivel X1 removida, caso contrrio ser mantida
e o passo seguinte testar uma nova candidata a ingressar no modelo contendo as variveis X1
e X2. Em cada passo, o conjunto de candidatas regressoras avaliado e a varivel regressora
com maior F parcial, que satisfaz a condio Fj > Fe, adicionada ao modelo. Na seqncia, a
estatstica F parcial aplicada para cada regressora atualmente no modelo e a regressora com
o menor valor de F eliminada se Fj < Fs. O procedimento continua at outra regressora ser
adicionada ou removida do modelo. Esta tcnica quase sempre desempenhada usando-se
programa computacional (MONTGOMERY; RUNGER, 1999). Os algoritmos utilizados para
decidir sobre a adio ou remoo de variveis regressoras do modelo so apresentados nas
equaes 114 e 115 respectivamente.
Fj =

SQRe g ( j / 1 , o )
MQR ( X j , X 1 )

(114)

66

F1 =

SQRe g ( 1 / 2 , o )
MQR ( X 1 , X 2 )

(115)

Seleo forward: o procedimento da seleo forward uma variao do mtodo stepwise.


baseado no princpio de que uma varivel regressora de cada vez deve ser adicionada ao
modelo, at no mais restar candidatas regressoras que produzam um incremento significativo
na SQReg. Isto , as variveis so adicionadas uma de cada vez, at o F parcial se tornar
inferior ao Fe, omitindo o teste F para a excluso de variveis (MONTGOMERY; PECK,
1982).
Eliminao backward: este algoritmo inicia com todas as k variveis candidatas includas no
modelo. No incio do processo, a regressora com o menor F parcial excluda se a estatstica
F insignificante, ou seja, se Fj < Fs. O modelo de regresso obtido com as k-1 regressoras
ajustado, e a prxima regressora com potencial de eliminao encontrada. O algoritmo
termina quando todas as k regressoras forem submetidas ao teste F parcial e no mais houver
regressora para ser eliminada (MONTGOMERY; PECK, 1982).
Segundo Montgomery e Runger (1999), na seleo de um modelo de
regresso, se o nmero de candidatas a variveis regressoras no for to grande,
recomendado utilizar todos os mtodos possveis. Mas usualmente recomendado o uso do
mnimo MQR e a avaliao do C-p em conjunto com o mtodo stepwise2.
Neste captulo foram abordados os conceitos fundamentais de algumas tcnicas
e ferramentas estatsticas, que podem ser utilizadas na implementao de projetos de melhoria
com uma abordagem baseada no programa Seis Sigma.
No prximo captulo ser apresentado o modelo de implementao de um
projeto de melhoria atravs do mtodo DMAIC do programa Seis Sigma.

Para maiores detalhes sobre a regresso linear mltipla consultar Montgomery e Peck (1982), Montgomery e
Runger (1999), Werkema e Aguiar (1996).

67

CAPTULO 3

3 METODOLOGIA
3.1 INTRODUO
Metodologia uma maneira ordenada, lgica e sistemtica de se realizar
alguma coisa. Consiste em um conjunto de ferramentas, tcnicas, princpios e regras,
organizadas de forma clara, lgica e sistemtica, usadas como guia para

alcanar um

objetivo. A padronizao do uso de mtodos estatsticos e a metodologia para alcanar o Seis


Sigma propiciam a todos uma linguagem comum, um entendimento e, conseqentemente, um
comprometimento com os objetivos e metas da organizao (PEREZ-WILSON, 1999).
Segundo Antony e Banuelas (2002), a chave para o sucesso do programa de qualidade Seis
Sigma a abordagem passo-a-passo do mtodo DMAIC, a definio das etapas, a
caracterizao do problema e o entendimento das caractersticas crticas para o cliente.
3.2 O MTODO DMAIC
O programa de qualidade Seis Sigma abordado nesta dissertao ser
implementado atravs do mtodo DMAIC sugerido por Eckes (2001), Hoerl (1998), Lucier e
Seshadri (2001), Nave (2002), Pande, Neuman e Cavanagh (2001) e Werkema (2002). Este
mtodo consiste basicamente em uma seqncia estruturada de cinco etapas que sero
descritas a seguir:
3.2.1 Definir
A etapa Definir deve iniciar com o entendimento da relao existente entre os
fornecedores e os clientes do processo, reunindo e analisando dados suficientes para
identificar as questes importantes para a satisfao do cliente, conhecidas como

68
caractersticas crticas para a qualidade (CTQ critical to quality). (RASIS; GITLOW;
POPOVICH, 2002).
A carta do projeto, utilizada nesta etapa, o documento formal que permite
encaminhar um estudo racional para a realizao do projeto, sendo constituda basicamente
dos seguintes itens: (i) ttulo do projeto; (ii) descrio do problema; (iii) definio da meta;
(iv) avaliao do histrico do problema; (v) escolha da equipe de trabalho e (vi) cronograma
preliminar de trabalho (WERKEMA, 2002).
Esta primeira etapa do DMAIC consiste em selecionar os projetos Seis Sigma
que apresentam potencial para melhoria de desempenho. Nessa fase sero determinadas as
mtricas, selecionadas e treinadas pessoas para desenvolver os projetos que apresentarem o
melhor retorno financeiro para a empresa. A identificao de projetos Seis Sigma permitir
organizao reconhecer como os seus processos afetam a lucratividade. Possibilitar ainda
definir quais desses processos so crticos para o negcio da empresa e para a satisfao do
cliente. A preparao desta fase deve incluir o treinamento e orientao dos empregado para o
uso das tcnicas e ferramentas que podero ser utilizadas pelo grupo que ir conduzir o
projeto. Werkema (2002) prope que nesta etapa sejam respondidas as seguintes questes:
- Qual o problema um resultado indesejvel ou uma oportunidade de melhoria detectada
a ser abordado no projeto?
- Qual a meta que se deseja atingir?
- Quais so os clientes e consumidores afetados pelo problema?
- Qual o processo responsvel pelo problema?
- Quais os custos e benefcios financeiros que podero resultar do projeto de melhoria?
Para Coronado e Antony (2002), o projeto selecionado dever ajudar a
empresa a reduzir o tempo de ciclo do produto e aumentar o rendimento do processo
melhorando, assim, a vantagem competitiva e a lucratividade do negcio. Conforme Harry e
Schroeder (2000), o projeto pode ser sugerido pela rea de produo (top down) ou definido
pela alta administrao (bottom up) e proposto segundo os seguintes critrios: reduo de
custos, nvel de dpmo/ppm do processo, custo da m qualidade, capacidade do processo,
tempo de ciclo do produto, satisfao do cliente e desempenho interno.
De acordo com Lynch e Cloutier (2003), os propsitos da etapa Definir so:
- ter um claro entendimento para discusso do problema;

69
- identificar as variveis de entrada e sada do processo;
- verificar responsabilidades, etapas do processo e estabelecer objetivos;
- organizar o grupo de trabalho;
- obter um entendimento do mrito do projeto;
- definir bem o enunciado do problema, entender o que ser melhorado e como ser medido;
- listar os processos e produtos;
- levantar dados histricos do processo;
- mapear o processo e delimitar o escopo do projeto de melhoria;
- confeccionar a carta do projeto;
- fazer um cronograma para o projeto.
3.2.2 Medir
A etapa Medir envolve o estudo e entendimento das caractersticas crticas para
a qualidade (CTQs), requerendo definies operacionais para cada caracterstica. Iniciando
por um estudo de R&R com a finalidade de determinar se o sistema de medio apropriado
para as necessidades do estudo. Estabelecendo a capacidade da situao atual para cada
caracterstica CTQ e variveis de entrada influentes no processo. Adicionalmente, a etapa
Medir envolve a coleta de dados para a determinao do desempenho das variveis-chave de
entrada do processo (RASIS; GITLOW; POPOVICH, 2002).
Para Lynch e Cloutier (2003), esta etapa abrange aes relacionadas
mensurao do desempenho dos processos e a determinao da variabilidade dos mesmos,
sendo necessrio cumprir os seguintes propsitos e objetivos:
- documentar o processo existente, por exemplo, atravs do mapeamento do processo;
- estabelecer as tcnicas para coleta de dados, o que coletar, onde e como coletar;
- coletar os dados necessrios para a anlise;
- verificar se o sistema de medio adequado;
- estabelecer a situao atual das caractersticas de qualidade e das variveis do processo.
- fazer estudo de capacidade e determinar o nvel sigma do processo;
- apresentar os dados graficamente.

70
Atravs de consenso entre os integrantes da equipe Seis Sigma da empresa, so
identificadas as variveis-chave de entrada e de sada do processo. Nessa fase, so utilizadas
ferramentas bsicas de probabilidade e estatstica, softwares de anlise estatstica e anlise do
sistema de medio (MSA). A etapa Medir pode ser desenvolvida atravs do levantamento
dos dados histricos, realizao de testes de normalidade, anlise do sistema de medio das
variveis de sada, estudo de capacidade dos sistemas de dosagem de insumos e clculo do
nvel sigma atual do processo.
3.2.3 Analisar
A etapa Analisar envolve a identificao das variveis do processo, que
influem significativamente em cada caracterstica CTQ, identificando tambm as possveis
variveis de rudo. Anlise de correlao/regresso e projetos de experimentos podem ajudar a
determinar as variveis-chave que influenciam nas caractersticas CTQ (RASIS; GITLOW;
POPOVICH, 2002).
Para Henderson e Evans (2000), Pande, Neuman e Cavanagh (2002), esta a
fase mais importante do DMAIC. Aqui so analisados os dados relativos aos processos em
estudo, com o objetivo principal de se conhecer as relaes causais, as fontes de variabilidade
e de desempenho insatisfatrio do processo. Nessa fase, as ferramentas utilizadas para a
identificao das variveis que mais influenciam na variao do processo incluem: teste de
normalidade, anlise de correlao e regresso, anlise de regresso multivariada e anlise de
varincia (ANOVA). Com o auxlio destas ferramentas so desenvolvidos e listados os fatores
que influenciam o resultado desejado.
Lynch e Cloutier (2003) descrevem os propsitos e objetivos que devem ser
alcanados nesta etapa:
- estreitar o foco do projeto para reunir informaes da situao atual;
- descobrir as fontes potenciais de variao, atravs do entendimento da relao existente
entre as variveis X e Y;
- reduzir o nmero de variveis de processo que sero aprimoradas na etapa de melhoria;
- identificar e controlar o risco das variveis de entrada;
- realizar anlises estatsticas e testes de significncia nas variveis X e Y, utilizando estatstica
descritiva, ANOVA e anlise de regresso.

71
3.2.4 Melhorar
Segundo Werkema (2002), nessa etapa devem ser geradas idias sobre
solues potenciais para eliminao das causas fundamentais dos problemas priorizados na
etapa de anlise. O grupo confirma as variveis-chave, quantifica os seus efeitos nas
caractersticas de qualidade e define a melhor soluo para reduzir significativamente o nvel
de defeitos.
De acordo com Eckes (2001), as solues geradas e implementadas devem
procurar a eliminao da causa do problema neutralizar ou minimizar seus efeitos. Depois do
processo modificado e testado so determinados prazos para a reviso dos procedimentos de
produo visando atender as expectativas do cliente.
As ferramentas estatsticas relevantes utilizadas nesta fase so: o
brainstorming, o 5W2H, a matriz de priorizao, FMEA, operao evolutiva (EVOP), que
permitem identificar e implementar melhorias ou ajustes para as solues selecionadas. As
principais atividades desenvolvidas so: gerar idias de solues potenciais para a eliminao
das causas fundamentais dos problemas; priorizar as solues; avaliar os riscos destas
solues e se possvel realizar testes das solues em pequena escala; identificar e
implementar melhorias ou ajustes nas solues implantadas e elaborar e executar um plano de
ao para a implementao das solues em larga escala (WERKEMA, 2002).
3.2.5 Controlar
Uma vez que a melhoria desejada tenha sido implementada, algum tipo de
sistema tem de ser usado para manter a melhoria alcanada dentro do intervalo de tolerncia
aceitvel. Nesta etapa so implementados os mecanismos necessrios para monitorar
continuamente o desempenho de cada processo, com o objetivo de garantir a sustentao das
melhorias ao longo do tempo. Entre as tcnicas adotadas, destacam-se as seguintes: o controle
estatstico de processo, a padronizao dos procedimentos que obtiveram xito, os planos de
controle, os testes de confiabilidade e os processos prova de erros (ECKES, 2001; HARRY,
1998).
Segundo Lynch e Cloutier (2003), nessa etapa tambm so adotadas medidas
de preveno de erros, para detectar rapidamente um estado fora de controle e determinar as
causas associadas, visando a tomada de aes antes que produtos defeituosos sejam
produzidos. As principais atividades da etapa Controlar podem ser sumarizadas como segue:
- confirmao da melhoria implantada;

72
- confirmao de que o problema foi resolvido;
- validao dos benefcios auferidos pela melhoria;
- alteraes necessrias nos procedimentos e instrues de trabalho;
- implementao de ferramentas de controle onde necessrio, tais como dispositivos
prova de erro, CEP, etc.;
- auditoria do processo, monitoramento do desempenho e das mtricas.
No prximo captulo ser apresentado um estudo, onde sero desenvolvidas as
etapas do mtodo e discutidas as tcnicas e ferramentas estatsticas adequadas para o uso
em cada fase da realizao de um projeto de melhoria.

73

CAPTULO 4

4 DESCRIO DO ESTUDO, RESULTADOS E DISCUSSO


4.1 INTRODUO
Este captulo apresenta a implementao da metodologia Seis Sigma em um
projeto de melhoria onde ser utilizado o mtodo DMAIC, conforme descrito no captulo 3.
Apresenta tambm a utilizao das tcnicas e ferramentas estatsticas em cada etapa do
DMAIC.
O estudo foi desenvolvido em uma indstria petroqumica, que produz
borrachas sintticas SBR (Styrene Butadiene Rubber) e NBR (Acrylonitrile Butadiene
Rubber) obtidas por processo de polimerizao em emulso frio. Neste estudo apresenta-se
a realizao de um projeto de melhoria com uma abordagem Seis Sigma, na linha C de
reao, onde o objetivo do projeto de melhoria a reduo da variabilidade na caracterstica
de qualidade viscosidade Mooney (VM) do ltex produzido e a variabilidade dos tempos de
processamento das bateladas, ou tempo de reao (tR).
A opo pelo uso do programa Seis Sigma na empresa foi uma deciso
estratgica da alta administrao da organizao, com o objetivo de resolver problemas
crnicos que no vinham tendo soluo com os programas de qualidade praticados at ento
na empresa. A partir desta deciso, que se estendeu para os trs parques fabris da empresa, a
diretoria implementou um programa de treinamento onde os tcnicos e engenheiros foram
submetidos a uma sesso inicial com uma carga horria de quarenta horas de treinamento que
contemplava o entendimento e utilizao das ferramentas bsicas de estatstica. Para os
engenheiros candidatos a lderes dos projetos Seis Sigma, o treinamento foi complementado
com mais duas sesses de quarenta horas. Nesse treinamento foi desenvolvido um programa
mais complexo, que contemplou ferramentas e mtodos estatsticos mais avanados, tais

74
como, testes de hipteses, anlise de varincia, anlise multivariada, projetos de experimentos
e a utilizao do software estatstico Minitab.
4.2 DESCRIO DO PROCESSO
A linha C de reao um processo de reao qumica em batelada, para a
produo de ltices NBRs especiais, que em uma etapa posterior so transformados em nove
tipos de elastmeros com diferentes teores de acrilonitrila combinada (28%, 39% e 45%) e
diferentes nveis de VM (45, 60 e 80). A reao de polimerizao para a obteno do ltex a
partir dos monmeros butadieno e acrilonitrila uma reao exotrmica que se processa em
regime transiente, caracterizada por uma alta taxa de converso inicial. O reator de
polimerizao mantido isotermicamente por meio de uma serpentina, que utiliza amnia
lquida (NH3) como fluido frigorgeno, para manter a temperatura da massa reacional a 7 oC.
A reao conduzida at o ponto em que aproximadamente 85% dos monmeros so
convertidos em polmero. O processo totalmente automatizado no que se refere injeo
dos insumos no reator, controle de temperatura e presso do reator. As atividades do operador
se limitam ao condicionamento do reator para o incio da produo, seleo do programa
(receita) na estao de controle, acompanhamento analtico para a determinao do ponto
final da batelada morte do reator e o direcionamento do ltex para o tanque apropriado na
rea de coagulao.
O nvel de converso da reao monitorado indiretamente pelo percentual de
slidos totais (ST) presentes na carga do reator, o qual deve apresentar um valor de
aproximadamente 28,4%. Outro parmetro de controle a viscosidade Mooney (VM), que
uma caracterstica relacionada com o peso molecular mdio do elastmero. Fisicamente, a
VM representa a resistncia ao cisalhamento, resultante do movimento relativo entre um
corpo de prova do elastmero e um rotor circular rotativo ou oscilante.
A VM da NBR determinada em um equipamento, chamado viscosmetro,
pelo teste (ML 1+4 @100 oC) descrito pela ASTM D 1646, onde ML significa Mooney large.
A viscosidade obtida pela rotao de um rotor embutido no corpo de prova do elastmero
que fica dentro de uma cmara com cavidade e condies especificadas. O teste conduzido a
uma temperatura de 100 oC, com 1 minuto de pr-aquecimeto da amostra em cmara fechada
sem rotao e depois 4 minutos com o rotor em movimento a uma velocidade de 2,0 rpm. O
valor da viscosidade indicado por um nmero que representa o torque requerido para
movimentar o rotor embutido no corpo de prova do elastmero (ANNUAL BOOK OF ASTM
STANDARDS, 1998; SOMMER, 1996).

75
O esquema simplificado do processo de reao de polimerizao para a
produo do ltex NBR especial em emulso apresentado na figura 10.

BD no convertido

N2
TM

NH3 vapor

NH3 Lquido

Evacuao

N2
PC

EM
AT

BD
ACN
MOD
OX

Ltex para
coagulao

WT

R 2303 B

V 2315 A

Vapor

Figura 10 - Esquema simplificado do processo de polimerizao de NBR especial em emulso.

4.3 MTODO DMAIC


As etapas do mtodo DMAIC, bem como as tcnicas e ferramentas utilizadas
em cada etapa da realizao do projeto de melhoria, so descritas a seguir:
4.3.1 Etapa Definir
A definio do projeto Seis Sigma resultou de uma seleo dos processos mais
importantes e que apresentavam algum problema, tanto do ponto de vista estratgico da
organizao como do ponto de vista da satisfao do cliente. Outro critrio considerado na
escolha do projeto foi a adequao do projeto condio deste servir como projeto piloto para
a introduo e aprendizado dos conceitos do Seis Sigma na organizao. Depois de discusses
com os gerentes da produo/processo/qualidade, optou-se pelo projeto de melhoria da linha
C de reao, que apresentava grande variabilidade na viscosidade Mooney e nos tempos de
processamento das bateladas provocando, como conseqncias, eventuais atrasos na entrega
do produto para o cliente interno e gerao retrabalho. Esse processo faz parte de uma planta
de reao que produz uma variedade de ltices SBR`s e NBR`s, e que em uma etapa posterior
(coagulao e acabamento) sero transformados em diferentes tipos de elastmeros.

76
Com base nos dados histricos de desempenho das caractersticas crticas para
a qualidade viscosidade Mooney e tempos de reao a empresa mantm um
acompanhamento sistemtico da satisfao do cliente, atravs de visitas peridicas com o
objetivo de ouvir a voz do cliente - o projeto de melhoria foi definido pelos gerentes da
empresa. Com a definio do problema a ser resolvido (reduo da variabilidade da
viscosidade Mooney e dos tempos de reao das bateladas), a fase seguinte desta etapa
iniciou-se com elaborao da carta do projeto (declarao do problema; enumerao das
conseqncias destes problemas para o cliente e para a organizao; delimitaes do projeto;
definio da equipe de trabalho; situao atual do processo e definio da meta a ser
alcanada). A elaborao da carta do projeto (Project Charter) apresentada na seqncia
segue o padro sugerido por Werkema (2002).
Ttulo do projeto: Reduzir a variabilidade dos resultados e melhorar a estabilidade do
processo de reao.
Descrio do problema: A linha de reao (processo em bateladas), na qual so produzidos
ltices para a obteno de elastmeros dos tipos NBRs especiais apresenta os seguintes
problemas:
- uma grande variao na caracterstica de qualidade VM entre as bateladas;
- uma grande variao no tempo de reao das bateladas, ou seja, para cada
batelada processada o tempo de reao significativamente diferente;
- perdas de bateladas em funo do grande distanciamento do alvo da
caracterstica de qualidade VM, inviabilizando a correo das mesmas.
Conseqncia destes problemas para os resultados da empresa:
a) A necessidade do aproveitamento dos ltices fora de especificao em outros
grades tendo como conseqncia riscos de contaminao e horas extras de trabalho;
b) Atraso no cumprimento e eventualmente no cumprimento da programao
de produo;
c) Aumento do nmero de bateladas a serem produzidas, devido a necessidade
de se produzir bateladas extras para efetuar correes em bateladas defeituosas, trazendo
como conseqncia um estoque desnecessrio de ltices;

77
d) Aumento do nmero de trocas do tipo de elastmeros (setups) na rea de
coagulao/acabamento tendo como conseqncias: (i) perdas de produo; (ii) horas extras
de limpeza; (iii) riscos de contaminao e (iv) consumo extra de utilidades;
e) Estabelecimento do nmero mnimo de bateladas por corridas de produo e
por tipo de elastmero, gerando estoque desnecessrio.
Nvel sigma para a VM e o tR: considerando os dados de cento e sessenta bateladas (perodo
de 21 de outubro de 2001 a 03 de abril de 2002) determinou-se o nvel sigma atual do
processo como descrito na seqncia.
- viscosidade Mooney (VM): 2,11 sigmas
- tempo de reao (tR): 2,41 sigmas
Definio da meta
Para definir uma meta a ser alcanada para a VM e para os tempos de reao,
avaliou-se a situao atual da variao na VM e dos tempos de reao. Com base no
desempenho destas caractersticas, consideradas crticas, projetou-se uma meta possvel de ser
alcanada, a qual ser apresentada, aps a determinao do desempenho da situao atual.
Determinao do desempenho atual da VM
A caracterstica de qualidade VM uma varivel que depende da quantidade de
modificador (MOD) dosado reao. Estas quantidades dosadas podem variar a cada batelada
processada, conforme o nvel de VM a ser produzido (so produzidos vrios nveis de VM de
acordo com o cliente). Para o estudo da variabilidade, selecionou-se aqueles grupos com
maior nmero de dados disponveis para a mesma quantidade de MOD dosado. Os grupos
utilizados para a determinao do desempenho da VM, foram os de dosagem de 3,00kg e
5,00kg de MOD, os quais apresentaram um desvio-padro para VM de 9,85 e 8,43
respectivamente, resultando num desvio-padro combinado de 9,04. A estatstica descritiva
para os dados de VM apresentada na tabela 9 e o intervalo de confiana de 95% para as
varincias da VM apresentado na figura 12.

Tabela 9 - Estatstica descritiva dos valores de VM utilizados para a determinao da situao atual.
Estatstica descritiva: VM_MOD-3,00/MOD-5,00
Varivel
N
Mdia Mediana
Desv. Pad.
VM_MOD-3
10
59,20
60,00
9,85
VM_MOD-5
14
47,93
46,00
8,43

CV
16,6%
17,6%

78
Como as varincias no podem ser consideradas diferentes, a um nvel de
significncia de 5 %, valor-p = 0,592, pode-se determinar a varincia comum pela equao
116 proposta por Montgomery (1997).
(n1 1).S12 + (n2 1).S 22 )
, varincia comum.
S =
n1 + n2 - 2
2
p

Sp =

(116)

(10 1).9,852 + (14 1).8, 432 )


= 9, 04 ; desvio-padro comum estimado.
10 + 14 - 2

95% do intervalo de confiana

nveis do fator

3,00
5,00
5

10

15

20

Figura 11 - Intervalo de confiana de 95% para a varincia da VM

Nos boxplots da figura 12 possvel verificar a similaridade das varincias da


VM para as dosagens de 3,00 kg e 5,00 kg de MOD incremental.

70

VM

60

50

5,00

MOD incremental (Kg)

3,00

40

Obs.:as mdias esto indicadas por pontos.

Figura 12 - Boxplots relacionando a VM com a quantidade de MOD inc.

Clculo do nvel sigma para a VM: para a determinao do nvel sigma iniciou-se com o
clculo do Z de longo prazo (as amostras para a determinao da VM foram coletadas em um

79
perodo considerado de longo prazo e os valores apresentaram uma distribuio que pode ser
considerada normal). Neste caso, determinou-se a varivel reduzida Z considerando o
processo centrado e uma tolerncia de 20 unidades para variao na VM. Para o clculo
utilizou se a equao 117.
Z=

LSE X
X LIE tol / 2
ou
=
S
S
S

Z=

20 / 2
= 1,1062 , como o processo foi considerado estando centrado, tem-se para Z os
9, 04

(117)

valores de 1,1062 e +1,1062. Na seqncia, calculou-se a probabilidade de ocorrncia de


valores fora dos limites de especificao de Z com o uso da equao 118.

Pt = P( Z > Z LSE ) + P( Z < Z LIE )

(118)

onde: Pt = probabilidade total, ZLSE = Z do limite superior e ZLI E = Z do limite inferior

Pt = P ( Z > 1,1062) + P ( Z < 1,1062) = 0,134321 + 0,134321 = 0, 268642


Depois de calculada a probabilidade para as duas caudas da curva normal
determinou-se as provveis ocorrncias fora dos limites de especificao, em ppm, utilizando
a equao 3a do captulo 2, e o nvel sigma utilizando a tabela de converso do anexo A.
ppm = Probabilidade de defeitosx106 = Px106
ppm = 0, 268642 x106 = 268642 tabela sigma nivel sigma = 2,11
Determinao do desempenho atual do tempo de reao (tR)
A situao atual do processo, com relao variabilidade dos tempos de reao
entre as bateladas, foi avaliada com base nos dados histricos de cento e sessenta e duas
bateladas produzidas nos R2303B e R2304B no perodo de 28 de outubro de 2001 a 03 de
abril de 2002. A estatstica descritiva dos tempos de reao apresentada na tabela 10 e os
boxplots dos tempos de reao por reatores so mostrados na figura 13.

Tabela 10 - Estatstica descritiva dos tempos de reao para a avaliao da situao atual.
Estatstica descritiva: tR_R 2303 B; tR_R 2304 B; tR_R 2303 B/04 B
Varivel
N
Mdia Mediana Desv. Pad
CV
tR_R2303
84
9,54
9,33
1,07
11,2%
tR_R2304
78
9,38
9,20
1,17
12,5%
tR_R2303B/04B 162
9,47
9,30
1,12
12,0%

80

13

tempo de reao (h)

12
11
10
9
8

R2304B

Reator

R2303B

Obs.: as mdias so indicadas por pontos.

Figura 13 - Boxplots comparando os tempos de reao por reator.

Clculo do nvel sigma do tR: para a determinao do nvel sigma, precisou-se obter o Z de
longo prazo (amostras coletadas em um perodo considerado de longo prazo e valores
distribudos normalmente). Inicialmente determinou-se a varivel reduzida Z, considerando o
processo centrado e uma tolerncia de 3h no tR, para o clculo, utilizou se a equao 117.
Z=

3/ 2
= 1,3393 , como o processo foi considerado estando centrado, tem-se para Z os
1,12

valores de 1,3393 e +1,3393. Na seqncia calculou-se a probabilidade de ocorrncia de


valores fora dos limites de Z com o uso da equao 118.
Pt = P ( Z > 1,3393) + P ( Z < 1,3393) = 0, 090239 + 0, 090239 = 0,180478
Uma vez calculada a probabilidade para as duas caudas da curva normal, de
forma similar ao que foi feito para a VM, determinou-se o valor em ppm e depois o nvel
sigma para o tR.
ppm = 0,180478 x106 = 180478 tabela sigma nivel sigma = 2, 41
As metas definidas para serem alcanadas em um perodo de seis meses so as
seguintes: (a) reduzir a variabilidade natural da VM em todas as bateladas produzidas para
uma amplitude mxima de 20 unidades do teste ML (1+4) @100 oC ( 10 unidades em torno
do valor alvo); (b) reduzir a variao dos tempos de reao das bateladas para uma amplitude
mxima de 3 horas ( 1,5 h em torno do tempo esperado).

81
Ganhos esperados (base Agosto de 2002)
1) Estoque de borracha fora de especificao (BFE): perda estimada de R$
60.000,00/ano em funo dos custos com estoque desnecessrio, movimentao e
venda do produto como refugo;
2) Trocas de tipo de elastmeros, horas extras de limpeza e consumo extra de
utilidades: R$ 54.000,00/ano;
3) Riscos de contaminao com o aproveitamento de bateladas refugadas em outros
grades de produtos: intangvel;
4) Atraso ou no cumprimento da programao de produo: intangvel.
Equipe de trabalho: A equipe de trabalho para atuar no projeto foi assim constituda:
Coordenadores: Gerente de Produo / Gerente de Fbrica
Lderes do projeto: Engenheiro de Produo e Pesquisador
Especialistas do Processo: Engenheiro de Processo, Engenheiro de PCP,
Supervisor de Produo (cliente do processo), Tcnicos e Supervisores do Processo.
Com o projeto definido e a equipe de trabalho escolhida, passou-se para a etapa
Medir.
4.2.2 Etapa Medir
Como j era esperada a existncia de um grande nmero de variveis
influentes no processo, esta etapa teve como objetivo principal selecionar aquelas mais
influentes, visando o planejamento otimizado da coleta dos dados necessrios para a avaliao
do desempenho atual do processo. A estratgia adotada para a determinao das variveis a
serem investigadas foi: (i) elaborao de um brainstorming onde seriam levantadas todas as
variveis influentes no processo; (ii) disposio das variveis em um diagrama de causa e
efeito; (iii) uma priorizao inicial atravs de uma matriz de causa e efeito e (iv) priorizao
final com o auxlio de um FMEA.
Esta etapa iniciou com a elaborao do fluxograma do processo, mapeamento
do processo e um brainstorming com a participao da equipe Seis Sigma, especialistas e
tcnicos responsveis pela operao da linha C de reao. O mapeamento do processo foi
elaborado com base no fluxograma do processo e do sistema de automao; nas instrues de

82
trabalho e da engenharia de processo; entrevistas com os tcnicos e anlise do processo de
produo in loco.
Na abertura do brainstorming discutiram-se os princpios do programa Seis
Sigma e a importncia da participao dos tcnicos no processo de levantamento e
identificao das variveis crticas do processo, visando o comprometimento destes com o
projeto. O objetivo deste primeiro brainstorming, alm de apresentar o projeto Seis Sigma aos
envolvidos com o processo, foi listar as variveis do processo que interferem nas
caractersticas de qualidade crticas para o cliente e, a partir do conhecimento destas variveis,
elaborar um diagrama de causa e efeito. Nesta etapa no houve uma preocupao da equipe
em quantificar a intensidade da relao entre as entradas e sadas do processo, j que isto seria
contemplado em uma fase posterior. O diagrama de causa e efeito resultante do brainstorming
apresentado na figura 14 e o mapa de processo apresentado na figura 15.

matria-prima

mtodo

mo-de-obra
espera na fila

Influncia da P de reao

Tempo dosagem de PC:

Efeito MOD incr. aps morte

problema dosagem:
- P alta V23-15 (proc. contr. P V 15)

Linhas cheias OX/MOD/CAT/AT

- deficincia B 22-18

Contam. OX - troca insumos


Efeito O2 e tempo estocagem CAT
Efeito da Temp. e tempo estocagem do
EM cfe. origem (A-22 ou A23)

Tempo de atuao MOD incr.

tempo p/ dosagem de TM
Morte simultnea:

Dif. aquec. V 23-15 A/B (t e T)

tempo transf. reator (dificuldade - uso Ni)

VM
tR

Temp. do reator (oscilao ~2C)


Tempo reduo T aps insumos (45-50C)

Compartilhamento do sistema TM/PC


Insufic. de EOs (2 bat's + contnuo)
Falha na dosagem de insumos
Falha fech./abert. vlvulas crticas

Sistema de contr. de temp. Reator:


- queda T aps adio CAT
- T reao abaixo set

Temp. aps adio WT quente

- tempo morte
Coleta amostra:

Fluxo reverso OX/CAT

- tempo ventagem

Fluxo reverso WT quente

- chuva

-diluio
-ventagem A-22 x A-23

sistemas

meio ambiente

medio

Figura 14 - Diagrama de causa e efeito das variveis influentes no processo.

Uma vez definido o conjunto de todas variveis consideradas influentes no


processo, resultantes do brainstorming, construiu-se uma matriz de causa e efeito e um mapa
detalhado do processo, incluindo neste ltimo todas as etapas, as variveis controlveis e os
rudos do processo. Durante a construo do mapa do processo, que apresentado na figura
15, identificou-se mais oito possveis fontes de problemas que foram incorporados matriz de
causa e efeito. A matriz utilizada para definir as variveis crticas do processo originou-se de

83
uma matriz de processos de QFD, onde as variveis do processo so dispostas nas linhas da
matriz e as caractersticas de qualidade ficam nas colunas.
De acordo com Ribeiro, Echeveste e Danilevicz (2001), a definio da
importncia das variveis do processo tem por objetivo fornecer uma medida concreta para
avaliar o quanto cada varivel est associada obteno das caractersticas de qualidade,
possibilitando a visualizao daquelas variveis de maior importncia. O grau de importncia
das variveis calculado considerando-se: (i) a intensidade dos relacionamentos entre uma
determinada varivel e (ii) as caractersticas de qualidade ponderadas pela importncia
definida para cada caracterstica de qualidade.
Para a construo da matriz de causa e efeito participaram os integrantes da
equipe Seis Sigma e especialistas do processo. Inicialmente, determinaram-se os pesos de
importncia para o cliente das caractersticas de qualidade viscosidade Mooney e tempo de
reao usando uma escala de 1 a 10. Posteriormente, avaliou-se o grau de importncia de cada
varivel para a obteno das caractersticas de qualidade viscosidade Mooney e tempo de
reao, tambm utilizando uma escala de 1 a 10. Finalmente, atravs de uma soma de
quadrados, calculou-se o grau de importncia de cada varivel para a obteno das
caractersticas de qualidade.
Aps o preenchimento da matriz de causa e efeito e o clculo dos valores de
importncia das variveis, elaborou-se um grfico de Pareto onde as variveis do processo so
apresentadas em ordem decrescente de importncia. Para o clculo do grau de importncia das
variveis foi utilizada a equao 71 apresentada no item 2.6.4 do captulo 2. Depois de uma
anlise das variveis e uma discusso criteriosa, baseada no conhecimento dos tcnicos e
especialistas do processo, foi definida uma linha de corte a partir da qual as variveis seriam
desprezadas. As variveis que ficaram posicionadas no entorno da linha de corte, definida em
90 pontos, foram reavaliadas e as com pontuao igual ou superior a este valor, totalizando 18
variveis, foram remetidas para um estudo de FMEA.
Na matriz de causa e efeito e no grfico de Pareto apresentados nas figuras 16
e 17, respectivamente, possvel visualizar, em ordem decrescente, o grau de importncia das
variveis do processo e a linha de corte (assinalada no grfico de Pareto) para a priorizao
das mesmas.

ST
especific.?

No

quantidade dosada (contr)


especificao (rudo)
contaminao (rudo)
tempo de dosagem (contr)

Dosar
MOD ini

Sim

Temp.
<= 7 C?

Sim

Alimentar
EM

Dosar MOD
incr.

tempo de evacuao (contr)

Evacuar o
V 2315 A/B

Figura 15 - Mapa do processo de produo de NBR em batelada.

temperatura de aquec. (contr)


tempo de aquec. (contr)

Aquecer o
V 2315 A/B
c/ agitao

quantidade dosada (contr)


troca insumos (rudo)
tempo de dosagem (contr)
fluxo reverso (rudo)

quantidade dosada (contr)


troca insumos (rudo)
tempo de dosagem (contr)
fluxo reverso (rudo)

Transferir para
V 2315 A/B
e Dosar PC
imediatamente

Dosar
OX incr.

Dosar
OX ini..

4a hora de reao

tempo estab. temp. (rudo)


presso reator (rudo)
oscilao temperatura (rudo)

Temp.
<= 7 C?

No

tempo de dosagem (contr)


temperatura do reator (contr)
quantidade dosada (contr)

Atuao do sistema
de controle

especificao (contr)
quantidade dosada (contr)
T e t estocagem (rudo)
origem (contr)

1h aps a dosagem ini

espec. BDO (contr)


tempos de dosagem (contr)
espec. Ativador (contr)
quantidade dosada (contr)
temperatura WT (rudo)

Alimentar
WT ini

Alimentar
BDO
AT

Ligar
agitador

especificao (contr)
quantidade dosada (contr)
momento da dosagem (contr)
tempo de dosagem (contr)
compart. TM/PC (rudo)

Dosar TM

presso (contr)
temperatura (contr)

No

Sim

P = -0,1kgf/cm2 e
T = 7 C?
Receita atualizada?

No

Atuao do sistema de
controle

condicionamento(contr)
- isolamento
- lavagem sistema
- esgotamento
- enchimento coletor

Seguir anlise
horria

Prog Prod

Verificar malhas de
controle e
alinhamentos

coleta amostra
- morte ltex (contr)
- ventagem (contr)
- diluio (rudo)

na X h de
reao analisar
ST e VM

Temperatura (rudo)
tempo de dosagem (contr)
especificao (rudo)
quantidade dosada (contr)

Adic.
ACN

Transf. p/ A-25
aps 3 h da
dosagem da PC

Sim

Analisar TQ
de bateladas

na (X+1) h de
reao analisar
ST

Adic. WT
lavagem

coagulao

84

84

85

N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

item
21.2
13.1
3.1
7.1
15
8.1
17
26
9
6.2.2
21.6
6.1
6.2.1
8.2
7.2
18
21.4
21.7
7.3
10
21.3
23
24
21.1
28
19
12
16
27
4.1
4.2
1
21.5
25
20
4.3.1
5
13.2
3.2
4.3.2
14
29
2
11
22

descrio
Falha na dosag. de insumos - OX
Fluxo reverso - OX
Sist. contr. de temp. do reator - T reao abaixo alvo
Linha parcialmente cheia - OX
Falha fech./abert. vlvulas crticas
Morte simultnea - tempo p/ dosag. de TM
Contaminao OX - trocas insumo
Temperatura ACN
Compartilhamento do sistema TM/PC
Tempo dosag. PC (B 22-18)
Falha na dosag. de insumos - TM
Tempo de dosag. de PC
Tempo dosag. de PC (P alta V 15 ) - (= 8.2)
Morte simultnea - tempo transf. reator
Linha parcialmente cheia - MOD
Tempo de atuao MOD incremental
Falha na dosag. de insumos - MOD
Falha na dosag. de insumos PC
Linha parcialmente cheia - CAT/AT
Temp. e tempo estocagem do EM (A-22 ou A-23)
Falha na dosag. de insumos - AT/CAT
Especificao de insumos
Tempo de durao da dosag. de insumos
Falha na dosag. de insumos - monmeros
Momento da dosag. de OX
Tempo reduo de temp. aps insumos (45-50C)
Dif. aquec. V 23-15 A/B (t e T)
Efeito MOD incr. aps morte
Contaminao MOD
Coleta amostra - tempo morte
Coleta amostra - tempo ventagem
Temperatura do reator (oscilao ~2C)
Falha na dosag. de insumos - EM
Temperatura WT
Temperatura aps adio WT quente
Coleta amostra - chuva - diluio
Insuficincia de EO's (2 bat's + contnuo)
Fluxo reverso - CAT
Sist. contr. de temp. do reator
Coleta amostra - chuva - ventagem A-22 x A-23
Fluxo reverso WT quente
Tempo de durao da evacuao
Efeito da presso do reator
Efeito O2 e tempo estocagem CAT
Condicionamento de sistemas

9
9
9
9
9
9
4
9
9
9
9
9
9
9
9
9
9
9
4
4
4
4
4
4
4
4
4
4
4
0
0
1
1
1
0
0
0
0
0
0
0
0
0
0
0

9
9
9
9
4
4
9
1
0
0
0
0
0
0
0
0
0
0
4
4
4
1
1
1
1
0
0
0
0
4
4
1
1
1
1
1
1
1
1
1
0
0
0
0
0

Levantamento de dados

Entradas do processo

Importncia das variveis

Sadas do processo

10

Tempo de reao

Avaliao da importncia para o cliente

Viscosidade Mooney

Matriz de causa e efeito

quant. dosada
153
no
153
temp. e tempo
153
no
153
no
118
implantar
118
no
103
implantar
97
no
90
tempo
90
quant. dosada
90
= 6.2.2
90
= 6.2.2
90
= 6.2.2
90
no
90
90 morte - MOD inc.
quant. dosada
90
quant. dosada
90
xxx
68
xxx
68
xxx
68
xxx
47
xxx
47
xxx
47
xxx
47
xxx
40
xxx
40
xxx
40
xxx
40
xxx
28
xxx
28
xxx
17
xxx
17
xxx
17
xxx
7
xxx
7
xxx
7
xxx
7
xxx
7
xxx
7
xxx
0
xxx
0
xxx
0
xxx
0
xxx
0

Figura 16 - Matriz de causa e efeito das variveis do processo.

86

Importncia das variveis

Variveis do processo (nmero de ordem)

20

40

60

80

100

120

140

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Figura 17 - Grfico de Pareto do grau de importncia das variveis do processo.

160

87
As variveis priorizadas com o auxlio da matriz de causa e efeito foram
transferidas para um formulrio do FMEA, dando seqncia ao estudo para a identificao
das variveis mais influentes no processo. Este estudo, utilizando um formulrio de FMEA na
forma sugerida por Cotnareanu (1999), contou com a participao da equipe Seis Sigma,
especialistas do processo um representante da rea de automao. Com base nos valores dos
NPRs calculados e, aps discusses sobre as variveis que ficaram na fronteira do valor do
NPR de corte, pde-se selecionar aquelas que realmente so importantes para serem estudadas
e melhoradas. As variveis priorizadas atravs do FMEA so as que provavelmente traro
resultados significativos, se melhoradas, tanto para o cliente como para o negcio da
organizao. Para a prxima fase da etapa Medir foram selecionados as variveis com NPR
igual ou superior a 280. As variveis resultantes desta priorizao convergiram para trs
grupos principais (i) sistema de dosagem dos insumos: oxidante (OX), modificador (MOD),
terminador (TM), acrilonitrila (ACN) e potassa custica (PC); (ii) controle de temperatura do
reator e temperatura da acrilonitrila (ACN) adicionada ao reator; (iii) atraso na dosagem da
potassa custica (PC). No apndice A apresentado o formulrio completo do FMEA de
processo.
Aps a seleo das variveis mais influentes no processo, iniciada com uma
anlise da matriz de causa e efeito e, posteriormente, priorizadas pelo estudo de FMEA, foi
possvel determinar o conjunto de dados necessrios para os estudos subseqentes. Foram
coletados os dados histricos das bateladas de NBR 2860, 3960 e 4560, a partir de janeiro de
2002, pois os dados so mantidos no sistema de automao por seis meses (atualmente
alterado para 8 meses), possibilitando uma anlise mais completa de janeiro de 2002 em
diante.
Utilizando as variveis priorizadas, iniciou-se a anlise dos dados histricos de
dosagem dos insumos. O objetivo desse estudo foi avaliar o desempenho dos sistemas de
dosagens, para verificar se, a vazo mdia de cada insumo adicionado ao reator a
recomendada pela receita da batelada, e se a variabilidade dos valores dosados est de acordo
com a tolerncia admitida pela engenharia de processo.
4.2.2.1 Anlise do sistema de dosagem dos insumos
Procedeu-se a coleta dos dados de dosagem na estao de controle onde os
dados ficam armazenados por um perodo de seis meses e, na seqncia, iniciou-se um
tratamento estatstico dos dados de dosagem dos insumos.

88
De posse dos dados das quantidades mssicas dosadas de cada insumo
(oxidante inicial - OX ini, oxidante incremental - OX inc., modificador inicial - MOD ini,
modificador incremental - MOD inc, terminador - TM e potassa custica - PC), iniciou-se o
estudo para avaliar o desempeno dos sistemas de dosagem, com base no percentual de
tolerncia de mais ou menos 0,5% na vazo dosada (tolerncia recomendada pela rea
tecnolgica). Em um estudo preliminar, atravs da avaliao das cartas de controle e dos
ndices de capacidade, foi possvel concluir que o sistema de dosagem da PC apresentava um
excelente desempenho de longo prazo (Pp = 2,08). No entanto, os sistemas de dosagem do TM
(Pp = 0,72) e MOD inc (Pp = 0,22) estavam com um desempenho insatisfatrio. Com relao
aos insumos OX ini, OX inc e MOD ini, constatou-se, atravs das cartas de controle para
valores individuais, que estes processos de dosagem estavam fora de controle estatstico,
apresentando vrios pontos fora dos limites de controle e com a mdia deslocada em relao
ao valor nominal esperado.
Nas figuras 18, 19 e 20 so apresentadas as cartas de controle dos valores
individuais das dosagens de OX ini (valor especificado 0,9000kg), OX inc (valor especificado
0,5000kg) e MOD ini (valor especificado 12,4000kg) respectivamente, onde possvel
verificar as defasagens dos valores observados em relao aos valores especificados pela
receita.
O desempenho dos sistemas de dosagem do TM, da PC e do MOD pode ser
ilustrado atravs dos estudos de capacidade apresentados nas figuras 21, 22 e 23.

0,888
LSC=0,8864

0,886

Valor individual

0,884
0,882
0,880

Mdia=0,8798

0,878
0,876
0,874

LIC=0,8733

0,872
0,870
0

10

20

30

40

50

Nmero de observaes

Figura 18 - Carta de controle para os valores individuais do sistema de dosagem do OX ini.

89

0,485

LSC=0,4843

Valor individual

0,480
Mdia=0,4777

0,475

LIC=0,4711

0,470
0

10

20

30

40

50

60

Nmero de observaes

Figura 19 - Carta de controle para os valores individuais do sistema de dosagem do OX inc.

12,41
12,40
12,39

LSC=12,39

Valor individual

12,38
12,37
Mdia=12,36

12,36
12,35
12,34

LIC=12,33

12,33
12,32
0

10

20

30

40

50

60

Nmero de observaes

Figura 20 - Carta de controle para os valores individuais do sistema de dosagem do MOD ini.

Dados do processo
LSE
840,080
Alvo
835,900
LIE
831,721
Mdia
836,989
Amostra N
Desv. pad (St))

54
1,99286

Desv. pad (Lt)

1,94841

LIE curto prazo (St)

LSE

Alvo

longo prazo (Lt)

Capacidade do processo
Cp

0,70

Cpk

0,52

Desempenho do processo
Pp

0,72

Ppk

0,53

830

832

834

836

838

840

842

Quantidade dosada por batelada (Kg)

Figura 21 - Estudo de capacidade do sistema de dosagem do TM.

844

90

Dados do processo
466,722
LSE
464,400
Alvo
LIE

LIE

Alvo

curto prazo (St)

LSE

longo prazo (Lt)

462,078
464,543

Mdia
Amostra N
Desv. pad (St))
Desv. pad (Lt)

51
0,355690
0,371994

Capacidade do processo
Cp

2,18

Cpk

2,04

Desempenho do processo
Pp

2,08

Ppk

1,95

462

463

464

465

Quantidade dosada por batelada (Kg)

466

467

Figura 22 - Estudo de capacidade do sistema de dosagem da PC.

Dados do processo
3,01500
LSE
3,00000
Alvo
2,98500
LIE
2,97636
Mdia

LIE

curto prazo (St)

Alvo

LSE

longo prazo (Lt)

15

Amostra N
Desv. pad (St))

0,0239362

Desv. pad (Lt)

0,0230505

Capacidade do processo
Cp

0,21

Cpk

-0,12

Desempenho do processo
Pp

0,22

Ppk

-0,12

2,900

2,925

2,950

2,975

3,000

3,025

3,050

Quantidade dosada por batelada (Kg)

Figura 23 - Estudo de capacidade do sistema de dosagem do MOD inc.

Aps uma anlise dos relatrios, promoveu-se uma reunio com a participao
dos engenheiros de automao e da produo, para discutir os resultados de desempenho dos
sistemas de dosagens. Nesta ocasio foram descritas, pelo engenheiro de automao, as
funes e os parmetros de ajustes utilizados na programao dos controladores, tais como,
tempo de subida, tempo de descida, dead band (amplitude de variao do sinal de controle
que no resulta em alterao na vlvula de controle) e filter time (ajuste da velocidade da ao
de controle).
Segundo o engenheiro de automao, os sistemas de dosagem de TM e PC
utilizam os mesmos instrumentos e programas de controle, o que no justificaria a diferena
observada na capacidade de dosagem desses insumos (ver figuras 21 e 22). A partir desta
lgica, analisou-se o grfico de dosagem da estao operacional referente PC, que foi

91
comparado com o de TM, onde foram observadas diferenas de estabilidade nas rampas de
subida (incio da dosagem, com aumento gradativo da quantidade dosada), na faixa de
dosagem constante e na rampa de descida (reduo gradativa da quantidade at a concluso da
dosagem). Como apenas as vlvulas de controle desses dois insumos so diferentes, concluiuse que o problema de fcil soluo, podendo ser resolvido com uma sintonia no controlador
de dosagem do TM.
No sistema de OX foi observado um problema devido concepo do
programa de automao utilizado, na qual este inadequadamente executa uma funo (tempo
de descida). Este problema ser solucionado simplesmente com ajustes nos parmetros do
controlador, e a alterao dever ser estendida aos demais instrumentos.
Nos sistemas de MOD ini e MOD inc no foi observada nenhuma
anormalidade no grfico de dosagem que justificasse o baixo desempenho destes sistemas.
Concluindo-se ento que, provavelmente houve erro no processo de obteno dos dados.
Aps a confirmao dessa hiptese (preliminarmente foram refeitas algumas leituras de
dados) decidiu-se por um novo levantamento de dados, estabelecendo-se critrios mais
rigorosos para a obteno destes. Nessa reunio tambm foram discutidas aes de melhorias
para o sistema de controle. Independentemente do resultado da anlise de capacidade, estas
melhorias devero ser implementadas, j que no necessitam de investimentos em
equipamentos ou materiais, necessitando somente de mo-de-obra do pessoal interno. Estas
aes so listadas a seguir:
(i) sintonizar as malhas de TM para as linhas A, B e C para corrigir a disperso dos valores
dosados;
(ii) introduzir no programa de dosagem do MOD e OX um intervalo entre dosagens com um
mnimo de 5 minutos para impedir a interferncia entre as dosagens;
(iii) modificar o programa de controle do OX de forma que o tempo de descida se torne mais
estvel, possibilitando uma maior preciso da quantidade dosada;
(iv) alterar as tolerncia ou tolerncia versus filtro, de forma a centralizar os processos;
(v) alterar o dead band das variveis crticas (MOD e OX) para zero, visando melhorar a
preciso da dosagem.
Com a coleta de novos dados para o MOD ini e MOD inc repetiu-se o estudo e
aps a estratificao dos dados foi possvel realizar o estudo de capacidade para o MOD ini..

92
Analisando o histograma do MOD inc observou-se uma alterao significativa na capacidade
potencial do processo para a dosagem de 3,00kg, mas ainda abaixo do desejado (o Pp passou
de 0,22 para 0,85). Para a dosagem de 5,00kg verificou-se uma reduo de capacidade (o Pp
passou de 0,57 para 0,48) e o surgimento de duas populaes de dados.
Durante a coleta dos novos dados, foi observado na dosagem do MOD ini
(avaliando a forma da curva de dosagem) um grupo de dados com um tempo de dosagem de
20 minutos e outro com 31 minutos, e que estas diferenas implicavam em variaes na
quantidade dosada. Tambm foi possvel observar a diferena de desempenho com os
diferentes tempos de dosagem, principalmente em relao a centralizao da mdia dos
valores de dosagem Um teste de hiptese confirmou uma diferena significativa entre as duas
populaes provenientes de dosagens com tempos diferenciados. Os estudos de capacidade
para o MOD ini com diferentes tempos de dosagem so apresentados nas figuras 24 e 25.

Dados do processo
LSE

12,4620

nominal

12,4000

LIE

12,3380

curto prazo (St)

Alvo

LIE

LSE

longo prazo (Lt)

12,3473

Mdia
amostra N
Desv pad (curto prazo)
Desv pad (longo prazo)

40
0,0086448
0,0103360

Capacidade do processo
Cp
Cpk

2,39
0,38

Desempenho do processo
Pp

2,00

Ppk

0,30

12,30

12,32

12,34

12,36

12,38

12,40

12,42

12,44

12,46

Quantidade dosada por batelada (Kg)

Figura 24 - Estudo de capacidade do sistema de dosagem do MOD ini para t=20 min.

LIE

Dados do processo
LSE

12,4620

nominal

12,4000

LIE

12,3380

Alvo

curto prazo (St)

LSE

longo prazo (Lt)

12,3963
Mdia
amostra N
14
Desv pad (curto prazo)
0,0086538
Desv pad (longo prazo)
0,0068919

Capacidade do processo
Cp

2,39

Cpk

2,24

Desempenho do processo
Pp

3,00

Ppk

2,82

12,34

12,36

12,38

12,40

12,42

12,44

12,46

Quantidade dosada por batelada (Kg)

Figura 25 - Estudo de capacidade do sistema de dosagem do MOD ini para t=31 min.

93
Refazendo a coleta dos dados do OX ini e OX inc, para o clculo da
capacidade do sistema de dosagem chegou-se aos seguintes resultados:
A dosagem do OX ini, que com base nos dados anteriores apresentava uma
capacidade potencial de longo prazo (Pp=0,14), passou para uma capacidade Pp=0,28 e
afastado do valor alvo. Nesta anlise tambm foi observada a presena de populaes distintas
no grupo de dados, o que motivou o teste de capacidade para os tempos de dosagens
diferentes, confirmando mais uma vez a influncia nos tempos de dosagens na preciso das
mesmas. Para o tempo de dosagem de 13 minutos a capacidade potencial apresentou um
incremento de 0,14 para 0,46 e para um tempo de 8 minutos a capacidade potencial aumentou
para 0,80. Mesmo separando por diferentes tempos de dosagem, os histogramas dos conjuntos
de dados seguiram apresentando um aspecto caracterstico de mistura de populaes, e o
passo seguinte foi o de separar os dados por reator. Pela anlise da ANOVA com dois fatores
(tempo e tipo de reator) concluiu-se que o tipo de reator que est recebendo a dosagem no
tem interferncia na preciso da mesma a um nvel de significncia de 5%.
Na dosagem do OX inc tambm foi observada uma melhora na preciso da
dosagem, o Pp passou de 0,17 para 0,27 evidenciando os mesmos problemas j detectados no
OX ini, o que j era esperado, pois o mesmo sistema utilizado para as duas funes
(dosagem do OX ini e do OX inc). Cabe ressaltar tambm a descentralizao do processo de
dosagem em relao ao valor desejado.
Ao longo do perodo de coleta de dados, principalmente na segunda etapa,
percebeu-se uma significativa falta de exatido na coleta de dados de quantidades dosadas de
insumos. Esta experincia foi valiosa, pois, atravs de uma reavaliao dos grficos da
estao de controle identificou-se uma srie de pequenas oportunidades de melhoria, que s
foi possvel devido s circunstncias do estudo.
Com base no estudo de capacidade dos sistemas de dosagem foram discutidas
e deliberadas as seguintes aes:
a) sistema de medio de vazo: encaminhou-se solicitao de melhoria para
alterao do leiaute das linhas de MOD, OX e AT (ativador includo por abrangncia); visto
que, com o alinhamento existente, poderiam ocorrer erros durante a dosagem e que no
seriam detectados atravs do valor registrado nas estaes de operao, cuja concluso
ocorreu em julho de 2002 com custo de cerca de R$ 7.400,00. Revisou-se tambm o sistema

94
de fixao dos medidores mssicos, no se encontrando qualquer irregularidade que
possibilitasse alteraes na medio por problemas de vibrao.
b) sistema de dosagem: avaliou-se a eficincia das dosagens utilizando-se os
dados histricos levantados, conforme o estudo mostrado. Comprovou-se que as dosagens de
MOD e PC so excelentes, o que no ocorre com TM, por deficincias no sistema de dosagem
e cuja correo efetuou-se em janeiro de 2003.
4.2.2.2 Anlise do sistema de medio da VM
Dentre as caractersticas de qualidade controladas nas NBRs (VM, ACN
combinada, teor de matria voltil, etc.) a VM a mais crtica em termos de variao e por
isso seu processo de medio merece uma maior ateno. A anlise do sistema de medio do
ltex NBR, com o objetivo de se verificar a adequao da anlise da VM s exigncias do
processo e do cliente, foi realizada utilizando-se amostras de dois nveis de VM de ltex NBR
dos pontos extremos da especificao do processo.
Por questes tcnicas e econmicas no foi avaliada a variao do processo
neste estudo em cada corrida de NBR so atendidos clientes de nveis diferentes de VM
(45 a 80), no sendo possvel determinar a variabilidade do processo em torno de um valor
alvo. A estratgia proposta para o MSA utilizou trs operadores analisando trs vezes uma
amostra do nvel baixo e outra do nvel alto da VM (3x3x2), totalizando seis anlises para
cada operador. As amostras foram distribudas aleatoriamente aos operadores durante as suas
rotinas de trabalho. Para a determinao do %R&R utilizou-se uma tolerncia de 20 pontos na
VM e um desvio-padro histrico do processo igual a 9,04. Os dados para o R&R foram
comparados com a tolerncia estabelecida pela engenharia de processo e com o desvio-padro
histrico do processo, porque as amostras foram obtidas em nveis alto e baixo do processo,
no representando a variao real do processo.
O resultado do estudo mostrou que o sistema de medio no pode ser aceito
quando comparado com a tolerncia do cliente, pois 34,00% da tolerncia consumida pelo
sistema de medio (o limite mximo 20%). Os resultados do estudo de R&R obtidos do
software Minitab 13.0, utilizando o mtodo da ANOVA, so apresentados na tabela 11.

95
Tabela 11 - Estudo de R&R para a VM do ltex NBR.
Fontes de variao
R&R Total
Repetibilidade
Reprodutibilidade
Operador
amostra-a-amostra
Variao Total

Desv Pad
(DP)
1,3202
1,3202
0,0000
0,0000
37,7648
37,7879

Estudo Var
(5,15*DP)
6,799
6,799
0,000
0,000
194,489
194,608

%Estudo Var
(%DP)
3,49
3,49
0,00
0,00
99,94
100,00

%Tolerncia
(DP/Toler)
34,00
34,00
0,00
0,00
972,44
973,04

%Processo
(DP/Proc)
14,60
14,60
0,00
0,00
417,75
418,01

Avaliando os resultados de sada do Minitab apresentados na tabela 10,


observa-se que embora o R&R% comparado com a variao atual do processo seja aceitvel
(R&R%PC = 14,60%), para fins de atendimento tolerncia do cliente (R&R%PT= 34,00%)
ele no pode ser aceito. Como o mtodo de anlise utilizado internacionalmente e est em
andamento um projeto para a melhoria deste sistema de medio, aguarda-se a evoluo deste
projeto para uma reavaliao do sistema de medio.
4.3.3 Etapa Analisar
O objetivo desta etapa foi identificar, dentro do grupo das variveis
selecionadas na etapa Medir, as variveis do processo que realmente so crticas. A anlise
consistiu na identificao das variveis explicativas e na quantificao dos efeitos das
variveis mais relacionadas com as variveis de resposta VM e tR. O estudo se baseou no
conhecimento dos tcnicos do processo e no uso das tcnicas e ferramentas estatsticas
apropriadas. Iniciou-se o estudo com uma anlise de regresso linear mltipla para verificar as
relaes existentes entre as variveis do processo consideradas crticas e as caractersticas de
qualidade (VM e tR). No estudo foram utilizados dados histricos das quantidades dos
insumos adicionadas s bateladas, dos tempos de adio e das temperaturas nas quais estes
insumos foram adicionados, bem como outras ocorrncias operacionais consideradas
importantes para a estabilidade do processo durante a produo das bateladas. Nas simulaes
da anlise de regresso linear mltipla considerou-se tambm o conhecimento tcnico dos
especialistas do processo. Para a determinao das variveis explicativas, os seguintes dados
histricos foram utilizados:
- tempo em que o MOD inc ficou atuando na massa reacional (t MOD inc) usado para
avaliar a influncia do tempo de atuao do MOD inc na variao da VM e no tR;
- quantidade de MOD ini e MOD inc adicionados batelada para avaliar a influncia
na variao da VM e no tR;

96
- temperatura mxima do reator (T max) e tempo em que a temperatura fica fora do
valor alvo no incio da reao (t 7 ini), para avaliar a influncia da variao da temperatura na
variao da VM e tR;
- temperatura que se encontrava o reator no momento da adio do OX ini (T OX ini)
para avaliar se a variao da temperatura no incio da reao tem influncia na variao da
VM e do tR
- espao de tempo entre a dosagem do TM e da PC (t PC) para verificar se o tempo de
espera para a dosagem da PC influi na VM;
- quantidade de terminador adicionado batelada (TM) para avaliar se o erro existente
na quantidade dosada deste insumo afeta significativamente a VM.
Aps as simulaes, com o auxlio da funo de regresso do software Minitab
13.0 e discusses com os integrantes da equipe Seis Sigma e os tcnicos do processo
obtiveram-se os seguintes resultados:
As variveis explicativas mais relacionadas com a varivel de resposta VM, a
um nvel de significncia menor do que 5% so: temperatura do reator, MOD incremental
(quantidade e tempo de atuao) e quantidade de TM adicionado.
As variveis explicativas mais relacionadas com a varivel de resposta tR, a
um nvel de significncia menor do que 5% so: temperatura do reator no incio da reao,
tempo para estabilizar a temperatura do reator e tempo de atuao do MOD incremental.
Os resultados das simulaes e discusses para identificar as variveis do
processo que explicam as variaes nos valores da caracterstica de qualidade VM so
apresentados nas tabelas 12 e 13 e o modelo ajustado para a VM apresentado na equao
119.

Tabela 12 - ANOVA para a significncia da regresso VM versus t 7 ini, t PC, t MOD inc, MOD inc e TM.
Fonte
Regresso
Erro residual
Total

GL
5
45
50

SQ
8309,8
1528,8
9838,6

MQ
1662,0
34,0

F
48,92

valor-p
0,000

97
Tabela 13 - ANOVA para a regresso de VM versus t 7 ini, t PC, t MOD inc, MOD inc e TM.
Var explicativas Coef
Erro padro teste t
Constante
-970,9
380,9
-2,55
t 7 ini
-186,46
37,36
-4,99
MOD inc
-7,0114
0,5602
-12,52
t PC
0,20038
0,06972
2,87
TM
1,2568
0,4540
2,77
t MOD inc
47,93
22,76
2,11
Nmero de observaes: 51
R2 = 84,5% R2 ajustado = 82,7%

valor-p
0,014
0,000
0,000
0,006
0,008
0,041

VM = - 971 - 186 t 7 ini - 7,01 MOD inc + 0,200 t PC + 1,26 TM + 47,9 t MOD inc

(119)

Os grficos que comprovam a adequao ao modelo de regresso linear


mltipla para a VM so apresentados nas figuras 26, 27, 28 e 29 como descrito: (i) histograma
de resduos - verificar se a distribuio do erro normal e se a mdia zero; (ii) grfico de
probabilidade normal para os resduos - verificar a validade da suposio de normalidade dos
dados; (iii) grfico de resduos contra valores ajustados verificar a linearidade, a constncia
da varincia e presena de observaes extremas; (iv) grfico de resduos contra o tempo
verificar a validade da suposio de que os erros so no correlacionados.

Freqncia

10

0
-10

10

Resduo

Figura 26 - Histograma de resduos para o modelo de regresso da VM.

98

Varivel reduzida Z

-1

-2
-10

10

Resduo

Figura 27 - Probabilidade normal para os resduos do modelo de regresso da VM.

Analisando o histograma de resduos da figura 26 e o grfico de probabilidade


normal da figura 27 verifica-se que a distribuio do erro aproximadamente normal e a
mdia aproximadamente zero, comprovando que os dados esto adequados ao modelo de
regresso com relao normalidade e mdia zero dos resduos.

Resduo

10

-10
20

30

40

50

60

70

Valor ajustado

Figura 28 - Grfico dos resduos contra os valores ajustados para a VM.

80

99

Resduo

10

-10
10

20

30

40

50

Ordem da coleta

Figura 29 - Grfico dos resduos contra a ordem da coleta dos dados para a VM.

Pela observao do grfico da figura 28, nota-se que os pontos esto


distribudos de forma aleatria, aproximadamente em uma faixa horizontal centrada em zero,
satisfazendo as suposies de linearidade, constncia da varincia e inexistncia de
observaes extremas. Pela anlise do grfico da figura 29 possvel verificar a validade da
suposio de que os erros so no correlacionados, pela inexistncia de configuraes
especiais neste grfico.
Com base na anlise do coeficiente de determinao (R2) apresentado na tabela
12 pode-se concluir que o tempo para a estabilizao da temperatura do reator em 7 oC, o
tempo de atuao do modificador incremental, o tempo de espera para a dosagem da potassa
custica, a quantidade de modificador incremental e a quantidade de terminador adicionados
ao reator explicam 84,5% das variaes ocorridas na viscosidade Mooney. Estas cinco
variveis explicativas obtidas atravs de observaes de dados histricos de 51 bateladas
produzidas so influentes a um nvel de significncia menor do que 5%.
A seguir, apresentam-se os resultados obtidos atravs das simulaes da anlise
de regresso e discusses tcnicas para se identificar as variveis do processo que melhor
explicam as variaes nos tempos de reao das bateladas (tR). Na tabela 14 apresentado o
teste de significncia da regresso e na tabela 15 so apresentados os resultados da anlise de
regresso. O modelo ajustado para o tR e apresentado na equao 120.

100
Tabela 14 - ANOVA para a significncia da regresso tR versus T OX ini, t 7 ini e t MOD inc.
Fonte
GL
Regresso
3
Erro residual 46
Total
49

SQ
41,933
0,012
41,945

MQ
F
13,978 53145,54
0,000

valor-p
0,000

Tabela 15 - ANOVA para a regresso de tR versus T OX ini, t 7 ini e t MOD inc.


Var explicativas
Coef
Erro padro teste t
Constante
4,05649
0,02528
160,45
T OX ini
-0,010380 0,003602
-2,88
t 7 ini
-0,2589
0,1251
-2,07
t MOD inc
24,0790
0,0692
348,06
Nmero de observaes: 50
R2 = 100,0% R2 (ajust.) = 100,0%

valor-p
0,000
0,006
0,044
0,000

tR = 4,06 - 0,0104 T OX ini - 0,259 t 7 ini + 24,1 t MOD inc

(120)

Avaliando-se os resultados apresentados nas tabelas 13 e14, observa-se que a


temperatura de incio da reao (T OX ini), o tempo que o reator leva para atingir a
temperatura nominal (t 7 ini) e o tempo de atuao do MOD inc explicam 100,0% das
variaes dos tempos de reao. Estas trs variveis explicativas obtidas de observaes dos
dados histricos de 50 bateladas produzidas so influentes a um nvel de significncia menor
do que 5%.
Nas figuras 30 e 31 so apresentados o histograma dos resduos e o grfico de
probabilidade normal, que comprovam a adequao ao modelo de regresso linear mltipla
para o tR com referncia a mdia zero e normalidade dos resduos.

15

Freqncia

10

0
-0,04

-0,03

-0,02

-0,01

0,00

0,01

0,02

0,03

0,04

Resduo

Figura 30 - Histograma de resduos para o modelo de regresso do tR.

101

Varivel reduzida Z

-1

-2
-0,04

-0,03

-0,02

-0,01

0,00

0,01

0,02

0,03

0,04

Resduo

Figura 31 - Probabilidade normal para os resduos do modelo de regresso do tR.

Analisando o histograma de resduos da figura 30 observa-se que os resduos


apresentam uma mdia aproximadamente zero e pela visualizao do grfico de probabilidade
normal da figura 31 percebe-se que os pontos centrais esto localizados, aproximadamente ao
longo de uma reta, comprovando que os resduos seguem a distribuio normal.

0,04
0,03
0,02

Ressuo

0,01
0,00
-0,01
-0,02
-0,03
-0,04
7,0

7,5

8,0

8,5

9,0

9,5

10,0

10,5

11,0

Valor ajustado

Figura 32 - Grfico dos resduos contra os valores ajustados para o tR.

11,5

102

0,04
0,03
0,02

Resduo

0,01
0,00
-0,01
-0,02
-0,03
-0,04
5

10

15

20

25

30

35

40

45

50

Ordem da coleta

Figura 33 - Grfico dos resduos contra a ordem da coleta dos dados para o tR.

O grfico dos resduos contra os valores ajustados e o grfico dos resduos


contra o tempo de coleta, apresentados nas figuras 32 e 33 respectivamente, comprovam a
validade da suposio de linearidade, constncia da varincia, inexistncia de dados extremos
e de dados correlacionados, indicando quaisquer inadequaes do modelo de regresso.
Com o estudo da anlise de regresso pde-se determinar as variveis que
realmente so crticas para o processo, tanto do ponto de vista da anlise estatstica como do
ponto de vista do conhecimento tcnico dos especialistas do processo. As variveis mais
influentes que devero ser contempladas com aes de melhorias, visando reduo da
variabilidade da VM e dos tempos de reao, so sumarizadas abaixo:
- o intervalo de tempo entre a adio do TM e a adio da PC uma varivel influente
na variao da VM;
- a instabilidade da temperatura do reator e a temperatura do reator, na qual os insumos
so adicionados, principalmente o OX, tem influncia na variao da VM e no tempo de
reao;
- a quantidade de MOD incremental adicionado na quarta hora de reao tem
influncia significativa na variao da VM e do tempo de reao;
- o tempo de atuao do MOD incremental tem influncia tanto na variao da VM
como no tempo de reao;
- a variao da vazo mssica de TM influi significativamente na variao da VM;

103
- a influncia da temperatura da ACN ainda no foi possvel avaliar por falta de dados.
Corroborando com o estudo de anlise de regresso, foi possvel verificar
atravs dos grficos de registros das estaes de controle, que oscilaes na temperatura do
reator com uma amplitude acima de 1 C de afastamento do valor alvo, por um longo perodo
(acima de 30 minutos), so suficientes para provocar alteraes no resultado final da batelada.
No caso do tempo para adio de PC, tambm considerada crtica para a VM,
estabeleceu-se, atravs da observao dos dados coletados (visto que testes em relao a esta
varivel poderiam levar a perda da batelada, com as devidas conseqncias na qualidade e
custo), que o prazo limite para adio de PC, sem comprometimento do resultado final, deve
situar-se em torno de uma hora (implantado atravs de instruo operacional).
4.3.4 Etapa Melhorar
As aes de melhorias propostas, com base no estudo de anlise de regresso,
j implementadas ou em fase de estudo so apresentadas a seguir:
- modificao nas tubulaes do OX, visando impedir a presena de bolhas de ar no
instrumento de medio (Micromotion) e alterao na forma de dosagem (automao) visando
melhor controle da dosagem deste insumo (investimento em alteraes do leiaute);
- individualizao dos sistemas de dosagem de TM e PC, que provocavam atrasos nas
dosagens da PC, resolvendo os problemas de atraso e possveis contaminaes (investimento);
- alterao no sistema de controle de temperatura do reator, para uma outra concepo
de controle, atravs da variao da superfcie molhada dos feixes de amnia (investimento),
sendo esperada uma oscilao de no mximo +/-0,5 0C. Est em fase concluso o projeto de
produo de borrachas acrlicas, onde foi utilizada esta nova concepo de controle de
temperatura para o reator. Nesse reator o controle de temperatura feito com base na variao
da superfcie molhada dos feixes de amnia (nvel), cuja performance de controle se mostrou
superior a atualmente utilizada. Esta melhoria ser implementada nos reatores R2303B e 04B,
e est em fase de oramento.
- implantao de uma rotina de limpeza peridica dos reatores, para prevenir eventos
de descontrole de temperatura por deficincia de troca trmica (procedimento);
- estudo para a instalao de um permutador de calor para o controle de temperatura da
ACN adicionada ao reator (falta confirmar a influncia desta varivel).
- estabelecimento de uma faixa de temperatura fixa do reator (7 + ou 0,5 C) para

104
dosagem de ACN e OX (procedimento operacional);
- ajuste do tempo de espaamento entre as dosagens de OX, MOD, TM e PC, para
evitar interferncias entre as dosagens, permitindo uma maior exatido da dosagem destes
insumos (automao);
- estabeleceu-se, atravs da anlise dos dados coletados (visto que testes em relao a
esta varivel poderiam levar a perda da batelada, com as devidas conseqncias na qualidade
e custo), que o prazo limite para adio de PC, sem comprometimento do resultado final, deve
situar-se em torno de uma hora (j implantado atravs de instruo operacional).
- est em andamento um projeto de melhoria para o sistema de medio da VM do
ltex.
4.3.5 Etapa Controlar
Para prevenir a ocorrncia de imprecises nas quantidades dosadas, implantouse a partir de janeiro de 2003 uma rotina para que ao final de cada corrida de NBR sejam
avaliadas as capacidades dos sistemas de dosagem dos insumos considerados crticos (OX,
MOD, TM e PC).
Quanto ao controle de temperatura do reator, aguarda-se a implantao das
melhorias previstas para se definir a melhor forma de controle da capacidade desta varivel
(provavelmente pelo acompanhamento, batelada-a-batelada, dos grficos das estaes de
controle).

105

CAPTULO 5

CONCLUSO

Este trabalho teve como objetivo principal utilizar o mtodo DMAIC (Definir,
Medir, Analisar, Melhorar e Controlar) do programa Seis Sigma, na implementao de um
projeto de melhoria. Inicialmente, foram apresentados o programa Seis Sigma e as principais
tcnicas e ferramentas estatsticas sugeridas, pelos autores consultados, em cada etapa do
mtodo DMAIC.
Na seqncia foi desenvolvido um projeto de melhoria para um processo de
produo de ltex em reao qumica em batelada, com a finalidade de diminuir a
variabilidade da caracterstica crtica para a qualidade do produto, viscosidade Mooney e a
variabilidade nos tempos de processamento das bateladas, seguindo as cinco etapas do
mtodo DMAIC.
O modelo de priorizao das variveis do processo utilizado na etapa Definir
mostrou-se consistente na obteno das informaes necessrias para dar prosseguimento s
etapas subseqentes do mtodo. O diagrama de causa e efeito que se originou do
brainstorming, realizado com a equipe Seis Sigma e especialistas do processo, e o
mapeamento de processo que foi baseado na engenharia de processo, possibilitou o
levantamento criterioso das variveis crticas do processo. A seqncia do estudo, com a
utilizao da matriz de causa e efeito e do FMEA, viabilizou o agrupamento de algumas
variveis afins, facilitando o estudo e enfatizando a criticidade de determinadas variveis. Na
fase de coleta de dados da etapa Medir evidenciou-se a necessidade de um bom planejamento
para a aquisio dos dados.

106
Durante a anlise dos dados, confirmou-se a importncia do conhecimento
tcnico para a conduo do estudo e interpretao dos resultados provenientes dos tratamentos
estatsticos. Com relao s etapas Melhorar e Controlar constatou-se que algumas aes de
melhorias referentes a estas etapas podiam ser implementadas durante o andamento do projeto
em funo do baixo investimento e facilidade na implementao.
Com relao aos resultados do projeto, concluiu-se que os sistemas de
dosagem dos insumos oxidante, modificador, terminador, acrilonitrila e potassa custica; o
sistema de controle de temperatura do reator; o controle de temperatura do monmero
acrilonitrila e os problemas de atraso na adio da potassa custica ao ltex de NBR so as
variveis de processo priorizadas para serem melhor investigadas na etapa de anlise. A
anlise de capacidade dos sistemas de dosagens dos insumos e a anlise do sistema de
medio da VM forneceram informaes para concluir que o sistema de dosagem do oxidante
e o mtodo de anlise da viscosidade Mooney do ltex NBR precisam ser melhorados.
Com referncia s quantidades dosadas na batelada foi possvel verificar que
apesar do sistema de dosagem dos insumos considerados crticos (oxidante e terminador) no
atingirem a preciso recomendada pela rea tecnolgica, conclui-se que os nveis alcanados
atualmente esto de acordo com as exigncias da engenharia de processo.
Quanto ao controle da temperatura de reao, varivel crtica para a VM, foi
possvel verificar, atravs dos grficos de registros das estaes de controle, que oscilaes
maiores que 1 C, quando mantidas abaixo ou acima por um longo perodo (>30 min), so
suficientes para provocar alteraes no resultado final da batelada. Espera-se que com a
implantao do mesmo sistema de controle do R 2302 B nos R 2303 B e 04 B e um trabalho
de sintonia da malha de controle, dever se atingir a meta estabelecida de 7 C + / - 0,5 C.
As aes de melhorias propostas, com base no estudo de anlise de regresso,
j implementadas ou em fase de estudo so apresentadas a seguir:
- modificao nas tubulaes do oxidante, visando impedir a presena de bolhas de ar
no instrumento de medio (Micromotion) e alterao nos parmetros de controle visando
melhor controle da dosagem deste insumo (investimento em alteraes do leiaute);
- individualizao dos sistemas de dosagem de terminador e potassa custica, que
provocavam atrasos nas dosagens da potassa custica, resolvendo os problemas de atraso e
possveis contaminaes (investimento);

107
- alterao no sistema de controle de temperatura do reator, para uma outra concepo
de controle (investimento), sendo esperada uma oscilao de no mximo +/-0,5 0C. Est em
fase concluso o projeto de produo de borrachas acrlicas, onde foi utilizada uma nova
concepo de controle de temperatura para o reator. Nesse novo reator o controle de
temperatura feito com base na variao da superfcie molhada dos feixes de amnia (nvel),
cujo desempenho do controle de temperatura se mostrou superior ao utilizado atualmente.
Esta melhoria ser implementada nos reatores R2303B e 04B, e est em fase de oramento.
- implantao de uma rotina de limpeza peridica dos reatores, para prevenir eventos
de descontrole de temperatura por deficincia de troca trmica (procedimento);
- estabelecimento de uma faixa de temperatura fixa do reator (7 + ou 0,5 C) para
dosagem da acrilonitrila e o oxidante (procedimento);
- ajuste do tempo de espaamento entre as dosagens de oxidante, modificador,
terminador e potassa custica, para evitar interferncias entre as dosagens, permitindo uma
maior exatido da dosagem destes insumos (automao);
- estabeleceu-se, atravs da anlise dos dados coletados (visto que testes em relao a
esta varivel poderiam levar a perda da batelada, com as devidas conseqncias na qualidade
e custo), que o prazo limite para adio de potassa custica, sem comprometimento do
resultado final, deve situar-se em torno de uma hora (j implantado atravs de instruo
operacional).
- est em estudo a instalao de um permutador de calor para o controle de
temperatura da ACN adicionada ao reator (falta confirmar a influncia desta varivel);
- est em andamento um projeto de melhoria para o sistema de medio da VM do
ltex.
Em funo de algumas melhorias ainda estarem em fase de estudo ou pendente
de implantao, tais como, alterao no controle de temperatura do reator e individualizao
dos sistemas de terminador e potassa custica e do nmero insuficientes de bateladas
produzidas at o momento, ainda no foi possvel avaliar se os objetivos do projeto de
melhoria foram atingidos.

108
5.1 SUGESTES PARA TRABALHOS FUTUROS
O trabalho foi desenvolvido no processo produtivo de uma empresa de grande
porte que apresenta um perfil maduro com relao ao conhecimento e a prtica dos conceitos
da qualidade, sugere-se novas pesquisas em empresas de pequeno porte e que ainda no
apresentam um bom perfil com relao aos conceitos da qualidade.
Sugere-se tambm que o mtodo DMAIC seja testado em empresas ou em
reas de servios, para se avaliar a necessidade de adequao, substituio ou a incluso de
outras ferramentas estatsticas no desenvolvimento das etapas do mtodo.

109

REFERNCIAS BIBLIOGRFICAS

ADKE, S. R.; HONG, X. A Supplementary Test Based on The Control Chart for Individuals.
Journal of Quality Technology, Milwaukee: v. 29, n. 1, p. 32-37, Jan. 1997.
AKAO, Y. Introduo ao desdobramento da qualidade volume I. Belo Horizonte:
Fundao Christiano Ottoni, Escola de Engenharia da UFMG, 1996.
AKAO, Y.; MAZUR, G. H. The leading edge in QFD: past, present and future. International
Journal of Quality & Reliability Management, Bradford: v. 20, n. 1, p. 20-35, 2003.
ANNUAL BOOK OF ASTM STANDARDS. ASTM D 1646-96a: Rubber, Natural and
Synthetic-General Test Methods; Carbon Black; v. 09.01, p. 314-323. Easton: 1998.
ANTONY, J.; BANUELAS, R. Key Ingredients for the effective implementation of Six
Sigma program. Measuring Business Excellence, [S. l.]: v. 6, n. 4, p. 20-27, 2002.
ATKINSON, R. Measurement systems for continuous or batch processes. Quality Congress.
ASQ's 54th Annual Quality Congress Proceedings, Milwaukee: p. 591-593, 2000.
AZIZ, N.; MUJTABA, I. M. Optimal operation policies in batch reactors. Chemical
Engineering Journal, [S. l.]: v. 85, p. 313-325, Apr. 2002.
BENDELL, T. Six Sigma. Horton Kirby: Works Management, Horton Kirby: v.54, p. 40-42,
Aug. 2001.
BONVIN, D. Optimal operation of batch reactors a personal view. Journal of Process
Control, [S. l.]: v. 8, n. 5-6, p. 355-368, 1998.
BOQU, R.; SMILDE, A. K. Monitoring and diagnosing batch processes with multiway
covariates regression models. AIChE Journal, [S. l.]: v. 45, n. 7, p. 1504-1520, July 1999.
BOTHE, D. R. Process capability indices a review, 1992-2000, discussion. Journal of
Quality Technology, Milwaukee: v. 34, n. 1, p. 32-37, Jan. 2002.
BOTHE, D. R. Statistical Reason for the 1,5
487, Mar. 2002.

Shift. Quality Engineering, v. 14, n. 3, p. 479-

110
BREYFOGLE, F. W.; MEADOWS, B. Bottom-line success with Six Sigma. Quality
Progress, Milwaukee: v. 34, n. 5, p. 101-104, May 2001.
BURDIK, R. K.; LARSEN, G. A. Confidence Intervals on Measures of Variability in R&R
Studies. Journal of Quality Technology, Milwaukee: v. 29, n. 3, p. 261-273, July 1997.
CAMPOS, V. F. TQC: Controle da Qualidade Total (no estilo japons). 8. ed. Belo
Horizonte: EDG, 1999.
CAULCUTT, R. The rights and wrongs of control charts. Applied Statistics, [S. l.]: v. 44, n.
3, p. 279-288, 1995.
CHALLENER, C. Six Sigma: Can the GE model work in the chemical industry. Chemical
Market Reporter, New York: v. 260, p. 6-10, July 2001.
CHANG, C. L.; LIU, P. H.; WEI, C. C. Failure mode and effects analysis using fuzzy method
and grey theory. Integrated Manufacturing Systems, Bradford: v. 12, n. 3, p. 211-217, Dec.
2001.
CHATTERJEE, S.; SORENESEN, E. A Pareto-like effect in regression? Total Quality
Management, [S. l.]: v. 9, n. 8, p. 681-687, Dec. 1998.
CHO, H.; KIM, K. A method for predicting future observations in the monitoring of a batch
process. Journal of Quality Technology, Milwaukee: v. 35, n. 1, p. 59-69, Jan. 2003.
CORONADO, R. B.; ANTONY, J. Critical success factors for the successful implementation
of six sigma projects in organizations. The TQM Magazine Journal, [S. l.]: v. 14, n. 2, p.
92-99, 2002.
COTNAREANU, T. Old Tools New Uses: Equipment FMEA. Quality Progress,
Milwaukee: v. 32, n. 12, p. 48-52, Dec. 1999.
DOLENZAL, K. K.; BURDICK, R. K.; BIRCH, J. N. Analysis of a two-factor R & R study
with fixed operators. Journal of Quality Technology, Milwaukee: v. 30, n. 2, p. 163-170,
Apr. 1998.
ECKES, G. A revoluo Seis Sigma. 2. ed. Rio de Janeiro: Campus, 2001.
ECKES, G. Making Six Sigma Last. Ivey Business Journal, [S. l.]: v. 66, n. 3, p. 77-81,
2002.
EUREKA, W. E.; RYAN, N. E. QFD Perspectivas Gerenciais do Desdobramento da
Funo Qualidade. Rio de Janeiro: Qualitymark, 1993.
FOLARON, J. MORGAN, J. P. The Evolution of Six Sigma. ASQ Six Sigma Forum
Magazine, Milwaukee: v. 2, n. 4, p.38-44, Aug. 2003.
FREITAS, M. F.; COLOSIMO, E. A. Confiabilidade: Anlise de Tempo de Falha e Testes
de vida Acelerados. Belo Horizonte: Fundao Christiano Ottoni, Escola de Engenharia da
UFMG, 1997.
FREUND, E. J.; SIMON, G. A Estatstica Aplicada. 9. ed. Porto Alegre: Bookman, 2000.

111
GIL, A. C. Mtodos e tcnicas de pesquisa social. So Paulo: Atlas, 1999.
GRANT, E, I.; LEAVENWORTH, R. S. Statistical Quality Control. 4.ed. New York:
McGraw-Hill, 1972.
HARRY, M. J. A New Definition Aims to Connect Quality With Financial Performance.
Quality Progress, Milwaukee: v. 33, n. 1, p. 64-66, Jan. 2000a.
HARRY, M. J. Six sigma: A breakthrough strategy for profitability. Quality Progress,
Milwaukee: v. 31, n. 5, p. 60-64, May 1998.
HARRY, M. J. The Quality Twilight Zone. Quality Progress, Milwaukee: v. 33, n. 2, p. 6871, Feb. 2000b.
HARRY, M. J.; SCHROEDER, R. Six Sigma: The Breakthrough Management Strategy
Revolutionizing the Worlds Top Corporations. New York: Doubleday, 2000.
HAUSER, J. R. CLAUSIG, D. P. The House of Quality. Harvard Business Review, [S. l.]:
v. 66, n. 3, p. 63-73, May-June 1988.
HELMAN, H.; ANDERY, P. R. P. Anlise de falhas (aplicao dos mtodos de FMEA
FTA). Belo Horizonte: Fundao Christiano Ottoni, Escola de Engenharia da UFMG, 1995.
HENDERSON, K. M.; EVANS, J. R. Successful implementation of Six Sigma:
benchmarking General Electric Company. Benchmarking An International Journal, [S. l.]:
v. 7, n. 9, p. 260-281, 2000.
HEUVEL, E. R. Gage R&R studies for nonstandard situations. Quality Congress. ASQ's
54th Annual Quality Congress Proceedings, Milwaukee: p. 317-328, 2000.
HOERL, W. R. Six Sigma and the Future of the Quality Profession. Quality Progress,
Milwaukee: v. 31, n. 6, p.35-42, June 1998.
INGRAN, D. J.; TAYLOR, W. A. Measurement systems analysis. Quality Congress. ASQ's
52nd Annual Quality Congress Proceedings, Milwaukee: p. 931-941, 1998.
IQA - Instituto da Qualidade Automotiva. Anlise dos Sistemas de Medio (MSA). So
Paulo: 1997a.
IQA - Instituto da Qualidade Automotiva. Fundamentos do Controle Estatstico do
Processo. So Paulo: 1997b.
JURAN, J. M.; GRINA, F. M. Controle da Qualidade Mtodos estatsticos clssicos
aplicados qualidade. So Paulo: Makron Books, 1993.
JURAN, J.M. Quality-Control Handbook. New York: MacGraw-Hill, 1951.
KELLY, W. M. Three steps to project selection. ASQ Six Sigma Forum Magazine,
Milwaukee: v. 2, n. 1, p. 29-32, Nov. 2002.
KLEFSJ, B.; WIKLUND, H.; EDGEMAN, R. L. Six Sigma seen as a methodology for total
quality management. Measuring Business Excellence, [S. l.]: v. 5, n. 1, p. 31-35, 2001.

112
KLEINBAUM, D. G.; KUPLER, L. L. Applied Regression Analysis and Other
Multivariable Methods. North Scituate: John Duxbury, 1978.
KUME, H. Mtodos Estatsticos para a Melhoria da Qualidade. 3. ed. So Paulo: Gente,
1993.
LAFRAIA, J. R. B. Manual de Confiabilidade, Mantenabilidade e Disponibilidade. Rio
de Janeiro: Qualitymark, 2001.
LU, M.; RUDY, R. J. Process Capability Indices A Review, 1992 - 2000. Journal of
Quality Technology, Milwaukee: v. 34, n. 1, p. 38-39, Jan. 2002.
LUCAS, J. M. The Essential Six Sigma. Quality Progress, Milwaukee: v. 35, n. 1, p. 27-31,
Jan. 2002.
LUCIER, G. T; SESHADRI, S. GE Takes Six Sigma Beyond the Bottom Line. Strategic
Finance, Montvale: v. 82, n. 11, p. 40-46, May 2001.
LYNCH, D. P.; CLOUTIER, E. T. 5 steps to success. ASQ Six Sigma Forum Magazine,
Milwaukee: v. 2, n. 2, p. 27-33, Feb. 2003.
MALEYEFF, J. Proper use of capability indices. Machine Design, Cleveland: v. 69, n. 6, p.
73-78, Mar. 1997.
MAN, J. Six Sigma and lifelong learning. Work Study, [S. l.]: v. 51, n. 4, p. 197-201, 2002.
MARASH, S. A. Six Sigma: Business Results Through Innovation. Quality Congress.
ASQ's 54th Annual Quality Congress Proceedings, Milwaukee: p. 627-630, 2000.
MARSC, C. E.; TUCKER, T.W. Application of SPC techniques to batch units. ISA
Transactions, [S. l.]: v. 28, n. 3, p. 41-46, 1989.
MARTENS, S. L. Operationally Deploying Six Sigma. Director, Six Sigma Quality &
Performance Measurement American Express Financial Advisors, Minneapolis, 2001.
Disponvel em: http://www.qsp.org.br/restrito/comunidade/biblioteca_arq.shtml . Acesso em:
15 mar. 2002.
MASON, J.; ANTONY, J. Statistical process control: an essential ingredient for improving
service and manufacturing quality. Managing Service Quality, Bradford: v. 10, n. 4, p. 233238, 2000.
MONTGOMERY, D. C. Design and Analysis of Experiments. 5. ed. New York: John
Wiley and Sons, 2001.
MONTGOMERY, D. C. Introduction to Statistical Quality Control. 3. ed. New York: John
Wiley and Sons, 1996.
MONTGOMERY, D. C.; PECK, E. A. Introduction to Linear Regression Analysis. New
York: John Wiley and Sons, 1982.
MONTGOMERY, D. C.; RUNGER, G. C. Applied Statistics and Probability for
Engineers. 2. ed. New York: John Wiley and Sons, 1999.

113
MYINT, S. A framework of an intelligent quality function deployment (IQFD) for discrete
assembly environment. Computers & Industrial Engineering, [S. l.]: v. 45, n. 2, p. 269-283,
Aug. 2003.
NAVE, D. How to Compare Six Sigma, Lean and the Theory of Constraints. Quality
Progress, Milwaukee: v. 35, n. 3, p.73-78, Mar. 2002.
OWLIA, M. S.; ASPINWALL, E. M. Application of quality function deployment for the
European Journal of Engineering Education, [S. l.]: v. 23, n. 1, p.105-115, Mar. 1998.
PANDE, P. S.; NEUMAN, R. P.; CAVANAGH, R. R. Estratgia Seis Sigma. Rio de
Janeiro: Qualitymark, 2001.
PEREZ-WILSON, M. Seis Sigma: compreendendo o conceito, as implicaes e os
desafios. Rio de Janeiro: Qualitymark,1999.
PILLAY, A.; WANG, J. Modified Failure Mode and Effect Analysis approximate reasoning.
Engineering Reliability and System safety, v. 79, n. 1, p. 69-85, Jan. 2003.
PRAZERES, P. M. Dicionrio de Termos da Qualidade. So Paulo: Atlas, 1996.
PUENTE, J.; PINO, R.; PRIORE, P.; FUENTE, D. A decision support system for applying
failure mode and effects analysis. The International Journal of Quality & Reliability
Management, Bradford: v. 19, n. 2, p. 137-150, 2002.
RASIS, D.; GITLOW, H. S.; POPOVICH, E. Paper Organizers International: A Fictitious Six
Sigma Green Belt Case Study. I. Quality Engineering, [S. l.]: v. 15, n. 1, p. 127-145, Sept.
2002.
RIBEIRO, J. L. D.; CATEN, C. S. Estatstica Industrial. Porto Alegre: FEENG UFRGS,
2001a.
RIBEIRO, J.L.D.; CATEN, C. S. Controle Estatstico do Processo. Srie Monogrfica
Qualidade. Porto Alegre: FEENG - UFRGS, 2001b.
RIBEIRO, J. L. D.; ECHEVESTE, M. E.; DANILEVICZ, A. M. F. A Utilizao do QFD na
otimizao de produtos, processos e servios. Porto Alegre: FEENG - UFRGS, 2001.
ROMERO, J.; ESPUNA, A.; FRIEDLER, F.; PUIGJANER, L. A new framework for batch
process optimization using the flexible recipe. Industrial & Engineering Chemistry
Research, [S. l.]: v. 42, n. 2, p. 370-379, 2003.
ROTONDORO, R. G. Seis Sigma Estratgia Gerencial para a Melhoria de Processos,
Produtos e Servios. So Paulo: Atlas, 2002.
SANKAR, N. R.; PRABHU, B. S. Modified approach for prioritization of failures in a system
failure mode and effects analysis. International Journal of Quality & Reliability
Management, Bradford: v. 18, n. 3, p. 324-335, Apr. 2001.
SCIPIONI, A.; SACCAROLA, G.; CENTAZZO, A.; ARENA, F. FMEA Methodology
design, implementation and integration with HCCP system in a food company. Food
Control, [S. l.]: v. 13, p. 495-501, Feb. 2002.

114
SMITH, D.; BLAKESLEE, J. The new strategic Six Sigma. TD, Alexandria: v. 56, n. 9, p.
45-52, Sept. 2002.
SNEE, R. D. The project selection process. Milwaukee: Quality Progress, Milwaukee: v. 35,
n. 9, p. 78-80, Sept. 2002.
SOMMER. J. G. Physical properties and their meaning. Rubber World, Alexandria: v. 214,
n. 3, p. 16-19, June 1996.
SRINIVASAN, B. et al. A tutorial on the optimization of batch process: II. Handling
uncertainty using measurements. Institute dautomatic cole Polytchnique Fdrale de
Lausanne- Florida State University, Tallahassee, June 2000.
STAMATIS, D. H. Failure Mode and Effect Analysis FMEA from Theory to
Execution, Milwaukee: ASQC Quality Press, 1995.
STENBERG, A. B.; DELERYD, M. Implementation of statistical process control and process
capability studies: requirements or free will? Total Quality Management, Oxford Shire:
v.10, n. 4, p. 439-446, 1999.
STOUMBOS, G. Z. Process capability indices: overview and extensions. Nonlinear
Analysis: Real World Applications, v. 3, n. 2, p. 191-210, June 2002.
SULLIVAN, L. P. Quality Function Deployment. Quality Progress, Milwaukee: p. 39-50,
June 1986.
TEMPONI, C.; YEN, J.; TIAO, W. A. House of quality: A fuzzy logic-based requirements
analysis. European Journal of Operational Research, [S. l.]: v. 117, n. 2, p. 340-354,
Sept.1999.
TENG, S.; HO, S. Failure mode and effects analysis: An integrated approach for product
design and process control. International Journal of Quality & Reliability Management,
Bradford: v. 13, n. 5, p. 8-26, 1996.
THIOLLENT, M. Metodologia da Pesquisa-ao. 8. ed. So Paulo: Cortez, 1998.
UDLER, D. M.; ZAKS, A. L. Use Ppk and Cpk to Reduce Customer Conflicts.
Manufacturing Engineering, Milwaukee: v. 118, n. 3, p. 20, Mar. 1997.
VANDENBRANDE, W. W. How to use FMEA to reduce the size of your quality toolbox.
Quality Progress, Milwaukee: v. 31, n. 11, p. 97-100, Nov. 1998.
WALDEN, J. Performance excellence: a QFD approach. International Journal of Quality
& Reliability Management, Bradford: v. 20, n. 1, p. 123-133, 2003.
WERKEMA, M. C. C. Criando a cultura Seis Sigma. Rio de Janeiro: Qualitymark, 2002.
WERKEMA, M. C. C.; AGUIAR, S. Anlise de Regresso: como entender o
relacionamento entre as variveis de um processo. Belo Horizonte: Fundao Christiano
Ottoni, Escola de Engenharia da UFMG, 1996.

115
WHEELER, J. M. Getting Started: Six Sigma Control of Chemical Operations. CEP, [S. l.]:
v. 98, n. 6, p. 76-81, June 2002.
WOODALL, W. H. Controversies and contradictions in statistical process control.
Milwaukee: Journal of Quality Technology, Milwaukee: v. 32, n. 4, p. 341-350, Oct. 2000.
WOODALL, W. H.; MONTGOMERY, D. C. Research issues and ideas in statistical process
control. Journal of Quality Technology, Milwaukee: v. 31, n. 4, p. 376-387, Oct. 1999.

116

APNDICE A

Neste apndice apresentado o formulrio completo do FMEA de processo,


que foi utilizado na etapa Medir, para a identificao das variveis mais influentes no
processo.

Item: Sistema de reao - Linha C.


Equipe: Produo/Processo/Automao/Pesquisador

t reao

dosada

medio de vazo

VM

variao na
quantidade
x

medio de vazo

erro set-point
fluxo bifsico
(slido/gs)
vibrao

10

10

10

10

10

alarme fluxo rever so 10


e atuao auto
matismo (bomba >
vlv.) (12)
10

automao e IO's

ver item especfico

proc. operacional

sistema comum
HPC/HPPM

proc. operacional

proc. operacional

proc. operacional

ver item abaixo

Controles
atuais

280

490

28

xx

700

70

70

100

100

xx

modificado o layout
das linhas
modificado o layout
das linhas

Henrique / 07 de
2002
modificao no
layout das linhas

conforme avaliao
mostrou-se capaz

Ao efetuada

Henrique / 07 de
2002

Henrique / 07 de
2002

Responsvel
data

modificao no
layout das linhas

avaliao dos dados


hist. de dosagem.

analisar pureza

analisar pureza

Ao
recomendada

Nmero: 0001/2002

Data da reviso: 30/04/2002

registro da quant.
dosada

sistema comum
HPC/HPPM
condicionamento

condicionamento

fluxo reverso

de falha

potencial

Causa

Ocorrncia

4 sistema de dosagem 10

t reao

17.2

VM

contaminao

10

t reao

15

10

VM

linha parcialmente
cheia

7.1

dosagem OX

Modo potencial

Item

Entradas do
processo

Efeito de
falha

Severidade

FMEA de Processo

Deteco

ABC Ind. e Com. S.A

NPR

Projeto Seis Sigma

117

NPR

Ocorrncia
Deteco

continua...
117

Severidade

atraso na dosagem

6.2.2

17.7

6.2.1/8.
2

6.1

contaminacao
TM/PC

dosagem PC

quantidade dosada a
menor

madio de vazo

17.2

dosagem OX

Modo potencial

Item

Entradas do
processo

VM

t reao

VM

t reao

VM

VM

Efeito de
falha

Severidade

Item: Sistema de reao - Linha C.


Equipe: Produo/Processo/Automao/Pesquisador

linha parc. cheia


(aps FT)
vazo fora escala
(>100%)
defeito no
instrumento

sistema de dosagem 10

batelada c/ conc.
baixa

presso alta
V 23-15 A/B

espera na fila

deficincia
B 22-18 A/B

compartilhamento
10
dos sistemas

de falha

potencial

Causa

Ocorrncia

Ao
recomendada

10

registro da quant.
dosada

10

10

10

10

10

10

automao e anlise
A22

contr. presso V 2315 A/B

xxx

xxx

xxx

xxx

xxx

xxx

700

112

280

70

700

70

70

490

Henrique / 07 de
2002

modificado o layout
das linhas

Ao efetuada

separaro das
linhas de dosagem

Henrique / 07 de separadas as linhas de


2002
dosagem

separao das linhas Henrique / 07 de separadas as linhas de


de dosagem
2002
dosagem

separao das linhas


Henrique / 12 de separadas as linhas de
de dosagem de
2002
dosagem
PC/TM

modificao no
layout das linhas

Responsvel
data

Nmero: 0001/2002

Data da reviso: 30/04/2002


Controles
atuais

FMEA de Processo

ABC Ind. e Com. S.A

Deteco

Projeto Seis Sigma

NPR

continuao

118

NPR

Ocorrncia
Deteco

continua...

118

Severidade

Item

17.7

7.2

Entradas do
processo

dosagem PC

dosagem MOD

quantidade dosada a
menor

linha parcialmente
cheia

VM

VM

Modo potencial

medio de vazo

Efeito de
falha

Item: Sistema de reao - Linha C.


Equipe: Produo/Processo/Automao/Pesquisador

10

Severidade

condicionamento

defeito no
instrumento
x

vazo fora escala


(>100%)

fluxo reverso

linha parc. cheia


(aps FT)

vibrao

automao e IO's

ver item especfico

Controles
atuais

Ao
recomendada

proc. operacional

ver item abaixo

xxx

xxx

xxx

10

10

10

10

100

xx

70

70

70

70

70

28

xx

ver OBS. 2

ver OBS. 2

Responsvel
data
Ao efetuada

Nmero: 0001/2002

Data da reviso: 30/04/2002

alarme fluxo reverso 10


e atuao
automatismo (bomba
> vlv.)
1
10

erro set-point
fluxo bifsico
(slido/gs)

Ocorrncia

medio de vazo

de falha

potencial

Causa

FMEA de Processo

ABC Ind. e Com. S.A

Deteco

Projeto Seis Sigma

NPR

continuao

119

NPR

Ocorrncia
Deteco

continua...

119

Severidade

VM

variao na quantidade dosada

17.4

medio de vazo

VM

variao no tempo
de atuao

16

dosagem MOD

Modo potencial

Item

Entradas do
processo

Efeito de
falha

Item: Sistema de reao - Linha C.


Equipe: Produo/Processo/Automao/Pesquisador

10

Severidade

vazo fora escala


(>100%)

xxx

xxx

10

10

alarme fluxo reverso 10


e atuao
automatismo (bomba
> vlv.)
4
10

linha parc. cheia


(aps FT)

vibrao

fluxo bifsico
(slido/gs)

automao e IO's

erro set-point

100

400

400

400

40

xx

ver item especfico

medio de vazo

10 1000

registro da quant.
dosada

100

490

sistema de dosagem 10

10

10

xxx

Controles
atuais

Ao
recomendada

modificao no
layout das linhas

modificao no
layout das linhas

avaliao dos dados


hist. de dosagem.

Verificar?
conforme avaliao
mostrou-se capaz

pendente

Ao efetuada

Henrique / 07 de modificado layout das


linhas
2002

Henrique / 07 de modificado layout das


linhas
2002

Henrique / 07 de
2003

depende de melhoria Henrique / 04 de


no cont. de Temp.
2003

Responsvel
data

Nmero: 0001/2002

Data da reviso: 30/04/2002

proc. operacional

Ocorrncia
1

contaminao
c/ gua A-22/23

variao tempo de
reao

de falha

potencial

Causa

FMEA de Processo

ABC Ind. e Com. S.A

Deteco

Projeto Seis Sigma

NPR

continuao

120

NPR

Ocorrncia
Deteco

continua...

120

Severidade

atraso na dosagem

quantidade dosada a
menor

8.1

17.6

TM

dosagem

medio de vazo

medio de vazo

17.4

dosagem MOD

Modo potencial

Item

Entradas do
processo

t reao

VM

10

VM

VM

Efeito de
falha

Severidade

Item: Sistema de reao - Linha C.


Equipe: Produo/Processo/Automao/Pesquisador

vibrao

fluxo bifsico
(slido/gs)

erro set-point

alarme fluxo reverso 10


e atuao
automatismo (bomba
> vlv.)
1
10

automao e IO's

ver item especfico

medio de vazo

10

registro da quant.
dosada

sistema de dosagem 10

10

10

10

xxx

xxx

proc. operacional

Ao
recomendada

70

70

28

xx

700

70

400

100

ver OBS. 2

avaliao dos dados


hist. de dosagem.

Henrique / 07 de
2002

separao d as linhas
Henrique / 07 de
de dosagem de
2002
PC/TM

Responsvel
data

conforme avaliao
mostrou-se capaz

Separadas as linhas de
dosagem de TM/PC

Ao efetuada

Nmero: 0001/2002

Data da reviso: 30/04/2002


Controles
atuais

FMEA de Processo

erro batelada

espera fila

defeito no
instrumento

de falha

potencial

Causa

Ocorrncia

ABC Ind. e Com. S.A

Deteco

Projeto Seis Sigma

NPR

continuao

121

NPR

Ocorrncia
Deteco

continua...

121

Severidade

VM

t reao

VM

t reao

da ACN

temperatura abaixo
ou acima

do set-point

VM

variao na
temperatura

medio de vazo

Modo potencial

Efeito de
falha

7
1

linha parc. cheia


(aps FT)
vazo fora escala
(>100%)
defeito no
instrumento

temperatura

deficincia no
controle de

(variao temp.
ambiente)
10

inexistncia de sist.
7
de controle

de falha

potencial

Causa
Ao
recomendada

xxx

xxx

xxx

xxx

xxx

10

10

10

10

10

700

490

70

70

70

melhoria no sist. de
controle de temp.

Henrique / 04 de
2003

avaliao da
influncia da
Henrique / 0 7de
variao da
2002
temperatura da ACN
na varivel de sada

ver OBS. 2

Responsvel
data

pendente

conforme avaliaao
estatstica no se
mostrou
significativamente
influente

Ao efetuada

Nmero: 0001/2002

Data da reviso: 30/04/2002


Controles
atuais

FMEA de Processo

NPR

Ocorrncia
Deteco
Severidade

2) Causas provveis: falha no acionamento e falta de estanqueidade das XV's (item 13), vazamento, deficincia do sistema (pontos altos sem possibilidade de ventagem) e
necessidade de sopragem da linha (OX).

1) A ocorrncia deste item desconhecida e a quantidade de causas provveis grande, porm possvel avaliar, atravs dos dados coletados, todo sistema de dosagem.
Caso seja verificado um desempenho ruim deste sistema, ser realizado um FMEA especfico para este item. Vlido para OX, MOD, TM e PC.

sistema de
controle de
temperatura do
reator

dosagem de
ACN

22

17.6

dosagem

TM

Item

Entradas do
processo

Severidade

Item: Sistema de reao - Linha C.


Equipe: Produo/Processo/Automao/Pesquisador
Ocorrncia

ABC Ind. e Com. S.A

Deteco

Projeto Seis Sigma

NPR

continuao

122

122

123

ANEXO A

Este anexo apresenta a tabela para a determinao do nvel sigma de um


processo, a partir dos valores de dpmo ou ppm provenientes de dados de longo prazo.

124
Tabela de converso para o nvel sigma
Entrada: dpmo / ppm de longo prazo
Nvel
Sigma

0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
4,1
4,2
4,3
4,4
4,5
4,6
4,7
4,8
4,9
5,0
5,1
5,2
5,3
5,4
5,5
5,6
5,7
5,8
5,9
6,0
6,1
6,2
6,3
6,4
6,5
6,6
6,7
6,8
6,9
7,0

Valores de dpmo ou ppm em funo do Nvel Sigma

0,00

0,01

0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

933193
919243
903199
884930
864334
841345
815940
788145
758036
725747
691462
655422
617911
579260
539828
500000
460172
420740
382089
344578
308538
274253
241964
211855
184060
158655
135666
115070
96801
80757
66807
54799
44565
35930
28716
22750
17864
13903
10724
8198
6210
4661
3467
2555
1866
1350
968
687
483
337
233
159
108
72,4
48,1
31,7
20,7
13,4
8,55
5,42
3,40
2,11
1,30
0,79
0,48
0,29
0,17
0,10
0,06
0,03
0,02

931888
917736
901475
882977
862143
838913
813267
785236
754903
722405
687933
651732
614092
575345
535856
496011
456205
416834
378281
340903
305026
270931
238852
208970
181411
156248
133500
113140
95098
79270
65522
53699
43633
35148
28067
22216
17429
13553
10444
7976
6037
4527
3364
2477
1807
1306
936
664
467
325
224
153
104
69,5
46,2
30,4
19,8
12,8
8,17
5,17
3,24
2,02
1,24
0,76
0,46
0,27
0,16
0,09
0,05
0,03
0,02

930563
916207
899727
881000
859929
836457
810570
782305
751748
719043
684386
648027
610261
571424
531881
492022
452242
412936
374484
337243
301532
267629
235762
206108
178786
153864
131357
111233
93418
77804
64256
52616
42716
34379
27429
21692
17003
13209
10170
7760
5868
4397
3264
2401
1750
1264
904
641
450
313
216
147
100
66,7
44,3
29,1
19,0
12,2
7,81
4,94
3,09
1,92
1,18
0,72
0,43
0,26
0,15
0,09
0,05
0,03
0,02

929219
914656
897958
878999
857690
833977
807850
779350
748571
715661
680822
644309
606420
567495
527903
488033
448283
409046
370700
333598
298056
264347
232695
203269
176186
151505
129238
109349
91759
76359
63008
51551
41815
33625
26803
21178
16586
12874
9903
7549
5703
4269
3167
2327
1695
1223
874
619
434
302
208
142
95,8
64,1
42,5
27,9
18,1
11,7
7,46
4,72
2,95
1,83
1,12
0,68
0,41
0,25
0,15
0,08
0,05
0,03
0,02

927855
913085
896165
876976
855428
831472
805106
776373
745373
712260
677242
640576
602568
563559
523922
484047
444330
405165
366928
329969
294598
261086
229650
200454
173609
149170
127143
107488
90123
74934
61780
50503
40929
32884
26190
20675
16177
12545
9642
7344
5543
4145
3072
2256
1641
1183
845
598
419
291
200
136
92,0
61,5
40,8
26,7
17,4
11,2
7,13
4,50
2,82
1,74
1,07
0,65
0,39
0,23
0,14
0,08
0,05
0,03
0,02

926471
911492
894350
874928
853141
828944
802338
773373
742154
708840
673645
636831
598706
559618
519939
480061
440382
401294
363169
326355
291160
257846
226627
197662
171056
146859
125072
105650
88508
73529
60571
49471
40059
32157
25588
20182
15778
12224
9387
7143
5386
4025
2980
2186
1589
1144
816
577
404
280
193
131
88,4
59,1
39,1
25,6
16,6
10,7
6,81
4,30
2,68
1,66
1,02
0,62
0,37
0,22
0,13
0,08
0,04
0,03
0,01

925066
909877
892512
872857
850830
826391
799546
770350
738914
705402
670031
633072
594835
555670
515953
476078
436441
397432
359424
322758
287740
254627
223627
194894
168528
144572
123024
103835
86915
72145
59380
48457
39204
31443
24998
19699
15386
11911
9137
6947
5234
3907
2890
2118
1538
1107
789
557
390
270
185
126
85,0
56,7
37,5
24,5
15,9
10,2
6,51
4,10
2,56
1,58
0,97
0,59
0,35
0,21
0,12
0,07
0,04
0,02
0,01

923641
908241
890651
870762
848495
823814
796731
767305
735653
701944
666402
629300
590954
551717
511967
472097
432505
393580
355691
319178
284339
251429
220650
192150
166023
142310
121001
102042
85344
70781
58208
47460
38364
30742
24419
19226
15003
11604
8894
6756
5085
3793
2803
2052
1489
1070
762
538
376
260
179
121
81,6
54,4
36,0
23,5
15,2
9,8
6,22
3,91
2,44
1,51
0,92
0,56
0,34
0,20
0,12
0,07
0,04
0,02
0,01

922196
906582
888767
868643
846136
821214
793892
764238
732371
698468
662757
625516
587064
547758
507978
468119
428576
389739
351973
315614
280957
248252
217695
189430
163543
140071
119000
100273
83793
69437
57053
46479
37538
30054
23852
18763
14629
11304
8656
6569
4940
3681
2718
1988
1441
1035
736
519
362
251
172
117
78,4
52,2
34,5
22,5
14,6
9,35
5,94
3,74
2,33
1,44
0,88
0,53
0,32
0,19
0,11
0,06
0,04
0,02
0,01

920730
904902
886860
866500
843752
818589
791030
761148
729069
694974
659097
621719
583166
543795
503989
464144
424655
385908
348268
312067
277595
245097
214764
186733
161087
137857
117023
98525
82264
68112
55917
45514
36727
29379
23295
18309
14262
11011
8424
6387
4799
3573
2635
1926
1395
1001
711
501
350
242
165
112
75,3
50,1
33,1
21,6
14,0
8,94
5,67
3,56
2,22
1,37
0,83
0,50
0,30
0,18
0,11
0,06
0,04
0,02
0,01

Fonte: adaptado de Harry e Schroeder (2000)

125

ANEXO B

Este anexo apresenta a tabela de constantes para a construo dos grficos de


controle.

126
Tabela de constantes para as cartas de controle
tamanho do
sub-grupo n

A2

A3

B3

B4

D3

D4

E2

d2

c4

2
3
4

1.880
1.023
0.729

2.659
1.954
1.628

0.000
0.000
0.000

3.267
2.568
2.266

0.000
0.000
0.000

3.267
2.574
2.282

2.660
1.772
1.457

1.880
1.187
0.796

1.128
1.693
2.059

0.7979
0.8862
0.9213

0.577

1.427

0.000

2.089

0.000

2.114

1.290

0.691

2.326

0.9400

6
7

0.483
0.419

1.287
1.182

0.030
0.118

1.970
1.882

0.000
0.076

2.004
1.924

1.184
1.109

0.548
0.508

2.534
2.704

0.9515
0.9594

0.373

1.099

0.185

1.815

0.136

1.864

1.054

0.433

2.847

0.9650

0.337

1.032

0.239

1.761

0.184

1.816

1.010

0.412

2.970

0.9693

10

0.308

0.975

0.284

1.716

0.223

1.777

0.975

0.362

3.078

0.9727

11
12
13
14
15

0.285
0.266
0.249
0.235
0.223

0.927
0.886
0.850
0.817
0.789

0.321
0.354
0.382
0.406
0.428

1.679
1.646
1.618
1.594
1.572

0.256
0.283
0.307
0.328
0.347

1.744
1.717
1.693
1.672
1.653

3.173
3.258
3.336
3.407
3.472

0.9754
0.9776
0.9794
0.9810
0.9823

16

0.212

0.763

0.448

1.552

0.363

1.637

3.532

0.9835

17

0.203

0.739

0.466

1.534

0.378

1.622

3.588

0.9845

18

0.194

0.718

0.482

1.518

0.391

1.608

3.640

0.9854

19

0.187

0.698

0.497

1.503

0.403

1.597

3.689

0.9862

20

0.180

0.680

0.510

1.490

0.415

1.585

3.735

0.9869

21

0.173

0.663

0.523

1.477

0.425

1.575

3.778

0.9876

22

0.167

0.647

0.534

1.466

0.434

1.566

3.819

0.9882

23

0.162

0.633

0.545

1.455

0.443

1.557

3.858

0.9887

24
25

0.157
0.153

0.619
0.606

0.555
0.565

1.445
1.435

0.451
0.459

1.548
1.541

3.895
3.931

0.9892
0.9886

Fonte: adaptado de IQA (1997).