Você está na página 1de 54

CICOP 3

Curso de
Especialização em
Instrumentação,
Automação, Controle e
Otimização de
Processos Contínuos

AVALIAÇÃO ECONÔMICA DE PROJETOS


DE CONTROLE E AUTOMAÇÃO

Apostila - autor:
Marcelo Embiruçu
(71) 203.9806 - embiruçu@ufba.br

MAIO de 2004

Escola Politécnica da
UFBA UFBA
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Estimativa de Benefícios em Projetos de Controle


Automático de Processos
(Revisão-3 / Maio - 2004)

Marcelo Embiruçu
Departamento de Engenharia Química
Escola Politécnica da Universidade Federal da Bahia

Resumo
As indústrias de manufatura são julgadas pela qualidade, custo e
disponibilidade do seu produto. Mais do que nunca, depois da competição
global, muitas companhias estão fazendo uso de medições quantitativas para
monitorizar e direcionar melhoramentos em parâmetros operacionais chave,
tais como produção e qualidade. Em poucas palavras, é necessário operar com
máxima qualidade e máxima produtividade. Um dos caminhos disponíveis para
que se alcance esse estágio de máxima qualidade e máxima produtividade é o
controle automático de processos. Assim como em outros projetos, é sempre
fundamental, para dar suporte às decisões gerenciais, que seja demonstrada a
viabilidade econômica de um projeto de controle automático.
O objetivo deste trabalho é discutir, sistematizar e apresentar métodos e
procedimentos para a realização destes estudos de viabilidade, em especial a
etapa de estimativa de benefícios oriundos da implantação ou de melhorias de
controle automático de processos, que é a etapa mais crítica para
quantificação. É mostrado que, havendo dados de planta disponíveis, o que é
cada dia mais verdadeiro, as ferramentas de avaliação podem ser aplicadas
com sucesso para avaliar estes benefícios. Para isso é indispensável um
correto entendimento do negócio e do processo, envolvendo aí a
disponibilidade de modelos, especialmente os microeconômicos. Na ausência
de dados, procedimentos alternativos, muito mais trabalhosos, podem ser
empregados.
Através de exemplos práticos reais, é mostrada a aplicabilidade da
metodologia de avaliação de benefícios. Neste caso, são mostrados casos com
características diversas, tais como variância de medição importante e
desprezível e ganhos tangíveis e intangíveis, além de situações onde melhorias
de controle não são necessárias. São mostradas também diferentes situações
no que se relaciona com a utilização da redução de variabilidade advinda das
melhorias de controle. Os exemplos demonstram que projetos de controle
podem gerar ganhos econômicos significativos.

Palavras-chave
Controle de Processos, Projetos de Controle e Automação, Avaliação
Econômica, Estimativa de Benefícios Econômicos.

Maio de 2004

(Revisão-3, Maio-2004) 2 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Índice
2. Os Negócios e seus Objetivos .................................................................................5
2.1. Controle de Processos e Objetivos do Negócio .............................................5
2.2. Alcançando Benefícios Através de Controle de Processos..........................6
3. Projetos de Controle Automático de Processos (CAP)........................................9
3.1. Custos e Benefícios do Projeto .......................................................................10
3.2. Análise de Processo para Identificar Oportunidades de Controle .............11
3.2.1. Identificação dos Objetivos do Negócio ..................................................12
3.2.2. Relacionando os Objetivos do Negócio às Propriedades do
Produto e às Variáveis-Chave ..........................................................14
3.2.3. Verificação das Especificações do Consumidor e das Condições
Operacionais Padrão ..........................................................................17
3.2.4. Aplicação de Técnicas Estatísticas de Medição de Desempenho......18
3.2.5. Revisão dos Sistemas de Monitorização e Controle das
Variáveis e Propriedades Críticas ....................................................18
3.3. Incertezas Associadas ......................................................................................20
4. Estimando Benefícios ..............................................................................................21
4.1. Fontes de Variabilidade e Técnicas para a sua Redução...........................22
4.2. Quantificação da Variabilidade e sua Utilização...........................................23
4.2.1. Medidas de Variabilidade ..........................................................................23
4.2.2. Variabilidade do Processo e Objetivos do Negócio ..............................26
4.2.3. Determinação da Quantidade de Não Especificações e da
Aproximação de Restrições...............................................................30
4.2.4. Outras Distribuições: Distribuições Não Normais e
Transformação de Dados ..................................................................33
4.2.5. Critérios de Desempenho Tradicionais em Controle de
Processos.............................................................................................36
4.3. Cálculo da Variabilidade e de sua Redução .................................................37
4.3.1. Capacidade Máxima do Processo e Capacidade Alcançável
com CAP – Cálculos com Dados de Processo ..............................39
4.3.1.1. Cálculo da Capacidade Máxima ........................................................40
4.3.1.2. Compensação para Tempo Morto.....................................................41
4.3.1.3. Capacidade Alcançável com CAP.....................................................42
4.3.2. Capacidade Máxima do Processo e Capacidade Alcançável
com CAP – Cálculos com Modelos ..................................................45
5. Exemplos de Aplicação ...........................................................................................47
6. Conclusões................................................................................................................48
Lista de Símbolos e Abreviaturas ..............................................................................49
Abreviaturas ...............................................................................................................49
Símbolos 49
Símbolos Gregos .......................................................................................................49
Subscritos 49
Sobrescritos................................................................................................................50
Referências Bibliográficas ...........................................................................................51
Lista de Figuras.............................................................................................................53
Lista de Tabelas............................................................................................................54

(Revisão-3, Maio-2004) 3 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

1. Introdução
As indústrias de manufatura são julgadas pela qualidade, custo e
disponibilidade do seu produto. Mais do que nunca, depois da competição
global, muitas companhias estão fazendo uso de medições quantitativas para
monitorizar e direcionar melhoramentos em parâmetros operacionais chave,
tais como qualidade, produção (throughput), especificação de produto sem
reprocessamento (fist-pass first-quality yield), tempo decorrido entre a compra
das matérias-primas e a venda dos produtos (cycle time, similar ao ciclo de
batelada) e percentual de tempo em que os equipamentos estão
operacionalmente disponíveis para utilização em taxa máxima (uptime, tempo
de disponibilidade operacional). Em síntese, é necessário operar com máxima
qualidade e máxima produtividade, no sentido amplo. Nos tempos atuais, para
sobreviver, é necessário ser “de classe mundial” (world class), o que significa
estar entre os melhores do mundo. Os melhores estabelecem os padrões de
competição. Para isso, são necessários melhoramentos sustentados
constantes. Ter um desempenho de padrão “classe mundial”, nos parâmetros
citados, leva à competitividade na qualidade, no custo e na disponibilidade do
produto.
A fim de que se alcance esse estágio de máxima qualidade e máxima
produtividade, estão disponíveis atualmente diversas técnicas, metodologias e
procedimentos, tanto gerenciais e organizacionais quanto operacionais. Uma
dessas abordagens é o controle automático de processos. Assim como em
outras ações e atividades em um negócio, a implementação de estratégias de
controle automático deve ser precedida de um projeto consistente. Assim como
em outros projetos, é sempre fundamental, para dar suporte às decisões
gerenciais, que seja demonstrada a viabilidade econômica de um projeto de
controle automático. O objetivo deste trabalho é, portanto, discutir, sistematizar
e apresentar métodos e procedimentos para a realização destes estudos de
viabilidade. Sendo a parte de estimativa de benefícios a de mais difícil
quantificação, é dada atenção especial a esta etapa. Além disso, a fim de
mostrar a importância do controle de processos para alcançar os objetivos
mencionados anteriormente, é feita uma discussão inicial dos objetivos gerais
de um negócio e da participação do controle de processos dentro deste
contexto. Depois, os principais elementos de um projeto de controle automático
são abordados, envolvendo aspectos como custos, identificação de
oportunidades, incertezas e benefícios. Em seguida, este último elemento é
discutido com profundidade, sendo apresentada uma forma sistemática para a
estimativa de benefícios, dependendo das condições objetivas do problema
abordado. Finalmente, são mostrados alguns exemplos de aplicação destes
procedimentos, e são tecidas as conclusões finais.

(Revisão-3, Maio-2004) 4 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

2. Os Negócios e seus Objetivos


2.1. Controle de Processos e Objetivos do Negócio
Uma vez que os equipamentos de processo estão instalados e
funcionando, a maneira como eles estão sendo controlados determina o quão
bem o processo desempenhará o seu papel. De acordo com Shunta (1995),
controle de processos pode ser definido como:

“Controle de processos é a combinação efetiva de pessoas e


tecnologia para manter o processo no nível operacional estacionário
desejado, e mantendo a variabilidade das variáveis de processo (estado
físico do processo, p.e.: pressão, temperatura, nível, densidade,
concentração, vazão) e das propriedades do produto (atributos do
produto relacionados com as necessidades do consumidor, p.e.: DPM
(distribuição de peso molecular), cor, elasticidade, viscosidade, pureza)
aceitáveis.”

Controle de processos é uma das inúmeras tecnologias que podem e


estão sendo aplicadas para obter melhoramentos no desempenho operacional.
Muitas companhias já reconhecem que existe um grande retorno econômico
com a aplicação desta tecnologia, desde a simples sintonia de malhas até a
implementação de controladores avançados, baseados em modelos.
Projetos de controle, como de resto outros projetos, são melhor aceitos,
ou podem ter os seus riscos minimizados, se ao projeto técnico estiver
associado a um estudo de viabilidade econômica. Além disso, atualmente, com
a redução dos quadros técnicos, é comum situações onde existem mais
oportunidades de melhoramentos do que recursos humanos (e/ou financeiros)
para implementá-los. Nestes casos, é necessário escolher as melhores
oportunidades, o que pode ser decidido por uma avaliação econômica.
O ponto focal para o melhoramento do desempenho da manufatura deve
ser as necessidades ou objetivos do negócio, também chamados de diretrizes
do negócio, pois elas é que direcionam os esforços e melhoramentos. Algumas
diretrizes de negócio típicas são descritas abaixo (Shunta, 1995):

• Qualidade. Os clientes querem que as propriedades dos produtos estejam


em conformidade com as suas especificações e/ou tenham uma
consistência especificada, o que está fortemente relacionado com o controle
da variabilidade da qualidade;
• Produção. Normalmente, a redução da variabilidade de algumas variáveis
conduz a um aumento de produção, pois proporciona uma operação mais
próxima de certas restrições;
• Especificação de produto sem reprocessamento (fist-pass first-quality yield).
Evita re-trabalho, mistura de produtos fora de especificação, descarte de
produtos ou venda de produtos por preço reduzido. Está relacionado com
as duas diretrizes anteriores;
• Tempo decorrido entre a compra das matérias-primas e a venda dos
produtos (cycle time), o que também está relacionado com a produção e
com a diretriz anterior;
• Percentual de tempo em que os equipamentos estão operacionalmente
disponíveis para utilização em taxa máxima (uptime). Isto está diretamente
relacionado com a produção e é afetado por paradas na planta, causadas

(Revisão-3, Maio-2004) 5 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

por violação de limites de segurança, entupimentos, sujeiras e obstruções,


que podem ser reduzidas com a redução da variabilidade no processo,
evitando condições operacionais problemáticas;

Em última análise, o objetivo final é que a unidade forneça um resultado


econômico ótimo, o que é conseguido através do alcance dos sub-objetivos
listados acima. Em todo estes casos, o controle, ou redução, da variabilidade
de determinadas variáveis tem impacto significativo na direção de se alcançar o
objetivo desejado. De acordo com a definição anterior de controle de
processos, um dos principais propósito de um sistema de controle é o controle
da variabilidade, o que mostra, portanto, o seu impacto nas diretrizes do
negócio. Um dos retornos econômicos em controlar a variabilidade
corretamente é que o produto é feito corretamente da primeira vez. Isso evita
(Shunta, 1995):

• Armazenar produtos fora de especificação, o que aumenta o inventário e o


tempo de ciclo;
• Mistura de diferentes produtos fora de especificação para satisfazer as
especificações do cliente;
• Reprocessamento de produto, o que reduz a capacidade, a produção e a
eficiência energética;
• Venda de produtos a preços reduzidos;
• Descarte de produtos fora de especificação e de outros resíduos;

2.2. Alcançando Benefícios Através de Controle de Processos


Estando convencido de que o controle de processos é uma tecnologia
que pode dirigir o processo a um desempenho de “classe mundial”, é preciso
desenvolver uma estratégia para implementar isso, como mostrado na figura
abaixo (Shunta, 1995).

Manter os Ganhos Melhorias Contínuas

Projetar e Implementar Equipes de Projeto

Identificar Oportunidades
de Controle de Processos Análise de Processos
Focadas no Negócio

CAMINHO COMO
Figura 1. Alcançando Benefícios Através de Controle de Processos.

Primeiro, é necessário identificar as oportunidades que terão um impacto


significativo no negócio. Segundo, as oportunidades devem ser convertidas em
um projeto técnico, e implementadas através de melhoramentos de
equipamentos (hardware) e aplicativos computacionais (software), para o que é
(Revisão-3, Maio-2004) 6 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

necessário implementar um projeto de CAP (Controle Automático de


Processos). O escopo do projeto é definido pelos resultados da primeira etapa.
Por fim, é necessário sustentar os ganhos obtidos, através de melhoramentos
contínuos, para o que é necessário um suporte técnico contínuo na planta, e
sem o que os sistemas de controle avançado correm grande risco de entrarem
em desuso (Haskins, 1993). A importância da manutenção dos sistemas de
controle pode ser atestada pelos números apresentados por Ender (1993),
segundo o qual, em uma planta química típica, a quantidade de malhas de
controle em manual é da mesma ordem de grandeza daquelas em automático,
mesmo com controle convencional. A utilização de procedimentos de
estimativa de benefícios de controle em linha (Bailey et al., 1992) pode ajudar
nesta tarefa. É importante uma metodologia de análise de processo, que possa
ser aplicada para:

• Ter acesso à operação corrente em termos de medidas de desempenho;


• Identificar as oportunidades de melhorias de medição e controle de
processo;
• Estimar quanto o desempenho pode ser melhorado através das melhorias
de controle.

Uma vez que isto é feito, as oportunidades podem ser priorizadas em


termos do seu impacto relativo no negócio e da viabilidade de sua
implementação. Algumas oportunidades certamente se apresentarão como
“bolacha quebrada”, ou seja com alta relação benefício/custo. Outras
necessitarão de mais esforço, e outras serão de longo prazo, pelas dificuldades
de viabilizar, talvez necessitando de pesquisa e desenvolvimento.
A figura abaixo ilustra os passos gerais na fase de análise de processo.
A identificação dos objetivos do negócio é o primeiro passo, o que fornece o
foco necessário para nortear o resto da análise. Em seguida, as propriedades
do produto e as variáveis de processo que têm impacto nas diretrizes do
negócio são identificadas. Normalmente estas variáveis e propriedades são
aquelas que devem estar sendo bem monitorizadas e controladas. Estas são
as variáveis que devem ser investigadas, embora possam haver outras
problemáticas, mas que tenham um impacto direto pequeno na economia do
negócio (por exemplo, aspectos intangíveis, de segurança e outros similares).
Há casos, no entanto, em que estas variáveis, normalmente por dificuldade de
medição, têm que ser substituídas por outras, as chamadas variáveis
substitutas (surrogate variables). Em seguida, normalmente através da
aplicação de medidas estatísticas, deve ser verificado quais destas
propriedades e variáveis-chave não estão satisfazendo o desempenho
desejado. Depois, os sistemas de controle e monitorização associados às
variáveis que não estão tendo um desempeno satisfatório são esmiuçados.
Finalmente, o impacto que os melhoramentos terão no negócio é estimado.
Estes dados são utilizados para justificar a implementação dos melhoramentos.

(Revisão-3, Maio-2004) 7 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

IDENTIFICAR DIRETRIZES DO NEGÓCIO

RELEACIONAR VARIÁVEIS DO PROCESSO E PROPRIEDADES DO


PRODUTO COM AS DIRETRIZES DO NEGÓCIO

IDENTIFICAR VARIÁVEIS E PROPRIEDADES CRÍTICAS ATRAVÉS


DAS MEDIDAS ESTATÍSTICAS Cp e Ppk

AVALIAR MEDIÇÕES DO PROCESSO, CONTROLES DE QUALIDADE


E DO PROCESSO, E INFRA-ESTRUTURA PARA IDENTIFICAR
OPORTUNIDADES DE MELHORIAS ESPECÍFICAS

ESTIMAR O IMPACTO NAS DIRETRIZES DO NEGÓCIO

Figura 2. Passos na Análise de Processo.

Os benefícios de todos esses esforços estão listados na figura abaixo.


Antes de mais nada, este esforço deve prestar atenção em melhoramentos
focados no negócio, o que é um erro freqüente em programas de melhoria, que
carecem de foco no negócio. Outro ponto importante é que a estimativa de
retorno econômico cria um objetivo tangível, e expectativas que todos podem
avaliar e, quiçá, apostar.

Identificar Melhorias Focadas no Negócio

Fornecer Foco e Direção para Implementação

Fornecer Base para Expectativas e Obtenção de Resultados

Fornecer Base para Melhorias Contínuas

Figura 3. Benefícios da Análise de Processo.

(Revisão-3, Maio-2004) 8 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

3. Projetos de Controle Automático de Processos (CAP)


Projetos de CAP, como qualquer projeto, devem ter a sua viabilidade
técnico-econômica avaliada. No caso específico destes projetos, na realidade
atual, dois complicadores enfatizam a necessidade desta avaliação:

• Falta de Cultura;
• Fracassos Passados.

Ainda hoje existe uma falta de cultura em relação ao controle


automático, especialmente ao chamado “controle avançado”. Muitos gerentes
desconfiam da atratividade financeira destes projetos, e muitos operadores
desconfiam da sua confiabilidade operacional. Além disso, alguns fracassos
passados na implementação dos chamados “esquemas de controle avançado”
e de outros sistemas de informação (Gurovitz, 2001) impuseram uma “nuvem
negra” sobre novos projetos. Esta nuvem vem se dissipando, mas ainda há
resquícios. Como diz Brisk (1993), “os gerentes costumam ter uma memória
muito longa em relação a tecnologias que já fracassaram no passado”.
Sendo, portanto, bastante aconselhável a realização destes estudos de
viabilidade, este texto pretende esboçar uma metodologia para tal fim.
Pretende-se, tanto quanto possível, indicar um procedimento único, indicando
as possíveis variações quando os dados disponíveis assim exigirem. Além
disso, parte-se de uma visão integrada do processo, pois tal abordagem
sempre agrega conhecimento em relação ao objetivo último, que é a
otimização do negócio.
Considere o problema da estaca zero: o objetivo é avaliar os benefícios
de CAP em todo um processo produtivo. O primeiro passo é, baseado na
experiência e conhecimento disponível do processo em questão, selecionar
algumas unidades de otimização. Uma unidade de otimização é definida como
qualquer parte do negócio, incluindo o processo e suas partes, à qual possam
ser atribuídos objetivos econômicos bem definidos.
Em uma segunda etapa, deve-se estabelecer a função lucro, a ser
maximizada, de cada unidade. Matematicamente, é sempre possível
estabelecer uma função a ser maximizada, mesmo que se trate de um custo
(por exemplo, maximiza-se o negativo do custo). Em teoria de otimização, em
geral, minimiza-se funções, mas em negócio é melhor falar de maximização,
até por uma questão psicológica. Esta etapa é, talvez, a mais importante. Em
otimização, se diz que é a etapa de formulação do problema. Na prática, é a
formulação potencial da solução, ou de um problema, quando ela é mal feita.
Esta etapa depende muito do conhecimento do processo e do negócio. Podem
ser tolerados erros conservadores, ou seja, no sentido de, a partir da utilização
desta função, prever-se benefícios menores do que aqueles que acontecerão
na realidade. Mas não se pode errar muito, pois projetos que geram poucos
benefícios ficam no final da fila para serem realizados, e podem nunca chegar
ao topo da fila. Tolera-se erros de exagero, ou seja, que prevejam maiores
benefícios do que aqueles que acontecerão. Neste caso, a tolerância é ainda
menor. Anônimo (????) coloca com propriedade a seguinte equação:

Eq. 1 Felicidade = Resultados Percebidos − Expectativas

De todos os erros, os inaceitáveis são aqueles que poderiam ser


classificados como erros de direção. Shunta (1995) fornece um exemplo
(Revisão-3, Maio-2004) 9 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

interessante, onde um MPC não linear foi projetado e implementado com o


objetivo de minimizar o consumo de energia, enquanto que o plano estratégico
da empresa era maximizar a produção. Nota-se claramente neste exemplo uma
formulação inadequada do problema por não se conhecer os objetivos do
negócio. King (1992) também ressalta este ponto, trazendo outros exemplos.
A partir das funções formuladas, é possível avaliar os custos e
benefícios de controle avançado em cada unidade de otimização, de forma
simplificada, como será discutido adiante. Considerando os recursos
disponíveis, e a atratividade de cada projeto, é possível determinar uma
programação ótima de investimentos, se necessário também através da
resolução de um problema de otimização.
Em seguida, deve-se avaliar os custos e benefícios de controle
avançado na primeira unidade da programação de investimentos, de forma
detalhada. Neste caso, a base para esta avaliação é a mesma da avaliação de
outros tipos de projetos: o fluxo de caixa. Os métodos para avaliação de
investimentos podem ser divididos em dois grandes grupos: sem taxas e com
taxas. No primeiro grupo estão, por exemplo, o tempo de retorno (payback) e o
retorno de investimento. No segundo caso podem ser citados o valor presente
líquido (net present value) e a taxa interna de retorno. Não é objetivo deste
texto discutir tais métodos, que podem ser encontrados em diversas fontes
(Martin, 1999; Ward, 1994; Barreto, 19??).
De qualquer forma em qualquer destas avaliações é necessário estimar
os custos e os benefícios, além de avaliar o efeito de possíveis incertezas.

3.1. Custos e Benefícios do Projeto


A abordagem de iniciar o projeto de um sistema de controle por uma
análise de custo / benefício produz benefícios significativos, porque dirige o
foco para as reais questões acerca da melhoria do desempenho do negócio.
Os objetivos da análise são identificar as melhores oportunidades e estimar os
custos e benefícios associados. O estudo também fornece confiança de que o
dinheiro será bem gasto ou revela que o ganho será marginal. Um estudo deste
tipo deve tipicamente ser levado a cabo por um pequeno grupo, tendo as
seguintes tarefas e atribuições (Shunta, 1995; Koppel, 1995):

• Formular objetivos gerais para melhorar o processo;


• Analisar o processo e identificar onde melhorias de controle são
necessárias;
• Gerar uma lista de oportunidades potenciais de melhorias;
• Estimar os custos e benefícios potenciais para as melhorias;
• Priorizar e selecionar as melhores oportunidades, baseado no impacto no
negócio e na viabilidade;
• Desenvolver projetos conceituais para conquistar os benefícios;
• Relatar os resultados e fazer recomendações.

Os custos do projeto, como em outros projetos, podem ser divididos nos


investimentos iniciais, ou seja o investimento necessário para a execução e
implementação do projeto, e os custos operacionais. Estes, por sua vez, são
divididos em custos fixos e variáveis. Não é objetivo deste texto discutir com
mais detalhes a avaliação de custos de projetos de CAP, o que pode ser
encontrado em outras referências (Shunta, 1995, Friedmann, 1995; Moreno,
2002).
(Revisão-3, Maio-2004) 10 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Dentre as diversas fontes de benefícios advinda de projetos bem


sucedidos, é possível citar, de forma genérica, uma maior lucratividade, que
pode resultar, por exemplo, de maiores vendas ou de menores custos, através
do menor uso de matérias-primas, utilidades e mão-de-obra. Esta questão de
estimativa de benefícios é o foco principal deste trabalho, e será discutida de
forma mais quantitativa posteriormente. Antes, porém, será feita uma discussão
mais qualitativa de como identificar oportunidades de controle.

3.2. Análise de Processo para Identificar Oportunidades de Controle


Um processo químico típico possui milhares de variáveis de processo e
muitas propriedades de produto. Portanto, é necessário identificar aquelas que
possuem um efeito mais significativo nos objetivos do negócio, para que
possam ser analisadas mais profundamente, para alcançar os maiores
benefícios econômicos. Neste caso, é útil uma metodologia para:

• Analisar o processo e determinar quais as propriedades do produto e


variáveis de processo que precisam ser tratadas;
• Identificar oportunidades para melhorias de controle de processos.

Marlin (1987) mostra bastante detalhes de como estes estudos devem


ser conduzidos. Esta análise produz uma lista de variáveis candidatas a serem
analisadas através de medidas concretas, o que fornece a informação
necessária para as estimativas de custo / benefício e os projetos conceituais.
Estes passos são mostrados na figura abaixo, e discutidos nas seções
seguintes.

(Revisão-3, Maio-2004) 11 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

IDENTIFICAR DIRETRIZES DO NEGÓCIO


|
Rendimento, Energia, Produção, Tempo de Ciclo, Uptime,| Qualidade

Identificar Desejos do Cliente

Identificar Variáveis-Chave do Identificar Propriedades-Chave do


Processo que têm Impacto nas Processo que têm Impacto nos
Diretrizes do Negócio Desejos do Cliente

Identificar Variáveis-Chave do
Processo que Determinam as
Propriedades do Produto

Verificar as Especificações do Cliente para as Propriedades do Produto e


COP’s para as Variáveis de Processo

Aplicar Medidas Estatísticas para as Propriedades do Produto e Variáveis de


Processo e Identificar Aquelas Críticas, que Precisam ser Melhoradas

Revisar Medições, Estratégias de Controle, Sistemas de Controle, Sistemas


de Qualidade e Infra-Estrutura para Propriedades e Variáveis Críticas, para
Identificar Reparos Específicos
Figura 4. Passos para Identificar Melhorias.

3.2.1. Identificação dos Objetivos do Negócio


Para que uma variável mereça uma melhoria de controle, é necessário
que ela tenha um impacto significativo nos objetivos do negócio. Portanto, a
primeira atividade é identificar os objetivos do negócio. Por exemplo, se o
negócio é limitado pela produção, os objetivos são aumentar a produção ou
alterar parâmetros que tenham impacto na mesma. Se o produto é limitado
pelo mercado, os objetivos devem ser reduzir o custo e/ou melhorar a
qualidade.
Exemplos comuns de objetivos do negócio e variáveis que os afetam
são descritos abaixo (Shunta, 1995):

• Qualidade, que diz respeito à consistência (repetitividade) e/ou aos valores


absolutos de determinadas propriedades;
⇒ Especificações muito estreitas em produtos intermediários ou finais;
⇒ Qualidade de matérias-primas que variam largamente;
⇒ Múltiplos tipos de produtos;
⇒ Degradação de produtos;
⇒ Receitas exatas;
⇒ Baixa capacidade de qualidade;
⇒ Grandes diferenciais em preços de produtos;
• Produção, que é uma das mais fortes diretrizes de negócio;

(Revisão-3, Maio-2004) 12 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

⇒ Necessidades excessivas de redução de carga (turndown) (5:1 ou


maior);
⇒ Paradas e partidas de planta freqüentes;
⇒ Gargalos de processo, que podem ser eliminados com redução de
variabilidade;
⇒ Freqüentes transições de produto;
⇒ Necessidades de altos percentuais de tempo de disponibilidade
operacional (90% ou maior);
⇒ Alta porcentagem de re-trabalho;
⇒ Operação próxima de restrições de equipamentos (95% de capacidade
ou maior);
• Rendimento;
⇒ Baixo rendimento first-pass first-quality;
⇒ Resíduos excessivos;
⇒ Transições de produtos freqüentes ou difíceis;
⇒ Matérias-primas caras;
• Ambiental;
⇒ Produtos altamente tóxicos ou corrosivos;
⇒ Grandes correntes de resíduos que necessitam satisfazer exigências de
órgãos ambientais;
⇒ Produtos químicos regulados;
⇒ Neutralização, reação ou diluição de correntes de resíduos;
⇒ Sistemas de purificação de gases (scrubbers) com vazão variável para
correntes de escape (vent);
• Energia;
⇒ Estratégias de integração energética significativas;
⇒ Excessivo custo de utilidades, cujo consumo pode ser reduzido com um
controle melhorado;
⇒ Sistemas complexos de distribuição de energia;
⇒ Baixo first-pass first-quality;
• Tempo de Disponibilidade Operacional (uptime);
⇒ Violações freqüentes de intertravamentos ou de restrições de processo;
⇒ Partidas difíceis, freqüentemente prolongadas;
⇒ Inundação, corrosão, vibração e turbulência excessivas em
equipamentos de processo, que freqüentemente são causadas por um
controle ruim, e causam paradas não previstas, diminuindo o uptime;
• Tempo de Ciclo;
⇒ Grandes volumes armazenados;
⇒ Baixa confiabilidade em equipamentos;
⇒ Baixo uptime.

Deve ser observado que, na realidade, muitos destes objetivos estão


relacionados. Por exemplo, o rendimento tem impacto na produção. O tempo
de ciclo e o tempo de disponibilidade operacional têm impacto na produção
e/ou no custo do armazenamento. A energia tem impacto no custo. Portanto,
em resumo, o ideal é construir uma função lucro (ou custo) detalhada,
possivelmente com a presença de restrições.

(Revisão-3, Maio-2004) 13 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

3.2.2. Relacionando os Objetivos do Negócio às Propriedades do


Produto e às Variáveis-Chave
Normalmente existe um número relativamente pequeno de variáveis de
processo (variáveis-chave) que têm um impacto maior nos objetivos do
negócio, comparado com o número total de variáveis, que pode chegar a
milhares. Por outro lado, a maioria das propriedades do produto têm um
impacto significativo na qualidade. Essas propriedades do produto e as
variáveis-chave de processo têm que ser o foco de qualquer melhoria de
controle de processo, para que realmente se possa alcançar benefícios
econômicos significativos.
Quando se considera os parâmetros ligados à produção e ao custo, as
variáveis de processo são usualmente o foco das melhorias de controle. O
trabalho de relacionar os objetivos do negócio com as variáveis de processo
pode ser conduzido através de um processo simples, e ajudado pela figura
abaixo, exceto para a qualidade, que será tratada de uma forma diferente. O
preenchimento desta tabela consiste basicamente em definir a importância
relativa de cada objetivo de controle e a importância relativa de cada variável
de processo em cada objetivo. A variável que tiver o maior efeito somado nos
objetivos do negócio deve ser o principal foco das melhorias. Observe que
outras técnicas de análise, tais como QFD (Quality Function Deployment,
desdobramento da função qualidade, Terninko (1997), Revelle et al., (1998),
Shillito (1994)), TPM (Total Production Management, gerência total da
produção, JIPM (1996), Shirose (1996), Suzuki (1994)) e Seis Sigma
(Chowdhury (2001), Pande et al. (2000), Rath & Strong (2000), Watson e Arce
(2002)), podem também ser usadas, possivelmente com resultados ainda
melhores. Este é um exemplo da utilização sinergística das diferentes técnicas
disponíveis para a otimização total do negócio. Conhecimentos formais de
controle de processos, onde os processos são representados como diagramas
de bloco, relacionando variáveis-causa e variáveis-efeito, podem também
ajudar bastante nesta etapa.

(Revisão-3, Maio-2004) 14 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

VARIÁVEIS DE PROCESSO

DIRETRIZES DO NEGÓCIO

Rendimento X

Produção X

Tempo de Ciclo X

Uptime (% tempo em carga máxima) X

Qualidade X

Lucro X

X
Importância = Total

INSTRUÇÕES

1. Listar diretrizes do negócio. Priorizar através de um fator de ponderação (1-


5);
2. Listar variáveis de processo;
3. Introduzir a classificação de cada variável de processo, de acordo com o
seu impacto nas diretrizes do negócio (1-5);
4. Multiplicar a classificação pelo peso, e fazer a soma de cada coluna para
obter a classificação total.

Figura 5. Relacionando Diretrizes do Negócio com Variáveis de Processo.

Obviamente, para se fazer uma análise deste tipo é necessário que


existam especialistas no processo na equipe. Na falta de conhecimento podem
ser necessários experimentos na planta e/ou a realização de simulações.
Muitas vezes é difícil, “de cabeça”, listar as variáveis de processo que afetam
as diretrizes do negócio, ou seja, as chamadas variáveis-chave. Nestes casos,
os engenheiros e operadores mais experientes podem ajudar, listando as
variáveis que eles acompanham mais de perto.
Por outro lado, a diretriz da qualidade do produto deve focar nas
propriedades do produto, para assegurar que elas estejam em conformidade
com as especificações do cliente. Portanto, a primeira coisa é identificar as
necessidades do cliente, e relacioná-las com as propriedades do produto. A
figura abaixo mostra um esquemático semelhante ao procedimento anterior,
onde, de novo, assume-se que existe um nível de conhecimento apropriado do
processo. Às vezes, é necessário a realização de entrevistas diretamente com
os clientes.

(Revisão-3, Maio-2004) 15 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

PROPRIEDADES DO PRODUTO

DESEJOS DO CLIENTE

X
Importância = Total

INSTRUÇÕES

1. Listar desejos do cliente. Priorizar através de um fator de ponderação (1-5);


2. Listar propriedades do produto;
3. Introduzir a classificação de cada propriedade de produto, de acordo com o
seu impacto nos desejos do cliente (1-5);
4. Multiplicar a classificação pelo peso, e fazer a soma de cada coluna para
obter a classificação total.

Figura 6. Relacionando os Desejos do Cliente com as


Propriedades do Produto para Controle de Qualidade.

Já que as variáveis de processo são, em última análise, ajustadas para


controlar as propriedades do produto, as relações das variáveis-chave com as
propriedades do produto têm também que ser identificadas. A figura abaixo é
um diagrama de causa-efeito, similar aos anteriores, que relaciona as variáveis
de processo apropriadas com as propriedades do produto.

(Revisão-3, Maio-2004) 16 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

VARIÁVEIS DE PROCESSO

PROPRIEDADES DE PRODUTO

Importância = Total

INSTRUÇÕES

1. Listar propriedades de produto;


2. Listar variáveis de processo;
3. Introduzir a classificação de cada variável de processo, de acordo com o
seu impacto nas propriedades de produto (p.e.: 9=forte, 5=médio, 1=fraco);
4. Fazer a soma de cada coluna para obter a classificação total das variáveis
de processo.

Figura 7. Relacionando as Propriedades do Produto e as


Variáveis de Processo para Controle de Qualidade.

A partir destas análises, procedimentos quantitativos podem ser


aplicados às variáveis de processo mais importantes, para verificar o seu
desempenho e a capacidade do processo, e determinar quais as variáveis que
estão necessitando de melhorias de controle.

3.2.3. Verificação das Especificações do Consumidor e das


Condições Operacionais Padrão
Para analisar quantitativamente as oportunidades, é necessário obter
valores válidos para as condições operacionais padrão (COP, standard
operational contidions, SOC) e para as propriedades do produto. Determinar as
especificações do cliente para cada propriedade do produto nem sempre é uma
tarefa fácil. Abaixo estão algumas sugestões para se alcançar isso (Shunta,
1995):

• Sempre que possível, estabeleça as especificações em termos das


propriedades de produto verdadeiras, excluindo a variabilidade de medição.
Isto implica que a variabilidade de medição terá que ser avaliada e, se for
muito grande, separada da variabilidade total;
• As especificações devem ser baseadas nas necessidades do cliente. Isso
demanda que você, o fornecedor, conheça estas necessidades.
Freqüentemente o fornecedor tem apenas uma vaga idéia das
necessidades do cliente, e, portanto, não tem bases sólidas para
estabelecer as especificações;
• Se as necessidades do cliente são desconhecidas, o fornecedor e o cliente
devem desenvolvê-las conjuntamente, e concordar sobre estas
especificações;

(Revisão-3, Maio-2004) 17 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

• O ponto inicial para desenvolver especificações deve ser o desempenho de


processo demonstrado pelo fornecedor e a experiência do cliente;
• Se a experiência do cliente com o produto tem sido satisfatória, as
especificações devem ser estabelecidas em valores próximos ao
desempenho demonstrado pelo fornecedor;
• Se a experiência do cliente com o produto não tem sido satisfatória, as
especificações devem ser estabelecidas em um valor de consenso, o qual o
fornecedor possa cumprir e o cliente possa aceitar. Neste caso, é
recomendável também estabelecer valores desejáveis, que serão metas a
serem perseguidas pelo fornecedor.

As COPs, por outro lado, são freqüentemente baseadas em objetivos


operacionais, ao invés de objetivos de negócio. Para as variáveis-chave, o que
se quer é que a COP seja baseada no alcance dos objetivos do negócio (veja
exemplos em Shunta, 1995). No entanto, nem sempre é fácil relacionar a COP
com as diretrizes do negócio, mas, considerando os benefícios econômicos
potenciais, pode ser que valha a pena fazer isso. Esta tarefa pode envolver a
realização de testes especiais na planta, modelagem e simulação, ou o
desenvolvimento de correlações a partir de dados históricos. A tarefa pode ser
complicada pela natureza e comportamento multivariável, interativo e não linear
do processo.
Vale ressaltar que as COPs e as “necessidades do cliente” podem ser
generalizados em uma única entidade. Neste caso, a identificação precisa da
unidade de otimização e de seus clientes internos e externos é importante.

3.2.4. Aplicação de Técnicas Estatísticas de Medição de


Desempenho
Esta etapa consiste em quantificar a variabilidade das variáveis-chave e
propriedades para determinar aquelas que necessitam de melhorias. Estas
variáveis críticas são as candidatas finais para as melhorias de controle.
Em seguida, é possível ir um passo adiante, e acessar o potencial de
redução na variabilidade com um controle por realimentação melhorado,
usando também as técnicas estatísticas. Os números gerados podem ser
utilizados para estimar os benefícios econômicos das melhorias. A utilização
destas técnicas será detalhada e ilustrada mais adiante.

3.2.5. Revisão dos Sistemas de Monitorização e Controle das


Variáveis e Propriedades Críticas
O passo final na análise é identificar as barreiras para alcançar o
desempenho desejado. A figura abaixo pode ser utilizada para auxiliar esta
tarefa, mostrando uma lista de tipos de questões que devem ser levantadas na
análise do desempenho dos sistemas.

(Revisão-3, Maio-2004) 18 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Processo Propriedade ou Variável Crítica

Categoria Oportunidades Potenciais para Melhorias Identificar


(x) se for barreira para alcançar os Oportunidade
objetivos do negócio
(x)
Acurácia, incerteza, sensibilidade
Repetibilidade
Confiabilidade / uptime
Freqüência
Medição Atraso de tempo
COP / especificação apropriada
Técnicas de medição / análise
Procedimentos de amostragem
Práticas de laboratório
Falta de medição

Operação em modo projetado


Lida com perturbações / estabilidade
Sintonia adequada
Estratégias Interação entre malhas
de Controle Capacidade de rejeição adequada
Estabilidade em toda a faixa de
operação
Apropriado para as tarefas de controle
Complexidade
Suporte aos sistemas e estratégias de
controle

Diagramas de controle apropriados


Alvos e limites apropriados
Tratamento de dados (outliers,
Sistemas de normalidade, correlação)
Qualidade Procedimentos de eliminação de causas-
raiz
Freqüência de amostragem
Tamanho da amostra
Ação corretiva
Variáveis apropriadas

Suporte gerencial para controle


Programas técnicos priorizados
Entendimento do processo adequado
Infra-Estrutura Mão de obra suficiente
/
Suporte de Treinamento adequado para operadores,
Sistemas engenheiros, técnicos
Práticas de manutenção preventiva
Práticas de sintonia de controladores
Responsabilidades claramente definidas
Ligação com outros centros de
(Revisão-3, Maio-2004) 19 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

tecnologia
Figura 8. Avaliação dos Sistemas do Processo.

3.3. Incertezas Associadas


Os riscos associados com os projetos têm origem nas incertezas e
probabilidades inerentes de diversos fatores. No caso de projetos de CAP,
estes riscos podem se dividir em dois grandes grupos: tecnológicos e
comerciais. Os riscos tecnológicos podem afetar tanto os benefícios como os
custos e envolvem:

• Equipamentos (Hardware);
• Aplicativos computacionais (Software);
• Implementação.

Equipamentos, por exemplo, podem, na planta, não apresentar a


confiabilidade esperada, aumentando, por exemplo, os custos de operação.
Software, algumas vezes, não são capazes de realizar os benefícios
prometidos pelos seus vendedores. E, em outras situações, deficiências de
recursos humanos podem levar à sub-utilização ou utilização inadequada de
software e equipamentos, comprometendo os custos e os benefícios do
projeto.
Dentre os riscos comerciais, que afetam geralmente os benefícios, é
possível citar:

• Economia;
• Ambiente (competição).

A economia em geral, por exemplo, pode retrair mercados, quando da


implantação de um projeto que tencionava o aumento da produção. Por outro
lado, avanços da concorrência podem impedir também a realização dos
benefícios como esperado inicialmente. Maiores detalhes sobre a avaliação de
riscos e incertezas podem ser encontrados em outras referências (p.e.: Shunta,
1995; Friedmann, 1995; Moreno, 19??).

(Revisão-3, Maio-2004) 20 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

4. Estimando Benefícios
O principal foco deste texto é discutir a estimativa de benefícios para
projetos de CAP. É possível distinguir duas situações: comparação entre
unidades de otimização e avaliação de uma unidade de otimização específica.
No primeiro caso, a situação típica é uma necessidade gerencial de se
ter uma avaliação preliminar dos possíveis benefícios que a implantação de
controle avançado pode gerar em um processo produtivo de uma forma geral.
Neste caso, dado, em geral, a exigüidade do tempo em face da complexidade
do problema, que envolverá possivelmente a avaliação de diversas unidades
de otimização, recomenda-se uma solução rápida. Assim, deve ser feita uma
busca de relatos na literatura sobre aplicações semelhantes e os benefícios
alcançados, e/ou aplicação de percentual (tipicamente 2.5 a 3.5%) de melhoria
na função econômica da unidade. A partir dos resultados obtidos, os números
devem ser analisados, comparados e discutidos com especialistas das
unidades, para que se possa chegar a números definitivos.
No segundo caso, o de análise de uma unidade de otimização
específica, algumas opções podem ser consideradas:

• Aceitar o desempenho alcançado em outra planta;


• Comparar, através de auditorias, o desempenho atual com o desempenho
pós-CAP;
• Fazer avaliação detalhada a priori;

O primeiro e segundo métodos devem ser adotados quando o


responsável pela implantação garante o desempenho, aceitando penalidades
econômicas proporcionais aos insucessos. Nestes casos, não há muito o que
fazer sobre estimativas.
Caso contrário, deve ser feita uma avaliação a priori, requerendo
métodos para tal fim. Considerando que já existe uma função econômica da
unidade, fruto de uma avaliação preliminar, pode ser importante fazer um
refinamento desta função, explicitando tanto quanto possível as propriedades e
variáveis-chave e as variáveis manipuladas. Por outro lado, a função
econômica pode, eventualmente, não ser estritamente matemática, e conter
aspectos intangíveis (tipicamente, relacionados com qualidade, satisfação do
cliente, divisão de mercado, etc.). Devem também ser determinadas as
restrições do processo que estão relacionadas com a função econômica. Desta
forma, a partir da função econômica e das restrições do processo, deve ser
determinado o que é necessário e possível fazer nas variáveis de processo
E, na realidade, o que é possível fazer com as variáveis de processo
através de CAP? Observe que CAP trata de controle de processos. Em geral,
os engenheiros sabem, aproximadamente, onde é o ponto ótimo de operação
de uma planta, e ela efetivamente opera num ponto possível. Mesmo que não
saibam, determinar o ponto ótimo de operação, em ambiente de projeto ou
mesmo de operação, não é uma tarefa do CAP determinar o ponto ótimo. Além
disso, embora análises para fins de controle possam revelar mudanças de
operação ou de processo que resultem em melhorias, esta não é
explicitamente uma melhoria oriunda da implantação de um CAP propriamente
dito. E mais, em geral, todas as variáveis importantes são controladas, mesmo
que manualmente. Então, qual o propósito do CAP?
Pelo fato das variáveis não serem tão bem controladas, e variarem ao
longo do tempo, não se consegue, em ambiente industrial, se operar da forma
(Revisão-3, Maio-2004) 21 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

ótima determinada em ambiente de projeto. Portanto, tudo o que se pode obter


com o CAP é a redução da variabilidade de algumas variáveis, em detrimento,
às vezes, de uma maior variabilidade de outras. Ou, nas palavras de Shunta
(1995), “o sistema de controle, na realidade, desloca a variabilidade de um
ponto onde ela faz diferença para um outro ponto onde ela não importa”.

4.1. Fontes de Variabilidade e Técnicas para a sua Redução


Os tipos de transtornos e perturbações e a correspondente variabilidade
do processo causada por eles devem ser entendidas a fim de que se possa
aplicar controle de processos de forma efetiva.
Existem, basicamente, dois tipos de causas de variabilidade (Juran e
Gryna, 2000). As causas “comuns” são perturbações aleatórias, freqüentes e
de curta duração, que são inerentes a qualquer processo. Exemplos são
variações na pressão de suprimento de vapor, vibrações e turbulências e leves
flutuações aleatórias na composição de matérias-primas. Os sistemas de
controle podem reduzir a variabilidade destas perturbações. No entanto,
freqüentemente se está disposto a conviver com estes distúrbios, desde que o
produto esteja satisfatório. Além disso, a eliminação destas perturbações pode
não compensar em face do investimento necessário para tal. Causas especiais
ou determináveis ou determinísticas são perturbações maiores e menos
freqüentes, normalmente identificáveis e que podem ser prevenidas. Exemplos
disso são mal funcionamento de equipamentos, erros de operadores,
perturbações grosseiras na pressão do vapor, entupimentos e sujeiras,
decaimento catalítico e problemas grosseiros com matérias-primas. Em linhas
gerais, existem três maneiras disponíveis para reduzir a variabilidade:

• Fazer ações compensatórias freqüentes – CAP;


• Monitorizar as variáveis e, na ocorrência de problemas, identificar a causa e
eliminá-la – Controle Estatístico de Processos (CEP, Statistical Process
Control, SPC);
• Mudar o processo.

Algumas maneiras específicas de reduzir a variabilidade são listadas


abaixo (Shunta, 1995):

• Sintonia precisa de controladores em malhas de qualidade de produto;


• Eliminação de atrasos de medição e tempos mortos de processo;
• Aumento da freqüência de amostragem;
• Desacoplamento de malhas de controle com interação;
• Aplicação de estratégias de controle cascata, antecipativo e multivariável;
• Instalação de medições em linha;
• Uso de modelos preditivos em linha (sensores inferenciais);
• Partidas automáticas;
• Atenuação ou eliminação de perturbações;
• Simplificação do processo;
• Eliminação de causas-raiz de variabilidade.

Ambos, CAP e CEP, são particularmente adequados para as causas


especiais, embora o CAP possa também ajudar a reduzir a variabilidade
causada por perturbações aleatórias. Embora o CEP seja projetado

(Revisão-3, Maio-2004) 22 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

classicamente para identificar e eliminar causas raízes, algumas vezes ele é


utilizado para ações compensatórias, de forma similar ao CAP. A diferença é
que as regras de ajuste são normalmente arbitrárias, e os ajustes são
implementados manualmente.
Uma combinação de CAP e CEP é, provavelmente, a melhor maneira de
controlar a variabilidade. Se eles são aplicados de forma efetiva, a variabilidade
resultante é em torno da mínima variabilidade que pode ser alcançada por um
dado processo (note que a noção de processo envolve vários aspectos, desde
o processo de amostragem, passando pela instalação de tanques pulmão até a
mudança de catalisadores para, por exemplo, catalisadores menos sensíveis).
Basicamente, a tendência é aplicar CAP para compensar as perturbações
automaticamente e CEP para:

• Monitorizar as variáveis do processo (variáveis controladas) para detectar


quando o CAP não está tendo um desempenho efetivo;
• Monitorizar a saída do CAP (variáveis manipuladas) para detectar a
presença de causas especiais.

4.2. Quantificação da Variabilidade e sua Utilização


4.2.1. Medidas de Variabilidade
Certamente é possível observar a variabilidade de um processo a partir
de gráficos de tendência, para ter uma apreciação grosseira da freqüência e da
magnitude da variabilidade em relação à média. Curvas de tendência mostram
também desvios da média do processo, ou comportamentos cíclicos, e quando
o processo está fora de controle ou não, durante grandes perturbações. No
entanto, é difícil quantificar a variabilidade a partir de curvas de tendência. Para
isto, existem algumas ferramentas estatísticas, sendo a distribuição de
freqüência uma delas.
A figura abaixo mostra uma distribuição de freqüência. A distribuição
mostra a variabilidade ou dispersão dos dados em torno da média. A forma da
distribuição é importante. Quando os dados são independentes (não
correlacionados) e têm a mesma média e desvio padrão, resulta na chamada
distribuição normal ou gaussiana, que é aquela mostrada na figura. Tal
processo é dito estar em controle estatístico de processo, isto é, ele é estável e
previsível, porque ele está não perturbado por causas estranhas ou especiais.
A distribuição normal tem a propriedade de que a média dos dados é igual à
mediana ou valor mais central. Portanto, a curva é simétrica em torno da
média.
A largura ou dispersão da distribuição é normalmente quantificada por
três medidas: variância, desvio padrão e faixa. A variância, também chamada
de desvio quadrado médio dos valores em relação à média, é dada por:

n (X −X )
2

S =∑
2 i
Eq. 2
i =1 (n − 1)
onde

(Revisão-3, Maio-2004) 23 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

∑X i
Eq. 3 X = i =1

O desvio padrão é a raiz quadrada da variância, e é uma forma usual de


medir a variabilidade de uma variável, sendo dado por:

n (X −X )2

∑ (n − 1)
i
Eq. 4 S =
i =1

A variabilidade pode, também, ser determinada em relação a um valor


alvo, desejado (setpoint). Esta abordagem é útil para vários casos: setpoints
variáveis, mudanças de setpoint, processos com off-set, etc. Portanto, a
escolha apropriada do cálculo da variabilidade depende do caso. No caso onde
é adotado o alvo, ao invés da média, a expressão anterior resume-se a:

n (X − X sp )
2

∑ (n − 1)
i
Eq. 5 S tot =
i =1

Não é redundante definir ambos desvio padrão e variância, pois cada


uma destas grandezas tem algumas propriedades úteis. O significado do
desvio padrão como uma medida é mostrado na Figura 9. Se os dados são
normalmente distribuídos, a distância da média até o ponto na curva onde ela
muda de concavidade (ponto de inflexão) é um desvio padrão. Cerca de 68%
estão entre mais ou menos um desvio padrão, 95% entre 2, e virtualmente
todos (99.7%) entre 3 desvios padrão. Portanto, o desvio padrão é usado para
estimar quantos dados estão fora das especificações ou limites.

FREQÜÊNCIA média 68.26% entre +/- 1S

94.45% entre +/- 2S

99.73% entre +/- 3S


DISTRIBUIÇÃO
NORMAL

-3S -2S -1S X 1S 2S 3S


Figura 9. A Relação entre Desvio Padrão e Distribuição Normal.

(Revisão-3, Maio-2004) 24 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

A variabilidade medida no processo é, na realidade, a variabilidade total,


isto é, a soma de todos os componentes de variabilidades que ocorrem no
processo, incluindo a variabilidade de medição. Para analisar apenas a
variabilidade do processo, seria necessário separá-la da variabilidade de
medição. A variância pode ser usada para determinar isto, porque ela tem a
propriedade da aditividade. Portanto, se for conhecida a variância da medição,
é possível calcular a variância do processo:

Eq. 6 2
S prod = S tot
2
− S med
2

O desvio padrão do processo é então:

Eq. 7 S prod = 2
S tot − S med
2

Seria interessante saber quanta variabilidade de medição pode ser


ignorada. Se o desvio padrão da medição for menor do que 30% do desvio
padrão total, o efeito será menor do que 5%. Se o desvio padrão da medição
for menor do que 10%, o efeito será menos do que 1%, o que é provavelmente
muito pouco, e pode ser desprezado (Juran e Gryna, 2000).
O princípio da aditividade de variâncias permite também estimar a
variância e o desvio padrão de uma variável dependente como função de uma
ou mais variáveis independentes, se for conhecida a equação que as relaciona.
Se a equação é:

(
Eq. 8 Y = f X 1 , X 2 ,..., X N )
uma relação linear entre Y e X pode ser estimada por uma expansão em série
de Taylor (em torno da média) truncada:

δf
( ) ⋅ (X i − X i )
N
Eq. 9 Y ≅ f X 1 , X 2 ,..., X N + ∑
i =1 δX i

δf
onde X i é a média ou valor estacionário de Xi, e é a derivada parcial de f
δX i
em relação a Xi.
A média e a variância de Y são aproximadamente:

(
Eq. 10 Y ≅ f X 1 , X 2 ,..., X N )
2
N
 δf 
Eq. 11 S Y2 ≅ ∑   ⋅ S i2
i =1  δX i 

onde S i2 é a variância de Xi.


Por exemplo (Shunta, 1995), suponha que a viscosidade V de um
polímero seja relacionada ao seu peso molecular W e à sua porcentagem de
sólidos P pela seguinte equação:

Eq. 12 V = a ⋅ W b ⋅ P c

(Revisão-3, Maio-2004) 25 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

A equação linearizada para V é:

Eq. 13 V ≅ a ⋅ W b ⋅ P c + (a ⋅ W b ⋅ c ⋅ P c −1 ) ⋅ (P − P ) + (a ⋅ P c ⋅ b ⋅ W b −1 ) ⋅ (W − W )

A variância SV2 da viscosidade é aproximadamente:

( ) ( )
Eq. 14 SV2 ≅ a ⋅ W b ⋅ c ⋅ P c −1 ⋅ S P2 + a ⋅ P c ⋅ b ⋅ W b −1 ⋅ SW2

Portanto, se forem conhecidas as variâncias do peso molecular e do


percentual de sólidos, é possível estimar a variância da viscosidade. Este
procedimento pode ser aplicado para determinar a variância e o desvio padrão
de variáveis inferidas que, ou não podem ser medidas diretamente, ou são
medidas muito infreqüentemente, e têm que ser estimadas a partir de um
modelo que opera sobre outras variáveis. Por exemplo, este esquema pode ser
usado para o cálculo da variabilidade de variáveis inferidas na indústria de
polímeros. Alternativamente, a variância pode ser calculada diretamente a
partir da série histórica gerada pelo modelo.

4.2.2. Variabilidade do Processo e Objetivos do Negócio


Já que o trabalho do controle de processos é gerenciar variabilidades, é
preciso entender a conexão entre variabilidade do processo e objetivos do
negócio, a fim de que se possa apreciar melhor o valor do controle de
processos (Shunta, 1995). Ou seja, considerando que é possível calcular a
variabilidade, e que o CAP poderá reduzi-la, a pergunta é: o que fazer com a
redução da variabilidade? Ou, como a redução da variabilidade afetará a
economia do processo?
A resposta a estas perguntas depende do caso específico. Um exemplo
típico é aquele em que a redução da variabilidade permite aproximar a
operação do processo de certas restrições (Figura 10). Em muitos processo, a
aproximação de algumas variáveis de restrições otimiza a operação,
aumentando o lucro. Neste caso, a análise da função lucro da unidade (a
função econômica, juntamente com as restrições) levantada anteriormente,
deve revelar este fenômeno. Com grande variabilidade, o valor de controle
(setpoint) é colocado conservadoramente longe do limite. Com a redução da
variabilidade, é possível se aproximar da restrição, mantendo o mesmo nível de
violação anterior.

(Revisão-3, Maio-2004) 26 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Variável de Processo
RESTRIÇÃO
RESTRIÇÃO

SETPOINT
NOVO

SETPOINT
ANTIGO

CONTROLE MELHORADO

CONTROLE RUIM

Tempo

OPERAÇÃO NORMAL REDUÇÃO DAS VARIAÇÕES OPERAÇÃO MAIS PRÓXIMA


DO LIMITE

Figura 10. Aproximação de Restrições e Otimização do Processo Através da


Redução da Variabilidade – Gráfico de Tendência.

Uma maneira mais completa do que a média e o desvio padrão para


analisar uma variável é ver todo o seu conjunto de valores, por exemplo, com
uma curva de tendência ou um histograma. Através dos gráficos de tendência é
possível ter uma boa visualização do comportamento geral de uma variável,
tendo uma idéia da freqüência e amplitude do sinal, além da ocorrência de
perturbações. Portanto, estes gráficos são muito úteis para a interpretação do
comportamento do processo. No entanto, é um pouco mais difícil quantificar o
comportamento da variável através destas curvas.
Para a quantificação são preferíveis histogramas (Figura 11) ou curvas
de distribuição (Figura 12). O histograma pode ser interpretado como o
precursor da curva de distribuição, ou a versão discreta da curva de
distribuição. Ou melhor, a curva de distribuição é uma maneira de transformar
um histograma em uma função contínua, e permitir um tratamento matemático
mais poderoso.

(Revisão-3, Maio-2004) 27 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Freqüência

Histograma de Freqüência

Valor da Variável
Figura 11. Exemplo de um Histograma.

Alta Freqüência Média


Relativa
-1 Desvio +1 Desvio
Padrão Padrão

Baixa

Figura 12. Exemplo de uma Curva de Distribuição (Normal).

(Revisão-3, Maio-2004) 28 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Analisando uma curva de distribuição, em conjunto com os objetivos


econômicos do processo, é possível saber o que fazer com a redução da
variabilidade, por exemplo:

• Em certas situações, uma determinada variável está sujeita a limites


máximo e mínimo, ou seja restrições. Neste caso, se os limites têm igual
“importância”, e a variável já opera na média e violando de forma igual as
duas restrições, a redução de variabilidade por si só já é o ganho
econômico. Exemplos típicos destas situações são quando a variável em
questão é uma medida de qualidade, e onde a uniformidade da qualidade é
importante. Neste caso, a redução da variabilidade significa um produto
mais uniforme e, portanto, de maior qualidade e maior valor agregado;
• Em algumas situações podem existir limites máximo e mínimo e muitas
violações ao limite mínimo (ou máximo). Neste caso, a redução da
variabilidade permite deslocar a média, mantendo as violações no limite
máximo (ou mínimo) e reduzindo as violações no limite mínimo (ou
máximo);
• Em outros casos pode existir um limite máximo (ou mínimo) do qual é de
interesse econômico se aproximar. Neste caso, a média pode ser
deslocada, na direção do limite, mantendo o mesmo nível de incursões
além da restrição, e, portanto, aumentando a lucratividade. Outra opção é
manter a mesma média e reduzir o percentual de violações, aumentando,
por exemplo, o uptime de um equipamento ou unidade. Um balanço
econômico determinará qual das opções é a mais apropriada.

Várias outras situações podem ocorrer, dependendo do caso específico,


e do conhecimento dos objetivos econômicos. Vale a pena salientar que,
muitas vezes, essas respostas são referidas na literatura como métodos de
estimar benefícios (p.e.: Lima, 1990; Martin et al., 1991).
A Figura 13 mostra, através de curvas de distribuição, dois possíveis
benefícios de reduzir a variabilidade. A mudança da média, se aproximando do
limite, ou a redução das violações do limite, aumentando a consistência.

(Revisão-3, Maio-2004) 29 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

FREQÜÊNCIA média
Xantigo Xnovo XL BENEFÍCIOS
Otimização do Processo
Maiores rendimentos
Distribuição antes da Menores resíduos
Maiores Produções
melhoria de controle

Distribuição depois da
melhoria de controle
Mesmo número
de violações
depois da melhoria
de controle

PROPRIEDADE DO PRODUTO OU VARIÁVEL DE PROCESSO


F média
especificação especificação
R
inferior superior
E
Q
Ü Distribuição antes Distribuição depois
Ê da melhoria de da melhoria de
N controle controle
C BENEFÍCIOS
I
A Menor armzenamento e pro-
duto fora de especificação
Menos re-trabalho
Menores resíduos
Menos mistura

PROPRIEDADE DO PRODUTO OU VARIÁVEL DE PROCESSO


Figura 13. Benefícios de uma Variabilidade Reduzida.

4.2.3. Determinação da Quantidade de Não Especificações e da


Aproximação de Restrições
Assumindo, por ora, que os dados têm uma distribuição normal, é
possível empregar técnicas estatísticas padrão para estimar a probabilidade
que qualquer ponto dos dados irá cair fora de um limite de especificação. O
conhecimento dos valores da média e do desvio padrão é tudo o que é preciso
para estimar a quantidade de produto que excede ou viola as especificações.
Para calcular a fração dos dados que excede um limite de especificação
superior XH, onde a média dos dados X é menor do que XH, primeiro calcule

(Revisão-3, Maio-2004) 30 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

ZH, que expressa a distância entre a média e a especificação em número de


desvios padrões:

XH − X
Eq. 15 Z H =
S

Então, a fração dos dados que são maiores do que XH é 1-f(ZH), onde
f(ZH) é determinada a partir de tabelas padrão de distribuição normal
acumulada normalizada (f(Z)), ou a partir da própria função da distribuição
normalizada (p(Z)), que são dadas por:

1  Z2 
p (Z ) = ⋅ exp − 
2 ⋅π  2 
Eq. 16 Z* Z*
1  Z2 
f (Z *) = ∫ p(Z ) ⋅ dZ = ∫ ⋅ exp −  ⋅ dZ
−∞ −∞ 2 ⋅π  2 

onde:

X−X
Eq. 17 Z =
S

Com esta transformação de variáveis, a variável Z sempre apresenta


média nula e variância unitária. Na sua forma original, a distribuição normal é
dada por:

1  [X − X ]2 
Eq. 18 f ( X ) = ⋅ exp − 
2 ⋅π ⋅ S 2  2⋅S2 
 

Neste caso, o cálculo anterior pode ser feito, também, diretamente a


partir da função, sem o auxílio de tabelas:

+∞
1
+∞
 [X − X ]2 
∫ f (X ) 2 ⋅π ⋅ S XH
2
⋅ ∫ exp −
 2 ⋅ S 2


f X >XH =
XH
=  =
+∞
1
+∞
 [X − X ]  2

∫ f (X ) ⋅ ∫ exp −
 2 ⋅ S 2


−∞ 2 ⋅ π ⋅ S −∞ 
2

1  [X − X ]2 
+∞

Eq. 19 =
2 ⋅π ⋅ S 2 XH
∫  − 2 ⋅ S 2  =
⋅ exp
 
 + ∞  [X − X ]2  X H
 − exp − [X − X ]
1  2

⋅  ∫ exp −  =
2 ⋅ S 2  −∫∞
=
2 ⋅ π ⋅ S 2  −∞  
 2⋅S2 

1  [X − X ]2
XH

= 1− ⋅ ∫ exp − 
2 ⋅ π ⋅ S 2 −∞  2⋅S2 
 

onde fX>XH é a fração dos dado que viola o limite de especificação superior XH.
(Revisão-3, Maio-2004) 31 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Para calcular a fração dos dados que é menor do que um limite de


especificação inferior XL, onde a média dos dados X é maior do que XL,
primeiro calcule ZL:

XL − X
Eq. 20 Z L =
S

Então, a fração dos dados que são menores do que XL é f(ZL). Embora
estas equações se apliquem estritamente a dados que são normalmente
distribuídos, se a distribuição for aproximadamente normal, estas equações são
uma boa aproximação. Existem algumas técnicas para testar a normalidade
dos dados. Um destes métodos consiste em colocar os dados em um papel de
probabilidade normal. Neste tipo papel, dados com distribuição normal se
apresentam como uma reta. Desta forma, quanto maior o desvio de uma reta,
maior o desvio de uma distribuição normal. Uma maneira de verificar, na força
bruta, se os dados estão deformados em relação a uma distribuição normal é
fazer um histograma dos dados e compará-lo, no olho, com uma distribuição
normal. Recomenda-se, na elaboração do histograma, que os dados sejam
agrupados em 10 a 30 intervalos ou blocos de dados.
Um dos benefícios de reduzir a variabilidade é operar mais próximo das
restrições ou limites do processo, o que é ilustrado na figura abaixo.

FREQÜÊNCIA média
Xantigo Xnovo XL

Distribuição antes da
melhoria de controle

Distribuição depois da
melhoria de controle
Mesmo número
de violações
depois da melhoria
de controle

PROPRIEDADE DO PRODUTO OU VARIÁVEL DE PROCESSO


Figura 14. A Redução da Variabilidade Permite uma
Operação mais Próxima das Restrições.

A quantidade pela qual a média pode ser movida é dada pela seguinte
equação (Latour et al., 1986; Martin et al., 1991):

 S 
Eq. 21 ∆X = 1 − CAP  ⋅ (X L − X antigo )
S tot 
 

(Revisão-3, Maio-2004) 32 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Eq. 22 X novo = X antigo + ∆X

As equações anteriores são estritamente verdadeiras se os dados forem


normalmente distribuídos. É importante ressaltar, no entanto, que, diferente do
que diz a literatura em geral (p.e.: Shunta, 1995; Lima, 1990; Martin et al.,
1991), a forma da distribuição não é uma restrição absoluta. Ou seja, não é
necessário que a distribuição seja normal, pois sempre é possível tratar
diretamente a distribuição real, através de aproximações ou transformações.
Por exemplo, se os dados forem desviados, as equações anteriores não podem
ser usadas. Mas os dados podem, por exemplo, ser transformados pelos
métodos discutidos a seguir.
Para ilustrar o uso das equações anteriores, considere o seguinte
exemplo (Shunta, 1995). Suponha que um produto tenha uma concentração
média de impurezas de 450 ppm, com um desvio padrão de 25 ppm. É possível
estimar a quantidade de produto que excede uma especificação superior de
500 ppm usando as equações anteriores.

 500 − 450 
Eq. 23 f X >500 = 1 − f   = 1 − f (2) = 1 − 0.977 = 0.023 = 2.3%
 25 

Portanto, 2.3% da produção está acima da especificação. A melhoria


que pode ser esperada com uma variabilidade reduzida pode ser estimada,
comparando o desvio padrão atual com aquele esperado (estimado) com uma
operação com controle melhorado, como será discutido adiante.

4.2.4. Outras Distribuições: Distribuições Não Normais e


Transformação de Dados
Se os dados de operação fossem sempre normalmente distribuídos,
significando um estado de controle estatístico de processo, todas as
ferramentas e medidas estatísticas mostradas anteriormente poderiam ser
usadas sem reservas. Contudo, na maioria das operações dos processos
químicos existem muitas fontes de variabilidade para as quais o sistema de
controle está continuamente tentando compensar, e não é possível assumir
cegamente a hipótese da normalidade.
Uma das possibilidades é a distribuição não ser simétrica. Uma causa
de desvios é a presença de valores muito afastados da média (outliers), que
produzem uma extremidade mais acentuada do que aquela de uma distribuição
normal. Outliers espúrios devem ser retirados, mas os reais não.
Outra razão para desvios pode ser a característica do instrumento de
medição. O instrumento pode ter uma pequena faixa de variação da variável
para a qual ele é insensível. Pode também haver uma fronteira em apenas um
dos lados do processo. Casos típicos são variáveis que operam em torno do
zero, e que não podem assumir valores menores do que zero. A distribuição
pode, então, ter um desaparecimento abrupto.
Desvios podem também ser causados por características próprias do
processo, como não linearidades. Um exemplo típico são colunas de destilação
de alta pureza. O sistema é menos sensível em regiões de pureza acima do
setpoint, razão pela qual mais dados de pureza mais alta são gerados do que
dados de pureza mais baixa, quando o sistema está sob controle em malha
fechada, e, portanto, a distribuição dos dados de colunas de alta pureza

(Revisão-3, Maio-2004) 33 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

tendem a ser desviadas em direção a altas purezas, como mostra a Figura 15.
É provavelmente correto dizer que quando se está lidando com materiais de
alta pureza, em processos químicos, assumir, a priori, que os dados serão
desviados é mais seguro do que assumir a hipótese da normalidade (Shunta,
1995). Uma maneira de compensar o comportamento não linear é linearizar a
medição do processo por uma função de controle com uma característica não
linear oposta. Por exemplo, em colunas de destilação, não é prática incomum
controlar o logaritmo da composição, ao invés da composição diretamente.

Número de Ocorrências

HISTOGRAMA DOS
DADOS ORIGINAIS

% Pureza
Figura 15. Um Exemplo de Distribuição Desviada em
Relação à Distribuição Normal.

A função de distribuição normal padrão só pode ser aplicada a dados


normais. Uma abordagem comum para lidar com dados não normais é
transformá-los de uma maneira tal que a distribuição dos dados transformados
seja razoavelmente próxima da distribuição normal. Desta forma, as equações
mostradas anteriormente podem ser aplicadas aos dados transformados.
A transformação dos dados é feita simplesmente aplicando uma função
matemática simples aos dados. Transformações de potência são comuns, e
têm a seguinte forma (observe, portanto, que o uso de uma função de controle
para linearizar, como exemplificado anteriormente, é uma forma de
transformação):

Eq. 24 T1 ( X ) = a ⋅ X p + b p≠0
Eq. 25 T2 ( X ) = c ⋅ log( X ) + d

onde a>0 para p>0 e a<0 para p<0, e a, b, c e d são números reais que podem
ser ajustados para fazer com que a distribuição dos dados transformados se
ajuste à distribuição normal.
Uma distribuição que é pesadamente deformada para valores maiores
será feita mais normal por uma transformação logarítmica. Uma transformação
quadrática tem o efeito contrário. O certo é que a transformação correta
depende da distribuição dos dados originais.
A desvantagem de se trabalhar com dados transformados é que se
perde o sentimento da variável e, portanto, transformações devem ser

(Revisão-3, Maio-2004) 34 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

aplicadas criteriosamente. Hoaglin (1983) oferece uma regra geral baseada na


seguinte relação:

maior valor dos dados - valor limiar


Eq. 26
menor valor dos dados - valor limiar

onde o valor limiar (threshold) é menor do que o menor valor dos dados.
Transformações valeriam a pena se a razão for grande (>20), mas seriam
provavelmente desnecessárias para razões pequenas (<2). Quanto mais
desviados forem os dados, maior será a razão. Deve-se tomar cuidado com o
valor limiar em situações onde os dados são desviados e agrupados ao mesmo
tempo. Por exemplo, suponha que os dados variem entre 99.05 e 99.99. A
razão 99.99/99.05 é em torno de 1. No entanto, usando um valor limiar de 99, a
razão é 20. Esta é, provavelmente, uma avaliação mais precisa da necessidade
de transformar os dados.
A figura abaixo mostra a distribuição dos dados da figura anterior,
quando transformados por uma função logarítmica:

Eq. 27 Y = ln ( X − θ ), θ < X min

onde θ é um valor limiar.

Número de Ocorrências
HISTOGRAMA DOS
DADOS TRANSFORMADOS

ln (% Pureza – 99.3)
Figura 16. Dados Transformados para Normalizar a Distribuição.

A distribuição transformada pode, agora, ser tratada como uma


distribuição normal. Antes que a função de distribuição normal seja utilizada, no
entanto, os limites de especificação devem também ser transformados, e a
média e o desvio padrão dos dados transformados devem ser calculados:

ln( X L − θ ) − Y
Eq. 28 Z L =
SY
ln( X H − θ ) − Y
Eq. 29 Z H =
SY

(Revisão-3, Maio-2004) 35 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

O exemplo seguinte ilustra a utilização de dados transformados.


Considere o problema de achar a quantidade de dados que estão abaixo do
limite inferior de 99.5% na Figura 15, usando a distribuição para os dados
transformados mostrada na Figura 16. A média e o desvio padrão para os
dados transformados são –1.17 e 0.25, respectivamente:

ln( X L − θ ) − Y ln( X L − 99.3) + 1.17 − 0.44


Eq. 30 Z L = = = = −1.76
SY 0.25 0.25

Portanto:

Eq. 31 f X <99.5 = 0.04 = 4%

Uma outra maneira de tratar dados não normais é usar outras


distribuições, ou ajustar a curva de distribuição por uma dada função p(X).
Desta forma, por exemplo, a fração de dados que ultrapassam um dado limite
superior seria calculada diretamente por:

+∞

∫ P( X )
XH
Eq. 32 f X > X H = +∞

∫ P( X )
−∞

Outras situações mais complexas podem aparecer como, por exemplo,


distribuições multimodais. Considere, por exemplo, uma distribuição bimodal,
revelando um problema especial, no qual o sistema atual oscila entre dois
níveis distintos, sendo objetivo de produção-econômico operar em um único
nível, possivelmente, inclusive, distinto dos dois atuais. Neste caso, uma
distribuição multimodal pode ser interpretada como uma soma de distribuições
monomodais. Então, uma maneira de tratar uma distribuição não unimodal é
fazer a sua deconvolução, gerando as distribuições monomodais formadoras. A
partir disso, pode ser assumido que as melhorias de controle irão produzir uma
distribuição unimodal, resolvendo o problema particular que causa a
multimodalidade, e, além disso, reduzindo a variabilidade.

4.2.5. Critérios de Desempenho Tradicionais em Controle de


Processos
Engenheiros de controle de processos tipicamente não usam medidas
estatísticas de variância e desvio padrão para acessar o desempenho de
malhas de controle. Ao invés disso, usam outros critérios como o ISE e o ISA:

n
Eq. 33 ISE = ∑ ei ⋅ Ta
2

i =0
n
Eq. 34 IAE = ∑ ei ⋅ Ta
i =0

O ISE é análogo à variância. O número de pontos, n, usado no cálculo


da variância é igual a t/Ta. Portanto, no caso onde é adotado o alvo, ao invés
(Revisão-3, Maio-2004) 36 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

da média, a variância é simplesmente a média do ISE no tempo, e a expressão


anterior da variância resume-se a:

n (X − X sp )
2
ISE
=∑
i
Eq. 35 S 2

tot
i =1 (n − 1) t

e o desvio padrão também está relacionado ao ISE:

n (X − X sp )
2
ISE
∑ (n − 1)
i
Eq. 36 S tot = ≅
i =1 t

Portanto, observa-se que adotar o desvio padrão como parâmetro de


análise, e saber o que fazer com ele, tem tudo a ver com os critérios
tradicionais de controle, e também com as necessidades do processo. Alguns
autores (p.e.: Shunta, 1995) defendem o uso de medidas estatísticas para
caracterizar a variabilidade por duas razões. Primeiro, porque também faz
sentido para os engenheiros de controle pensar em termos destas medidas.
Segundo porque ambos engenheiros de controle e profissionais de controle de
qualidade estão focados em controlar a variabilidade, mesmo que suas
abordagens e ferramentas possam diferir. Portanto, é desejável promover um
entendimento e uma integração dessas duas abordagens, para maximizar seus
benefícios potenciais.
Uma outra medida, o erro acumulado (EA), leva o sinal do erro em
consideração, portanto EA é realmente o erro líquido para um dado período de
tempo:

n
Eq. 37 EA = ∑ ei ⋅ Ta
i =0

Este critério, no entanto, não pode ser usado para medir a variabilidade,
porque erros positivos e negativos se cancelam. No entanto, McMillan (1990)
ressalta que o EA pode estimar a quantidade total de produto que não satisfaz
as especificações. Isto pode ser feito multiplicando EA pela vazão da corrente
de produto, usualmente em correntes líquidas que são eventualmente
misturadas.

4.3. Cálculo da Variabilidade e de sua Redução


Como visto anteriormente, a chave da avaliação de benefícios é o
conhecimento da função econômica e o conhecimento da variabilidade ou, de
forma mais completa, da curva de distribuição de variáveis que afetam a função
econômica, além de uma previsão de como o CAP poderá alterar esta
variabilidade. Portanto, a pergunta que se põe agora é: como calcular a
variabilidade? O primeiro passo é avaliar a variabilidade do processo sem CAP,
e o segundo é avaliar a variabilidade das variáveis depois da implantação do
CAP.
Uma situação comum atualmente é a disponibilidade de dados de
processo. Neste caso, estes dados devem ser coletados em quantidade e
freqüência estatisticamente significativas, ou seja de forma a que a
variabilidade calculada reflita a real variabilidade do processo (Shunta, 1995). É

(Revisão-3, Maio-2004) 37 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

importante também que os dados sejam coletados sem filtros (por exemplo,
médias), ou procedimentos similares (Martin et al., 1991), e em situação
operacional “normal”, ou seja, em uma condição típica, livre de anormalidades
casuais. Isto é, em uma situação onde as variabilidades são ocasionadas por
problemas de controle, e não por outras causas. Se não existem dados de
processo disponíveis, a situação fica mais complicada. Se existem modelos,
algumas abordagens alternativas podem ser empregadas, como será discutido
posteriormente. Se não existem nem dados nem modelos, a alternativa é
aceitar as estimativas iniciais como estimativa dos benefícios, sem utilizar as
ferramentas de análise de redução de variabilidade.
No caso onde dados de processo estão disponíveis, a variabilidade pode
ser calculada através do cálculo do desvio padrão:

n (X −X )
2

Eq. 38 Stot = ∑ (n − 1)
i =1
i

Observe que a equação acima retrata a variabilidade total, o que inclui a


variabilidade de medição. Desconsiderando alterações no sistema de medição,
o CAP irá reduzir apenas a variabilidade do processo. Neste caso, duas
situações podem ser consideradas:

• A variabilidade de medição é desprezível, o que acontece na maioria das


vezes;
• A variabilidade de medição é importante, o que acontece poucas vezes.

Na primeira situação, que é o caso mais normal, a situação é mais


simples, já que toda a variabilidade calculada a partir dos dados do processo
pode ser atribuída ao processo. Na segunda situação, quando a variabilidade
da medição é importante, é possível usar a propriedade da aditividade da
variância:

2
Eq. 39 Stot = S proc
2
+ S med
2

Desta forma, a partir do cálculo da variância total, e do conhecimento da


variância da medição, a variância e o desvio padrão do processo podem ser
calculados.

Eq. 40 S proc = 2
S tot − S med
2

Como colocado anteriormente, na ausência de dados de planta, uma


solução pode vir da disponibilidade de modelos matemáticos. Neste caso, se
existem modelos, inclusive do sistema de controle atual, é possível fazer o
seguinte:

• Definir perturbações e problemas típicos de controle;


• Simular a planta e calcular a variabilidade das saídas do modelo.

Nestes casos, pode ser simulada, inclusive, a pior situação, com o


sistema em malha aberta, ou seja, sem qualquer controle. Esta situação é
(Revisão-3, Maio-2004) 38 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

aquela onde se revelará o maior benefício econômico. Portanto, ela pode ser
usada, por exemplo, para rejeitar um projeto, se for revelado um benefício
marginal. Existem na literatura estudos e propostas de metodologias para
avaliação econômica através de complexas simulações computacionais, que
não parecem atraentes para o uso cotidiano em plantas industriais, ao menos
no estágio atual (veja, por exemplo, Bahri et al., 1994; Narraway e Perkins,
1993).

4.3.1. Capacidade Máxima do Processo e Capacidade Alcançável


com CAP – Cálculos com Dados de Processo
Neste ponto, a variabilidade atual do processo (variabilidade total) já foi
calculada, e, portanto, é conhecida. A pergunta que se coloca agora é: em
quanto esta variabilidade será reduzida após a implantação do CAP? Se estão
disponíveis dados do processo, o primeiro passo é calcular a capacidade
(capability) do mesmo, que será conceituada a seguir.
Quando o processo está sob um controle ruim, ou sem controle nenhum,
os dados operacionais irão conter desvios de longo prazo, deslocamentos, e
ciclos, originados de causas especiais, e mais a variabilidade aleatória inerente
das causas comuns. O desvio padrão que inclui a variabilidade de todas essas
fontes é o desvio padrão total, calculado como mostrado anteriormente. Note
que, salvo quando explicitado de forma diversa, assume-se que os desvios
padrão refletem a variável verdadeira, ou seja, a variabilidade da medição ou é
insignificante (variância de medição menor do que 10% da variância total) ou
foi removida dos dados.
Se controle estatístico e controle automático de processos forem
adequadamente aplicados, a maior parte da variabilidade causada pelas
causas estranhas e especiais será eliminada. Este estado ideal representa a
capacidade (máxima) do processo. A capacidade (ou capacidade máxima)
significa a mínima variabilidade que pode ser alcançada com o processo atual.
Qualquer redução adicional na variabilidade pode vir apenas a partir de
mudanças do processo em si. Capacidade é um termo freqüentemente usado
quando se fala a respeito de controle de qualidade e da habilidade de
satisfazer as necessidades do cliente. Portanto, a capacidade do processo
pode ser definida como a situação de melhor desempenho possível, ou seja,
uma idealização de controle perfeito ou ideal.
A figura abaixo ilustra o conceito de variabilidade total e capacidade
(variabilidade capaz ou capacidade de variabilidade). Se o desvio padrão dos
pequenos períodos, onde as causas especiais não têm influência, fosse
calculado, este desvio iria refletir o desvio padrão da capacidade, ou desvio
padrão de capacidade máxima.

(Revisão-3, Maio-2004) 39 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

VALOR DE PROCESSO

TEMPO
“Capacidade”: Histograma de todos os
apenas dados, icluindo variabilidade
variabilidade de curto e longo prazo ou de
aleatória ou de curto prazo
curto prazo
Figura 17. Variabilidade Total e Capacidade.

4.3.1.1. Cálculo da Capacidade Máxima


A maior parte do tempo o processo irá conter mais do que apenas
variabilidade aleatória, e, portanto, pode ser difícil medir o desvio padrão da
capacidade diretamente, sem revisar uma grande quantidade de dados ou
realizar testes especiais na planta. Por outro lado, em geral, o processo
atravessa pequenas situações de estabilidade. Ou seja, as variabilidades se
revelam mais no longo prazo, ou numa freqüência bastante menor do que a
amostragem. Usando esta idéia, a variação do processo de um ponto para
outro deve ser menor do que a variabilidade do processo. Assim, uma
abordagem possível é estimar o desvio padrão da capacidade a partir dos
dados médios. Isso pode ser feito por dois métodos:

• Média da faixa móvel;


• Média quadrática de diferenças sucessivas (MSSD, Mean Square
Sucessive Differences).

A média da faixa móvel pode ser calculada como segue:

n X i − X i −1
Eq. 41 MR = ∑
i =2 (n − 1)
O desvio padrão da capacidade a partir da média da faixa móvel é dado
por (Ott et al., 2000; Wadsworth et al., 2001):

MR
Eq. 42 S cap =
d2

onde a constante d2=1.128 é utilizada para pares de dados. Tomando a


diferença entre pontos sucessivos, ao invés da diferença de cada ponto para a
(Revisão-3, Maio-2004) 40 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

média, as variações de longo prazo são canceladas. Olhando a Figura 17, isto
é similar a calcular o desvio padrão dos pequenos quadrados.
O desvio padrão da capacidade estimado com o MSSD é similar ao
método da faixa móvel:

n
( X i − X i −1 )2
Eq. 43 S cap = ∑
i=2 2 ⋅ (n − 1)

Os resultados das duas equações são quase idênticos (Shunta, 1995).


A utilização das equações anteriores, quando possível, é preferível, já
que são métodos rápidos e fáceis, e utilizam diretamente todos os dados. Uma
maneira alternativa de calcular a capacidade é através do chamado método do
“melhor operador”. Neste caso é necessário revisar uma série de dados que
representa a operação média, e procurar por aqueles períodos de controle
mais suave. Estes períodos são então assumidos de descrever a capacidade
do processo. Portanto, dentro do conjunto completo de dados, deve ser
selecionada a região de menor variabilidade (por exemplo, a região
compreendida entre os pontos ni e ns). A variabilidade desta região é tomada
como a menor variabilidade possível para o processo e, portanto, é
considerada a capacidade do processo:

Eq. 44 S cap = ∑
ns
(X − X ni ,ns )
i
2

i = ni (ns − ni + 1 − 1)

Este método deve ser aplicado quando o cálculo anterior falhar ou


estiver sob dúvidas. Um ponto importante a ser ressaltado é que, em geral, o
método do “melhor operador” não deve ser usado para determinar a região de
melhor “nível operacional”. Por exemplo, se a variável é uma vazão de vapor, a
região a ser buscada é a de menor variação nesta vazão, e não a região de
menor vazão e, portanto de menor consumo de energia. Há situações em que
a segunda opção pode ser adotada. Mas há que se fazer uma análise
criteriosa. Ou seja, é necessário se certificar de que aquela região de operação
otimizada deveu-se a um melhor controle ou não. Em outras palavras, a
escolha de uma região de operação ótima deve ser feita apenas se pode-se
assegurar que será possível operar sempre daquela forma ótima após a
implantação do CAP. Se este for caso, o cálculo da variabilidade do processo
deve, inclusive, ser modificado, considerando a média da região do “melhor
operador”, e não a média de todo o conjunto de dados.

4.3.1.2. Compensação para Tempo Morto


As equações para estimar o desvio capaz assumem que os atrasos de
tempo no processo e no laboratório de controle são pequenos comparados ao
tempo entre os dados (período de amostragem). Se isto não for verdade, ao
invés de tomar a diferença entre pontos sucessivos, tome a diferença entre
dados que estão afastados d unidades, onde:

tempo morto do processo e do laboratório


Eq. 45 d =
período de amostragem

(Revisão-3, Maio-2004) 41 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

O parâmetro d deve ser arredondado para o número inteiro mais


próximo. Neste caso a equação para calcular o desvio capaz seria:

∑ (X i − X i −1− d )
2

Eq. 46 S cap (d ) = i = 2+ d

2 ⋅ (n − 1 − d )

4.3.1.3. Capacidade Alcançável com CAP


Comparando o desvio padrão total com o desvio padrão capaz, é
possível estimar o máximo potencial de melhoria na variabilidade com controles
estatístico e automático ideais. O desvio capaz, no entanto, só é idealmente
alcançável. Em geral, o desvio alcançável, através de um controle de variância
mínima, será maior do que o desvio capaz. A seguinte fórmula foi desenvolvida
(Bailey, 1993) para estimar o desvio padrão para um controle de variância
mínima, desvio com CAP, a partir do desvio capaz:

2
 S cap 
Eq. 47 S CAP = S cap 2 −  
 S tot 

A Figura 18 ilustra graficamente esta equação. Note que,


matematicamente, o desvio capaz deve estar limitado à raiz quadrada de 2
vezes o desvio total, que é o limite no qual o radicando da equação anterior é
nulo. Mas, em termos práticos, o desvio capaz deve estar limitado a menos do
que o desvio total, já que não faz sentido um desvio da capacidade maior do
que o desvio total. Nos casos extremos, quando a capacidade for maior que o
desvio total, e isto não for causado por causas especiais (veja discussão mais
adiante), o desvio de controle deve ser considerado igual ao desvio total.

(Revisão-3, Maio-2004) 42 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

1.5 100

% Redução (SCAP / S tot )


1.4 SCAP / S cap 80

1.3 60

1.2 40

1.1 20

Scap / Stot
1 0
0 0.2 0.4 0.6 0.8 1
Figura 18. Estimando a Redução na Variabilidade a
Partir dos Desvios Capaz e Total.

A porcentagem de redução no desvio padrão com melhorias de controle


pode então ser calculada como:

 S 
Eq. 48 Porcentagem de Redução no Desvio Padrão = 100 ⋅ 1 − CAP 
 S tot 

Um método alternativo para estimar o desvio mínimo de controle é


proposto por Harris (1989), no qual é utilizada uma análise de séries temporais.
Este autor sugere ainda que, se a máxima redução na variabilidade não for o
bastante, as seguintes três coisas sejam feitas:

• Eliminar tempo morto no processo e na malha de controle, incluindo


aumento da freqüência de medição;
• Mudar a estrutura da estratégia de controle, usando, por exemplo, outras
medições disponíveis para aplicar controle antecipativo;
• Reduzir as fontes de perturbação, através de mudanças no processo.

O desvio padrão da capacidade estimado será usualmente menor do


que o desvio padrão total. Contudo, existem uns poucos casos onde as
estimativas mostradas anteriormente vão falhar. Um é quando os dados têm
um padrão ziguezague, isto é, quando dados sucessivos movem-se
rapidamente entre valores altos e baixos. Isto pode ser um sinal de
autocorrelação negativa originada quando um controlador é instável. Quando
isto acontece, o desvio padrão da capacidade estimado será maior do que o
desvio padrão total. Outros casos são quando os dados são aleatórios, e
quando existem outliers nos dados. Para a maioria dos casos, no entanto, os
estimadores de capacidade irão funcionar bem. Porém, se os métodos
anteriores para o cálculo de capacidade falharem, fornecendo, por exemplo,

(Revisão-3, Maio-2004) 43 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

um desvio de capacidade maior do que desvio total, a solução que resta é


arbitrar um valor. Neste caso, pode-se arbitrar um valor não para a capacidade,
mas diretamente um valor para a nova variabilidade do processo, após a
implantação de CAP (observe que o desvio de CAP será maior do que o desvio
de capacidade, como discutido anteriormente). Um valor típico que pode ser
arbitrado é considerar que a variabilidade será reduzida à metade:

S tot
Eq. 49 S apc =
2

Outra alternativa para estes casos é fazer uma análise mais


aprofundada destes casos, como, por exemplo, fazer a deconvolução de
distribuições bimodais, como discutido anteriormente.
Considere o seguinte exemplo (Shunta, 1995). Um reator é controlado
para alcançar a concentração desejada de um subproduto. A Figura 19 mostra
como a concentração se desvia do alvo, para as mesmas condições de
perturbação, com controladores por realimentação mal e bem sintonizados. O
sistema com o controlador mal sintonizado teve um desvio padrão total de 1.4
unidades de concentração. O desvio padrão capaz (Scap), calculado pelo
MSSD, é de 0.38 unidades de concentração, e a variabilidade mínima predita
com um bom controle é de 0.47. Com o controlador bem sintonizado, o desvio
padrão total foi reduzido para 0.49, o que é um valor muito próximo do predito.

(Revisão-3, Maio-2004) 44 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

COMPOSIÇÃO DO REATOR SOB CONTROLE RUIM

Composição Scap = 0.38


do Reator Stot = 1.42
SAPC = 0.47

Tempo (minutos)
COMPOSIÇÃO DO REATOR SOB BOM CONTROLE

Composição
do Reator Stot = 0.47

Tempo (minutos)
Figura 19. Comparação entre Controladores Bem e Mal Sintonizados.

4.3.2. Capacidade Máxima do Processo e Capacidade Alcançável


com CAP – Cálculos com Modelos
Seguindo a mesma linha de raciocínio anterior, é possível que não
existam dados de processo, mas que estejam disponíveis modelos, e que o
projeto do CAP já esteja formulado. Neste caso:

• Simule o processo com o CAP proposto, nas mesmas condições de


simulação do cálculo da variância total do processo;
• Calcule a variância dos resultados da simulação.

O resultado obtido acima já é a variância do APC, e não a capacidade.


Uma terceira situação possível é quando estão disponíveis dados de
processo e também bons modelos. Nestes casos, a despeito da existência dos
dados, em face da qualidade dos modelos, pode ser interessante utilizar o
auxílio destes modelos para os estudos de benefícios. Desta forma,
inicialmente devem ser avaliados os erros de modelagem. Isto pode ser feito da
seguinte forma:

• Calcule a variabilidade total do processo, através dos dados experimentais;

(Revisão-3, Maio-2004) 45 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

• Simule o modelo utilizando os dados de planta e as mesmas condições


operacionais destes dados;
• Calcule a variabilidade total do processo, através dos dados de simulação.

Em princípio, se o modelo fosse perfeito, os dois cálculos de


variabilidade deveriam fornecer resultados iguais. Mas não fornecerão. A
diferença entre os resultados pode ser atribuída aos erros de modelagem. Ou
seja, a variância obtida com os dados de simulação é devida à variância do
processo e dos erros:

2
Eq. 50 S mod = S proc
2
+ Serro
2

Desta forma, a variância devida aos erros de modelagem pode ser


estimada:

Eq. 51 S erro = 2
S mod − S proc
2

Em seguida, novas simulações, utilizando o esquema de CAP proposto,


além de possíveis diferentes alternativas, podem ser feitas, calculando-se as
variâncias com CAP. Desta forma, a variância esperada para o processo com
CAP pode ser calculada como:

Eq. 52 S CAP = 2
S mod, CAP − S erro
2

Observe que o cálculo acima já fornece o desvio de CAP, e não o desvio


de capacidade. Portanto, quando são utilizados modelos, obtêm-se diretamente
o desvio de CAP.

(Revisão-3, Maio-2004) 46 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

5. Exemplos de Aplicação
Bons exemplos ilustrativos podem ser encontrados na literatura (p.e.: Shunta,
1995; Wanderley e Magalhães, 1990; Siles e Suffredini, 19??).

(Revisão-3, Maio-2004) 47 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

6. Conclusões
Neste texto, a estimativa de benefícios oriundos da implantação ou de
melhorias de controle automático de processos (CAP) foi discutida, dentro da
perspectiva dos objetivos de um negócio. Muitos relatos da literatura dão conta
de que CAP é uma ferramenta que sempre pode trazer benefícios concretos e
tangíveis. A despeito desses relatos, e havendo dados de planta disponíveis, o
que é cada dia mais verdadeiro, as ferramentas de avaliação podem ser
aplicadas com sucesso para avaliar estes benefícios. Para isso é indispensável
um correto entendimento do negócio e do processo, envolvendo aí a
disponibilidade de modelos, especialmente os microeconômicos. Na ausência
de dados, procedimentos alternativos, muito mais trabalhosos, podem ser
empregados.
Uma parte significativa da metodologia proposta foi ilustrada, através de
sua aplicação em um exemplo prático real, servindo também para mostrar a
aplicabilidade da metodologia de avaliação de benefícios. Desta forma, foram
vistos casos com características diversas, com a variância da medição sendo
significativa em um caso, e não sendo em outro, com um dos casos
apresentando simultaneamente ganhos tangíveis e intangíveis, enquanto o
outro caso mostra apenas ganhos tangíveis. Além disso, um dos casos ilustra,
inclusive, alguns tipos de situações possíveis, onde melhorias de CAP não são
necessárias. As duas situações mostram também ações distintas em como
utilizar a redução de variabilidade advinda das melhorias de controle. Do ponto
de vista mais específico do caso analisado, a estimativa mostra ganhos
significativos, em face dos investimentos necessários (que não foram
discutidos, mas que, pode-se assegurar, para o caso em questão é
significativamente menor do que o benefício estimado), apesar de não terem
sido analisados todos os potenciais de ganho, e de ter sido analisada apenas
uma pequena parcela dos grades de produção. Tal estudo pode,
evidentemente, ser revisado detalhadamente, revelando os benefícios de forma
mais exata e refinada.

(Revisão-3, Maio-2004) 48 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Lista de Símbolos e Abreviaturas


Abreviaturas
APC : Automatic Process Control (controle automático de processos);
CAP : Controle Automático de Processos;
CEP : Controle Estatístico de Processos;
COP : Condição Operacional Padrão;
EA : Erro Acumulado;
ISE : Integral Absolute Error (integral do erro absoluto);
ISE : Integral Square Error (integral do erro quadrático);
MR : Moving Range (faixa móvel);
MSSD : Mean Square Sucessive Differences (média quadrática de
diferenças sucessivas);
QFD : Quality Function Deployment (desdobramento da função
qualidade);
SOC : Standard Operational Contidions (condições operacionais
padrão);
SPC : Statistical Process Control (controle estatístico de processos);
TPM : Total Production Management (gerência total da produção)

Símbolos
a, b, c, d, p : Constantes;
d : Relação entre tempo mortor r tempo de amostragem;
f : Distribuição de probabilidade acumulada;
f : Função;
n : Número de pontos;
N : Número de variáveis;
ni : Ponto inferior;
ns : Ponto superior;
P : Distribuição de probabilidade;
P : Porcentagem de sólidos;
S : Desvio padrão;
T, T : Tempo;
V : Viscosidade;
W : Peso molecular;
X, Y : Variáveis;
Z : Variável normalizada.

Símbolos Gregos
: Operador diferença;
: Valor limiar.

Subscritos
a : Amostragem;
antigo : Antigo;
cap : Capacidade máxima;
CAP : Controle Automático de Processos;
erro : Erro de modelagem;
H : Limite superior;
L : Limite inferior;
med : Medição;

(Revisão-3, Maio-2004) 49 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

mod : Modelo;
novo : Novo;
P : Porcentagem de sólidos;
proc : Processo;
prod : Produto;
sp : Valor desejado (setpoint);
tot : Total;
V : Viscosidade;
W : Peso molecular.

Sobrescritos
- : Média.

(Revisão-3, Maio-2004) 50 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Referências Bibliográficas
Anônimo, “Cost Justification of an Automated Data Collection”, Internet, (????);
Bahri, P. A., Bandoni, J. A., Barton, G. W., Romagnoli, J. A., "Disturbance
Economics in Optimising Control: Back-off Calculations for an Industrial
Distillation Column", Proceedings of PSE'94, pp. 983-988, (1994);
Bailey, S. P., Fellner, W. H., “Some Useful Aids for Understanding and
Quantifying Process Control and Improvement Opportunities or How to
Deal with the Process Capability”, Catch 22 – ASQC/ASA Fall Technical
Conference, Rochester, NY, Outubro, (1993);
Bailey, J. K., Pedersen, C. C., Hawkins, R. B., "Estimate the Benefits of
Advanced Controllers On-line", Chemical Engineering Progress, junho,
pp. 74-78, (1992);
Barreto, C. S., Chamma, S. C. B., “Curso Básico de Análise de Investimento na
Indústria Petroquímica”, IBP, (19??);
Brisk, M. L., "Process Control: Theories and Profits", IFAC World Congress, vol.
7, pp. 241-250, (1993);
Chowdhury, S., “The Power of Six Sigma : An Inspiring Tale of How Six Sigma
Is Transforming the Way We Work”, Dearborn Trade, (2001);
Ender, D. B., "Process Control Performance: Not as Good as you Think",
Control Engineering, setembro, pp. 180-190, (1993);
Friedmann, P. G., “Economics of Control Improvement”, ISA, (1995);
Gurovitz, H., “Dá para se Defender do Desperdício?”, Negócios Exame,
setembro, (2001);
Harris, T. J., “Assessment of Control Loop Performance”, Can. Jnl. of Chem.
Eng., vol. 67, pp. 856-861, (1989)
Haskins, D. E., "How to Justify Small-Refinery Info/Control System
Modernization", Hydrocarbon Processing, maio, pp. 69-72, (1993);
Hoaglin, D. C. et al. (eds.), “Understanding Robust and Exploratory Data
Analysis”, John Wiley, New York, (1983);
JIPM, Japan Institute of Plant Maintenance, “TPM for Every Operator”,
Shopfloor Series, Productivity Pr, (1996);
Juran, J. M., Gryna, F. M., “Quality Planning and Analysis: from Product
Development through Use”, McGraw-Hill, New York, (2000);
King, M. J., "How to Lose Money with Advanced Control", Hydrocarbon
Processing, junho, pp. 47-50, (1992);
Koppel, L. B., “Quantify Information System Benefits”, Hydrocarbon Processing,
junho, (1995);
Latour, P. L. et al., “Estimating Benefits from Advanced Control”, ISA
Transactions, vol. 25, n. 4, pp. 13-21, (1986);
Lima, D. S., "Metodologia para Execução de Estudos de Benefícios", I
Seminário de Controle e Otimização de Processos - DEPIN / DIREP /
SEAUT / PETROBRÁS S. A., vol. I, Rio de Janeiro-RJ, Brasil, pp. 1-22,
(1990);
Marlin, T. E., Perkins, J. D., Barton, G. W., Brisk, M. L. (eds.), "Advanced
Process Control Applications - Warren Centre Industrial Case Studies of
Opportunities and Benefits", Instrument Society of America / The Warren
Centre for Advanced Engineering-The University of Sidney, (1987);
Martin, G. D., Turpin, L. E., Cline, R. P., "Estimating Control Functions
Benefits", Hydrocarbon Processing, junho, pp. 68-73, (1991);
Martin, P., “Automation Payback”, Internet, (1999);

(Revisão-3, Maio-2004) 51 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

McMillan, G. K., “Tuning and Control Loop Performance”, Instrument Society of


America, Research Triangle Park, N.C., (1990);
Moreno, M., “Avaliação Econômica de Projetos de Automação e Controle”,
Notas de Aula, (2002);
Narraway, L. T., Perkins, J. D., "Selection of Process Control Structure Based
on Linear Dynamic Economics", Ind. Eng. Chem. Res., vol. 32, n0 11, pp.
2681-2692, (1993);
Ott, E. R., Schilling, E. G., Neubauer, D. V., “Process Quality Control:
Troubleshooting and Interpretation of Data”, McGraw-Hill, 3rd edition, New
York, (2000);
Pande, P. S., Neuman, R. P., Cavanagh, R. R., “The Six Sigma Way: How GE,
Motorola, and Other Top Companies are Honing their Performance”,
McGraw-Hill Professional Publishing, (2000);
Rath & Strong, “Rath & Strong's Six Sigma Pocket Guide”, Rath & Strong,
(2000);
Revelle, J. B., Moran, J. W., Cox, C. A., Moran, J. M., “The QFD Handbook”,
John Wiley & Sons, (1998);
Shillito, M. L., “Advanced QFD: Linking Technology to Market and Company
Need”, Wiley-Interscience, (1994);
Shirose, K., “TPM Team Guide”, Shopfloor Series, Productivity Pr, (1996);
Shunta, J. P., “Achieving World Class Manufacturing Through Process Control”,
Prentice-Hall, New Jersey, U.S.A., (1995);
Siles, R., Sufredini, C., “Aplicação de Técnicas Estatísticas na Engenharia de
Processos”, Copene, (19??);
Suzuki, T., ”TPM in Process Industries”, Productivity Pr, (1994);
Terninko, J., “Step-By-Step QFD: Customer-Driven Product Design”, CRC
Press, 2nd edition, (1997);
Wadsworth H. M., Stephens, K. S., Godfrey, A. B., “Modern Methods for Quality
Control and Improvement”, John Wiley, 2nd edition, New York, (1986);
Wanderley, A., Magalhães, M. V., "Estudo de Benefícios da U-1250/REDUC", I
Seminário de Controle e Otimização de Processos - DEPIN / DIREP /
SEAUT / PETROBRÁS S. A., vol. I, Rio de Janeiro-RJ, Brasil, pp. 1-41,
(1990);
Ward, T. J., "Which Project is Best?", Chemical Engineering, janeiro, pp. 102-
107, (1994);
Watson, G. H., Arce, J. F., “Seis Sigma na Gestão dos Negócios”, Banas
Qualidade, agosto, (2002);

(Revisão-3, Maio-2004) 52 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Lista de Figuras
Figura 1. Alcançando Benefícios Através de Controle de Processos................. 6
Figura 2. Passos na Análise de Processo. ......................................................... 8
Figura 4. Passos para Identificar Melhorias. .................................................... 12
Figura 5. Relacionando Diretrizes do Negócio com Variáveis de Processo. .... 15
Figura 6. Relacionando os Desejos do Cliente com as Propriedades do
Produto para Controle de Qualidade. .............................................. 16
Figura 7. Relacionando as Propriedades do Produto e as Variáveis de
Processo para Controle de Qualidade............................................. 17
Figura 8. Avaliação dos Sistemas do Processo. .............................................. 20
Figura 9. A Relação entre Desvio Padrão e Distribuição Normal. .................... 25
Figura 10. Aproximação de Restrições e Otimização do Processo Através
da Redução da Variabilidade – Gráfico de Tendência. ................... 27
Figura 11. Exemplo de um Histograma. ........................................................... 28
Figura 12. Exemplo de uma Curva de Distribuição (Normal). .......................... 28
Figura 13. Benefícios de uma Variabilidade Reduzida. .................................... 30
Figura 14. A Redução da Variabilidade Permite uma Operação mais
Próxima das Restrições................................................................... 32
Figura 15. Um Exemplo de Distribuição Desviada em Relação à
Distribuição Normal. ........................................................................ 34
Figura 16. Dados Transformados para Normalizar a Distribuição.................... 35
Figura 17. Variabilidade Total e Capacidade.................................................... 40
Figura 18. Estimando a Redução na Variabilidade a Partir dos Desvios
Capaz e Total. ................................................................................. 43
Figura 19. Comparação entre Controladores Bem e Mal Sintonizados............ 45
Figura 20. Trem de Separação de Monômeros em Planta de Polietileno. ...........

(Revisão-3, Maio-2004) 53 de 54
Embiruçu, M. EP/UFBA, 2004 Estimativa de Benefícios em Projetos de
Controle Automático de Processos

Lista de Tabelas
Tabela 1. Dados Coletados para Estimativa de Benefícios - Produção ...............
Tabela 2. Resultados dos Cálculos Estatísticos - Produção
Tabela 3. Previsão de Nova Condição Operacional Depois das Melhorias
de Controle - Produção .......................................................................
Tabela 4. Potencial de Ganho - Produção............................................................
Tabela 5. Dados Coletados para Estimativa de Benefícios - Qualidade ..............
Tabela 6. Resultados dos Cálculos Estatísticos - Qualidade ...............................
Tabela 7. Previsão de Nova Condição Operacional Depois das Melhorias
de Controle - Qualidade ......................................................................
Tabela 8. Potencial de Ganho - Qualidade...........................................................

(Revisão-3, Maio-2004) 54 de 54