UNIVERSIDADE FEDERAL DE SANTA CATARINA

CAMPUS FLORIANÓPOLIS
DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E SISTEMAS
CURSO DE ENGENHARIA DE PRODUÇÃO MECÂNICA

Bruno Pereira

DESENVOLVIMENTO DE UM SISTEMA INTELIGENTE PARA

DESCARTE DE FIOS COM DEFEITO EM UMA FÁBRICA DE FIOS
ESMALTADOS, NO ÂMBITO DA INDÚSTRIA 4.0

Florianópolis
2021
 Bruno Pereira

DESENVOLVIMENTO DE UM SISTEMA INTELIGENTE PARA

DESCARTE DE FIOS COM DEFEITO EM UMA FÁBRICA DE FIOS
ESMALTADOS, NO ÂMBITO DA INDÚSTRIA 4.0

Trabalho de Conclusão de Curso apresentado ao

Departamento de Engenharia de Produção e Sistemas da
Universidade Federal de Santa Catarina, como requisito
parcial para obtenção do título em Engenharia Mecânica,
habilitação Produção Mecânica.
Orientador: Prof. Antonio Cezar Bornia, Dr.

Florianópolis
2021
 Bruno Pereira

DESENVOLVIMENTO DE UM SISTEMA INTELIGENTE DE DESCARTE DE FIOS

COM DEFEITO EM UMA FÁBRICA DE FIOS ESMALTADOS, NO ÂMBITO DA
INDÚSTRIA 4.0

Este Trabalho de Conclusão de Curso foi julgado adequado e aprovado, em sua forma final,
pelo curso de Graduação em Engenharia de Produção Mecânica da Universidade Federal de
Santa Catarina.

Florianópolis, 07 de fevereiro de 2021.

________________________
Prof. Guilherme Ernani Vieira, Dr.
Coordenador dos Cursos de Graduação em Engenharia de Produção

Banca Examinadora:

________________________
Prof. Antonio Cezar Bornia, Dr.
Orientador
Universidade Federal de Santa Catarina

________________________
Prof. Enzo Morosini Frazzon, Dr.
Avaliador
Universidade Federal de Santa Catarina

________________________
Prof. Maurício Uriona Maldonado, Dr.
Avaliador
Universidade Federal de Santa Catarina
Dedico este trabalho aos meus familiares, minha namorada e
todos os amigos que fiz na UFSC.
 AGRADECIMENTOS

Agradeço primeiramente aos meus pais, Marinês de Fátima Ribeiro Pereira e Ari
Honorato Bitencourt Pereira pela educação, suporte e principalmente por acreditarem em mim.
Aos meus irmãos, Wagner Pereira e Bruna Pereira Gonçalves por sempre prestarem
apoio ao longo da minha caminhada.
A minha Avó, Mercedes Cristino da Silva Ribeiro por prestar apoio em todos os
momentos que eu sempre precisei.
A minha namorada Vanessa da Silva Domingos por estar comigo nessa jornada,
praticamente desde o início do curso, sempre me aturando e me apoiando de todas as formas.
Aos meus colegas de curso, por todos momentos e por todas as viradas de noite que
compartilhamos durante essa trajetória.
Ao professor Antonio Cezar Bornia por sua orientação, compreensão e ensinamentos.
A empresa que me cedeu a oportunidade de estágio e pelo projeto, objeto de estudo,
para realização desse trabalho.
Por fim gostaria de agradecer a todos que contribuíram direta ou indiretamente para a
minha graduação e realização desse trabalho.
 “Acredito que se você mostrar às pessoas
os problemas e depois as soluções elas se
motivarão a agir.”
(Bill Gates)
 RESUMO

A incessante preocupação pela competitividade traz à tona a crescente evolução dos setores
industriais de manufatura, em busca de melhorias para seus processos. Nesse contexto, o
conceito de indústria 4.0 reflete a necessidade de uma imediata adaptação, com suas
ferramentas, apesar dos investimentos iniciais, visa não só a melhoria dos processos, trazendo
a competitividade, mas também atua na redução de custos em diversas áreas. Este trabalho tem
como objetivo estruturar uma solução para agregar inteligência ao sistema atual de
bobinamento, para viabilizar o uso das ferramentas da indústria 4.0 e, estimar a redução de
sucata gerada a partir do sistema proposto em relação ao atual. Como solução foi proposto um
sistema inteligente, que seja capaz de tomar decisões e cessar o bobinamento de carretéis que
excederem o limite dos critérios de aceitação de defeitos, fazendo que dessa forma, menos
quantidade de fios tornem-se sucata, pois facilita o descarte dos fios com defeitos. Para realizar-
se o desenvolvimento da pesquisa, levantou-se dados quantitativos, encontrados em relatórios
já existentes na fábrica, bem como, a realização de acompanhamento dos processos e a
execução de análises do sistema proposto. Após o levantamento de todos os dados, foi possível
realizar comparações entre as análises e os dados reais, concluindo que o sistema proposto,
pode reduzir em até 20% a sucata gerada atualmente no processo de recuperação de carretéis
reprovados. Por fim, a solução trará benefícios para empresa, uma vez que, a solução é viável
tanto do ponto de vista de infraestrutura, como operacional.

Palavras-chave: Indústria 4.0, Redução de refugo, Trefilação.

 ABSTRACT

The continuous worry for competitiviness brings up a growing evolution in the manufacturing
industrial sectors, in the search for processes improvement. In this way, 4.0 industry concept
generates a needing for a instant adaptation with its tools. Despite the initial investments, it
aims not just processes improvements, bringing up competitiviness, but also aims cost reduction
in plenty of areas. The present article aims to structure a solution to add intelligence to the
factory actual system to provide 4.0 indusry tools usage and, in addiction, to estimate the waste
reduction generated by the proposed systemin relation to the actual. As a solution, it was
proposed an intelligent system that's able to make decisions and to cease winding spools that
exceed defects acceptions criteria. In this case, there'll be less amount of wires to become waste,
because it eases the discard of defective wires. To accomplish the research development,
quantitative data were collected finding in reports already existing in the factory, as well the
follow up of processes and simulations of the proposal system. After the quantitative data
collection, it was possible to compare simulation and real data, concluding that the proposal
system can reduce up to 20% of the waste generated in the recovering process of reproved
spools. Finally, the solution will bring benefits to the company, once this this solution is viable
in a infrastructure and operation way as well.

Keywords: Industry 4.0, Scrap reduction, Wire drawing.

 LISTA DE FIGURAS

Figura 1 - Estágios das Revoluções Industriais ..................................................................... 20

Figura 2 - Cidades inteligentes ............................................................................................. 26
Figura 3 - Ilustração do processo de trefilação, destacando a redução de seção transversal ... 29
Figura 4 - Ilustração do defeito: A borra............................................................................... 30
Figura 5 - Etapas metodológicas........................................................................................... 32
Figura 6 - Visualização de outliers utilizando Boxplot.......................................................... 34
Figura 7 - Mapeamento dos processos (referente a uma linha) .............................................. 35
Figura 8 - Componentes atuais ............................................................................................. 36
Figura 9 - Bobinador ............................................................................................................ 37
Figura 10 – Exemplo de relatório de defeitos do carretel ...................................................... 38
Figura 11 - Processo de recuperação de carretel com defeito ................................................ 39
Figura 12 - Exemplo de trechos sucateados em um carretel reprovado.................................. 40
Figura 13 - Exemplo de desmembramento de carretel reprovado .......................................... 41
Figura 14 - Exemplo de carretel com defeito ........................................................................ 42
Figura 15 - Componentes necessários para implementação ................................................... 44
Figura 16 - Exemplo da solução proposta ............................................................................. 45
Figura 17 - Comparação Real x Análise teórica .................................................................... 52
Figura 18 - Comparação em ordem crescente de quantidade de refugo ................................. 53
 LISTA DE QUADROS

Quadro 1 - Análise no software Excel .................................................................................. 48

 LISTA DE TABELAS

Tabela 1 - Carretéis recuperados durante o acompanhamento ............................................... 45

Tabela 2 - Dados para construção do Boxplot....................................................................... 47
Tabela 3 - Quantidade sucateada segundo a análise teórica................................................... 49
Tabela 4 - Quantidade de sucata coletada na análise prática ................................................. 50
Tabela 5 – Método atual vs análise teórica ........................................................................... 54
Tabela 6 - Dados da análise prática ...................................................................................... 54
Tabela 7 - Média de sucata por carretel recuperado .............................................................. 54
Tabela 8 - Comparação análise prática x análise teórica ....................................................... 55
 LISTA DE ABREVIATURAS E SIGLAS

ABNT – Associação Brasileira de Normas Técnicas

IBGE – Instituto Brasileiro de Geografia e Estatística
CPS – Cyber Physical Systems
IoT – Internet of Things
TI – Tecnologia da informação
CLP – Controlador Lógico Programável
IQR – Intervalo interquartil
 LISTA DE SÍMBOLOS

Decisão

Inspeção

Operação

Transporte
 SUMÁRIO

1 INTRODUÇÃO ............................................................................................... 15
1.1 CONTEXTUALIZAÇÃO .................................................................................. 15

1.2 CARACTERIZAÇÃO DO PROBLEMA ........................................................... 16

1.3 OBJETIVOS...................................................................................................... 17

1.3.1 Objetivo Geral ................................................................................................. 17

1.3.2 Objetivos Específicos ....................................................................................... 17

1.4 JUSTIFICATIVA .............................................................................................. 18

1.5 DELIMITAÇÕES .............................................................................................. 18

1.6 ESTRUTURA DO TRABALHO ....................................................................... 19

2 REFERENCIAL TEÓRICO ........................................................................... 20

2.1 INDÚSTRIA 4.0................................................................................................ 20

2.1.1 Sensores Inteligentes ........................................................................................ 21

2.1.2 Tecnologias e ferramentas da indústria 4.0 .................................................... 22

2.1.2.1 Sistema Físico Cibernético................................................................................. 22

2.1.2.2 Big Data Analytics ............................................................................................. 23

2.1.2.2.1 Características do Big Data ................................................................................ 24

2.1.2.2.2 Machine Data .................................................................................................... 24

2.1.2.2.3 Machine Learning.............................................................................................. 24

2.1.2.2.4 Data Mining ...................................................................................................... 24

2.1.2.3 Internet das Coisas ............................................................................................ 25

2.1.2.4 Segurança .......................................................................................................... 26

2.1.3 Pilares da indústria 4.0 .................................................................................... 27

2.1.3.1 Interoperabilidade ............................................................................................. 27

2.1.3.2 Virtualização ..................................................................................................... 27

2.1.3.3 Descentralização ............................................................................................... 27

2.1.3.4 Capacidade de operação em tempo real............................................................. 27

2.1.3.5 Orientação a serviços ........................................................................................ 28

2.1.3.6 Sistemas modulares ........................................................................................... 28

2.2 PROCESSO DE FABRICAÇÃO DE FIOS ....................................................... 28

2.2.1 Defeitos no processo de esmaltação ................................................................. 29

3 METODOLOGIA DE PESQUISA ................................................................. 31

3.1 CLASSIFICAÇÃO DO TCC ............................................................................. 31

3.2 OBJETO DE ESTUDO...................................................................................... 31

3.3 ETAPAS DA PESQUISA .................................................................................. 32

3.4 COLETA DE DADOS ....................................................................................... 33

3.5 ANÁLISE DE DADOS ..................................................................................... 33

4 ANÁLISE DOS RESULTADOS ..................................................................... 35

4.1 PROCESSO ATUAL ......................................................................................... 35

4.2 DESENVOLVIMENTO DA SOLUÇÃO .......................................................... 42

4.2.1 Análise do processo atual................................................................................. 42

4.2.2 Viabilidade da infraestrutura para implementação ....................................... 43

4.2.3 Quantidade sucateada no processo de recuperação de carretel com defeito . 45

4.2.4 Análise via software da sucata gerada no método proposto ........................... 48

4.2.5 Análise do sistema in loco ................................................................................ 50

4.3 COMPARAÇÃO ENTRE ANÁLISES X REAL ............................................... 51

4.4 RESULTADOS OBTIDOS................................................................................ 55

5 CONSIDERAÇÕES FINAIS ........................................................................... 57

REFERÊNCIAS............................................................................................... 59

ANEXO A - Coleta da quantidade sucateada no processo de recuperação do

carretel ............................................................................................................. 63
 15

1 INTRODUÇÃO

1.1 CONTEXTUALIZAÇÃO

A competição entre as empresas cresce ao mesmo passo do avanço da tecnologia.

Quanto mais o setor de manufatura industrial evolui, maior e incessante é a busca por novos
desenvolvimentos, pesquisas e otimização de processos produtivos, de forma que novas
estratégias possam ser implementadas em busca de cada vez mais confiabilidade no processo e
qualidade dos produtos (PIANA; ERDMANN, 2011).
Apesar do ano de 2020 ter sido atípico, devido aos impactos causados pela pandemia
de Covid-19, este foi marcado por fortes oscilações no decorrer dos meses. Os principais
indicadores do setor eletroeletrônico encerraram o ano beirando a estabilidade. As perspectivas
para os primeiros meses de 2021 são favoráveis (ABINEE, 2021).
Desta forma, vislumbrando o crescimento industrial, segundo Porter (2009), é possível
conjecturar a aparição de novas empresas sob o incentivo e respaldo de indicadores econômicos
crescentes, que por sua vez, poderão ampliar sua parcela de participação no mercado, fazendo
com que se torne mais competitivo.
Portanto, é fundamental que o ambiente de fabricação evolua, receba mais atenção,
para que a sua visibilidade aumente, tendo como foco a melhora do controle dos processos de
produção. É incontestável a necessidade do avanço tecnológico voltado para hardware e
infraestrutura, para viabilizar a ligação do mundo físico com o mundo cibernético, como
internet, software etc (BABICEANU; SEKER, 2016).
Segundo Mckinsey (2015), até o ano de 2025 com a adaptação das empresas ao modelo
da indústria 4.0, a nível mundial, pretende-se reduzir o consumo de energia em até 20%, os
custos de manutenção em equipamento entre 10% e 40% e aumentar a eficiência do trabalho
em até 25%.
Porém, no Brasil, foi realizado um estudo, pela Confederação Nacional da Indústria,
relacionando os setores industriais brasileiros, o qual concluiu que, para se tornarem
internacionalmente competitivos, 14 dos 24 setores atuais, precisariam se encaixar
urgentemente nos moldes e estratégias adotadas pela indústria 4.0.
Desta maneira, quanto mais as empresas se encaixarem na utilização dos meios e
métodos adotados pela indústria 4.0, maior será o uso de tecnologias, de decisões baseadas em
 16

dados e, consequentemente a promoção da automação no ambiente fabril (MUELLER; CHEN;

RIEDEL, 2017).
Logo, a larga utilização das tecnologias baseadas na indústria 4.0, impulsionou o ritmo
industrial, e corrobora o objetivo desta pesquisa, de forma que o presente trabalho venha
apresentar uma avaliação de viabilidade de implementação de um sistema, baseado nos moldes
da indústria 4.0.

1.2 CARACTERIZAÇÃO DO PROBLEMA

A presente pesquisa foi realizada a partir da necessidade de melhoria de um processo,

visando à redução de desperdícios, em uma fábrica de fios esmaltados. O fio esmaltado é um
componente, entre vários, utilizado para a fabricação do motor elétrico, principal atividade da
companhia. A fábrica tem por objetivo o atendimento a clientes internos, ou seja, toda a sua
produção é para uso exclusivo da companhia. Portanto, há expectativa e exigência em relação
à diminuição dos custos com desperdício e custo da não qualidade.
O principal processo da fábrica é a trefilação, que consiste na conformação mecânica
de um metal, realizado a frio (BRESCIANI FILHO et al., 2011). Outros processos também são
pertinentes à fábrica; dentre eles, o recozimento, a esmaltação e o bobinamento. E, esse último
é o que resulta no produto final da fábrica, carretel com fio esmaltado.
Como o produto final passa por uma série de processos, o fio está sujeito a defeitos
durante alguma dessas etapas ou pode, simplesmente, sofrer defeitos sistemáticos desde o
primeiro processo ou, até mesmo, chegar com defeito na matéria-prima, fornecida por terceiros.
Porém, a detecção do defeito é realizada apenas na etapa de bobinamento, ou seja,
quando o fio já está esmaltado. O defeito consiste na falta isolamento, e a detecção deste
acontece quando uma fuga de corrente é captada pelo sensor, que guarda os dados ao longo do
bobinamento de um carretel e disponibiliza um relatório após o carretel terminar de ser
bobinado.
Entretanto, o conceito da indústria 4.0 permite ampliar os benefícios da utilização dos
sensores, tornando-os inteligentes, de maneira que, o próprio sensor combinado com um
processador, poderia analisar seus próprios dados a fim de tomar decisões. A partir desse
conceito, a facilidade de aquisição e interpretação de dados torna em vários aspectos, o processo
menos suscetível a erros, consequentemente tornando-o mais eficiente, trazendo retorno.
 17

Dessa forma, com a combinação da integração de inteligência no processo de

bobinamento da fábrica de fios e, com a utilização das ferramentas da indústria 4.0 aplicadas
no sensor de defeitos, vislumbra-se a possibilidade de uma redução considerável de sucata
gerada, consequente das oscilações “intrínsecas” do processo.
Apesar do processo apresentar certa estabilidade e apresentar poucos casos de
produção fora dos critérios de qualidade, o processo é constituído por uma grande quantidade
de parâmetros, dificultando buscar-se a estabilização do processo por meio de alteração de
parâmetros do processo. Muitas vezes, em um longo período, uma máquina produz bastante
carretéis com qualidade, mas, durante esse período acaba produzindo algumas unidades fora da
especificação, e em muitos desses casos os parâmetros não são alterados, ou seja, o processo
sofre oscilações na qualidade, voltando a ser estável sem que os parâmetros sejam alterados.
Portanto, o objeto de estudo desse trabalho não visa atacar diretamente os parâmetros
dos processos de fabricação a fim de evitar-se os defeitos de qualidade, mas, sim, aborda a
possibilidade de melhoria para o descarte de fios com defeito. O estudo pretende intervir com
a aplicação das ferramentas do controle da qualidade, inseridas no âmbito da indústria 4.0.
Através da aquisição de dados do processo pretende-se concluir: de que forma a aquisição e
manipulação desses dados pode contribuir para uma redução potencial de desperdícios?

1.3 OBJETIVOS

1.3.1 Objetivo Geral

Desenvolver um sistema de eliminação de fios com defeito, em uma fábrica de

trefilação e esmaltação de fios, agregando inteligência ao mesmo, no âmbito da indústria 4.0,
visando à redução de sucata.

1.3.2 Objetivos Específicos

Com a meta de alcançar o objetivo principal deste trabalho, dividem-se os objetivos

específicos como a seguir.
• Estruturar uma solução para agregar inteligência ao sistema atual da fábrica;
• Estimar a redução de sucata gerada pelo sistema;
 18

1.4 JUSTIFICATIVA

O impacto da indústria 4.0 aponta uma profunda transformação nas plantas fabris e,
influencia diretamente a produtividade, o controle sobre o processo produtivo, a redução de
custos, a customização da produção, dentre outros (INDUSTRIA40, 2021).
Segundo um levantamento realizado pela ABDI, foi estimado uma redução anual nos
custos industriais, de no mínimo R$ 73 bilhões/ano, a partir da migração da indústria para o
conceito 4.0. Essa economia envolve uma redução de R$ 31,5 bilhões/ano nos custos de
manutenção e máquinas, R$ 34,5 bilhões/ano em ganhos de eficiência e R$ 7 bilhões/ano em
consumo de energia (ABDI, 2017).
Em 2018, a modernização e a inserção das indústrias no âmbito da indústria 4.0
impactou somente 5% no PIB. O ministro da Indústria estima que a indústria 4.0 pode impactar
até 28% no Produto Interno Bruto (PIB) até 2030 (AGENCIABRASIL, 2018).
No setor metalmecânico, as fábricas de conformação, como a trefilação, não é
diferente, o impacto da inserção no âmbito da indústria 4.0 é tão alto quanto em qualquer outro
setor. Segundo Taguchi (1990), um processo de conformação de má qualidade não é
competitivo em relação aos custos, principalmente por causa dos altos índices de sucata e
retrabalho. Também não serão competitivos no quesito qualidade, pois com um processo de
fabricação ruim a queda na qualidade dos produtos será sistematicamente maior devido a
dispersão excessiva dos resultados.
Portanto, a modificação e adequação em todos os setores industriais, ao conceito de
indústria 4.0, serão essenciais para o quesito de competitividade.

1.5 DELIMITAÇÕES

A pesquisa consistiu na agregação de inteligência para um sistema, baseando-se em

um critério de aceitação de defeitos, que são sigilosos para a empresa. Portanto, os critérios não
foram divulgados na pesquisa. Por conta do sigilo os critérios também não foram indagados
durante a realização da pesquisa, justamente, por não terem sido revelados.
Da mesma forma, a análise de viabilidade econômica da solução também contém
elementos e dados sigilosos e, portanto, não foi realizada nessa pesquisa.
 19

A quantidade de dados coletados e utilizados nas análises, teórico e prática, foram

definidas pela empresa. Por isso, não houve dimensionamento da amostra a partir de critérios
estatísticos.

1.6 ESTRUTURA DO TRABALHO

Este trabalho foi dividido e estruturado em cinco capítulos. O primeiro apresenta as

características introdutórias, dando uma breve introdução ao tema. O segundo apresenta um
breve histórico do tema abordado, elucida sobre a quarta revolução industrial, as ferramentas
da indústria 4.0 e sobre o processo de fabricação do objetivo de estudo. O capítulo três aborda
a metodologia utilizada para o desenvolvimento da pesquisa em questão, apresenta os meios de
coleta dos dados e como a análise será desenvolvida. O quarto capítulo apresenta de forma mais
detalhada os processos de fabricação, aborda o problema, apresenta a solução proposta e a
análise dos resultados obtidos. Por fim, o quinto capítulo aborda as considerações finais, como
a conclusão deste estudo e sugestões para trabalhos futuros.
 20

2 REFERENCIAL TEÓRICO

2.1 INDÚSTRIA 4.0

Com o início da utilização de componentes eletrônicos a partir da terceira revolução

industrial, no começo dos anos 70, o objetivo sempre foi alcançar altos níveis de automatização
nos processos produtivos. Intitulada pelo governo alemão como “Indústria 4.0”, a quarta
revolução industrial não só evoluiu o nível de utilização dos eletrônicos, mas incluiu a utilização
de recursos da informação e tecnologia da comunicação, para aprimorar ainda mais os processos
de manufatura. (KAGERMANN; WAHLSTER; HELBIG, 2013).
Segundo Anderl (2014), a “Indústria 4.0” é um tipo de estratégia que abrange a
associação de sistemas avançados com a internet, e torna possível a comunicação entre pessoas,
produtos e sistemas.

Figura 1 - Estágios das Revoluções Industriais

Fonte: Rodrigues, Jesus e Schutzer (2016)

Na Figura 1, apresenta-se as principais mudanças em cada estágio das revoluções

industriais. Na primeira, fins do século XVIII, houve a introdução da produção movida a vapor
e potência hidráulica. Na segunda, início do século XX, houve a introdução da produção em
 21

massa e o uso de energia elétrica. Já no começo dos anos 70 houve a terceira revolução
industrial, contendo a introdução da eletrônica e TI para aumento da automação na produção.
Na quarta a revolução foi marcada pela produção baseada em Sistemas Físicos-Cibernéticos
(KAGERMANN; WAHLSTER; HELBIG, 2013).
Kagermann, Wahlster e Helbig (2013) argumentam o formato de introdução das redes
globais que as empresas devem introduzir para que integrem seus centros de trabalhos, estoques
e instalações de produção na forma de Sistema Físicos-Cibernéticos. De acordo com Queiroz,
Leitão e Oliveira (2016) os mundos físicos e virtuais devem ser integrados para que possam
suportar as exigências e capacidades propostas pelo CPS, tendo como finalidade a adequação
de um gerenciamento mais eficaz do ambiente físico e dos seus processos.
De forma geral, a implementação da Indústria 4.0 permite que os funcionários foquem
em tarefas mais importantes e de valor agregado, pois será possível realizar o monitoramento,
a orientação e a configuração das redes de produção de forma inteligente. Sendo assim, o
funcionário manterá uma posição essencial dentro desse espaço, de forma que as condições de
trabalho flexíveis possibilitarão uma compatibilidade maior entre seus trabalhos e suas
necessidades pessoais. (KAGERMANN; WAHLSTER; HELBIG, 2013).

2.1.1 Sensores Inteligentes

A utilização de sensores e atuadores por si só não tem a finalidade de comunicação

industrial. A função básica de um sensor é a de captar os dados no ambiente e enviar essas
informações aos controladores, que por sua vez, enviam sinais aos atuadores para que esses
possam realizar tarefas (EDGE GLOBAL SUPPLY, 2020).
Os sensores são responsáveis por captar características físicas (entrada) e transforma-
las em sinais elétricos, resposta (saída). A captação dessas características acontece por variação
de tensão. Por exemplo, para medir-se temperatura, o sensor gera uma tensão que varia
conforme a temperatura aumenta ou diminui e, essa variação é associada, proporcionalmente,
aos valores reais da temperatura. A resposta disponibilizada pelo sensor é enviada à uma base
computacional, a qual converte e interpreta os valores captados. Entretanto, os sensores podem
medir ou detectar, uma infinidade de outros fatores no meio industrial (FAVENNEC, 1987).
Na segunda revolução industrial os sensores já estavam presentes na indústria. Os
sensores eram mecânicos e podiam captar a velocidade de motores a vapor, por exemplo. Com
o avanço da instrumentação, os sensores evoluíram sua concepção para o funcionamento
 22

pneumático e, trabalhavam juntamente com controladores e válvulas pneumáticas.

Posteriormente, com a larga utilização da energia elétrica, os sensores passaram a proporcionar
sinais analógicos eletrônicos, que são amplamente utilizados até os dias atuais (RYS, 2018).
Os sensores inteligentes, por sua vez, possuem falhas de comunicação e ruídos
reduzidos. Isso tornou-se possível a partir da adoção dos sinais digitais ao invés dos analógicos.
Também adotaram comunicação wireless, ganhando mais uma funcionalidade, a de serem
instalados em locais de difícil acesso e a possibilidade da não utilização de cabos. Porém, o que
de fato confere aos sensores inteligentes todo o seu potencial, é combinação com
microprocessadores (MEPITS, 2014).
Portanto, os sensores são indispensáveis para a atividade industrial moderna. Se
válvulas e registros usados nas antigas máquinas a vapor impulsionaram a primeira revolução
industrial, os dispositivos modernos oferecem controles mais precisos e automatizados para
viabilizar a Indústria 4.0 (EDGE GLOBAL SUPPLY, 2020).

2.1.2 Tecnologias e ferramentas da indústria 4.0

O modelo da indústria 4.0 ambiciona transformar as fábricas atuais, as quais

constituem de sistemas isolados, em fábricas com linhas integradas dotadas de automação e
controle, de forma que os processos se interconectem e criem um novo modelo de negócio,
como o relacionamento indústria-stakeholders (RUßMANN et al. 2015).

2.1.2.1 Sistema Físico Cibernético

Segundo Davies, Coole e Smith (2017) os sistemas físicos-cibernéticos dizem respeito

à integração de processos físicos e computacionais, sendo o cerne da indústria 4.0. Apresentam
uma aplicação abrangente, no envolvimento de controle de processos, nos mais diversos setores
(LEE et al., 2013). Por exemplo, como mencionam Rajkumar et al. (2010), podem ser utilizados
em dispositivos hospitalares, aeroespaciais, robóticos, de energia, transporte e etc. De acordo
com Lachenmaier et al. (2017), os dados são coletados fisicamente através de sensores, os quais
são capacitados para enviarem um sinal à controladora (controlador lógico programável - CLP),
que processa o sinal e envia para os atuadores. Os Sistemas Físicos Cibernéticos também podem
administrar o Big Data e, consequentemente, aumentar a conexão entre as máquinas, com o
intuito de fazer com que elas se tornem inteligentes e auto adaptáveis (NIST, 2013).
 23

As vantagens da implementação do Sistemas Físicos Cibernéticos podem ser divididas

em três partes, sendo elas: componente, máquina e sistema de produção. Com a combinação
das informações coletadas dos componentes e das máquinas, a fábrica torna-se capaz de se
configurar, gerir manutenções e de prever possíveis falhas. Dessa forma, é possível otimizar o
plano de produção, o plano de estoque e diminuir o tempo de ociosidade para quase zero (LEE;
BAGHERI; KAO, 2015).
Yu et al. (2015) defendem que o uso do Sistema Físico Cibernético proporciona alta
flexibilidade e elevado grau de adaptabilidade dos processos.
Muitos investimentos estão sendo realizados a nível mundial para o desenvolvimento
e evolução dessa tecnologia; o potencial econômico e social desse sistema ainda é subestimado
e pode fazer muito mais do que já tem feito (LEE et al., 2013).

2.1.2.2 Big Data Analytics

O Big Data abre um leque de possibilidades para o processamento de uma enorme

quantia de dados gerados, não estruturados, que sofrem rápidas mudanças. Com dados
fornecidos em tempo real, pelas tecnologias da indústria 4.0, espera-se sempre, obter a melhor
decisão estratégica e operacional (HAMMER et al., 2017). Portanto, de acordo com Lu (2017),
a maior dificuldade da indústria 4.0 é a criação de algoritmos para lidar com esse elevado
volume de dados gerados a partir da integração das comunicações em linhas de produção.
Para Zarte et al. (2016), esse setor vem sofrendo uma crescente demanda por
armazenamento e análise de dados, em contrapartida, também enfrenta um grande desafio em
relação à segurança e verificação dessas informações, que se dá pela elevada quantidade de
customização de produtos, comunicação instantânea e elementos de informação sem estrutura,
que também acabam sendo impulsionados pela evolução da internet e dos mercados digitais.
Para o processamento dessas informações em tempo real, é possível, através dos
sistemas de monitoramento e colhimento de dados, empregar técnicas como machine learning,
que se refere à capacidade de um sistema criar modelos analíticos, baseados nos dados e tomar
decisões sem intervenção humana (LEE; KAO; YANG, 2014).
 24

2.1.2.2.1 Características do Big Data

Para a idealização do Big Data, três dimensões são necessárias: volume, velocidade e
variedade. O volume diz respeito à quantidade de dados levantados pelas empresas. Cada vez
mais, mais dados são coletados e armazenados. A velocidade se refere ao tempo de tratamento
dos dados coletados, por exemplo, para processos sensíveis ao tempo, o processamento de
informações deve ser fluido. A variedade é a possibilidade do Big Data de adquirir quaisquer
tipos de informações, como textos, planilhas etc. (IBM, 2012). Ohlhorst (2012) considera mais
uma dimensão pertencente as características do Big Data, a veracidade. Em geral, a veracidade
se refere a anomalias, ruídos e erros estatísticos dos dados produzidos e/ou colhidos.

2.1.2.2.2 Machine Data

As fontes de dados do Big Data podem ser geradas por humanos ou

sistemas/máquinas. Nos casos de serem gerados por sistemas/máquinas, esses dados podem ser
utilizados para otimização de processos, redução de custos e economia de materiais. Estes tipos
de dados são considerados mais organizados, seguem uma estrutura pré-definida. Os dados
adquiridos de sistemas/máquinas são gerados em altos volumes nas indústrias e podem ser
utilizados para análises, com foco na busca de padrões ou para prever tendências (SURANGE
& BANSAL, 2013).

2.1.2.2.3 Machine Learning

O machine learning é baseado na programação computacional para a melhoria de

processos, com a utilização de dados ou experiências passadas. A aprendizagem baseia-se,
através da programação, na otimização de parâmetros do modelo utilizando dados de testes ou
de outras experiências. O modelo pode ser preditivo, descritivo ou ambos (ALPAYDÍN, 2010).

2.1.2.2.4 Data Mining

Data mining é definido como o processo da percepção de padrões nos dados

analisados. Esse processo é um componente do machine learning e o seu principal objetivo é
procurar similaridades e apresentar as informações de maneira compreensível a fim de serem
 25

úteis para o seu usuário (HAND, MANNILA, & SMYTH, 2001). Os dados são coletados de
diferentes fontes, portanto precisam primeiramente ser transformados em um formato lógico,
antes que sejam utilizados como dados de entrada para análises.

2.1.2.3 Internet das Coisas

A partir da elevada utilização das tecnologias de comunicações, principalmente da

comunicação sem fio, utilizando a combinação de sistemas físicos incorporados com a
integração entre objetos e sistemas, realizando a troca e aquisição de dados, permitiu-se a
criação do conceito de Internet das Coisas (Internet of Things – IoT), que por sua vez, é
considerada a tecnologia que mais contribui para evolução da Indústria 4.0 (THAMES;
SCHAEFER, 2016). De acordo com Giusto et al. (2010), alguns problemas passaram a ser
resolvidos de forma mais sucinta, pois com a aquisição desses dados, foi possível gerir uma
gama de possibilidades e alcançar uma visão mais extensa dos processos. Segundo Gubbi et al.
(2013) no ano de 2011, os dispositivos interconectados ultrapassaram a quantidade de pessoas
no mundo. Só é possível tratar essa excessiva quantidade de dados, a partir de uma
infraestrutura capaz de realizar a integração e o monitoramento dessas informações e tendo uma
clara compreensão das tecnologias IoT.
Portanto, no recinto de uma fábrica dotada de tecnologia IoT, os insumos utilizados
são manejados sob demanda (ZHONG et al., 2017).
No contexto da Internet das Coisas, as cidades inteligentes tomam proporções cada
vez mais impactantes e seus recursos são utilizados cada vez com mais frequência, assim como
demonstra a Figura 2.
 26

Figura 2 - Cidades inteligentes

Fonte: Cisco

2.1.2.4 Segurança

Uma planta Industrial deve contar com ferramentas de apoio instaladas em seus
sistemas, para que casos de invasões sejam evitados ou, pelo menos, que tenham seus impactos
reduzidos. O sistema deve ser capaz de identificar eventos incomuns, garantir a integridade da
infraestrutura, reagir a ataques ou até mesmo garantir a recuperação do sistema em caso de
hack. Portanto, três fundamentos são utilizados para suprir a garantia e integridade da indústria,
sendo eles: a confidencialidade, que consiste no sigilo da informação por toda cadeia de valores,
a integridade que diz respeito à consistência e confiabilidade das informações, e a
disponibilidade, que abrange o correto funcionamento dos dispositivos conferidos pelas
ferramentas de segurança (CHHETRI et al. 2018).
De qualquer forma, para Venturelli (2020), o maior ponto fraco na implementação de
uma fábrica que utiliza as tecnologias da indústria 4.0, é justamente o de não acreditar na
possibilidade de se sofrer um ataque. Por isso, a segurança da informação é a parte mais afetada
em uma instalação.
Venturelli (2020) também afirma que tais ataques não estão suscetíveis apenas em
dados como na área de TI, mas também em dispositivos físicos, de forma que possam afetar as
pessoas e o ambiente ao redor e dessa maneira, agravar ainda mais o ataque cibernético na
indústria 4.0.
 27

2.1.3 Pilares da indústria 4.0

2.1.3.1 Interoperabilidade

A interoperabilidade permite que os Sistemas Físicos-Cibernéticos, as fábricas

inteligentes, indivíduos entre outros, intercomuniquem-se através da Internet das Coisas. Mas,
para um sistema ser inter operável, ele necessita trabalhar com padrões de comunicações de
redes abertas e descrições semânticas (HERMANN; PENTEK; OTTO, 2016).

2.1.3.2 Virtualização

A virtualização é referente à capacidade dos CPS monitorarem os processos físicos.

Os dados reais coletados dos sensores físicos são enviados à modelos de plantas industriais
virtuais capazes de realizar análises. E, através dessas análises os indivíduos podem ser
comunicados em casos de falha. Além disso, outras informações pertinentes também são
fornecidas, como as próximas etapas do trabalho ou comunicações de segurança (HERMANN;
PENTEK; OTTO, 2016).

2.1.3.3 Descentralização

Através das necessidades de produção, os CPS tomam decisões por conta própria. Caso
ocorra alguma falha nas etapas do processo, a decisão é tomada por níveis superiores (TEM
HOMPEL; OTTO, 2014). De acordo com Schlick et al. (2014), para que a rastreabilidade seja
garantida, o acompanhamento dos processos precisa ser integral. Em suma, a descentralização
é a autonomia do CPS em tomar decisões, através de todas informações recebidas durante o
processo.

2.1.3.4 Capacidade de operação em tempo real

Como os dados são coletados e tratados em tempo real, a tomada de decisão também
deve ser instantânea. A planta é monitorada integralmente, portanto, regularmente o status da
planta é examinado. De forma que, a planta possua capacidade de reação ao menor indício de
falha, tomando a decisão de ordenar a troca de uma máquina para outra (SCHLICK et al. 2014).
 28

2.1.3.5 Orientação a serviços

Os serviços das empresas, humanos e CPS estão disponíveis na Internet of Services

(IoS) tendo a possibilidade de serem recrutados por outros participantes. Não necessariamente
só pela mesma empresa, mas, podem atravessar essa barreira e ofertar serviços à outras fábricas.
Os CPS oferecem suas capacidades como um serviço web (SCHLICK et al. 2014).

2.1.3.6 Sistemas modulares

Os sistemas modulares podem ser moldados de acordo com as modificações

características de um produto. Eles se adaptam de forma flexível e, conseguem mudar seus
requisitos, trocando ou expandindo módulos individuais. Os novos módulos além de serem
identificados de forma automática, também podem ser utilizados de forma imediata, através do
IoS (SCHLICK et al. 2014).

2.2 PROCESSO DE FABRICAÇÃO DE FIOS

O processo de fabricação de fios, arames e extrudados em geral, tem aplicações

diversas. Podem ir desde a construção civil, como TI, aparelhos eletrônicos e elétricos. Os
materiais para esses setores também são os mais diversificados, como ligas de ferro, aço,
alumínio e também o cobre, comumente utilizado para elétrica e eletrônica.
Sendo assim, o processo de trefilação, sozinho, pode resultar em um produto final
muito utilizado no setor da construção civil, por exemplo, com a utilização de arames. Mas para
a utilização dos metais trefilados, como o cobre, por exemplo, utilizados nos componentes
elétricos e eletrônicos, o metal extrudado precisa ter uma “capa” de isolamento, a qual pode ser
feita de polímero ou por esmaltação.
O processo de trefilação consiste em reduzir a área da seção transversal de uma barra
ou arame, através de uma ferramenta, tendo como consequência o aumento do seu comprimento
(CORRÊA, 2004).
A ferramenta de trefilação possui formato cônico e para chegar à forma desejada, uma
barra ou arame, pode passar por diversas vezes em uma sequência de ferramentas, com
diâmetros cada vez menores, até que se atinja o tamanho desejado. A ferramenta de trefilação
chama-se fieira (BRESCIANI FILHO et al., 2011. CORRÊA, 2004).
 29

A utilização do processo de conformação mecânica, a trefilação, é um processo

vantajoso, pelo fato de sua aplicação proporcionar um processamento contínuo e abranger uma
enorme faixa de bitolas de diâmetro (WRIGHT, 2011).

Figura 3 - Ilustração do processo de trefilação, destacando a redução de seção transversal

Fonte: (SHACKELFORD, 1996).

Na Figura 3, ilustra-se o processo mecânico de conformação em barras, a trefilação,

destaca a redução da seção transversal do metal em uma orientação preferencial dos grãos,
segundo a direção paralela ao esforço de tração.
Já o processo de esmaltação, consiste na “pintura” do metal pós extrudado e fornece
características como resistência mecânica, estabilidade térmica e, principalmente, isolamento
elétrico, sendo características importantes para fios utilizados em motores elétricos
(DEMARCHI, 2011).

2.2.1 Defeitos no processo de esmaltação

O defeito mais comum no processo de esmaltação é a borra de esmaltação, que

ocasiona deficiência no isolamento elétrico do fio esmaltado.
A borra de esmaltação é um defeito que acontece na superfície do fio esmaltado,
causado pela falta de aderência completa do esmalte no fio, sendo um parâmetro, inclusive
visual. É ocasionada pela falta de cura do esmalte, ou seja, o esmalte não seca o suficiente, cria
uma camada espessa de esmalte na região, a borra, e acaba comprometendo o isolamento do fio
no ponto (FERRARI, M. B.; GUEDES, L. C.).
 30

Figura 4 - Ilustração do defeito: A borra

Fonte: Autor (2021)

Na Figura 4, ilustra-se o defeito ocorrido no processo de esmaltação, a borra, a qual se

forma como uma saliência na esmaltação e prejudica o isolamento elétrico do fio.
Para detectar as borras, o sensor fica instalado onde o fio já está esmaltado. Para a
detecção o sensor capta uma fuga de corrente a cada defeito encontrado no fio. O sensor por
sua vez, registra todos os defeitos encontrados no fio esmaltado.
Desta forma, mesmo que o processo de esmaltação venha alcançar ótimos níveis de
qualidade em relação aos defeitos provenientes do processo, é quase impossível saná-los por
completo. Por isso a utilização dos sensores torna-se tão complementar e essencial nesse
processo, pois, em alguns casos a qualidade do fio esmaltado e a extinção dos defeitos ocorrem
somente com pós processamento, ou seja, com os dados adquiridos pelo sensor, tonará possível
a eliminação dos defeitos.
 31

3 METODOLOGIA DE PESQUISA

A metodologia concede ferramentas que são capazes de permitir o ato de realizar

pesquisas, de modo que outros trabalhos também podem ser usados como referência,
possibilitando o confrontamento de ideias, com o intuito de se criar uma nova indagação. A
elaboração da metodologia é o processo de construção e definição de quais meios e métodos
serão utilizados na proposta da pesquisa (CERVO, BERVIAN 2002).

3.1 CLASSIFICAÇÃO DO TCC

Do ponto de vista da sua natureza, esse estudo é caracterizado como uma pesquisa
aplicada, pois, tem finalidade de solucionar problemas específicos através da geração de
conhecimentos práticos.
A forma de abordar o problema é classificada de acordo com Silva e Menezes (2011),
como quantitativa. Lidam com dados quantificáveis, é necessário a utilização de técnicas
estatísticas para chegar-se no ponto de análise.
Em relação a seus objetivos, essa pesquisa é considerada de caráter descritivo, pois
descreve características de certos fenômenos, traz a utilização de coleta dados, questionários e
observações; assume a forma de estudo de caso.
Em relação aos procedimentos técnicos, o estudo de caso tem como foco pelo menos
um objeto, o qual se propõe ser intensamente estudado e amplamente detalhado em relação a
seu respeito (GIL, 1991).
Para Yin (2001) a forma como todo estudo de caso se apresenta é a mesma, esclarecem
o motivo pelo qual uma decisão foi imposta, a maneira como foram implementadas e quais
resultados foram gerados.

3.2 OBJETO DE ESTUDO

O objeto de estudo dessa pesquisa foi desenvolvido na fábrica de fios, integrante de

uma empresa industrial de motores elétricos, localizada em Jaraguá do Sul, que atua na
fabricação de equipamentos elétricos há mais de 60 anos e é, em seu ramo, uma das maiores
indústrias do Brasil e do mundo.
 32

A finalidade dos fios esmaltados produzidos na fábrica é o atendimento da demanda

do produto final fornecido pela organização, no caso, o motor elétrico. Assim como a
organização fornece diversos tamanhos de motores elétricos, a fábrica de fios também possui
diversas variedades de bitolas de fios esmaltados, fabricados em cobre e alumínio.
A fábrica de fios tem como processos, a grosso modo, a trefilação e a esmaltação,
seguida de bobinamento.

3.3 ETAPAS DA PESQUISA

Na Figura 5, apresenta em forma de fluxograma, a estrutura das etapas metodológicas

utilizadas na realização do trabalho.

Figura 5 - Etapas metodológicas

Fonte: Autor (2021)

Primeiramente, fez-se um levantamento da infraestrutura atual para entender a

viabilidade da implementação da solução proposta. Após essa etapa, coletou-se por um período
a quantidade de carretéis reprovados e a quantidade de sucata gerada, no método atual.
Posteriormente, realizou-se uma análise teórica, onde foi possível levantar quantidade
aproximada de sucata gerada, no mesmo período, com o método proposto. Com a quantidade
de sucata gerada em ambos os métodos, real e simulado, foi possível realizar uma comparação
estatística. Por fim, uma “análise prática” foi realizada in loco, ou seja, o pesquisador simulou
manualmente as etapas do processo decisório, baseados no critério de aceitação de defeitos,
que, seriam realizados pelo CLP. Em suma, por um período, a atividade simulou exatamente
 33

como seria o funcionamento do sistema, obtendo dessa forma, mais dados para confrontarem
os resultados da análise estatística.

3.4 COLETA DE DADOS

De acordo com Nascimento (2007), a coleta de dados é uma etapa indispensável para
a realização de uma pesquisa, pois é de onde se extrai as informações que embasarão a execução
do estudo.
Para o estudo proposto, foram utilizados para a coleta de dados alguns itens como:
coleta dos cartões de recuperação, que indicam a quantidade de sucata descartada por carretel;
relatório de defeitos de cada carretel reprovado (base de dados do sensor); quantidade de sucata
gerada pelo sistema proposto, na análise teórica; quantidade de sucata gerada pelo sistema
proposto, na análise prática.

3.5 ANÁLISE DE DADOS

Para que uma análise estatística seja confiável, é de suma importância o levantamento
de alguns pontos importantes. Primeiramente, quanto maior o número de observações que o
estudo leva em consideração, maior será a representatividade estatística da amostra. (HODGE,
AUSTIN 2004)
A maioria dos recursos estatísticos tem seus dados baseados em modelos e
distribuições de probabilidade. Logo, dados que possuem baixa probabilidade de pertencerem
a um certo modelo, são tecnicamente considerados outliers. (TAN; STEINBACH; KUMAR,
2009).
Dessa forma, um dado é considerado outlier, quando o seu comportamento não parece
ter sido gerado pelo mesmo modelo estocástico definido inicialmente pelo objeto de análise.
(ASCOMBRE, 1960)
Para determinação dos outliers, identificados nos dados coletados do proposto estudo,
Han, Pei e Kamber (2011) elucidam a construção do gráfico boxplot, que utiliza cinco atributos
da estatística, sendo eles, o menor e o maior valor não anômalos (Min e Max), os quartis inferior
e superior (Q1 e Q3) e o intervalo interquartil (IQR), que é definido pela diferença do quartil
superior com o inferior. Portanto, 99,3% dos dados estão contemplados entre:
𝑄1 − 1,5 ∗ 𝐼𝑄𝑅 <> 𝑄3 + 1,5 ∗ 𝐼𝑄𝑅 (1)
 34

E os valores contemplados fora de:

1,5 ∗ 𝐼𝑄𝑅 < 𝑄1 (2)
1,5 ∗ 𝐼𝑄𝑅 > 𝑄3 (3)
São considerados outliers.
Na Figura 6, apresenta-se o gráfico Boxplot.

Figura 6 - Visualização de outliers utilizando Boxplot

Fonte: (FREITAS, 2019)

A Figura 6 apresenta o gráfico Boxplot, o qual pode ser utilizado até mesmo para
comparação visual entre dois ou mais grupos. Além da análise estatística o gráfico Boxplot
fornece uma análise visual da posição, dispersão, simetria, caudas e valores discrepantes. Sendo
que o grande objetivo é a verificação da distribuição dos dados, tendo como principais
características: o centro dos dados, a amplitude, a assimetria ou simetria dos dados e a presença
de outliers.
 35

4 ANÁLISE DOS RESULTADOS

4.1 PROCESSO ATUAL

A primeira fase foi aplicada exclusivamente ao entendimento do processo, de modo

que durante o desenvolvimento do trabalho o pesquisador foi capaz de estimar as deficiências
relacionadas ao método atual.
Uma máquina é composta por quatro linhas, sendo que cada linha é composta por
trefila, recozedor, esmaltação, forno e bobinador.

Figura 7 - Mapeamento dos processos (referente a uma linha)

Fonte: Autor (2021)

Na Figura 7, ilustra-se as etapas do processo referentes a uma linha. Porém, durante o

desenvolvimento do trabalho enfatizou-se o processo de bobinamento, que ocorre no bobinador.
A Figura 8 relaciona os componentes atuais que envolvem o bobinamento do fio nos
carretéis. Nesse caso, são os componentes que foram utilizados e avaliados para o
desenvolvimento do trabalho.
 36

Figura 8 - Componentes atuais

Fonte: Autor (2021)

Os componentes ilustrados na Figura 8 são: a máquina, o sensor, um computador, o

bobinador e o atuador que realiza a troca de carretel quando o mesmo está cheio.
O defeito é chamado de “borra”, assim como na literatura. A borra consiste em um
acúmulo de esmalte, que justamente pelo seu excesso, não consegue efetuar a cura e o esmalte
acaba se soltando do fio, consequentemente não realizando o isolamento desejado.
A detecção da borra é realizada pelo sensor, que capta uma fuga de corrente quando
ocorre falta de isolamento. O sensor registra cada borra detectada. A aquisição atual dos dados
do sensor é feita por um computador, ele armazena todos os dados referentes a detecção de
borras, para cada carretel bobinado, ou seja, cada carretel possui um registro chamado de
relatório de defeitos.
A Figura 9 apresenta o bobinador. É possível notar que o bobinador possui espaço para
dois carretéis, um bobinando e outro aguardando. O processo de trefilação/esmaltação é
intermitente, a máquina não para de trefilar/esmaltar quando um carretel enche, o bobinador
possui um sistema capaz de realizar essa troca com os carretéis em movimento. Quando um
carretel está pronto para ser trocado (por estar cheio), a máquina envia um sinal para o atuador
de troca e para o sensor. Porém, o atuador de troca demora alguns segundos para efetuar a troca
dos carretéis e o sensor para de registrar imediatamente após o sinal. Quando os defeitos de
qualidade ocorrem durante o processo de esmaltação e ultrapassam os critérios de aceitação, o
carretel é bobinado por completo, de qualquer forma.
 37

Figura 9 - Bobinador

Fonte: Autor (2021)

O sensor fica instalado um pouco antes do bobinador, ele faz o monitoramento

imediatamente antes do fio ser bobinado. Ele contabiliza os defeitos por trechos, onde cada
trecho corresponde a 30 metros de fio. Sendo assim, se, ao longo dos primeiros 30 metros, o
sensor detectou 10 borras, o relatório de defeitos registra as 10 borras.
Na Figura 10, é possível ver um exemplo de relatório de defeitos para um carretel
hipotético, com 50 trechos, sendo que cada trecho possui 30 metros, então o comprimento total
do carretel é de 1500 metros.
 38

Figura 10 – Exemplo de relatório de defeitos do carretel

Fonte: Autor (2021)

No exemplo da Figura 10, o trecho 24 possui 12 borras. Essa quantidade de borras,

está fora do permitido pelos critérios de aceitação de defeitos; nesse caso o carretel está
reprovado.
Quando um carretel reprova, por ultrapassar o limite dos critérios de aceitação de
defeitos, ele recebe um cartão de recuperação e aguarda uma avaliação pelo inspetor da
qualidade. O inspetor vai até o computador que armazena os dados do sensor, abre o relatório
respectivo àquele carretel reprovado e, define, de acordo com o critério de aceitação de defeitos,
quantos trechos precisam ser sucateados para que o carretel seja recuperado.
 39

A Figura 11 é um desmembramento da Figura 7 e foca no processo somente a partir

do bobinador.
Figura 11 - Processo de recuperação de carretel com defeito

Fonte: Autor (2021)

A Figura 11 ilustra como ocorre o processo de recuperação de um carretel reprovado.

Quando um carretel é recuperado, ele pode ser desmembrado em dois ou mais carretéis; o
carretel não admite emendas. O processo de rebobinamento consiste em passar os fios de um
carretel para outro. Logo, cada carretel possui apenas uma ponta no início e outra no final.
Entretanto, quando um carretel reprova com defeitos na metade do seu bobinamento, o
bobinador não cessa o processo; ele é bobinado até ficar cheio. Para que a sua recuperação seja
realizada, precisa-se efetuar o rebobinamento do carretel reprovado, no caso, rebobina-se até a
parte que apresentou defeitos e, então, descarta-se essa parte defeituosa como sucata e o restante
que ficou no carretel é fio bom. Dessa forma o carretel reprovado foi divido em dois carretéis
aprovados, ou seja, apenas com fios sem defeitos.
Nesse processo, há uma incerteza quanto a medição do sensor, pois quando o carretel
está cheio, pronto para ser cortado, a máquina envia um sinal para o atuador do bobinador, para
que ele realize a troca do carretel cheio pelo vazio (essa troca pode demorar alguns segundos)
e, imediatamente após o sinal, o sensor cessa os registros de medição, fazendo com que o
carretel tenha mais fio do que o sensor registrou no relatório de defeitos.
Em função dessa incerteza, o procedimento de recuperação de carretel prevê um erro
associado à quantia a ser descartada como sucata. São sucateados 7 trechos antes e depois do
trecho considerado defeituoso. No exemplo da Figura 10, caso o carretel tenha sido bobinado
com mais 4 trechos, por causa da demora da troca do carretel, além dos 50 que o sensor
 40

contabilizou, o carretel ficou com 54 trechos no total. Portanto, quando o inspetor preencher o
cartão de recuperação, a conta será a seguinte: 50 – 24 = 26, 50 é o número de trechos
contabilizados, 24 é o trecho defeituoso e 26 é a quantidade de trechos a serem rebobinados.
Sobretudo, como, no exemplo, considerou-se que mais 4 trechos foram bobinados após o sensor
parar de registrar, então a conta real foi de: 50 + 4 – 26 = 28, ou seja, caso só o trecho 28 fosse
sucateado, o defeito permaneceria no carretel. Por isso, como mencionado no início do
parágrafo, considera-se sucatear 7 trechos a mais antes e depois do trecho considerado
defeituoso. Portanto, nesse exemplo, os trechos descartados foram: 28 – 7 = 21 e 28 + 7 = 35,
logo todos os trechos entre o 21 até o 35 foram descartados; no total 15, trechos.

Figura 12 - Exemplo de trechos sucateados em um carretel reprovado

Fonte: Autor (2021)

 41

Dessa forma, como apresenta na Figura 12, o trecho real com defeito é o 24 e o
calculado pelo inspetor é o 28, porém, como a margem de sucateamento é grande (no exemplo
15 trechos), de fato, o trecho real com defeito também foi descartado. A Figura 13, ilustra como
ficou desmembrado em dois carretéis o exemplo apresentado na Figura 12.

Figura 13 - Exemplo de desmembramento de carretel reprovado

Fonte: Autor (2021)

Um carretel de 1500m + 120m (50 trechos contabilizados pelo sensor mais 4 não
registrados), foram desmembrados em dois, um rebobinado com 450m + 120m, outro com
600m e uma quantia de 450m foi sucateada.
 42

4.2 DESENVOLVIMENTO DA SOLUÇÃO

4.2.1 Análise do processo atual

Quando se iniciou a análise, o primeiro problema foi quantificar a incerteza de medição

do processo de bobinamento. Para isso, levantou-se alguns dados sobre as máquinas. A
velocidade média de bobinamento das máquinas é de aproximadamente 200m/min, o tempo
médio de atraso do corte em relação ao sinal enviado pela máquina é de 50 segundos (tendo
como tempo mínimo 35 segundos e tempo máximo de 84 segundos). Então, nos casos onde a
troca de carretel demora até 84 segundos, o carretel terá quase 10 trechos a mais do que o
relatório de defeitos apresenta.
A Figura 14 apresenta um exemplo do que ocorre atualmente quando o carretel está
cheio e precisa ser trocado pelo vazio. No exemplo, após o envio do sinal pela máquina,
imediatamente o sensor parou de marcar os registros e o atuador demorou exatos 36 segundos
para efetuar a troca do carretel. Os 4 últimos trechos, destacados em vermelhos, não saíram no
relatório de defeitos, ou seja, não foram contabilizados pelo sensor.

Figura 14 - Exemplo de carretel com defeito

Fonte: Autor (2021)

 43

4.2.2 Viabilidade da infraestrutura para implementação

Como mencionado anteriormente, no processo atual de recuperação de carretel, uma

parcela de fios sem defeitos sempre é sucateada por falta de acurácia na medição do
bobinamento e, aumentam o erro sistematicamente por causa do rebobinamento.
Portanto, a solução para o sistema proposto, é que quando os defeitos ultrapassam os
critérios permitidos, o atuador do bobinador corte o carretel e, então comece outro, fazendo
com que os carretéis que possuam defeitos, não precisem ser rebobinados. Descarta-se somente
a parte final, onde encontram-se os defeitos, pois o carretel foi cortado logo após os defeitos
aparecerem.
Entretanto, para viabilizar a capacidade da máquina comunicar-se com o sensor e o
atuador, fazendo com que ambos tomem decisões, precisou-se analisar do ponto de vista
técnico, quais componentes devem ser implementados para que a máquina se torne
“inteligente”, ao passo que tenha capacidade de “perceber” os defeitos (através do sensor) e
“mandar” o atuador trocar o carretel logo que os defeitos ocorram.
Nesta fase, levantou-se tudo o que já estava disponível na fábrica e nas máquinas em
relação à infraestrutura para viabilizar a implementação no âmbito da Indústria 4.0. Embasado
no referencial teórico, foi constatado quais elementos eram necessários para que a máquina
possuísse conectividade e, além disso, foi feito um mapeamento em relação a quais sensores,
atuadores e controladores eram necessários e se já estavam instalados.
Constatou-se que as máquinas possuem alguns elementos já instalados, que facilitam
a inserção do conjunto máquina/processo no âmbito da indústria 4.0. A máquina já comporta
um sensor, que contabiliza os defeitos por trecho, um conjunto de atuadores, que viabiliza a
troca de carretel e um computador conectado à internet.
Partiu-se do pressuposto de que a máquina deva ser capaz de interpretar os critérios de
aceitação de defeitos e com essa informação, ser capaz de realizar ações, como o de trocar de
carretel caso defeitos ocorram durante o processo. Analisando esse fato, uma das maneiras
viáveis para que isso se torne possível, é com a aquisição de um CLP, o qual carece que uma
programação lógica seja implementada nele para que se torne apto a tomar decisões.
Viabilizando dessa forma, a comunicação com o atuador. Após a análise, constatou-se então,
que para tudo isso ser viável, um CLP deve ser adquirido. Na Figura 15, é possível entender
como será a comunicação entre máquina, sensor, atuador e controlador.
 44

Figura 15 - Componentes necessários para implementação

Fonte: Autor (2021)

Portanto, com a aquisição de um Controlador Lógico Programável, a máquina passa a

tomar decisões baseadas no critério de aceitação de defeitos. Assim que o sensor detecta borras
acima do critério de aceitação, o CLP aguarda até que os defeitos cessem, e então envia um
sinal para o atuador fazer a troca do carretel. Consequentemente, como o carretel foi trocado
logo após a ocorrência das borras, esse carretel não precisará mais ser rebobinado, uma vez que
os trechos defeituosos estão no final do carretel e podem ser descartados pelo operador na área
de expedição. A Figura 16, ilustra um exemplo de como o sistema proposto funciona, baseando-
se no critério de aceitação de defeitos. No exemplo, o trecho 30 foi reprovado com 12 borras, o
CLP aguarda que 3 trechos sem defeitos ocorram após o trecho reprovado, para então emitir
um comando de corte para o atuador da troca de carretel. Mesmo com a implementação da
solução proposta, a troca do carretel demora o mesmo tempo do método atual. Porém, com a
inteligência integrada à máquina, ela permite que o sensor continue gravando os dados até a
troca do carretel, pois, sabe exatamente quantos trechos foram bobinados após o comando de
corte. No exemplo da Figura 16, a quantidade sucateada foi de 8 trechos, 1 trecho de reprovação,
3 trechos de estabilização e 4 trechos pela demora da troca do carretel. Portanto, nesse exemplo,
sucateou-se aproximadamente 50% menos que no exemplo da Figura 12.
 45

Figura 16 - Exemplo da solução proposta

Fonte: Autor (2021)

4.2.3 Quantidade sucateada no processo de recuperação de carretel com defeito

O acompanhamento ocorreu em um período de sete dias, durante os três turnos.

Coletou-se as informações de todos os carretéis reprovados no período. No ANEXO A,
apresenta-se o formato do documento onde foi coletada a quantidade sucateada por carretel. O
documento foi preenchido copiando-se as informações declaradas nos cartões de recuperação;
aqueles colados pelo inspetor da qualidade, em cada carretel, assim que eles reprovam.
Através dessas informações foi possível estimar a quantidade sucateada em
quilogramas de cada carretel reprovado. Na Tabela 1 é possível observar os 80 carretéis
acompanhados durante o período. O descarte é dado em trechos e é transformado em
quilogramas utilizando o diâmetro do fio.

Tabela 1 - Carretéis recuperados durante o acompanhamento

CARRETEL DIÂMETRO DESCARTE MASSA CARRETEL DIÂMETRO DESCARTE MASSA
1 1,32 10 3,65 41 0,75 9 1,06
2 1,32 10 3,65 42 0,75 9 1,06
3 1,18 27 7,87 43 0,75 9 1,06
 46

4 1,18 22 6,42 44 0,75 9 1,06

5 1,18 44 12,83 45 0,75 9 1,06
6 0,75 9 1,06 46 0,75 43 5,07
7 0,80 167 22,39 47 0,80 20 2,68
8 0,80 20 2,68 48 2,58 12 16,73
9 0,80 9 1,21 49 0,85 34 5,15
10 0,67 9 0,85 50 0,85 34 5,15
11 0,90 14 2,38 51 0,80 38 5,09
12 0,85 9 1,36 52 0,80 54 7,24
13 0,75 10 1,18 53 0,80 42 5,63
14 0,67 154 14,48 54 0,80 26 3,49
15 0,80 9 1,21 55 0,85 40 6,05
16 0,80 30 4,02 56 1,12 17 4,47
17 0,80 9 1,21 57 0,85 60 9,08
18 1,32 27 9,85 58 0,85 45 6,81
19 0,95 30 5,67 59 1,12 82 21,55
20 0,85 11 1,66 60 0,85 112 16,95
21 1,25 9 2,95 61 0,85 9 1,36
22 0,75 27 3,18 62 0,80 32 4,29
23 0,75 12 1,41 63 1,32 23 8,39
24 0,75 25 2,95 64 1,18 83 24,21
25 1,32 45 16,42 65 1,18 40 11,67
26 1,32 64 23,36 66 1,32 30 10,95
27 0,75 17 2,00 67 0,85 40 6,05
28 0,75 11 1,30 68 0,90 123 20,87
29 1,25 66 21,60 69 0,80 34 4,56
30 0,75 45 5,30 70 0,85 33 4,99
31 0,75 13 1,53 71 0,80 37 4,96
32 0,75 82 9,66 72 0,80 27 3,62
33 0,75 9 1,06 73 0,80 12 1,61
34 0,75 32 3,77 74 0,75 48 5,66
35 0,75 9 1,06 75 0,75 17 2,00
36 0,75 10 1,18 76 0,80 18 2,41
37 0,75 16 1,89 77 1,32 73 26,64
38 0,75 9 1,06 78 1,32 54 19,71
39 0,75 17 2,00 79 1,18 61 17,79
40 0,75 19 2,24 80 1,18 31 9,04
Fonte: Autor (2021)

Em alguns carretéis o valor de trechos descartados foi alto comparado à média. Sendo
assim, com a utilização dos dados dispostos na Tabela 2 construiu-se um Gráfico 1 - Boxplot,
determinado os dados discrepantes, considerados outliers, que foram descartados para não
comprometer a análise.
 47

Tabela 2 - Dados para construção do Boxplot

Desvio padrão média (trecho) Q1 Q3 IQR Lim. Sup. média (kg)
32 34 11 43 32 82 5,93
Fonte: Autor (2021)

Gráfico 1 - Boxplot

Fonte: Autor (2021)

Os carretéis referentes às observações 7, 14, 60 e 68 foram descartados da análise.

Considerou-se que a alta quantidade de trechos refugados tenha sido causada por problemas
atípicos que ocorrem no processo. Portanto, por considerar-se a excepcionalidade, preferiu-se
não os utilizar na análise. Logo consideraram-se 76 carretéis, totalizando 454,08kg de sucata,
um valor médio de 5,97kg de sucata por carretel.
 48

4.2.4 Análise via software da sucata gerada no método proposto

A partir dos critérios de aceitação de defeitos, já comentados nas seções anteriores,

elaborou-se um simulador através do software Excel baseado nesses critérios. Com a utilização
dos relatórios de defeitos (Figura 10) dos carretéis observados na seção 4.1, fez-se uma análise
para cada relatório, respectivo à cada carretel. No Quadro 1, é possível verificar onde o carretel
seria reprovado, onde o corte seria efetuado e, considera-se que a parte restante foi bobinada
em outro carretel, uma vez que, após a reprovação e consequentemente o corte, o bobinador
troca o carretel.
Portanto, para análise dessa análise, considerou-se que a quantidade descartada foi
correspondente do primeiro trecho reprovado até o trecho que sofreu o corte.

Quadro 1 - Análise no software Excel

Fonte: Autor (2021)

 49

Na Tabela 3, apresentam-se os resultados de todos os carretéis simulados, a partir de

seus respectivos relatórios de defeitos, com o Excel.

Tabela 3 - Quantidade sucateada segundo a análise teórica

CARRETEL DIÂMETRO DESCARTE MASSA CARRETEL DIÂMETRO DESCARTE MASSA
1 1,32 7 2,55 39 0,75 4 0,47
2 1,32 11 4,01 40 0,75 7 0,82
3 1,18 7 2,04 41 0,75 0 0,00
4 1,18 11 3,21 42 0,75 7 0,82
5 1,18 12 3,50 43 0,75 9 1,06
6 0,75 4 0,47 44 0,75 12 1,41
7 0,80 9 1,21 45 0,80 8 1,07
8 0,80 4 0,54 46 2,58 10 13,94
9 0,67 7 0,66 47 0,85 15 2,27
10 0,90 14 2,38 48 0,85 33 4,99
11 0,85 7 1,06 49 0,80 8 1,07
12 0,75 7 0,82 50 0,80 37 4,96
13 0,80 8 1,07 51 0,80 21 2,82
14 0,80 48 6,43 52 0,80 33 4,42
15 0,80 4 0,54 53 0,85 35 5,30
16 1,32 34 12,41 54 1,12 15 3,94
17 0,95 38 7,18 55 0,85 18 2,72
18 0,85 12 1,82 56 0,85 54 8,17
19 1,25 8 2,62 57 1,12 64 16,82
20 0,75 8 0,94 58 0,85 9 1,36
21 0,75 8 0,94 59 0,80 55 7,37
22 0,75 27 3,18 60 1,32 25 9,12
23 1,32 77 28,10 61 1,18 72 21,00
24 1,32 36 13,14 62 1,18 14 4,08
25 0,75 21 2,47 63 1,32 58 21,17
26 0,75 16 1,89 64 0,85 25 3,78
27 1,25 30 9,82 65 0,80 43 5,76
28 0,75 9 1,06 66 0,85 62 9,38
29 0,75 19 2,24 67 0,80 33 4,42
30 0,75 78 9,19 68 0,80 9 1,21
31 0,75 7 0,82 69 0,80 27 3,62
32 0,75 7 0,82 70 0,75 11 1,30
33 0,75 7 0,82 71 0,75 7 0,82
34 0,75 8 0,94 72 0,80 9 1,21
35 0,75 7 0,82 73 1,32 33 12,04
36 0,75 10 1,18 74 1,32 32 11,68
37 0,75 7 0,82 75 1,18 66 19,25
38 0,75 15 1,77 76 1,18 24 7,00
Fonte: Autor (2021)
 50

Após simular cada um dos 76 relatórios de defeitos, referentes aos carretéis

recuperados, a análise apresentou um total de 358,20kg de sucata, dando em média 4,71kg de
sucata por carretel recuperado.

4.2.5 Análise do sistema in loco

Esta etapa também foi baseada no critério de aceitação de defeitos. Porém, foi realizada
em campo, ou seja, o pesquisador realizou o comando de corte de forma manual. Acompanhou-
se o monitor do sensor de defeitos em tempo real e, quando os defeitos excediam os limites do
critério de aceitação, o comando de corte era acionado pelo pesquisador.
Portanto, fez-se o acompanhamento durante sete dias, em um turno por dia. Foi
possível simular a decisão do momento do corte em 27 carretéis. Dessa forma, nenhum desses
carretéis precisou passar pelo processo de recuperação. Na Tabela 4 apresenta-se os 27 carretéis
acompanhados e sua respectiva massa sucateada.

Tabela 4 - Quantidade de sucata coletada na análise prática

CARRETEL DIÂMETRO DESCARTE MASSA
1 0,80 7 0,9384
2 0,80 12 1,6087
3 0,80 9 1,2065
4 1,32 29 10,584
5 0,90 14 2,3753
6 0,90 12 2,036
7 0,80 9 1,2065
8 1,32 37 13,504
9 0,71 21 2,2174
10 0,80 27 3,6196
11 0,80 48 6,4348
12 0,71 12 1,2671
13 1,32 28 10,219
14 0,71 9 0,9503
15 1,32 25 9,1243
16 1,32 46 16,789
17 0,80 15 2,0109
18 0,80 12 1,6087
19 0,90 9 1,527
20 0,71 7 0,7391
21 0,71 12 1,2671
22 0,80 9 1,2065
 51

23 1,32 34 12,409
24 0,80 26 3,4855
25 0,80 34 4,558
26 1,32 25 9,1243
27 0,90 9 1,527

Fonte: Autor (2021)

Na análise prática, a quantidade total sucateada foi de 123,54kg, uma média de 4,58kg
de sucata por carretel observado.

4.3 COMPARAÇÃO ENTRE ANÁLISES X REAL

Para comparar os dados coletados, considerou-se três cenários: análise teórica vs

método atual, análise prática vs método atual e análise teórica vs análise prática.
A comparação entre o método atual e a análise teórica é um confronto direto, a
comparação foi feita de carretel por carretel, a fim de concluir se o sistema proposto consegue
diminuir a quantidade de refugo gerado no retrabalho de carretéis com defeito. Na Figura 17,
apresenta-se um gráfico comparativo entre os 76 carretéis observados. A linha azul demonstra
o comportamento real da quantidade sucateada por carretel no método atual, a linha vermelha
mostra o comportamento simulado do respectivo carretel, apresentando a quantidade que seria
refugada, segundo a análise. Em alguns casos, a análise gera mais sucata que o próprio método
atual. Porém, o método atual é completamente realizado por humanos, dessa forma, nem todo
carretel que reprova, segue à risca os critérios de aceitação de defeitos, liberando assim em
alguns casos, carretéis com menor índice de qualidade do que o permitido. Logo, além da
redução da sucata na recuperação de carretéis reprovados, o sistema ainda se propõe a manter
a qualidade do produto final sempre dentro das expectativas.
Comparando os números diretamente, Tabela 5, a análise teórica apresentou uma
redução de 21% na quantidade sucateada durante processo de recuperação de carretéis. Na
Figura 18, apresenta-se a mesma comparação da Figura 17, mas, com os dados ordenados
crescentemente e, em um gráfico de barras, para simplificar a visualização redução de sucata,
por carretel.
 52

Figura 17 - Comparação Real x Análise teórica

Fonte: Autor (2021)

 53

Figura 18 - Comparação em ordem crescente de quantidade de refugo

Fonte: Autor (2021)

 54

Na Tabela 5 apresenta-se a redução de sucata por carretel, entre o método atual e a análise
teórica.

Tabela 5 – Método atual vs análise teórica

MÉDIA DA
CARRETEL SUCATA
SUCATA POR REDUÇÃO DE SUCATA
RECUPERADO TOTAL
C.R.
MÉTODO 76 454,08 5,97 -
ATUAL
ANÁLISE 76 358,20 4,71 21%
TEÓRICA

C.R. - Carretel recuperado

Fonte: Autor (2021)

Na Tabela 6, apresenta-se os dados coletados na análise prática. Dentre todos os turnos

acompanhados, foi registrado uma média de 3,86 carretéis recuperados. Em relação à
quantidade de sucata por carretel, a média foi de 4,58kg. Uma redução de sucata de 23% em
relação ao acompanhamento do método atual.

Tabela 6 - Dados da análise prática

ACOMP.

CARRETEL RECUPERADO/ACOMP. 27
SUCATA TOTAL/ACOMP. 123,54
SUCATA POR C.R. 4,58
Fonte: Autor (2021)

Para efeitos de comparação, os dados reais da quantidade sucateada pelo processo de

recuperação, dos meses de maio a outubro, são apresentados na Tabela 7.

Tabela 7 - Média de sucata por carretel recuperado

MÉDIA 6
MAIO JUNHO JULHO AGOSTO SETEMBRO OUTUBRO
MESES
CARRETEL RECUPERADO/MÊS 289 322 378 354 341 327 2011
SUCATA TOTAL/MÊS 1701 1947 2141 1981 1955 1798 11523
MÉDIA DA SUCATA POR C.R. 5,89 6,05 5,66 5,60 5,73 5,50 5,73
Fonte: Autor (2021)

A média mensal, dos seis meses apresentados na Tabela 7, de sucata gerada por carretel foi de
5,73kg.
 55

Tabela 8 - Comparação análise prática x análise teórica

MÉDIA DA
CARRETEL SUCATA REDUÇÃO DE REDUÇÃO DE
SUCATA POR
RECUPERADO TOTAL SUCATA* SUCATA**
C.R.
ANÁLISE 27 123,54 4,58 23% 20%
PRÁTICA
ANÁLISE 76 358,20 4,71 21% 18%
TEÓRICA

C.R. - Carretel recuperado

*Em relação ao acompanhamento do método atual
**Em relação à média dos últimos 6 meses
Fonte: Autor (2021)

A Tabela 8 apresenta comparações das duas análises em relação ao método atual, acompanhado,
e em relação a média de sucata por carretel reprovado, no período de 6 meses. A análise teórica
apresentou uma redução de 21% em relação ao acompanhamento do método atual e 18% em
relação a média dos últimos seis meses. A análise prática apresentou uma redução de 23% em
relação ao acompanhamento do método atual e 20% em relação a média dos últimos 6 meses.
Para efeitos de quantificação monetária, considerou-se que a solução proposta tem o
potencial de redução de sucata, sobre o método atual de recuperação de carretéis rebobinados,
de 20%. Portanto, das 11,5 toneladas de sucata gerada nos últimos seis meses, 2,3 toneladas
podem ser evitadas de se tornarem refugo. Totalizando uma economia de R$ 20.700,00 em
apenas 6 meses (considerando a compra do quilo do cobre a R$ 32,00 e a venda da sucata a R$
23,00).

4.4 RESULTADOS OBTIDOS

A análise de viabilidade econômica foi realizada pela seção de custos da empresa. Para
que o projeto, objeto da pesquisa, tenha a possibilidade de ser aprovado em comissão, um estudo
de retorno sobre o capital investido precisa ser realizado e precisa atender certas exigências
impostas pelos chefes e gerentes. Para realização dos cálculos, a seção de custos utilizou dados
obtidos no estudo, como a estimativa de 20% de redução de sucata, causada por defeitos, em
carretéis recuperados. Para o cálculo do potencial de redução das perdas, utilizou-se o valor do
custo do material (diferença entre o produto acabado e a venda da sucata) e para a redução do
custo da não qualidade, utilizou-se o preço do produto acabado. O investimento consiste em R$
56.000,00 em infraestrutura e R$ 30.000,00 referentes à mão de obra e programação, para 7
máquinas. O payback do projeto foi estimado, pela seção de custos, em 36 meses.
 56

Após os resultados do estudo, objeto da presente pesquisa, e do estudo de viabilidade

econômica, o projeto foi encaminhado para apresentação em comissão. O payback de 36 meses
é considerado um pouco alto pelos gestores. Porém, como o projeto foi desenvolvido pela seção
de controle da qualidade, o retorno sobre o capital investido não é o principal pilar do
investimento, é uma combinação entre o retorno e a garantia da qualidade no produto produzido.
A comissão é composta por uma banca de oito chefes e um gerente, participa também o gestor
do responsável pela apresentação do projeto. O projeto foi aprovado com unanimidade entre a
banca e não foi solicitado nenhum tipo de ajuste para posterior reapresentação.
 57

5 CONSIDERAÇÕES FINAIS

De acordo com as observações realizadas durante o desenvolvimento da pesquisa,

justifica-se a utilização dos métodos utilizados para integrar inteligência à fábrica em prol da
diminuição dos custos, através da redução de sucata no processo de retrabalho. Isso deixa claro
como é indispensável e de grande importância para as empresas, principalmente as que visam
o aumento de competitividade, que adaptar-se aos conceitos da indústria 4.0 é mais do que uma
tendência: é uma necessidade.
Foi possível constatar, através das análises teóricas e práticas, uma redução de 20% da
sucata gerada no processo de retrabalho, em consequência das adaptações, no âmbito da
indústria 4.0, que viabilizam a implementação do sistema na fábrica. A coleta e o
armazenamento dos dados adquiridos pelo sensor, podem ainda, através do Big Data, processar
cada vez mais informações, em alta velocidade, sem depender da análise humana. Também com
a utilização do data mining, com a introdução e desenvolvimento de novos algoritmos, baseados
em novas regras de aceitação de defeitos, a velocidade de recuperação de carretéis só tende a
aumentar, uma vez que, enquanto o processo de análise de recuperação de carretéis ainda for
manual, a área de recuperação ficará com uma boa quantidade de fios estocados, esperando pra
serem recuperados, prejudicando dessa forma o controle de estoque e a produção.
Durante o desenvolvimento da pesquisa, permitiu-se um aprofundamento satisfatório
em relação ao processo de recuperação de carretéis com defeito e, além disso, mostrou como o
conceito da indústria 4.0 no setor tem relevância na determinação da competitividade,
justamente pela sua amplitude de atuação. Algumas dificuldades foram encontradas durante a
realização da pesquisa, sendo elas por características técnicas, relacionadas ao funcionamento
da fábrica, ou burocráticas, como a restrição de dados considerados confidenciais pela empresa.
Diante do fato mencionado, características importantes do assunto não puderam ser abordadas
pelo pesquisador. Por exemplo, caso as informações dos critérios de aceitação de defeitos
pudessem ser explanadas na pesquisa, análises mais profundas poderiam ser realizadas. A coleta
de dados também apresentou certa limitação, nesse caso, pelo tempo de realização do projeto e
pela estabilidade apresentada no processo produtivo; por isso, coletou-se uma pequena
quantidade de dados, utilizados na pesquisa. A análise de viabilidade econômica, por exemplo,
também sofreu limitações em sua apresentação, foi realizada pela própria empresa e não teve
sua análise exibida na pesquisa. Outro fato, observado durante a realização da pesquisa, foi a
tendência da extinção do processo de retrabalho com a implementação do projeto; porém, não
 58

foi possível realizar os potenciais ganhos, porque atualmente o processo de retrabalho não está
mapeado e, como a pesquisa foi desenvolvida no período de estágio do pesquisador, não coube
a ele a tarefa de mapeamento da perda desse processo.
Como mencionado anteriormente, o trabalho atendeu as expectativas e, através das
análises, confirmou que com a implementação do sistema proposto, é possível que a quantidade
de sucata gerada pelo processo de recuperação de carretéis seja reduzida em 20%. Como visto
durante o desenvolvimento do trabalho, alguns temas surgiram como possibilidades para
trabalhos futuros. Quatro ocasiões são sugeridas. A primeira, estimar o ganho potencial com a
extinção do processo de retrabalho nos casos de carretéis recuperados, ou seja, além da redução
de sucata apresentada no presente trabalho, também pode-se desenvolver um estudo analisando
os ganhos estimados em torno da redução de hora/homem, uma vez que uma parte do processo
atual não precisa mais ser efetuada. Por seguinte, fica sugerido, também, a análise da
possibilidade de melhoria no processo de troca de carretel do bobinador da máquina apresentada
na presente pesquisa. Essa melhoria deve consistir em agilizar a troca do carretel, para que
menos sucata seja gerada nesse processo. A terceira sugestão seria a de analisar a viabilidade
da alteração dos processos de fabricação para resolução de problemas de qualidade, a fim de
evitar que os problemas de qualidade surjam e alguma ação possa ser tomada. Por fim, um novo
conjunto de regras, mais eficiente que o atual, baseado na utilização das ferramentas da indústria
4.0, também fica como sugestão para trabalhos futuros.
 59

REFERÊNCIAS

ABDI - AGÊNCIA BRASILEIRA DE DESENVOLVIMENTO INDUSTRIAL. Indústria 4.0 pode

economizar R$ 73 bilhões ao ano para o Brasil. ABDI, 2017. Disponível em:
https://www.abdi.com.br/postagem/industria-4-0-pode-economizar-r-73-bilhoes-ao-ano-para-o-brasil.
Acesso em: 23 de jan. de 2021.

AGENDA brasileira para a indústria 4.0. Industria40, [s.d.]. Disponível em:

http://www.industria40.gov.br. Acesso em: 23 de jan. de 2021.

ANDERL, R. Industrie 4.0: Advanced Engineering of Smart Products and Smart Production.
In: International Seminar on High Technology, 19, 2014, Piracicaba.

BABICEANU, R. F.; SEKER, R. Big Data and virtualization for manufacturing cyberphysical
systems: A survey of the current status and future outlook. Computers in Industry, v. 81, p. 128–137,
2016.

BRESCIANI FILHO, E.; BENTO DA SILVA, I.;FERREIRA BATALHA, G.;TONINI

BUTTON, S..Conformação plástica dos metais.6. ed. Campinas: Editora da Unicamp, 2011.
258 p.

CERVO, A. L. BERVIAN, P. A. Metodologia científica. 5. ed. São Paulo: Prentice Hall, 2002.

CHHETRI, S.; RASHID, N.; FAEZI. S.; FARUQUE, M. Security trends and advances in
manufacturing systems in the era of industry 4.0. In: 2017 IEEE/ACM International Conference on
Computer-Aided Design (ICCAD). IEEE, 2017. p. 1039-1046.

CONFEDERAÇÃO NACIONAL DA INDÚSTRIA. Oportunidades para a indústria 4.0: aspectos da

demanda e oferta no Brasil. Brasília, 2017. Disponível em:
https://static.portaldaindustria.com.br/media/filer_public/d9/ff/d9ff9d99-1a51-43ff-bc2a-
b2187e90c35a/oportunidades_para_a_industria_40_2603_nova_versao.pdf. Acesso em: 10 jan. 2021

CORRÊA, E. C. S. Aspectos do encruamento dos metais previamente deformados a

frio. 2004. 233 f. Tese (Doutorado em Engenharia Metalúrgica e de Minas) - Curso de Pós-
Graduação, Universidade Federal de Minas Gerais, Belo Horizonte, 2004.

DAVIES, R,; COOLE, T.; SMITH, A. Review of socio-technical considerations to ensure successful
implementation of Industry 4.0. Procedia Manufacturing, v. 11, p. 1288-1295, 2017.
DEMARCHI, A. A. et al. Síntese caracterização de materiais híbridos de poliamida-imida (PAI) e
copolissilsesquioxanos de 3-aminopropiltrietoxissilano (APES) e feniltrietoxissilano (PTES). 2011.
Dissertação (Mestrado) - Curso de Ciências e Engenharia dos Materias - Universidade do Estado de
Santa Catarina, Joinville, 2011.

EDGE Global Supply. Entenda o papel dos sensores e atuadores para a comunicação industrial,
2020. Disponível em:https://blog.fastformat.co/como-fazer-citacao-de-artigos-online-e-sites-da-
internet/. Acesso em: 25 de jan. de 2021.

FAVENNEC, J.-M. Smart sensors in industry. Journal of Physics E: scientific instruments, v. 20, n.
9, p. 1087, 1987.
 60

FERRARI, M. B.; GUEDES, Luiz Carlos Vieira. ANÁLISE DE UMA MÁQUINA DE

ESMALTAÇÃO DE FIOS TREFILADOS. Interação-Revista de Ensino, Pesquisa e Extensão, v.
20, n. 1, p. 147-166, 2018.

FREITAS, I. W. S. Um estudo comparativo de técnicas de detecção de outliers no contexto de

classificação de dados. 2019. 97 f. Dissertação (Mestrado em Ciência da Computação) -
Universidade Federal Rural do Semi-árido, 2019.

GIL, A. C. Como elaborar projetos de pesquisa. São Paulo: Atlas, 1991.

GUBBI, J. et al. Internet of Things (IoT): A vision, architectural elements, and future directions.
Future Generation Computer Systems, v. 29, n 7, p. 1645-1660, 2013.

HAMMER, M. et al. Profit per Hour as a Target Process Control Parameter for Manufacturing
Systems Enabled by Big Data Analytics and Industry 4.0 Infrastructure. Procedia CIRP, v. 63, p.
715–720, 2017.

HAN, J.; KAMBER, M.; PEI, J. Data mining concepts and techniques third edition. The Morgan
Kaufmann Series in Data Management Systems, v. 5, n. 4, p. 83-124, 2011.

RÜßMANN, M. et al. Industry 4.0: The future of productivity and growth in manufacturing industries.
Boston Consulting Group, v. 9, n. 1, p. 54-89, 2015.

HERMANN, M.; PENTEK, T.; OTTO, B.. Design principles for industrie 4.0 scenarios. In: 2016 49th
Hawaii international conference on system sciences (HICSS). IEEE, 2016. p. 3928-3937.

HODGE, V.; AUSTIN, J. A survey of outlier detection methodologies. Artificial intelligence review,
v. 22, n. 2, p. 85–126, 2004.

KAGERMANN, H.; WAHLSTER, W.; HELBIG, J. Recommendations for implementing the

Strategic Initiative INDUSTRIE 4.0. Berlin: Forschungsunion im Stifterverband für die Deutsche
Wirtschafts; 2013. Disponível em:
https://www.din.de/blob/76902/e8cac883f42bf28536e7e8165993f1fd/recommendations-for-
implementing-industry-4-0-data.pdf. Acesso em: 20 nov. 2020.

LACHENMAIER, Jens F.; LASI, Heiner; KEMPER, Hans-Georg. Simulation of production processes
involving cyber-physical systems. Procedia CIRP, v. 62, p. 577-582, 2017.

LEE, J.; BAGHERI, B.; KAO, H. A. A cyber-physical systems architecture for industry 4.0-based
manufacturing systems. Manufacturing letters, v. 3, p. 18-23, 2015.

LEE, J.; KAO, H. A.; YANG, S.. Service innovation and smart analytics for industry 4.0 and big data
environment. Procedia Cirp, v. 16, p. 3-8, 2014.
LEE, J. et al. Recent advances and trends in predictive manufacturing systems in big data
environment. Manufacturing letters, v. 1, n. 1, p. 38-41, 2013.

LU, Y. Industry 4.0: A survey on technologies, applications and open research issues. Journal of
industrial information integration, v. 6, p. 1-10, 2017.

MCKINSEY GLOBAL INSTITUTE. Unlocking the potential of the internet of things, jun. 2015.
Disponível em: http://www.mckinsey.com/business-functions/business technology/ourinsights/the-
internet-of-things-the-value-of-digitizing-the-physical-world. Acesso em: 19 dez. 2020.
 61

MEPITS. Smart Sensors. 2014. Disponível em: https://www.mepits.com/tutorial/193/basic-

electronics/smart-sensors. Acesso em: 19 dez. 2020.

MUELLER, E.; CHEN, L.; RIEDEL, R. Challenges and requirements for the application of industry
4.0: a special insight with the usage of cyber-physical system. Chinese Journal of Mechanical
Engineering, v. 30, n. 5, p. 1050-1057, 2017.

NASCIMENTO, E. N. et al. Técnicas de coleta de dados utilizadas em artigos científicos da área da

saúde. Arquivos de Ciências da Saúde da UNIPAR, v. 11, n. 1, 2007.

NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Workshop report on

foundations for innovation in cyberphysical systems, jan. 2013. Disponível em:
https://www.nist.gov/system/files/documents/el/CPS-WorkshopReport-1-30-13-Final.pdf. Acesso em:
10 jan. 2020.

PIANA, J.; ERDMANN, R. H.. Fatores geradores de competitividade na manufatura: uma relação
entre práticas e resultados. Revista de Administração da Universidade Federal de Santa Maria, v.
4, n. 1, p. 73-90, 2011.

PORTER, M. E.; SERRA, A. C. da C. (Trad.). Competição on competition: Estratégias competitivas

essenciais. 12ª ed. Rio de Janeiro: Elsevier, 1999.

QUEIROZ, J.; LEITÃO, P.; OLIVEIRA, E.. Industrial cyber physical systems supported by
distributed advanced data analytics. In: International Workshop on Service Orientation in Holonic
and Multi-Agent Manufacturing. Springer, Cham, 2016. p. 47-59.

TAGUCHI, G.; ELSAYED, E. A.; HSIANG, T. C. Engenharia da qualidade em sistemas de

produção. McGraw-Hill, 1990.

TAN, P.-N.; STEINBACH, M.; KUMAR, V.. Introdução ao datamining: mineração de dados.
Ciência Moderna, 2009.

TEN HOMPEL, M.; OTTO, B. Technik für die wandlungsfähige Logistik – Industrie 4.0.
Deutscher Materialfluss-Kongress, v. 20, n. 21, p. 117-125, 2014.

THAMES, L.; SCHAEFER, D. Software-defined cloud manufacturing for industry 4.0. Procedia
cirp, v. 52, p. 12-17, 2016.

RAJKUMAR, R. et al. Cyber-physical systems: the next computing revolution. In: Design
automation conference. IEEE, 2010. p. 731-736.

RODRIGUES, L. F.; DE JESUS, R. A.; SCHÜTZER, K. Industrie 4.0: Uma revisão da literatura.
Revista de Ciência & Tecnologia, Universidade Metodista de Piracicaba, v. 19, n. 38, p. 33-45, 2016.

RYS, R. Smart Sensors Increasingly Important in the Industiral IoT Age. ARC Advisory
Group, 2018. Disponível em: https://www.arcweb.com/blog/smart-sensorsincreasingly-important-
industrial-iot-age. Acesso em: 19 dez. 2020.

SCHLICK, J. et al. Industrie 4.0 in der praktischen Anwendung. In: Industrie 4.0 in Produktion,
Automatisierung und Logistik. Springer Vieweg, Wiesbaden, 2014. p. 57-84.
 62

SHACKELFORD, James F. Introduction to materials science for engineers. 7 ed. Upper Saddle
River: Pearson, 2016.
SILVA, E. L.; MENEZES, E. M. Metodologia da pesquisa e elaboração de dissertação. 4 ed.
Florianópolis: Universidade Federal de Santa Catarina, 2001. 140 p.

SOUZA, L. Indústria 4.0 poderá impactar PIB em 28% até 2030, estima ministro. Agência
Brasil, 2018. Disponível em: https://agenciabrasil.ebc.com.br/economia/noticia/2018-05/industria-40-
podera-impactar-pib-em-28-ate-2030-estima-ministro. Acesso em: 23 de jan. de 2021.

VENTURELLI, M. A segurança de dados na Indústria 4.0. Automação Industrial. 2020. Disponível

em:
https://www.automacaoindustrial.info/seguranca-de-dados-na-industria-4-0/.
Acesso em: 19 Dez. 2020.

YIN, R. K. Estudo de Caso – Planejamento e Método. 2. ed. São Paulo: Bookman, 2001.

YU, C.; XU, X.; LU, Y.. Computer-integrated manufacturing, cyber-physical systems and cloud
manufacturing–concepts and relationships. Manufacturing letters, v. 6, p. 5-9, 2015.

ZARTE, M. et al. Building an Industry 4.0-compliant lab environment to demonstrate connectivity

between shop floor and IT levels of an enterprise. In: IECON 2016-42nd Annual Conference of the
IEEE Industrial Electronics Society. IEEE, 2016. p. 6590-6595.

ZHONG, R. Y. et al. Intelligent manufacturing in the context of industry 4.0: a review. Engineering,
v. 3, n. 5, p. 616-630, 2017.

IBM. (2012). What is big data? Disponível em: http://www01.ibm.com/software/in/data/bigdata/.

Acesso em: 01 março de 2021.

Ohlhorst, F. J. (2012). Wiley and SAS Business Series : Big Data Analytics : Turning Big
Data into Big Money. Somerset, NJ, USA: John Wiley & Sons.

Surange, S., & Bansal, A. (2013). IBM Accelerator for Machine Data Analytics, Part 1:
Speeding up machine data analysis. Disponível em:
<http://www.ibm.com/developerworks/data/library/techarticle/dm-1301machinedata1/>.
Acesso em: 01 de março de 2021.

Alpaydın, E. (2010). Introduction to Machine Learning (2nd Edition ed.). Cambridge, MA,
USA: The MIT Press.

Hand, D., Mannila, H., & Smyth, P. (2001). Principles of Data Mining. Cambridge, MA,
USA: The MIT Press.

Reffat, R. M., Gero, J. S., & Peng, W. (2004). Using data mining on building maintenance
during the building life cycle. 38th Australian & New Zealand Architectural Science
Association (pp. 91-97). Hobart: University of Tasmania.
 63

ANEXO A - Coleta da quantidade sucateada no processo de recuperação do carretel