Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 TÍTULO DA DISCIPLINA: ENGENHARIA DE CONFIABILIDADE EDIÇÃO Nº 1 – 2017 ENGO. MBA ADRIANO A.L.C.GAMA FILHO APRESENTAÇÃO Prezado Aluno (a), Você está prestes a iniciar a disciplina de Engenharia de Confiabilidade do curso de Pós-graduação “Lato Sensu” em Gestão da Qualidade. Seja bem- vindo e espero que possa apreciar e agregar mais conhecimentos para sua vida profissional. O conceito da qualidade deve ser completado pela confiabilidade dos processos existentes. Fatores como repetibilidade e determinação de vida de produtos tornan-se preponderantes no ciclo de vida dos produtos e processos. A disciplina estará dividida em quatro unidades sendo elas referenciadas da seguinte maneira: Unidade I: Introdução à confiabilidade. Unidade II: Vida do produto. Unidade III: Estudo de FMEA Unidade IV: Análise de problemas. UNIDADE 01 Introdução à Confiabilidade Caro(a) Aluno(a) Seja bem-vindo(a)! Nesta primeira unidade, iremos estudar aa confiabilidade dentro do contexto da qualidade. Bons estudos!!! Conteúdo da Unidade Nesta unidade abordaremos os seguintes conteúdos: Introdução à confiabilidade Distribuições estatísticas de vida Weibull INTRODUÇÃO À CONFIABILIDADE Confiabilidade dentro do contexto da qualidade Uma questão vital dentro de muitos domínios produtivos, é a operação contínua e prolongada de um sistema produtivo, seja este, de bens ou serviços. Em sistemas de produção, ou transporte, distribuição de energia, água, falhas súbitas são causadas por fenômenos aleatórios, que devem ser analisados, e quando possível evitados de forma a evitar prejuízo comercial e social. As indústrias atualmente se caracterizam por uma grande unidade de volume de produção, em geral relacionadas a sistemas em cadeia complexos, com grande grau de informatização e automação. Nesse contexto a necessidade de controlar possíveis falhas é inerente, garantindo que a variabilidade de um sistema não ultrapasse certo limite, evitando assim grandes prejuízos econômicos. Com base nessa necessidade, foi impulsionado o desenvolvimento e refinamento da teoria da confiabilidade, disciplina que tem como principal objetivo desenvolvimento e aplicação de métodos que são inseridos em todo o processo produtivo com a intenção de previsão de falhas. Por exemplo, imaginamos uma estrutura de computadores em rede que tem confiabilidade de 99. 9995%, isso significa que um computador trabalhando um ano nesse sistema terá 0,005% de chance de falha, ou seja, a probabilidade deste computador trabalhar sem apresentar defeito durante um ano é de 99,995. A Teoria da Confiabilidade, visa que o processo funcione durante o maior tempo possível, a plena carga e sem paradas não previstas. Tendo como objetivos: • Estabelecer Estatísticas de falhas em sistemas. • Estabelecer métodos que permitam melhorar um sistema produtivo, alterando índices quantitativos e qualitativos relativos às falhas. As ferramentas principais da Teoria da Confiabilidades, são a estatística, a teoria das probabilidades, métodos de estimação, distribuições de vida, ferramentas gráficas, entre outros que serão abordados neste módulo. Três conceitos básicos que precisamos compreender a fim do desenvolvimento do curso é o tempo médio entre falhas, e a duração de vida. O primeiro um parâmetro de estimação de média utilizado na modelagem de algumas distribuições de probabilidade, se refere ao tempo entre falhas reparáveis em sequência. O segundo é o tempo até uma falha não reparável que leve ao não funcionamento ou perda de capacidade de determinado item. O terceiro é o tempo médio para a falha, ou seja, o valor médio para o tempo de funcionamento de um item, sem contar o tempo de manutenção. TIPOS DE FALHAS Uma falha ocorre quando há diminuição total ou parcial da eficácia de um componente, este em geral, parte de um sistema. Por exemplo, um rolamento é capaz de trabalhar ainda que sobre desgaste com menos eficácia, isso acontece por ele poder falhas parciais, um fusível, não funciona após a falha, isso por sofrer uma descarga que leva a sua queima. Um item que sofra de um tipo de falha específico, pode evoluir até uma falha catastrófica ou gradual, no caso, quando há uma falha elétrica em uma linha de trem, falamos de uma falha catastrófica, diferente de um problema no monitor do computador que pode evolui de forma gradual. Quanto a duração da falha, podemos ter em uma indústria: 1. Falhas temporárias. (curto circuito, que pode ser reparado) 2. Falhas intermitentes. (mau contato em relé) 3. Falhas permanentes. (fusível queimado ou lâmpada fundida) Há ferramentas específicas dentro da Estatística para modelar a variável aleatória tempo, no que se refere a falha, estas ferramentas serão estudadas no próximo tópico. Distribuições Estatísticas de Vida Na análise de dados, todas as considerações são baseadas em estimativas, ou seja estimamos a confiabilidade de um sistema, justamente por não conhecermos a confiabilidade real deste sistema. A confiabilidade real só seria conhecida se todas as falhas possíveis ocorressem, caso em que teríamos o parâmetro populacional para comparação. Como não é possível chegar a esse número utilizamos algumas distribuições de probabilidade que são adequadas ao estudo de falhas, como a distribuição exponencial, utilizada na função de confiabilidade e a distribuição Weibull. FUNÇÃO DE CONFIABILIDADE Determina a probabilidade de funcionamento sem falhas durante um tempo t, cuja função é. tetRtP λ−== )()( Obtida a partir da distribuição exponencial: ∫ +∞ −+∞−− =−==> t t t tt eedtetTP λλλλ)( Que tem como representação gráfica: Na qual, λ representa a taxa média de falhas, essa função pode ser adaptada para a determinação do número de componentes falhados em um tempo t (N(t)), dado uma população inicial (N0). teNtN λ−= 0)( Note que te λ− nos dá a probabilidade para uma falha após um tempo t, essa probabilidade multiplicada pelo número de componentes nos dá uma estimativa do número de componentes que podem falhar em um determinado sistema. DISTRIBUIÇÃO WEIBULL A família de distribuições Weibull, foi apresentada pelo físico Suco Waloddi Weibull, em 1939. Suas aplicações foram discutidas em um artigo de 1951, chamado “A statical distribution of wide aplicability” Seu modelo é descrito como: > = −− contráriocaso xex xf x ,0 0, );;( 1 αβαβ βα Quando esse modelo matemático se aplica ele é útil para determinarmos a taxa de falha, também chamada de taxa de risco. E perceber desta forma o desgaste a deterioração de um componente. As constantes α e β são chamada respectivamente de parâmetro de forma e escala, a seguir seguem alguns exemplos gráficos da distribuição Weibull, quando se altera estes parâmetros: A taxa de falha da distribuição Weibull, é dada por: 0,)( 1 >= − tttZ βαβ , sendo essa quantidade Z(t) a taxa de falha, quantificando a taxa de mudança, já que considera a probabilidade que o componente dure um tempo adicional, sendo que na na´lise os pontos cruciais são: • Se β = 1, a taxa de falha é igual a α, ou seja, constante. No caso esse é um caso especial em que a distribuição Weibull se transforma na distribuição exponencial, que tem como principal característica a falta de memória, ou seja, da do que se passe um tempo t adicional a probabilidade de falha de um equipamento modelado por esta função, não se altera. • Se β > 1, Z(t) é uma função crescente, isso indica que o componente se desgasta com o tempo. • Se β < 1, Z(t) é uma função decrescente, e nesse caso o componente se fortalece com o tempo. A DISTRIBUIÇÃO LOGNORMALA distribuição lognormal, também pode ser utilizada para modelar o tempo de vida de um equipamento, assim como a distribuição Weibull, mas om uma diferença fundamental, pois produz taxas médias menores nos tempos iniciais. Seu modelo é dado por: < ≥ = −− 00 0 2 1 ),;( 22 )2/(])[ln( x xe xxf x σµ σπσµ Sendo que neste caso, os parâmetros µ e σ não são a média e o desvio padrão da variável X, e sim de ln(x). APLICANDO DISTRIBUIÇÕES DE VIDA Exemplo 1: a DISTRIBUIÇÃO Weibull, pode ser utilizada para modelar emissões de poluentes de vário modelos de motores. Assumindo X como o valor de emissão de NO (g/gal) a partir de certo tipo de motor de quatro tempos selecionado aleatoriamente e supondo que X possua uma distribuição Weibul com α = 2 e β = 10, que possua a seguinte curva de densidade: Com valores concentrados entre 0 e 30, já que 9999,0)300( =≤≤ XP , com quatro casas decimais. Uma observação, sobre modelos de distribuição, é que é comum utilizarmos a distribuição acumulada para cálculos quando um software de estatística não é acessível, se fizermos a integração de ∫ x dxxf 0 ),;( βα obtemos: < ≥−= − 00 01),;( )/( x xexF x αβ βα Exemplo 2: A distribuição lognormal já foi indicada como a melhor opçõ para descrever dados da distribuição da profundidade máxima do ponto de corrosão das tubulações de ferro fundido no solo. É sugerido que uma distribuição lognormal com µ=0,353 e σ = 0,754 é apropriada para a profundidade máxima do ponto de corrosão (mm) dos canos enterrados. Qual seria a probabilidade de a profundidade máxima do ponto de corrosão estar entre 1 e 2 mm? A probabilidade solicitada é 0,3542, que pode ser obtida por meio da calculadora de probabilidades do GeoGebra, software gratuito: Métodos para estimação de parâmetros A inferência estatística tem como objetivo obter informações sobre um ou mais parâmetros, de forma descrever uma população, com base em dados obtidos por uma amostragem, podemos entender que uma média amostral é um estimador do parâmetro média populacional, assim como a variância amostral é um estimados de uma variância populacional. A confiabilidade destes estimadores é foco da inferência, ou seja, temos interesse em saber qual a margem de erro para uma determinada afirmação, lembrando que as observações para isso são variáveis aleatórias, e, portanto ela terá uma distribuição de probabilidades, chamada de distribuição amostral. O símbolo geral escolhido para representar o parâmetro de interesse será o θ, que pode representar a média, a variância, ou qualquer outro parâmetro de interesse. O estimador pontual de algum parâmetro de uma população θ é um único valor numérico θ̂ de uma estatística Θ̂ . A estatística Θ̂ é chamada de estimador pontual. Θ̂ é uma variável aleatória, por que ela é uma função de variáveis aleatórias. Depois de ter sido selecionada, Θ̂ assume um valor numérico particular Θ̂ , chamado de estimador pontual de θ. Ao escolher entre diversos estimadores, devemos nos atentar a escolha de um não viciado, ou seja, quando E(θ̂ ) = θ para todos os valores possíveis de θ. A diferença entre a esperança matemática (E(X)) e o valor pontual do estimador, é chamado de vício, e leva a um deslocamento da função sobre o eixo. Por via de regra quando temos dois estimadores não viciados devemos escolher aquele de mínima variância, já que embora a distribuição observada nos dois estimadores esteja centrada em um mesmo ponto, pode haver dispersões diferentes em torno deste ponto. Nesse caso o que tiver menos dispersão em relação aos dados, terá uma distribuição mais homogênea e por consequência um erro menor. Quando relatamos o valor de uma estimativa pontual, também devemos relatar sua precisão, ou seja identificar qual é o erro em relação a medida, para isso utilizamos o desvio padrão do estimador, também chamado de erro padrão e definido como: 𝜎𝜎𝜃𝜃� = �𝑉𝑉(𝜃𝜃�) Exemplo: Vamos presumir que a tensão de rompimento tenha uma distribuição normal, 𝜇𝜇 = 𝑋𝑋� é o melhor estimador de µ, obtido em 20 amostras. Sabendo que o valor de σ = 2,1, o erro padrão de 𝑋𝑋� é 𝜎𝜎�̅�𝑥 = 𝜎𝜎/√𝑛𝑛 = 2,1/√20 = 0,4696. Caso o valor do desvio padrão populacional ser desconhecido, calculamos a estimativa s (desvio padrão amostral e procedemos de mesmo modo para obter o erro padrão. MÉTODOS DOS MOMENTOS Quando definimos a ausência de vicio em estimadores não indicamos como os mesmos podem ser deduzidos. Para a dedução iremos utilizar de dois métodos, o métodos momentos a ser estudado neste tópico e o método da máxima verossimilhança. O método dos momentos se resume em igualar certas características da amostra, como a média, aos valores esperados da população. As resoluções dessas equações de parâmetros desconhecidos geram os estimadores. O primeiro momento populacional é 𝐸𝐸(𝑋𝑋) = 𝜇𝜇, enquanto que o primeiro momento amostral é (∑𝑋𝑋𝑋𝑋)/𝑛𝑛 = 𝑋𝑋� . segundo momento populacional e amostral são 𝐸𝐸(𝑋𝑋2) 𝑒𝑒 ∑𝑋𝑋𝑋𝑋2/𝑛𝑛, respectivamente. Exemplo: Sendo 𝑋𝑋1,𝑋𝑋2, … ,𝑋𝑋𝑛𝑛 uma amostra aleatória do tempo de espera para um serviço de n clientes em que a distribuição de probabilidade que modela os dados é exponencial com parâmetro λ. Note que há apenas um parâmetro a ser estimado, como esse parâmetro é uma taxa média, utilizaremos 𝐸𝐸(𝑋𝑋) 𝑒𝑒 𝑋𝑋�. Em uma distribuição exponencial temos que 𝑋𝑋� = 1/𝜆𝜆. Logo concluímos que o estimador pelo método dos momentos é 𝜆𝜆 𝑒𝑒 �̂�𝜆 = 1/𝑋𝑋�. MÉTODO DA MÁXIMA VEROSSIMILHANÇA Esse método foi desenvolvido na década de 1920 por R. A. Fisher, ele é mais recomendado do que o método dos momentos, principalmente quando tratamos de grandes amostras. Nesse método nos baseamos nos dados obtidos pela amostra, e devemos determinar qual a distribuição de probabilidade que melhor se encaixa aos dados, ou seja que tem mais possibilidade de ser geradora da amostra. Se por exemplo, uma distribuição de tempo de falha indica que o melhor modelo é o de Weibull, para cada combinação de 𝛼𝛼 𝑒𝑒 𝛽𝛽 temos uma distribuição diferente. O método de máxima verossimilhança escolhe aquele par que melhor se aplicará a amostra observada. Matematicamente podemos definir esse método da seguinte forma: Supondo que nXXX ,...,, 21 tenha uma função densidade de probabilidade ou uma função densidade de probabilidade conjunta, do tipo: ),...,;,...,( 12,1 nnxxxf θθ . Em que os parâmetros possuem valores desconhecidos. Quando os valores das varáveis aleatórias são observados na amostra e é considerada uma função de certo parâmetro, essa função é chamada de função de máxima verossimilhança. As estimativas de máxima verossimilhança são os valores para o estimador pontual do parâmetro que maximizam essa função de modo que: ),...,;,...,(),...,;,...,( 12,1 ^ 1 ^ 2,1 nnnn xxxfxxxf θθθθ ≥ Exemplo: Uma amostra de 10 skates fabricados por certa empresa é obtida, sendo que em teste descobre-se que o primeiro, o quarto e o décimo estão com defeito. Seja p, a proporção de todos os skates que apresentam defeito, defina as varáveis aleatórias de Bernoulli, considerado 1 para o skate defeituoso e 0 para o capacete sem defeitos. Considerando a amostra obtida temos: 11041 === XXX , os outros sete valores de iX são zeros. A função de probabilidade de qualquer iX é xx pp −− 1)1( . Supondo que a condição de cada skate seja independente entre si, temos que a função de probabilidade conjunta é o produto de suas funções individuais logo: 73 1 )1(...)1();,...,( pppppppxxf n −=−= Supondo que p = 0,25, A probabilidade de observar a ,mostra que tivemos é de 0,002086. Supondo que p = 0,5, sua probabilidade passa a ser 0,000977. Para que valor de p a amostra observada é mais possível deter ocorrido? Qual valor de p a função de probabilidade combinada, tem o melhor estimador não viciado de mínima variância? Para determinarmos isso utilizamos o logaritmo natural, visto que determinar o valor de µ que maximiza g(µ), é o mesmo de encontra µ para maximizar ln(µ). Dessa forma: )1ln(7)ln(3])1(ln[)];,...,(ln[ 731 pppppxxf n −+=−= Dessa forma: )1( 1 73)]1ln(7)ln(3[)];,...,(ln[ 1 −− +=−+= pp pp dp dpxxf dp d n Quando igualamos essa derivada a zero, chegamos em 3(1 – p)=7p, em que p = 0,3. Ou seja, nossa estimativa pontual para p é 0,3, e esse é o valor que maximiza a verossimilhança. Esse método tem uma precisão mais forte do que o método dos momentos abordado anteriormente, mas como podemos notar é mais difícil de calcular. Hoje há alguns softwares no mercado que fazem verossimilhança como o Minitab 17. Intervalos de confiança A teoria da inferência estatística consiste nos métodos pelos quais realizamos inferências ou generalizações sobre uma população. O método clássico consiste na estimação de um parâmetro populacional, por meio no qual inferências são baseadas estritamente nas informações obtidas de uma amostra aleatória selecionada da população. Para iniciarmos o trabalho iremos supor , primeiro, que a distribuição da população seja normal, e que o desvio padrão populacional seja conhecido. Pela imagem a seguir notamos que queremos terminar valores em uma distribuição normal padrão deforma que a probabilidade entre dois termos seja conhecida, nesse caso nosso estimador será uma média amostral, e temos interesse determinar um intervalo de confiança para um nível de confiança α conhecido. ( ) α σ µ σ µ α αα αα −= < − <− − = −=<<− 1 , 1 2/2/ 2/2/ z n XzP Assim n XZ onde zZzP Multiplicando cada termo da igualdade por n σ e depois subtraindo X de cada termo e multiplicando por – 1 (revertendo o sentido das desigualdades), obtemos: ασµσ αα −= +<<− 12/2/ n zX n zXP Para pequenas amostras selecionadas de populações não normais, não podemos esperar que nosso grau de confiança seja exato. Entretanto para amostras de tamanho 30≥n , com a forma das distribuições não muito assimétricas, a teoria da amostragem garante bons resultados. Teoremas importantes: • Se X é usado como uma estimativa de µ, podemos estar ( )%1100 α− confiantes que o erro não excederá n z σα 2/ . • Se X é usado como uma estimativa de µ, podemos estar ( )%1100 α− confiantes de que o erro não excederá um valor específico e quando o tamanho da amostra for 2 2 = e z n σα . Nem sempre queremos determinar dois limites de confiança há algumas situações, nas quais só é de interesse determinar o limite superior ou inferior, a diferença no cálculo é que não utilizamos α/2 e sim α. • Limite unilateral Superior: n zX σα+ • Limite unilateral inferior: n zX σα− Exemplo: A concentração média de zinco recuperado de uma amostra de medições desse material em 36 locações diferentes é 2,6 gramas por mililitro. Determine os intervalos de confiança de 95% para a média de concentração de zinco no rio. Assuma que o desvio-padrão da população seja 0,3. 2,6 − (1,96) � 0,3 √36 � < 𝜇𝜇 < 2,6 + (1,96) � 0,3 √36 � 2,50 < 𝜇𝜇 < 2,70 Note que o valor para 96,1025,02/ == zzα , obtido na tabela de distribuição normal em anexo. CASO DO 𝜎𝜎 DESCONHECIDO Com frequência, tentamos estimar a média de uma população quando a variância é desconhecida, nesse caso se temos uma amostra aleatória de uma distribuição normal, então a variável aleatória 𝑇𝑇 = 𝑋𝑋� − 𝜇𝜇 𝑆𝑆 √𝑛𝑛 Tem uma distribuição t com n – 1 graus de liberdade. Nesse caso o intervalo de confiança, será determinado por �̅�𝑥 − 𝑡𝑡𝛼𝛼 2� 𝑠𝑠 √𝑛𝑛 < 𝜇𝜇 < �̅�𝑥 + 𝑡𝑡𝛼𝛼 2� 𝑠𝑠 √𝑛𝑛 No qual 𝑡𝑡𝛼𝛼 2� é um valor t com 1−= ngl ou v = n – 1 graus de liberdade que deixa uma área de 𝛼𝛼 2� à direita, como indicado na figura a seguir: Exemplo: Os conteúdos de ácido sulfúrico em sete contêineres similares são 9,8; 10,2; 10,4; 9,8; 10,0; 10,2 e 9,6 litros. Determine um intervalo de confiança de 95% para a média de todos os contêineres, assumindo uma distribuição aproximadamente normal. 10,0 − (2,447) � 0,283 √7 � < 𝜇𝜇 < 10,0 + (2,447) � 0,283 √7 � 9,74 < 𝜇𝜇 < 10,26 INTERVALOS DE CONFIANÇA PARA UMA PROPORÇÃO Uma estimativa pontual de uma proporção p em um experimento binomial é dado pela estatística P = X/n, onde X representa o número de sucessos em n tentativas. Então, a proporção amostral p = x/n será usada como estimativa pontual do parâmetro p. Senão se espera que a proporção p desconhecida seja muito próxima de 0 ou 1, podemos estabelecer um intervalo de confiança para p considerando a distribuição amostral de p. Sendo p apenas a média amostral de n valores, Então pelo teorema central do limite, para n suficientemente grande, P têm distribuição aproximadamente normal com média p e desvio padrão pq/n. De onde escrevemos: α 𝑃𝑃 �𝑃𝑃 − 𝑧𝑧𝛼𝛼 2 � 𝑝𝑝𝑝𝑝 𝑛𝑛 < 𝑝𝑝 < 𝑃𝑃 + 𝑧𝑧 𝛼𝛼 2 � 𝑝𝑝𝑝𝑝 𝑛𝑛 � = 1 − 𝛼𝛼 Exemplo: Em uma amostra aleatória de n = 500 famílias que possuem aparelhos de televisão na cidade de Vancouver, Canadá, descobre-se que x = 400 assinavam a HBO. Determine um intervalo de confiança de 95% para a atual proporção de famílias dessa cidade que assinam HBO. 0,8 − 1,96� (0,8)(0,2) 500 < 𝑝𝑝 < 0,8 + 1,96 �(0,8)(0,2) 500 0,7649 < 𝑝𝑝 < 0,8351 INTERVALO DE CONFIANÇA E CONFIABILIDADE Por que determinamos um intervalo de confiança de 95%, se podemos determinar um intervalo para 99% ou ainda 99,9%? A resposta está no tamanho do intervalo de confiança, quando aumentamos nossa confiança, naturalmente o intervalo se tornará mais largo, no caso de imaginarmos a amplitude de um intervalo de confiança como sua precisão, podemos notar que seu nível de confiança está inversamente relacionado a sua precisão, ou seja quanto maior o nível empregado menor será a precisão obtida. Logo quando optamos por um intervalo de 99% ao de 95% ganhamos em confiabilidade, mas perdemos a precisão da estimação do parâmetro populacional. INTERVALOS DE CONFIANÇA PARA VARIÂNCIA E DESVIO PADRÃO AMOSTRAL No geral as inferência são feitas para média ou proporção, mas há casos específicos onde há a necessidade de inferir informações a respeito da variância ou do desvio padrão. Esse procedimento é realizado com auxílio da distribuição qui-quadrada, com n – 1 graus de liberdade, dado que uma amostra aleatória que possua distribuição normal com parâmetros µ e σ², tem uma variável aleatória: ² )( ² ²)1( σσ ∑ −=− XXSn i , que possui distribuição qui-quadrada (𝑋𝑋2) com n – 1 graus de liberdade. O intervalo de confiança para a a variância σ² de uma população normal possui seus limites indicados abaixo: Limite inferior: 2 1;2//²)1( −− nXsn α Limite superior: 2 1;2/1/²)1( −−− nXsn α O intervalo para o desvio padrão σ possui limites superior e inferior que são as raízes quadradas dos limites correspondentes para a variância. Intervalos de confiança para duas amostras Podemos determinar um intervalo de confiança para duas amostras utilizando a diferença de duas médias ou a diferença entre duas proporções, obtendo valores críticos z no caso do desvio padrão conhecido ou na estimação da proporção, ou valores críticos t quando amostramos uma média com desvio padrão desconhecido. O conjunto de fórmulas utilizadas forma uma adequação, no caso do desvio padrão conhecido, teremos: 2 2 2 1 2 1 2/2121 2 2 2 1 2 1 2/21 )()( nn zXX nn zXX σσµµσσ αα ++−<−<+−− E no caso do desvio padrão desconhecido mais iguais, temos: 21 2/2121 21 2/21 11)(11)( nn tXX nn tXX ++−<−<+−− αα µµ E: 2 2 2 1 2 1 2/2121 2 2 2 1 2 1 2/21)()( n s n stXX n s n stXX ++−<−<+−− αα µµ Quando os desvios são desconhecidos e diferentes, ambos os casos utilizando a tabela t com v graus de liberdade. Quando os desvios calculados são diferentes o grau de liberdade da distribuição é determinado por: ( ) [ ] [ ])1/()/()1/()/( // 2 2 2 2 21 2 1 2 1 2 2 2 21 2 1 −+− + = nnsnns nsnsv No caso acima, o valor de v envolve variáveis aleatórias, logo essa fórmula estima os graus de liberdade da distribuição, por via de regra há um arredondamento sempre para o número inteiro mais baixo, afim de garantir uma melhor confiabilidade. Exemplo: Um estudo foi conduzido pelo Departamento de zoologia para estimar a diferença na quantidade de ácido fosfórico, em duas estações diferentes do de um determinado rio. O ácido é medido em miligramas por litro. A coleta de dados foi feita da seguinte forma: • 15 amostras na estação 1, que geraram uma média de 3,84 mg/L, com desvio padrão amostral de 3,07 mg/L. • 12 amostras na estação 2, que geraram uma média de 1,49 mg/L, com desvio padrão amostral de 0,80 mg/L. Vamos determinar um intervalo de confiança de 95% para a diferença de médias reais. ( ) [ ] [ ] 163,16)112/()12/8,0()115/()15/²07,3( 12/²8,015/²07,3 22 2 ≈= −+− + =v 120,2025,0 =t com 16 graus de liberdade. Logo: 10,460,0 12 80,0 15 ²07,3120,2)49,184,3( 12 80,0 15 ²07,3120,2)49,184,3( 21 21 <−< ++−<−<+−− µµ µµ Logo estamos 95% confiantes que o intervalo entre 0,6 e 4,1 contém a verdadeira diferença de médias dos conteúdos de ácido fosfórico, para essas duas localizações em um rio. Podemos também estabelecer um intervalo de confiança par a diferença entre duas proporções, utilizando: (�̂�𝑝1 − �̂�𝑝2) − 𝑧𝑧𝛼𝛼 2 � �̂�𝑝1𝑝𝑝�1 𝑛𝑛1 + �̂�𝑝2𝑝𝑝�2 𝑛𝑛2 < 𝑝𝑝1 − 𝑝𝑝2 < (�̂�𝑝1 − �̂�𝑝2) + 𝑧𝑧𝛼𝛼 2 � �̂�𝑝1𝑝𝑝�1 𝑛𝑛1 + �̂�𝑝2𝑝𝑝�2 𝑛𝑛2 Na qual z é um valor crítico determinado na tabela da distribuição normal. EXERCÍCIOS da UNIDADE I 1) Identifique em seu ambiente de trabalho, exemplos de falhas, de acordo com a classificação apresentada neste capítulo. Resposta: pessoal, mas deve seguir o parâmetro: 1. Falhas temporárias. (curto circuito, que pode ser reparado) 2. Falhas intermitentes. (mau contato em relé) 3. Falhas permanentes. (fusível queimado ou lâmpada fundida) 2) Considere a seguinte amostra do teor de gordura (%) de 10 cachorros quentes selecionados aleatoriamente, e determine um intervalo de confiança para 95% 25,2 21,3 22,8 17,0 29,8 21,0 25,5 16,0 20,9 19,5 Resposta: [18,94;24,86] 3) Dado que em 48 tentativas, 16 resultem em uma ignição de um tipo específico de substrato por um cigarro acesso, elabore um intervalo de confiança de 95% para a proporção de todas as tentativas que resultariam em ignição. Resposta: [0,200; 0,466] 4) Um dos fatores que alteram o conforto de um tecido, é o volume vazio. A permeabilidade de um tecido refere-se à acessibilidade do espaço vazio ao fluxo de gás ou líquido. A tabela abaixo oferece informações resumidas a respeito da permeabilidade do ar de vários tipos diferentes de tecido. Considerando os dados como normais estaveleça um intervalo de confiança de 95%. Tipo de tecido Tamanho da amostra Média amostra Desvio padrão amostral Algodão 10 51,71 0,79 Triacetato 10 136,14 3,59 Resposta: [81,80 cm³/cm²/s; 87,06 cm³/cm²/s] 5) Segue abaixo os resultados de um experimento que compara o tratamento de pacientes com câncer utilizando somente quimioterapia, e o tratamento que combina quimioterapia com radiação. Quimioterapia 154 indivíduos 76 sobreviveram 15 anos Quimioterapia + radiação 164 indivíduos 98 sobreviveram 15 anos Estabeleça um intervalo de confiança de 99% para a diferença de proporções de um indivíduo que faz o tratamento com quimioterapia, e do individui que faz o tratamento hibrido. Resposta: [-0,247;0,039] ANEXOS – CAPÍTULO 1 – TABELAS TABELA DA DISTRIBUIÇÃO NORMAL PADRÃO ∫ ∞− − =Φ=≤ z s dsezzZP 2 2 2 1)()( π Tabela da Distribuição Qui-Quadrado Unidade II Análise de vida do produto Caro(a) Aluno(a) Seja bem-vindo(a)! Nesta primeira unidade, iremos estudar a determinação de vida de um produto. Bons estudos!!! Conteúdo da Unidade Nesta unidade abordaremos os seguintes conteúdos: Tipos de dados de vida dos produtos Teoria e métodos de estimação de parâmetros Intervalo de confiança Analisando dados de vida Ao definirmos confiabilidade, nos referimos a capacidade de um item ou produto desempenhar suas funções exigidas sob uma condição pré- estabelecida, por um período de tempo predeterminado, ou seja, que também é conhecido. Também nos referimos a probabilidade deste item ou produto, desempenhar suas funções, em um determinado período de tempo. Combinando estes dois conceitos podemos definir a confiabilidade, como a capacidade e a probabilidade de um item cumprir sua função exigida por um período de tempo determinado. O desenvolvimento da confiabilidade tem como principal objetivo prevenir falhas no produto, estas podem ser analisadas, ainda na etapa de projeto, sendo que neste contexto a falha é definida como perda da capacidade de um item desempenhar uma função exigida. Por exemplo, um smartphone, atualmente tem diversas funções, e seu tempo de vida útil pode estar ligado à degradação dos componentes eletrônicos, a inadequação de softwares, devido a avanços tecnológicos, ou programação do fabricante, ou ainda relacionado a inadequação frente aos novos lançamentos que são constantes, que passa por uma impressão social que aquele aparelho não serve mais. Logo um estudo no que se refere ao tempo de vida de um smartphone teria que levar em consideração estes e outros aspectos, como novos lançamentos, para ser realizado. A análise de dados de vida de um produto ou componente, nos auxilia na obtenção de informações valiosas, que podem servir de base para outras análises, relacionadas a prevenção de falhas, previsão de consumo de peças entre outros. As concessionárias de veículo, por exemplo, buscam manter um estoque mínimo, mas suficiente de peças a fim de ter um atendimento em um tempo que não cause insatisfação ao cliente. Alguns cuidados devem ser tomados durante o processo de coleta de dados para que os resultados e conclusões não sejam equivocados, fato que pode trazer perdas para a empresa. Por exemplo, em uma análise Weibull, nem todos os dados encontrados podem ser tratados da mesma maneira. Quando uma peça é substituída após ficar 800 horas em operação, pode haver dois motivos diferentes para isso. 1) A peça pode ter falhado, caso em que se aplica a distribuição Weibull. 2) A peça pode ter sido trocada preventivamente, caso em que não sabemos o tempo em que ela ainda funcionaria até a falha. Neste caso o tempo de operação da peça é diferente do seu tempo até a falha, ouseja há uma suspensão da atividade. Se entendermos o tempo de suspensão, como tempo até a falha, teremos lima estimativa excessivamente pessimista da realidade, que pode afetar os parâmetros da distribuição de probabilidade ajustada nestes dados. O cuidado em diferenciar a suspensão e a falha pode ser tomado por meio de uma ficha em que de algum modo se indique que a peça não falhou e sim seu uso foi suspenso. Exemplo: Peça Tempo de vida útil Motivo de parada A 600 horas Falha – causa desconhecida B 650 horas Suspensão – manutenção da máquina C 520 horas Suspensão – defeito em outro componente (manutenção) D 700 horas Falha – Causa desconhecida E 612 horas Suspensão – manutenção da máquina Podemos perceber que a preparação de dados é muito importantes para uma análise bem feita, logo deve-se fazer uma entrada correta dos dados, que origine confiança e representatividade de uma informação sem desvios. Após essa coleta, devemos classificar o s dados que estamos, utilizando, já que a maioria contém censuras, ou seja, informações incompletas, no caso as suspensões tratadas anteriormente, que podem ser entendidas como dados de itens nos quais o tempo de falha só será conhecido, após excedermos certos valores de tempo. Definido os tipos de dados, temos: • Dados Completos: a maioria dos dados que não são classificados como dados de vida, bem como alguns tipos de dados de vida. Dados completos significam que o valor de cada item da amostra é observado ou conhecido. Por exemplo, se testarmos 20 itens e todos falharam, teríamos a informação exata do tempo de falha para cada item. Fonte: Reliasof (2001, p.156) • Dados Censurados à Direita: neste caso os dados possuem itens que não falharam. Por exemplo, se testarmos 20 itens, mas somente dezesseis falharam. Neste caso, os dados são compostos, por dezesseis itens que falharam, ou seja, que conhecemos o tempo até a falha e quatro itens que não falharam e que não devem ser desprezados da análise. Fonte: Reliasof (2001, p.163) • Dados em Intervalos Censurados: são dados que contém incertezas em relação ao tempo exato de falha, só sabemos que o item falhou em um determinado intervalo de tempo. Se examinarmos dez tens a cada dez horas, e percebemos que no quinto exame três itens falharam, não podemos determinar o momento exato da falha, somente que a mesma ocorreu entre trinta horas e 40 horas. Fonte: Fonte: Reliasof (2001, p.163) • Dados Censurados à Esquerda: esse tipo de censura é similar à censura em intervalos e é denominado dado censurado à esquerda. É o caso, no qual, a falha ocorre antes de um determinado momento da análise. Fonte: Fonte: Reliasof (2001, p.163) TABELA DE VIDA A tabela de vida é um dos métodos estatísticos mais antigos, utilizados para estimar características associadas à distribuição de tempos de falhas. Essencialmente a a tabela de vida é uma extensão do histograma par o caso de dados censurados. Vejamos os passos para sua construção. Dados os pontos, ∞=<<<<= +110 ...0 kk tttt , dividimos o eixo tempo de 0 a ∞ em k +1 intervalos, sendo que para cada intervalo devemos considerar as seguintes probabilidades: iiii iii ptTtTPq tTtTPp −=><= >>= − − 1)|( )|( 1 1 Em que ip representa a probabilidade de um componente sobreviver além do intervalo (depois de it , dado que ele não falhou até o início do intervalo ( 1−it ) e iq representa a probabilidade de um item falhar no intervalo (entre 1−it e it ), dado que ele não falhou até o início do intervalo. Além disso, observe que pela probabilidade condicional, temos: )( )( )( )()|( 11 1 1 −− − − => >> =>>= i i i ii iii tR tR tTP tTtTPtTtTPp Como, )()( )( )( 1 1 − − =↔= iii i i i tRptRtR tRp E considerando i = 1, 2, 3, ..., k + 1, temos que: 11 ...)( ppptR iii ×××= − E como ii pq −=1 , podemos escrever: )()1()( 1−−= iii tRqtR Podemos obter uma estimativa para a confiabilidade em it a partir de uma estimativa para a probabilidade iq , dada por: 𝑝𝑝� = 𝑁𝑁ú𝑚𝑚𝑒𝑒𝑚𝑚𝑚𝑚 𝑑𝑑𝑒𝑒 𝑋𝑋𝑡𝑡𝑒𝑒𝑛𝑛𝑠𝑠 𝑝𝑝𝑞𝑞𝑒𝑒 𝑓𝑓𝑓𝑓𝑓𝑓ℎ𝑓𝑓𝑚𝑚𝑓𝑓𝑚𝑚 𝑒𝑒𝑚𝑚 𝑞𝑞𝑚𝑚 𝑋𝑋𝑛𝑛𝑡𝑡𝑒𝑒𝑚𝑚𝑖𝑖𝑓𝑓𝑓𝑓𝑚𝑚 𝑁𝑁ú𝑚𝑚𝑒𝑒𝑚𝑚𝑚𝑚 𝑑𝑑𝑒𝑒 𝑋𝑋𝑡𝑡𝑒𝑒𝑛𝑛𝑠𝑠 𝑒𝑒𝑚𝑚 𝑚𝑚𝑋𝑋𝑠𝑠𝑟𝑟𝑚𝑚 − 𝑁𝑁ú𝑚𝑚𝑒𝑒𝑚𝑚𝑚𝑚 𝑑𝑑𝑒𝑒 𝑟𝑟𝑒𝑒𝑛𝑛𝑠𝑠𝑞𝑞𝑚𝑚𝑓𝑓𝑠𝑠2 Exemplo: Vamos considerar os seguintes intervalos: Intervalo Nº em risco Falhas Censura s 𝒒𝒒�% Confiabilidad e [0;5[ 30 2 1 � 2 30 − 12 � × 100% = 6,78% 93,22% [5;10[ 25 3 0 � 3 25 − 02 � × 100% = 12% 88% [10;15[ 42 2 0 � 2 42 − 02 � × 100% = 4,76% 95,24% [15;20[ 28 1 1 � 1 28 − 12 � × 100% = 3,64% 96,36% Uma desvantagem associada as tabelas de vida, é que o número de intervalos de tempo, são escolhidos de forma arbitrária, sendo que o uso de poucos intervalos nos dá uma aproximação grosseira da verdadeira função de confiabilidade. Análise e interpretação de gráficos de confiabilidade Um dos gráficos mais utilizados na análise de taxa de falhas segundo a teoria da confiabilidade é a curva da banheira, nome dado ao gráfico utilizado em análise de equipamentos e seu histórico de manutenção: Fonte: https://pcmusina.files.wordpress.com/2011/07/banheira.png Nela, percebemos que em um período inicial a curva mostra uma diminuição significativa de paradas por problemas de manutenção, em sequência temos a estabilidade, ou seja, o momento em que só ocorrem as manutenções preventivas programadas e com o envelhecimento do equipamento, a curva começa a subir novamente, mostrando o fim da vida útil do mesmo. Isso é melhor indicado na imagem abaixo: Fonte: http://lh6.ggpht.com/_-XmdhGgWUc8/TWakp- JYTwI/AAAAAAAAAEk/J3urxfG- VYk/Banheira_thumb%5B1%5D.jpg?imgmax=800 Onde podemos perceber que a curva da banheira, na verdade é composta por três gráficos, o de falhas prematuras, a de falha constante ou aleatória e o de falhas por desgaste, quando o equipamento está no fim de sua vida útil. No geral podemos indicar outras curvas que são relacionadas a taxas de falhas, respeitando a especificidade de cada caso. Onde indicamos que a curva anteriormente se relaciona com a idade do equipamento, como por exemplo, motores elétricos, engrenagens e controles. Sobre o tempo de operação de um equipamento, podemos perceber que o gráfico de mantém constante por um determinado período, até que o número de falhas começa a aumentar exponencialmente, indicando o fim da vida útil. Alguns exemplos de equipamentos que se enquadram neste modelo, são pistões, discos de freios e aerofólios. http://lh6.ggpht.com/_-XmdhGgWUc8/TWakp-JYTwI/AAAAAAAAAEk/J3urxfG-VYk/Banheira_thumb%5B1%5D.jpg?imgmax=800 http://lh6.ggpht.com/_-XmdhGgWUc8/TWakp-JYTwI/AAAAAAAAAEk/J3urxfG-VYk/Banheira_thumb%5B1%5D.jpg?imgmax=800 http://lh6.ggpht.com/_-XmdhGgWUc8/TWakp-JYTwI/AAAAAAAAAEk/J3urxfG-VYk/Banheira_thumb%5B1%5D.jpg?imgmax=800 As falhas relacionadas com a idade do equipamento já apresentam um crescimento linear, como indicado na figura a seguir: Esta curva dificulta a percepção de futuras falhas pois seu envelhecimento é gradativo, apesar de um aumento discreto na taxa a cada intervalo de tempo. Alguns equipamentos que podem ser modelados por essa curva são: turbinas, compressores e rolamentos. É claro que nem todas as falhas de um equipamento estão relacionadas com idade, mas as mesmas ainda ocorrem em um intervalo de tempo, seja por manutenção inadequada, ou mal uso do equipamento: A questão mais complicada, com esse tipo de falha é que sua taxa é quase nula no início, mas aumenta para um valor não nulo qualquer ao longo do tempo, equipamento propensos a esse modelo flaps de turbinas. O tempo de operação de um equipamento, também não está relacionado a sua idade. Esse tipo de curvapossui uma taxa constante, um exemplo disso são as lâmpadas incandescentes, que não são mais comercializadas no Brasil. A última curva a ser indicada, é em geral, apresentada em aparelhos eletrônicos, pois os mesmo estão sujeitos a uma alta taxa de falhas no início de operação, que após um período inicial, passa a apresentar uma taxa de falhas constante ou quase constate. Cabe ressaltar que para a realização de um controle efetivo, sobre máquinas ou componentes, no que se refere a falhas, há a necessidade de elaboração de um planejamento de atividades de equipe de manutenção e coleta de informações baseadas em históricos de atividade. A própria realização de um plano de manutenção adequado está ligada a construção de um banco de dados de vida, das máquinas e equipamentos em análise, dessa forma é necessário a criação de um sistema que armazene todas as informações relevantes, por exemplo, quando e como ocorreu a última falha no sistema e que ações foram realizadas para sua correção. Análise de garantia Quando tomamos a decisão de adquirir um produto, o que levamos em conta? Vejamos por exemplo, um computador do tipo notebook, se olharmos apenas para as configurações, iremos perceber diversas marcas oferecem produtos muito similares, tanto em design, quanto em preço, nesse sentido como escolher um produto? Em situações deste tipo, o pós venda costuma ser levado em conta, esse pós venda engloba a reputação da marca, facilidade com reposição de peças, e tempo de garantia e modo como ela é oferecida. Afinal um tempo de garantia maior, demonstra que a marca confia que seu produto estará em perfeitas condições ao fim daquele período. Em suma a garantia é um compromisso, entre o produtor e o consumidor, que garante par o segundo que o mesmo terá seu defeito corrigido, no caso de o mesmo existir. Podemos dizer que a maioria dos produtos é vendido com algum tipo de garantia, e que se um produtor oferece uma garantia maior do que seu concorrente, é por que a confiabilidade de seu produto reduz custos associados a utilização da garantia. Em suma, há menos risco que o produto venha a precisar de algum reparo neste período. A garantia de um produto, tanto pode ser utilizada como meio de divulgação da qualidade de um produto, no interesse de melhorar as vendas, como pode ser dada por imposição da legislação vigentes, por exemplo, o código de defesa do consumidor. Fonte: SANTOS, 2008. A figura acima, mostra como a ideia da garantia, forma uma relação entre produtor e comprador, mediada pelo governo, com intenção de garantir um qualidade mínima do produto, ressaltando que um cuidado com a redução de custos de garantia, pode gerar lucro a médio e longo prazo, pela valorização da marca. A garantia de um produto pode ser observada sobre as perspectivas de: 1. Contexto cultural da garantia. 2. Papel da garantia e implicações no ciclo de vida do produto. 3. Gestão de garantia e logística. 4. Análise de custos. 5. Políticas de garantia. 6. Estratégias de garantia. Indicado por Santos, 2008 por meio de um fluxograma: Fonte: SANTOS, 2008 Desta maneira, podemos perceber que a garantia de um produto, está ligada a diversos aspectos da empresa, um produto que tenha uma garantia longa, mais uma baixa confiabilidade de falha nesse período, é insustentável, do ponto de vista comercial. Há três pontos de vista que podem ser abordoados para entender um processo de garantia: • Comprador: proteção e informação, pois estabelece um meio de corrigir falhas do produto, após seu uso devido, e passa uma informação de confiabilidade. • Produtor: proteção e promoção, protege o comprador frente a uso indevido do produto e violações que levem a falha, em geral descritas em um manual. A promoção está ligada ao fato, que um maior tempo de garantia, faz com que o comprador conclua que o produto é mais confiável. • Legislador: definição de responsabilidades, a garantia protege tanto comprador, quanto produtor, deixando claras as responsabilidades de cada um, sobre um item, facilitando a resolução de disputas. As decisões sobre a aplicação da garantia, devem ser levadas em conta, em cada um dos estágios do ciclo de vida de um produto sendo eles: 1. Projeto e desenvolvimento 2. Produção 3. Comercialização 4. Suporte de pós-venda Sendo que as decisões, que podem alterar a confiabilidade de um produto em geral são realizadas em nível de projeto, enquanto que a produção, concretiza as alterações melhorias propostas, que venham a atender a melhora na confiabilidade. A comercialização apresenta o produto aos possíveis compradores. O suporte pós-venda inclui: instalação do produto, serviços de garantia e manutenção, garantia estendida, provisão de peças para reparo, programas de treinamento de redes autorizadas, atualização de produtos e outras formas de assistência ao comprador. Sendo algumas assistências contratadas por um valor adicional, como por exemplo a garantia estendida. DADOS DE GARANTIA Um pressuposto básico na confiabilidade, é a da existência de dados, a cerca do item, no caso de garantia, esses dados estão ligados ao tempo até a falha de um determinado produto e refletem o desempenho em campo das unidades comercializadas. Estes dados podem ser utilizados na revisão do período de garantia, em projetos de melhorias de produtos, ou no desenvolvimento de produtos similares, já que um novo produto não possui dados de garantia de campo. Esses dados não são exatamente fáceis de coletar, pois dependem de um alinhamento com a rede credenciada, em geral terceirizada, para a coleta com precisão das informações. Mesmo assim esses representam as avaliações mais completas e consistentes sobre o desempenho de um produto. Dessa forma dados de garantia apresentam grande potencial como fonte de informação sobre a confiabilidade de um produto. De toda forma a coleta de dados pode ter alguns reveses, pois ocorrem em várias etapas de um processo. Entre eles está o fato de um sistema conter tipicamente muitos módulos, sendo que alguns deles apresentarão poucas falhas, quando realizamos inferências sobres estes módulos, corremos um risco em trata-los igual a módulos de falhas expressivas. É possível que os tempos de registro sejam falhos e inexatos, o que tornam os dados impuros, algumas empresas buscam corrigir esta falha centralizando em um SAC, todo o atendimento da rede credenciada, com registro da nota fiscal. A utilização de dados secundários, também ode gerar problemas na modelagem dos dados, tendo em vista que relatórios de manutenção não se destinam por definição ao registro de falhas. O último ponto crítico está na apresentação de reclamações inválidas, seja por excelência do tempo de garantia, ou mal-uso do produto, ainda é possível que haja reclamações, quando na verdade não houve uma falha. As falhas de um produto durante o período de garantia, podem ser modeladas em nível de componente ou produto, cabe notar que a falha do produto, se deve à falha de um ou mais componentes. O produto pode ser descartado após uma única falha, quando seu concerto excede um determinado valor, ou reparado várias vezes em sua vida útil. Além disso o tempo até a falha será modelado por uma distribuição de probabilidade, mas em um sistema complexo de componentes, o tempo até a falha de cada componente pode seguir um modelo de distribuição diferente, logo o tempo até a falha de um produto não costuma seguir uma distribuição específica, mas sim uma combinação de distribuições de probabilidade. É lógico imaginar que a confiabilidade de um produto se reduz com o tempo, uma redução que ocorre por diversos fatores, como a condição de uso, o meio ambiente o desgaste de peças, onde podemos imaginar uma taxa de falha crescente, comp o modelo gráfico apresentadono capítulo anterior. Por outro lado temos falhas que não relacionam com o tempo de vida de um produto, que podem ocorrer no início de uso decorrentes ao uso indevido, ou falhas de montagem, caso em que o gráfico de banheira também analisado anteriormente é mais adequado. MODELAGEM DE DADOS DE GARANTIA Para tratar esse tópico utilizaremos um exemplo do artigo “Modelagem da confiabilidade utilizando dados de garantia: uma alternativa para resolver as limitações ao se trabalhar com dados de campo” de Oliveira e Turrioni, 2016. Sistema analisado: produto eletrônico portátil, considerado como um único componente, ou seja, não houve distinção entre a causa de falha. Foram analisados 100958 unidades, sendo que 23998 apresentaram falhas de acordo com o histograma abaixo, apresentado no artigo: A identificação da distribuição amostral, se deu por meio de testes de hipóteses, considerando seu valor P-Value, abaixo do nível de significância adotado, conforme discutido anteriormente quando consideramos sistemas complexos podemos estar lidando para distribuições de probabilidade diferentes para cada módulo do sistema, este poderia ser um motivo para a dificuldade de aderir os dados as principais distribuições d probabilidade, conforme relatado no artigo. De qualquer modo, foi feito um levantamento por tipo de falha, que também não obteve sucesso em sua modelagem, este levantamento está presente na tabela a seguir: Deste modo o caminho mais simples, foi a aplicação de um questionário para especialistas no item, de modo a levantar o tempo de falha após a garantia ter terminado, este levantamento resultou em: Quando realizado os testes de aderência com estes dados, obteve-se uma distribuição Weibull já discutida neste capítulo com parâmetro de forma 2,74 e de escala 217,47. Após a modelagem dos dados foi possível identificar que o tem médio para falhas do produto, é de 155 semanas, pelo seguinte gráfico de confiabilidade: Com os seguintes intervalos de confiança. Toda a dificuldade relatada no artigo, gira em torno da falta de um banco de dados adequados sobre falhas, principalmente após o término da garantia, além disso o fato de ouvir opiniões de especialistas, apesar de valido, diminui a acuidade dos dados e é limitado para alguns tipos de produtos. O software utilizado não é exposto no artigo, mas fazemos uma observação no que se refere ao Minitab, que tem uma ferramenta de predição de garantia, que leva em consideração inclusive dados censurados, segue um exemplo de tela: Nota-se que frente as ferramentas estatísticas e de softwares existentes, o maior cuidado em uma análise de garantia, será com a agudeza na coleta de dados, este um problema de difícil resolução, já que afeta diversas partes de uma instituição. Confiabilidade em sistemas Um dos aspectos mais importantes da confiabilidade é a análise de um sistema a partir de seus componentes, sendo um sistema, um conjunto de itens como sunsistemas, softwares e operadores (elemento humano), cujo funcionamento adequado e coordenado implica no próprio funcionamento de um sistema, o exemplo citado, seria, uma central de atendimento telefônico. Quando analisamos um sistema, analisamos não somente o todo, mas também as relações entre os componentes e as confiabilidades de cada componente, dessa forma podendo determinar a confiabilidade de um sistema como um todo. Em geral um sistema pode ser representado por um diagrama de blocos, defininfo a confiabilidade como a probabilidade de um sistema, ou componentes, realizar sua função por um período de tempo, podemos entender o diagrama de blocos como uma rede que descreve a função de um sistema. Dado que um sistema tenha mais do que uma função, cada função deve ser considerada individualmente, por meio de um diagrama de blocos distinto. Exemplo de diagrama de blocos: Fonte: https://www.electronica-pt.com/tv-eletronica Podemos ter uma interpretação mais simples de um diagrama de blocos, de modo a entender o significado de uma falha: https://www.electronica-pt.com/tv-eletronica Quando existe uma conexão entre os pontos a e b, podemos dizer que o componente i está funcionando, ou seja, não ocorre o modo de falha. O modo de falha corresponde a uma das formas em que o componente ou o sistema pode falhar. Dessa forma: Quando temos uma conexão estabelecida entre os pontos a e b, podemos dizer que a função representada no diagrama de blocos está sendo realizada e o modo de falha não ocorre. SISTEMAS EM SÉRIE Na prática essa é a configuração mais comum para um sistema, considere que um sistema em série é formado por n componentes independentes, que deme estar funcionando para que o sistema como um todo não falhe. Esse modelo de sistema é muito utilizado por ser mais simples de montar e trazer uma aproximação razoável de uma situação real. Por sua própria característica, devemos inferir que a confiabilidade de um sistema em série diminui quando aumentamos o número de componentes: A confiabilidade de um sistema, quando consideramos seus componentes como independentes, ou seja: ∏ = = ××××= n i is ns RR ou EPEPEPEPR 1 321 )(...)()()( Já que qualquer falha de componente, corrompe o sistema como um todo, vejamos o exemplo de uma impressora a laser organizada em um diagrama de blocos, considerando a mesma como um sistema em série: Fonte: http://www.producao.ufrgs.br Fonte: http://www.producao.ufrgs.br Ocasionalmente consideramos sistemas com taxas de falhas constantes, λ, quando o tempo de falha é adequadamente modelado pela distribuição exponencial, logo a confiabilidade do sistema é dada por: ∏ ∏ ∑ = = = −=−== n i n i n i iis tttRtR 1 1 1 exp)exp()()( λλ Logo, )exp()( ttR ss λ−= Sendo ∑ = = n i is 1 λλ Concluindo que se todos os componentes de um sistema em série possuem uma taxa de falha constantes, o sistema terá uma taxa de falha constante, e que apesar de todos os componentes terem uma taxa de falha modelada pela distribuição exponencial, estas distribuições em geral não são as mesmas, ou seja, tem parâmetros diferentes. Exemplo: http://www.producao.ufrgs.br/ Considere um sistema em série composto por um telefone sem fio, uma base e uma fonte, em que cada componente tem a seguinte taxa de falha: • Fonte: 5 falhas/106 horas • Base: 3 falhas/106 horas • Telefone sem fio: 15 falhas/106 horas Vamos determinar a confiabilidade desse sistema para 1000 horas de uso: 977,0)1000( 985,0)1000( 997,0)1000( 995,0)1000( )1000(105 )1000(103 )1000(105 6 6 6 =××= === === === − − − ×−− ×−− ×−− telefonebasefontesistema t telefone t base t fonte RRRR eeR eeR eeR λ λ λ SISTEMA EM PARALELO Quando dois ou mais componentes estão em paralelo dentro de um sistema, todos os componentes devem falhar para que o sistema falhe: Logo se pelo menos um dos componentes do sistema funciona, o sistema como um todo não apresentará uma falha, e o sistema é considerado ativo se todos os seus componentes estão em pleno funcionamento. A confiabilidade do sistema formado por n componentes independentes em paralelo ativo, será dada, por 1 menos a probabilidade de que todos os componentes falhem, logo será igual a probabilidade de que pelo menos um componente funcione. Sua expressão de confiabilidade é dada por: ∏ ∏ = = −−= −=×××= n i is n i ins RR REPEPEPq 1 1 21 )1(1 )1()(...)()( Sendo sq a não confiabilidade de um sistema. Exemplo: Considerando o sistema com 3 componentes em paralelo, vamos calcular sua confiabilidade: ( ) ( ) ( )[ ] 995,075,018,019,011 )1(1 3 1 =−×−×−−= −−= ∏ = s i is R RR Devemos observar que a confiabilidade de um sistema em paralelo ativoé pelo menos igual a confiabilidade do seu componente mais confiável, e que para um sistema redundante, no qual, todos os componentes possuem a taxa de falha constante, a confiabilidade do sistema pode ser modelada pela distribuição exponencial, por: ( )∏ = −−−= n i t s ietR 1 11)( λ , em que iλ é a taxa de falha do i-ésimo componente. SISTEMAS EM SÉRIE-PARALELO Sistemas complexos, em geral tem modos ligados em série e paralelos, e sua confiabilidade está ligada a organização dos subsistemas, devendo levar em consideração as ligações em série e paralelo. Veja a figura a seguir: Fonte:https://s3.amazonaws.com/qconassetsproduction/images/provas/4 8471/b8bd502a79a229230517.png No cálculo da confiabilidade, devemos primeiro, identificar e categorizar os subsistemas em série ou em paralelo, em seguida determinar a confiabilidade de cada subsistema, utilizando cada subsistema em série ou paralelo como um novo bloco que faz parte de um novo sistema em um nível mais elevado de detalhamento. O FATOR HUMANO A garantia de manutenção dos sistemas de produção, também passa pelo sistema humano, além disso na resolução de problemas dentro de sistema, o papel humano é fundamental, já que nele há o poder de decisão, antecipação, percepção, entre outras características. A atividade humana, pode estar presente em uma estrutura própria de ergonomia, não apenas como um resíduo de automação, assumindo dessa forma um papel estruturante no interior de sistemas sócio técnicos, transformando suas funções na medida que os sistemas automatizados evoluem. O exemplo mais clássico da interação humana, em um sistema está ligado a troca de turnos, conforme indicado na figura a seguir. Fonte: Borges e Menegon, 2009. Nesse tipo de sistema a eficiência operacional depende de uma série de sistemas técnicos e humanos, esses interligados em todo o fluxo de produção. EXERCÍCIOS da UNIDADE II 1) Com base em um produto que você conhece ou que trabalha diretamente, organize um diagrama de blocos, decompondo o sistema com seus módulos em série e paralelo. Resposta pessoal 2) Defina os principais envolvidos em um processo de garantia de produto, e o papel de cada um dos envolvidos. Resposta: O aluno deve dissertar a respeito do papel do produtor, do governo e do comprador, como a garantia é vista por cada um dos elementos com base no fluxograma: 3) Determine a confiabilidade no sistema hibrido, série -paralelo abaixo: Dica: decomponha o sistema em três subsistemas em paralelo e depois trate como um único subsistema em série. Resposta: 0,81 4) Um sistema é formado por quatro componentes em série cada um dos quais possuindo tempo de falha distribuído de acordo com Weibull e com parâmetros fornecidos na seguinte tabela: Estime a confiabilidade do sistema. Resposta: 0,8415 5) 100 lâmpadas foram testadas durante 1000h, sendo obtido os resultados da Tabela abaixo. Calcule a Taxa de Falhas (Tf) para o caso estudado. 𝐷𝐷𝑋𝑋𝑟𝑟𝑓𝑓: 𝑇𝑇𝑓𝑓 = 𝑝𝑝𝑞𝑞𝑓𝑓𝑛𝑛𝑡𝑡𝑋𝑋𝑑𝑑𝑓𝑓𝑑𝑑𝑒𝑒 𝑑𝑑𝑒𝑒 𝑓𝑓𝑓𝑓𝑓𝑓ℎ𝑓𝑓𝑠𝑠 𝑝𝑝𝑞𝑞𝑓𝑓𝑛𝑛𝑡𝑡𝑋𝑋𝑑𝑑𝑓𝑓𝑑𝑑𝑒𝑒 𝑑𝑑𝑒𝑒 𝑞𝑞𝑛𝑛𝑋𝑋𝑑𝑑𝑓𝑓𝑑𝑑𝑒𝑒𝑠𝑠 𝑥𝑥 ℎ𝑚𝑚𝑚𝑚𝑓𝑓𝑠𝑠 𝑑𝑑𝑒𝑒 𝑚𝑚𝑝𝑝𝑒𝑒𝑚𝑚𝑓𝑓çã𝑚𝑚 Resposta: 0,00008333 UNIDADE III Estudo de FMEA Caro(a) Aluno(a) Seja bem-vindo(a)! Nesta primeira unidade, iremos estudar com analisar e prever falhas em processos, produtos e desenvolvimentos Bons estudos!!! Conteúdo da Unidade Nesta unidade abordaremos os seguintes conteúdos: O que é FMEA Tipos de FMEA Construção de FMEA A metodologia de Análise do Tipo e Efeito de Falha, conhecida como FMEA (do inglês Failure Mode and Effect Analysis), é uma ferramenta que de ação preventiva baseada princípio, evitar, por meio da análise das falhas potenciais um conjunto de propostas de ações antecipadas de melhoria, que possam ocorrer nos projetos de desenvolvimento, processo e produto. Desta forma o objetivo principal é diminuir as chances de falhas durante por exemplo a utilização de um produto ou seja, buscamos aumentar a confiabilidade deste ou, entermos estatísticos diminuir a probabilidade de falha. Em um relato pessoal, vivenciei a experiencia junto a indústria automoilístca no setor de auto peças e percebi o quanto esta dimensão teve sua importância no context de garantir a confiabilidade dos sistemas que produzíamos. pois, as falhas dos produtos causavam insatisfação, mesmo que reparada pelo serviço de assistência técnica das concessionárias e muitas vezes com coberto pela garantia. Esta metodologia torna-se mais significativa e importante à medida que a complexidade e segurança dos produtos e processos aumentam. Imaginem um avião com falhas de motor durante o vôo, um aparelho de manutenção de vida falhando! Apesar do foco sido desenvolvido para o estudo dos novos projetos e produtos atualmente ja existem relatos da utilisação em áreas administrativas, analyses de riscos de engenharia de segurança e industria de alimentos. Definição: Análise FMEA (Failure Mode and Effect Analysis) é uma metodologia que objetiva avaliar e minimizar riscos por meio da análise das possíveis falhas (determinação da causa, efeito e risco de cada tipo de falha) e implantação de 1 Tipos de FMEA As análises FMEA´s são classificadas basicamente em dois tipos: FMEA DE PRODUTO: estuda-se as potenciais falhas que poderão ocorrer com o produto a partir das especificações no projeto original. É denominado também de FMEA de projeto. (DFMEA) FMEA DE PROCESSO: estuda-se as potenciais falhas no planejamento de execução do processo, toma-se como base as não conformidades do produto com as especificações do projeto. (PFMEA) 2 Porquê usar o FMEA • para diminuir a probabilidade da ocorrência de falhas em projetos de novos produtos ou processos; • para diminuir a probabilidade de falhas potenciais (ou seja, que ainda não tenham ocorrido) em produtos/processos já em operação; • para aumentar a confiabilidade de produtos ou processos já em operação por meio da análise das falhas que já ocorreram; • para diminuir os riscos de erros e aumentar a qualidade em procedimentos administrativos. 3 Como executar o FMEA Para aplicar a metodologia é necessário a utilização de um formulário de FMEA como veremos logo adiante na fig xx. Funcionamento Básico A metodologia independe do tipo de FMEA que será aplicado, Produto ou processo, novos ou em operação. Técnicamente para executar um FMEA forma-se um grupo de pessoas que irão identificar as possíveis falhas de um produto ou processo em relação às suas funções, identifica-se os tipos de flahas os efeitos e causas destas falhas.Na sequencia são avaliados os riscos e em função deles aaliadas as possíveis ações de melhoria e em um future próximo a reavaliação dos tópicos avaliados anteriormente para validação e confirmação das ações determinadas anteriormente.. A figura xx ilustra o funcionamento da análise FMEA. O formulário do FMEA tem cada coluna com sua respective definição e de acordo com a sequencia das colunas é definido o seu preenchimento sempre da esquerda para a direita. Observa-se que este preenchimento deve ser um exercício de reflexão de todos os mebros do grupo de análise sobre toas as potenciais falhas que podem ocorrer A metodologia FMEA tem sua importancia pois incorpora a sua empresa uma forma sistemática de registrar as informaçõs sbre as falhas dos produtos e processos, corroborando assim para o melhor conhecimento o funcionamentos dos processos e produtos. Ficam também registradas as ações de melhoria e promove a redução de custos por meio das prevenções das falhas, além de criar uma cultura empresarial pró ativa ao inves dereativa. Etapas de execução Planejamento Na formação do grupo existe a necessidade de ser eleito o responsável pela aplicação da metodologia. Suas responsabilidades são: • descrição dos objetivos e abrangência da análise: Consiste em que identificar qual produto ou processo será objeto de análise • formação dos grupos de trabalho: definir a equipe ou grupo de trabalho multidisciplinar, normalmente entre 4 e 6 pessoas que tenham relação com o objeto de estudo. • planejamento das reuniões: agendadar reuniões com antecedência e com acordo de todos os participantes. • Preparação da documentação Análise de Falhas em Potencial O grupo de trabalho deve discutir e analisar os tópicos ou colunas na sequencia abaixo: • função e característicado produto/processo (coluna 1 na figura 2); • tipo de falha potencial para cada função (coluna 2); • efeito do tipo de falha (coluna 3); • causa possível da falha (coluna 4); • controles atuais (coluna 5); Avaliação dos Riscos O objetivo desta faze é quantificar o risco envolvido para cada uma das avaliações anteriores ~sao avaliados nesta faze : a. os índices de severidade (S), b. ocorrência (O) e c. detecção (D) para cada causa de falha, de acordo com critérios previamente definidos conforme as tabelas específicas a seguir. Depois são calculados os coeficientes de prioridade de risco (R), por meio da multiplicação dos três índices. P=SxOxD A seguir as tabelas dos índices de severidade, ocorrência e detecção SEVERIDADE Índice Severidade Critério 1 Mínima O cliente mal percebe que a falha ocorreu 2 3 Pequena Ligeira deterioração no desempenho com leve descontentamento do cliente; 4 5 6 Moderada Deterioração significativa no desempenho de um sistema com descontentamento do cliente 7 8 Alta Sistema deixa de funcionar e grande descontentamento do cliente 9 10 Muito Alta Idem ao anterior porém afeta a segurança OCORRÊNCIA Índice Ocorrência Proporção Cpk 1 Remota 1:1.000.000 Cpk> 1,67 2 Pequena 1:20.000 Cpk>1,00 3 1:4.000 4 Moderada 1:1.000 Cpk < 1,00 5 1:400 6 1:80 7 Alta 1:40 8 1:20 9 Muito Alta 1:8 10 1:2 DETECÇÃO Índice Detecção Critério 1 2 Muito Grande Certamente será detectado 3 4 Grande Grande probabilidade de ser detectado 5 6 Moderada Provavelmente será detectado 7 8 Pequena Provavelmente não será detectado 9 10 Muito Pequena Certamente não será detectado Figura xx: Exemplos de Critérios de Risco Melhoria Aqui analisamos e utilizamos os conhecimentos, criatividade por meio de técnicas de brainstormingas possíveis ações que podem minimizer os riscos calculados anteriormente. As medidas normalmente versam sobre: • medidas de prevenção total ao tipo de falha; • medidas de prevenção total de uma causa de falha; • medidas que dificultam a ocorrência de falhas; • medidas que limitem o efeito do tipo de falha; Observações Importantes: • quando o grupo estiver avaliando um índice, os demais não podem ser levados em conta, ou seja, a avaliação de cada índice é independente. Por exemplo, se estamos avaliando o índice de severidade de uma determinada causa cujo efeito é significativo, não podemos colocar um valor mais baixo para este índice somente porque a probabilidade de detecção seja alta. • No caso de FMEA de processo pode-se utilizar os índices de capacidade da máquina, (Cpk) para se determinar o índice de ocorrência. • medidas que aumentam a probabilidade de detecção do tipo ou da causa de falha; após a definição das medidas de melhorias estas deme ser registradas com o nome do responsável e prazo de execução, e em um futuro próximo definido pelo prazo uma nova avaliação dos riscos. ser Cod_pec : Nome da Peça: Data: Folha No. de □ FMEA de Processo □ FMEA de Produto Descrição Função(ões) Tipo de Falha Efeito de Falha Causa da Controles Índices Ações d e Melhoria do Produto/ do produto Potencial Potencial Falha em Potencial Atuais S O D R Ações Recomendadas Responsável/ Prazo Medidas Implantadas Índices Atuais Processo S O D R (0) Produto/ Processo objeto de análise Quem está sendo analisa do ? (1) Função e/ou características que devem ser atendidas pelo produto. Ex.: Suportar o conjunto do eixo. Quais funções ou característic as devem ser atendidos ? (2) Forma e modo como as características ou funções podem deixar de ser atendidas. Ex.: Desbalanceado, Rugoso, Trincado... Como a função ou característic a pode não ser cumprida ? (3) Efeitos (conseqüências) do tipo de falha, sobre o sistema e sobre o cliente. Ex.:vazamento de ar, ruidoso, desgaste prematuro, etc... Que efeitos tem este tipo de falha ? (4) Causas e condições que podem ser responsáveis pelo tipo de falha em potencial Ex.: Erro de montagem, falta de lubrificação, etc... Quais poderiam as causas ? (5) Medidas Preventivas e de detecção que já tenham sido tomadas e/ou são regularmente utilizadas nos produtos/proces sos das da enmmpresa. Quais medidas de prevenção e descoberta poderiam ser tomadas ? (6) S E V E R I D A D E S (7) O C O R R Ê N C I A O (8) D E T E C Ç Ã O D (9) R I S C O S R (10) Ações recomenda- das para a diminuição dos riscos (11) Reponsável e Prazo (12) (13) (14) (15) (16) Quais os riscos prioritár ios ? Quais medidas podem ser tomadas para atenuar os riscos? S = Severidade O = Ocorrência D = Detecção R = Riscos Lista de verbos e substantivos geralmente utilizados na construção do FMEA Esta seção tem por objetivo providenciar alguns exemplos de verbos e substantivos usados na construção do FMEA. Esta lista não contém todos os substantivos e verbos por razões óbvias. Ela tem a função de servir como exemplo para o leitor, para que ele tenha uma idéia melhor de como iniciar a construção do FMEA. FMEA de projeto o Verbos Atuar Amplificar Aplicar Mudar Fechar Coletar Conduzir Conter Controlar Criar Diminuir Emitir Estabelecer Prender Filtrar Segurar Inflamar Impedir Melhorar Aumentar Induzir Isolar Interromper Limitar Localizar Manter Modular Equipar Mover Prevenir Proteger Corrigir Reduzir Repelir Rotacionar Proteger Fortalecer Encurtar Espaçar Sustentar Determinar (tempo) o Substantivos Aparência Circuito Contatos Contaminação Conveniência Corrente Dano Densidade Poeira Efeito Energia Características Fluxo Fluido Força Formulário Fricção Calor Isolamento Luz Líquido Barulho Oxidação Tinta Painel Pistão Proteção Radiação Reparo Ferrugem Estilo Interruptor Simetria Torque Vibração Voltagem Volume Peso FMEA de processo o Verbos Permitir Aplicar Cozer Diminuir Descartar Dirigir Secar Eliminar Friccionar Acabar Despedir Formular Gerar Melhorar Elevar Carregar Minimizar Modificar Mover Produzir Receber Reduzir Remover Resistir Restringir Dar forma Organizar Estocar Suportar Transmitir Transportar Pesar Empacotar o Substantivos Corrosão Esforço Eletricidade Energia Ambiente Equipamento Dispositivos elétricos Força Luz Material Movimento UNIDADE IV Estudo de FMEA Caro(a) Aluno(a) Seja bem-vindo(a)!Nesta primeira unidade, iremos estudar como identificar e solucionar problemas através da metodologia MASP Bons estudos!!! Conteúdo da Unidade Nesta unidade abordaremos os seguintes conteúdos: O que é MASP Estudo de caso do FOCEN Metodologia para identificação de problemas Os estudos de confiabilidade tornan-se eficazes à medida que conseguimos identificar com muita precisao os probelmas envolvidos com um determinado evento. Muitas vezes nos deparamos com estudos estatísticos profundos porém sem o resultado esperado. Nesta última unidade iremos estudar por meio do material do FOCEM – Fundo para a Convergencia Estrutural do Merco Sul a metodologia de Masp – Metodologia de Análise de Solução de Problemas. O crédito deste capítulo deve ser dado ao FOCEM e as entidades mencionadas neste material. QUALIDADE Os requisitos de qualidade do cenário mercadológico atual variam e evoluem conforme o processo de evolução tecnológica. Cada dia mais é necessário o aperfeiçoamento dos processos para atender as necessidades dos clientes. Considerando que as necessidades do público consumidor alteram-se constantemente, pode-se analisar que a busca pela melhoria dos processos deve ser contínua também, para que o conceito de qualidade não perca seu sentido na percepção do consumidor. Classificar qualidade e defini-la em palavras é um tanto complexo uma vez que as variáveis que influenciam na sua classificação são subjetivas a cada ser humano em sua singularidade. Consideremos algumas definições de qualidade: • Qualidade é adequação ao uso. (Joseph Juran) • Qualidade é conformidade aos requisitos. (Philip Crosby) • Qualidade é o grau no qual um conjunto de características inerentes satisfaz requisitos. (ISO 9000:2000) O movimento da qualidade se iniciou por volta da década de 20 quando os gestores começaram a notar a necessidade de satisfazer os clientes com seus produtos a um custo menor. Por muitos anos após a II Guerra Mundial, a qualidade foi vista mais como uma função defensiva do que como uma arma competitiva para utilização no desenvolvimento de novos mercados e no aumento da participação de mercados já conquistados. Logo após a Guerra, aumentou a demanda por mercadorias nos EUA devido à ênfase dada à qualidade durante a Guerra. Neste contexto, Juran e Deming deram início ao processo de ensinar aos gestores japoneses a necessidade de fazer certo da primeira vez, gerando menores custos e aumentando o nível de qualidade. A Figura xx apresenta graficamente a evolução da qualidade ao longo dos anos e ao mesmo tempo as ações naturais que as empresas desenvolvem em busca da qualidade. Para cada estágio pode-se analisar como funciona a fábrica, o que o cliente recebe, qual poderia ser o slogan ou falácia dentro da empresa, qual a estratégia adotada e que tipo de inspeção é utilizado. Operações Erros Defeitos Inspeções Operações Erros Defeitos Inspeções Operações Erros Operações Erros f i Operações Erros Defeitos Inspeções M el ho ria Pr oc es so s M el ho ria Pr oc es so s Situação Fábrica Cliente Slogans Estratégia Inspeções Figura 1 – A busca da Qualidade Na primeira situação, onde os defeitos saem da empresa, a fábrica não conta com qualquer tipo de inspeção, fazendo com que os clientes recebem produtos defeituosos. É comum em uma situação destas, ouvir falar na empresa que há muitos defeitos e muitas reclamações. Não pode ser considerado que uma empresa que atue desta forma tenha uma estratégia, pois atua sem inspeção de qualidade. Em um estágio um pouco mais evoluído a empresa faz com que os defeitos deixem de sair da empresa, instalando uma inspeção ao final de todo o processo produtivo, fazendo com que os defeitos sejam filtrados e não cheguem aos clientes. Neste cenário o lema é evitar reclamações e isto muitas vezes implica na estratégia de aumentar cada vez mais o número de inspetores. O problema desta estratégia é que, apesar de não deixar os defeitos chegarem no cliente, o defeito é detectado tarde demais não permitindo ações para solucionarem os problemas, pois trata-se de uma inspeção por julgamento. Reduzir os defeitos é o passo seguinte à situação anterior. Neste caso o controle de qualidade atua conjuntamente com a fábrica na busca de melhoria para que os mesmos defeitos não ocorram novamente. É fundamental para o sucesso desta estratégia a intensificação de melhorias no controle de qualidade, utilizando-se de ferramentas de qualidade e de um método de Defeitos saem da empresa Defeitos NÃO saem da empresa Reduzir Defeitos Defeitos NÃO saem do processo M el ho ria solução de problemas. Esta inspeção denomina-se inspeção informativa, pois além de não deixar os defeitos chegarem nos clientes, informam a produção acerca do que está ocorrendo. A evolução natural ao estágio anterior é passar a inspecionar os produtos em cada etapa do processo e já realizar a melhoria no próprio local de trabalho. A ideia neste caso é não deixar que os defeitos passem adiante, evitando custos desnecessários de retrabalho. Para que seja possível adotar a inspeção no processo, é imprescindível que os operadores sejam bem treinados e que estes possam seguir métodos de solução de problemas e estejam aptos a utilizarem ferramentas de qualidade. A última e deseja etapa é a que não conta com defeitos no processo produtivo, ou seja, que a inspeção ocorra antes mesmo do defeito ocorrer. Este tipo de inspeção é conhecida como inspeção na fonte, ou produção zero-defeitos. A técnica utilizada para que se elimine os defeitos foi desenvolvida pelos japoneses e denomina-se Poka Yoke, que é definido como um sistema a prova de falhas. Obviamente que é extremamente difícil uma empresa ter todos os seus processo trabalhando com inspeção na fonte. Tradicionalmente as empresas, ao compararem-se com este modelo gráfico, identificam processos em quase todos os estágios, porém é benéfica a busca incessante para se aproximar ao nível de zero-defeito, pois inspecionar na fonte geram menores custos na produção como pode ser visto na Figura xx. Um problema que não é detectado na fonte, e sim no final da linha, acarreta outros custos, como retrabalho, refugo e possível atraso na entrega, pois no momento da inspeção entende-se que o produto deveria estar pronto. Se o defeito chegar no cliente, o custo eleva-se ainda mais. Os custos de garantia, administrativos e de pós-vendas podem ser medidos, porém os custos decorrentes de perda de mercado e descontentamento dos clientes são muito difíceis de medir e infinitamente maiores que os anteriormente citados. No Cliente No Final da Linha •Custos de garantia •Custos administrativos •Descontentamento do cliente •Perda de participação no mercado Na Fonte •Retrabalho (possível refugo) •Aumento do custo de inspeção •Atrasos na entrega •Menores atrasos na produção Onde Detectado Figura 2 – Detecção e o Custo dos Defeitos Todos estes custos decorrentes da má qualidade são gerados por perdas e insatisfações, que por sua vez são gerados por problemas. Um problema é um efeito indesejável que envolve qualquer situação que resulte em insatisfações do cliente ou perdas (resultado) para organização. Neste sentido, entende-se que é fundamentos métodos e ferramentas que auxiliem as empresas a solucionar problemas. Cu st o do s D ef ei to s O CICLO PDCA O ciclo PDCA é um método gerencial de tomada de decisões para garantir o alcance das metas necessárias a sobrevivência
Compartilhar