Baixe o app para aproveitar ainda mais
Prévia do material em texto
AULA 3 CERTIFICAÇÃO LEAN SIX SIGMA GREEN BELT – FERRAMENTAS PARA O DESENVOLVIMENTO E MELHORIA Prof. Rafael Simões Ribeiro 2 INTRODUÇÃO O objetivo desta aula é nos aprofundarmos nos conceitos de planejamento de experimentos (Design of Experiments, DOE). Vamos abordar os experimentos fatoriais fracionados, que consistem em frações do experimento fatorial completo. Utilizamos tal abordagem quando temos muitos fatores desconhecidos, os quais queremos entender a significância estatística e sua contribuição para as variações dos resultados experimentais. Isso faz com que tenhamos um custo-benefício ainda maior, abrindo mão de algumas informações que não necessariamente são importantes para a compreensão do todo. TEMA 1 – EXPERIMENTOS FATORIAIS FRACIONADOS O experimento fatorial é um grande avanço em termos de metodologia e custo-benefício em relação à tentativa e erro e ao one factor at a time (Ofat). No entanto, se quisermos realizar um experimento com oito fatores em dois níveis, teremos 28 = 256 testes, o que é impraticável. Para contornar isso, podemos escolher abrir mão de algumas informações, tornando nosso modelo matemático menos preciso, em prol de aumentar o custo-benefício do nosso planejamento. Isso é realizado com os experimentos fatoriais fracionados. Vamos utilizar o mesmo exemplo didático que vimos em momento anterior para entendermos o conceito de experimentos fatoriais fracionados. Vejamos, na Figura 1 a seguir, a seleção de quatro dos vértices do cubo; isso significa a realização, ao invés dos oito testes, de apenas quatro, ou 23−1. Agora, à esquerda dessa figura, vejamos a projeção desses pontos, como se tivéssemos uma forte luz iluminando cada face. Uma projeção é como uma sombra, na qual não conseguimos visualizar o objeto em si, mas, ao menos, temos uma ideia de sua silhueta. Isso é o que acontece quando fracionamos um experimento. Perdemos informações sobre os dados principais (vértices), mas, por meio de projeções (sombras), podemos obter outras informações sobre o experimento, porém, com um nível menor de resolução (ou um nível maior de confundimento, que será explicado a seguir) entre os fatores. 3 Figura 1 – Projeções de um experimento fracionado 23−1 Fonte: elaborado com base em Box; Bisgaard, 1987, p. 25. Em estudos reais sobre projetos e produtos, é normal nos depararmos com vários fatores mapeados em nossos mapas de produto e de processo. Na maioria das vezes, podemos identificar, entre esses fatores (e com base em nossa experiência sobre o tema), os mais promissores em termos de contribuição para a variação do valor resposta que estamos medindo. Porém, ainda que essa identificação preliminar seja realizada, é comum nos depararmos com cinco, seis ou até mais fatores. Um experimento fatorial completo com cinco fatores resulta em 32 testes, enquanto um de seis fatores resulta em 64 testes. Mesmo que esses números de testes sejam factíveis (apesar de ainda extensos), pode ser que não tenhamos uma noção ideal de como escolher os níveis – e + para cada fator. Como resultado, é provável que o primeiro experimento planejado que realizaremos tenha limitações em termos do planejamento feito; essas limitações, eventualmente, não permitirão que atinjamos uma conclusão final em relação ao estudo que queremos conduzir, fazendo-se necessárias outras execuções de experimentos planejados. Assim, geralmente nos referimos ao primeiro experimento planejado que estamos realizando a respeito de um problema que queremos estudar, como um experimento exploratório. Não há regras, dependendo das respostas, talvez nosso segundo experimento planejado ainda continue sendo um experimento exploratório. A característica principal de experimentos exploratórios, como o nome sugere, é a descoberta rápida de algumas informações limitadas, com um bom custo-benefício; em outras palavras, queremos explorar o problema, utilizando de experimentos fatoriais fracionados para “separarmos o joio do trigo”. 4 Ainda que tenhamos maiores incertezas na realização de experimentos fatoriais fracionados, um DOE exploratório é útil para identificarmos fatores totalmente irrelevantes. Caso isso aconteça, por meio de um DOE exploratório de, digamos, oito fatores, podemos passar para um segundo DOE carregando, talvez, apenas quatro ou cinco. Esse procedimento é muito comum em problemas na indústria. À medida que realizamos experimentos, podemos passar para planejamentos de otimização, nos quais temos bastante certeza em relação aos fatores e seus níveis de variação que interessam ao nosso estudo. Esses experimentos podem ser realizados em alta resolução (até como um DOE fatorial completo) e, com isso, obtemos modelos matemáticos robustos capazes de nos indicar caminhos de otimização. TEMA 2 – RESOLUÇÃO DO EXPERIMENTO Vejamos, na Tabela 1 a seguir, um esquema que apresenta a resolução de experimentos fatoriais. Nela, reparemos que F (full) corresponde ao experimento fatorial completo (isto é, sem confundimentos entre os fatores e interações), enquanto III, IV, V, … correspondem à resolução do experimento fatorial fracionado. Um experimento de resolução III tem confundimento entre fatores de primeira ordem e fatores de segunda ordem [III → 1 + 2], o que nem sempre é algo desejável (mas pode ser utilizado em DOE exploratórios, com muito fatores). Já a resolução IV gera confundimentos entre fatores de primeira e terceira ordens e entre fatores de segunda ordem [IV → 1 + 3, 2 + 2]. Experimentos de ordem V têm confundimento entre fatores de primeira ordem com quarta ordem e entre fatores de segunda ordem com terceira ordem [V → 1 + 4, 2 + 3], e assim por diante. Tabela 1 – Resolução de experimentos fatoriais Fatores Rodadas 2 3 4 5 6 7 8 9 10 11 12 4 F III 8 F IV III III III 16 F V IV IV IV III III III III 32 F VI IV IV IV IV IV IV 64 F VII V IV IV IV IV 128 F VIII VI V V IV Fonte: Ribeiro, 2021. 5 Reparemos que as cores são sugestões de experimentos; não necessariamente um experimento de ordem III é ruim, mas é importante tomar cuidado com a interpretação dos resultados, buscando um significado físico para as interações de segunda ordem e confundimentos. Já uma resolução V é considerada muito boa, uma vez que o confundimento de primeira ordem é com a quarta ordem, ou seja, um efeito principal estará confundido com um efeito conjunto de quatro fatores, o que é muito improvável acontecer. A resolução IV está no meio termo e é a resolução mais utilizada em aplicações reais, pois apresenta um custo-benefício interessante. Quando temos muitos fatores (nove em diante) é interessante realizarmos um experimento planejado de resolução III, com 16 rodadas experimentais (comumente chamadas de runs). Quando temos um número entre cinco e sete fatores, devemos analisar se faz sentido realizar um experimento de resolução III com apenas oito rodadas experimentais ou realizar um experimento de resolução maior com 16 rodadas experimentais. Se for o início do estudo, provavelmente o experimento de resolução III seja suficiente; se já tivermos conduzido um experimento exploratório prévio, talvez a melhor escolha seja aumentarmos a resolução (e o número de testes). Resoluções IV ou V são suficientes para planejamentos experimentais de quaisquer tipos, enquanto um experimento fatorial completo (F) geralmente só é considerado quando lidamos com dois ou três fatores. TEMA 3 – MATRIZ DE CONFUNDIMENTO Para esclarecer o conceito de confundimento, no Quadro 1 a seguir mostramos um planejamento de quatro rodadas experimentais com três fatores e resolução III, similar ao ilustrado pela Figura 1 anterior. Quadro 1 – Experimento fatorial fracionado de resolução III e quatro rodadas Rodada A B C AB AC BC ABC 1 − + − − + − − 2 + − − − − + + 3 − − + + −− + 4 + + + + + + + Fonte: Ribeiro, 2021. 6 Reparemos que AB = C, AC = B e BC = A. Esses são os confundimentos, o que significa que os valores que calcularmos para efeitos principais A, B e C podem se referir, na verdade, aos efeitos das interações AB, AC e BC, e vice- versa. Para entendermos qual é qual, necessitamos realizar uma análise prática, pensando no fenômeno físico daquilo que está sendo testado e, enfim, utilizar nossas habilidades de engenheiros. Veja, no Quadro 2, um planejamento fatorial fracionado com quatro fatores e oito rodadas experimentais, constituindo-se em um experimento de resolução IV, no qual esperamos confundimentos de primeira e terceira ordens e de segunda com segunda ordem. Quadro 2 – Experimento fatorial fracionado de resolução IV e oito rodadas Run A B C D AB AC AD BC BD CD ABC ACD BCD ABD 1 + + + + + + + + + + + + + + 2 + + − − + − − − − + − + + − 3 + − + − − + − − + − − − + + 4 + − − + − − + + − − + − + − 5 − + + − − − + + − − − + − + 6 − + − + − + − − + − + + − − 7 − − + + + − − − − + + − − + 8 − − − − + + + + + + − − − − Fonte: Ribeiro, 2021. Em cinza, estão os confundimentos dos fatores de segunda ordem, enquanto que em verde estão alguns confundimentos de primeira ordem com terceira ordem. Apesar de confundimentos existirem, dificilmente BCD será mais importante do que A, por exemplo. À medida que nos depararmos com experimentos fatoriais fracionados, perceberemos que geralmente os fatores mais importantes são, de fato, os de primeira ordem e, às vezes, os de segunda ordem. Mesmo o confundimento entre fatores de segunda ordem podem ser interpretados à luz de uma análise prática, já que geralmente algumas interações serão mais prováveis fisicamente do que outras. Por fim, veja que, olhando para uma tabela de confundimento, podemos “escolher” quais fatores queremos que se confundam entre si. Por exemplo, no Quadro 2, sabemos que A está confundido com BCD de forma que, ao escolhermos os fatores que tomaram lugar de A, B, C e D, os dispomos em uma 7 ordem que, fisicamente, faça mais sentido sob o ponto de vista da análise de engenharia que queremos realizar. TEMA 4 – FRD O FRD é a sigla para Factor Relationship Diagram, ou “Diagrama de Relacionamento de Fatores”. Esse é um documento importante para o planejamento de experimentos planejados, pois, nele, inserimos o raciocínio que nos levou a realizar a escolha pelos fatores e pelos níveis do experimento. Abordaremos cada seção de um FRD de maneira individualizada. Cabe a nós juntá-las em uma planilha eletrônica, por exemplo. Ainda, o preenchimento do FRD, a critério ilustrativo, segue uma variação de planejamento do problema abordado em momento anterior. Faremos, aqui, a versão fatorial fracionada aproveitando aquele conjunto de dados. Figura 2 – Versão fatorial fracionada: seção 1 e 2 Título DOE ilustrativo fatorial fracionado para processo de têmpera de molas 1. Objetivo O objetivo desse DOE é ilustrar as diferenças, em termos de resultados, entre um DOE fatorial completo e um DOE fatorial fracionado. 2. Informações prévias Da análise do DOE fatorial completo, sabemos que a estimativa dos efeitos individuais dos fatores e das interações é: T +23; C –5; O +1,5; TC +1,5; OC 0,0; TO +10. Sabemos, também, que os fatores estatisticamente significantes são T e OT (p-value menores do que 0,05) seguidos por C com significância baixa indicada pelo gráfico de probabilidade normal. Fonte: Ribeiro, 2021. O título do FRD é inicialmente adicionado. Pode parecer simplista, mas pensar em um título para o experimento a ser planejado ajuda a clarearmos nossos objetivos. Estes devem ser formulados de maneira clara na seção 1, bem como a inclusão de informações prévias na seção 2. Aqui é importante caracterizar o DOE, indicando se é exploratório ou de otimização. Dados de testes anteriores (ainda que tenham sido obtidos por tentativa e erro ou Ofat) devem ser considerados na seção de informações prévias. Na sequência, adicionamos a seção 3, que são as partes mais importantes do FRD. Começamos com o preenchimento das variáveis resposta, ou seja, o que vamos medir (lembrando que, para realizarmos um experimento, devemos ter o 8 MSE já validado) e como essa medição será realizada. A seguir, selecionamos os fatores e os níveis para o experimento. Novamente, devemos nos referir aos mapas de processo e produto para a seleção dos fatores, enquanto os níveis podem ser estimados com base em nossa experiência com o processo ou produto, ou mesmo nos dados prévios deles. Figura 3 – Versão fatorial fracionada: seção 3 3. Variáveis experimentais 3.1 Variáveis resposta Técnica de medição 1 % de molas sem trincas Inspeção e contagem 2 3 3.2 Fatores sob estudo Nível (menos/ −) Nível (mais/ +) 1 O (temperatura do óleo) 70 120 2 C (% de carbono) 0,50 0,70 3 T (temperatura do aço) 1450 1600 4 5 Teoria Previsão Resultado 1 Temperatura do óleo deve ter menor diferença em relação à peça para evitar choques térmicos O+ é melhor 2 % de carbono influencia na ductilidade do aço que impacta na formação de trincas C+ é pior 3 Temperatura do aço na têmpera reduz tensionamento e geração de trincas T+ é melhor 4 5 3.3 Variáveis ruído Modo de controle 1 Dia de ensaio monitoramento 2 Temperatura do ambiente monitoramento / randomização 3 Umidade do ambiente monitoramento / randomização 4 Operador escolha pelo mais experiente 5 Fonte: Ribeiro, 2021. Talvez a característica mais importante do FRD seja o fato de ser um instrumento que nos obrigue a pensar fisicamente sobre o experimento, pesquisando teorias que justifiquem uma previsão. Após a execução do experimento e da análise dos resultados, retornamos ao FRD e podemos comparar nossas previsões iniciais com o resultado real, gerando aprendizados que serão registrados e incorporados. 9 Inserimos, em seguida, previsões gráficas dos efeitos principais e das interações (nesse caso, gráficos de interações foram adicionados apenas como exemplo, pois, realizando uma análise de três fatores e apenas quatro rodadas não temos informações suficientes para realizar os gráficos de interações, apenas dos efeitos principais). Figura 4 – Versão fatorial fracionada: seção 4 4. Previsão gráfica 4.1 Efeitos principais 4.2 Interações Fonte: Ribeiro, 2021. Por fim, completamos o FRD com as demais informações sobre repetições, réplicas ou restrições, sobre qual foi o método de “randomização” que, no nosso caso, será realizado pelo algoritmo do JMP. Adicionamos, também, a matriz do experimento e os dados relativos ao tipo de experimento que estamos conduzindo. Na seção 9, podemos inserir alguma informação sobre custos e 10 planejamentos para esse experimento e, finalmente, inserimos a matriz de confundimento, caso tenhamos um experimento fatorial fracionado. Figura 5 – Versão fatorial fracionada: seção 1 a 10 5. Repetições / restrições / réplicas Nenhum 6. Método de randomização Algoritmo do JMP 7. Matriz do experimento 8. Métodos planejados de análise estatística DOE 2^(3-1) res III - Experimento fracionado sem bloco randomizado 9. Custos estimados, planejamento e outros recursos 10. Confundimento dos efeitos Fonte: Ribeiro, 2021. 11 É importante notarmos que o FRD é uma ferramenta organizacional, como os mapas de processo, produto e de raciocínio. No dia a dia, é comum subestimarmos sua importância e não o utilizarmos. Isso é um erro que deve ser combatido, uma vez que sua realização traz inputs e insights úteis ao experimento, ajudando a aumentar seu custo-benefícioe nos poupando trabalhos futuros. TEMA 5 – JMP: DOE FATORIAL FRACIONADO Para realizarmos um DOE fatorial fracionado, no JMP, podemos colar a tabela no software e buscar a aplicação Fit Model, na guia Analyze. Outra maneira é realizando o planejamento dentro do próprio JMP, na guia DOE, Classical, Screening Design, para o caso de experimentos fatoriais fracionados e, após o preenchimento das respostas dos experimentos, acessamos à aplicação Model com o botão direito do mouse e, em seguida, run script. Ao realizarmos o procedimento descrito no parágrafo anterior, o JMP automaticamente adiciona os fatores principais e exclui da análise seus respectivos confundimentos. Essa é a principal vantagem de realizar todo o planejamento direto no JMP. Vejamos, na Figura 6, a caixa de seleção para tal procedimento. O JMP automaticamente selecionou a resposta Y. Figura 6 – Caixa de seleção de modelagem do experimento Crédito: JMP, 2018. 12 Vejamos, agora, os resultados obtidos pelo modelo matemático do experimento fatorial fracionado, em comparação com os resultados apresentados em momento anterior, do modelo fatorial completo. Reparemos que, no modelo fracionado, utilizamos metade dos dados experimentais utilizados para o modelo completo. Isso indica, obviamente, que o modelo matemático que obteremos é mais pobre. Cabe ressaltar, ainda, que a realização de um experimento fatorial fracionado nos moldes do que estamos simulando aqui não é recomendada para poucos fatores. DOE de resolução III são indicados apenas quando temos um número elevado de fatores e queremos realizar um experimento exploratório. Assim, ficará evidente a diferença entre os resultados de um DOE completo em comparação com os resultados de um DOE de resolução III. Na Figura 7, mostramos o indicativo Sorted Parameter Estimates, que deve ser selecionado clicando-se com o botão direito sobre a seta vermelha do cabeçalho da janela do experimento e selecionando a aba Estimates. Nessa imagem, vemos as estimativas dos fatores considerados, lembrando que o JMP apresenta a metade da estimativa real. Vemos também os valores P estimados. Figura 7 – Efeito dos fatores e valor P Crédito: JMP, 2018. Comparando as análises de efeito dos fatores com as realizadas em momento anterior, vejamos que o valor do efeito de T é exatamente o mesmo: +23. C; em contrapartida, apresenta o mesmo valor com o sinal invertido, +5, e O apresenta o dobro da estimativa encontrada no experimento completo. Essas diferenças são esperadas, uma vez que temos menos dados e confundimentos. O segundo fator mais importante do experimento completo foi a interação OT que, aqui, está confundida com o fator C. Vejamos que, graças aos confundimentos, nenhum fator apresentou relevância estatística segundo o cálculo do valor P no 13 experimento de resolução III. Podemos concluir disso que apenas os fatores extremamente relevantes serão apontados ao utilizarmos essa resolução. No entanto, ao analisarmos o gráfico de probabilidade normal, podemos ver, na Figura 8, o fator T apresentando destaque estatístico. Sabemos, do experimento completo, que o fator T, de fato, apresenta significância estatística e isso mostra a relevância de interpretar os valores P calculados em conjunto com o gráfico de probabilidade normal. Ainda, o fato de os outros fatores estarem ligeiramente afastados da linha azul é um indicativo da pobreza de dados de nosso experimento, o que já era esperado. Figura 8 – Gráfico de probabilidade normal Crédito: JMP, 2018. O complemento da análise é realizado por intermédio do diagrama de Pareto (Figura 9) e da previsão gráfica dos efeitos (Figura 10). Reparemos que, nesse exemplo, não conseguimos fazer a previsão das interações por não termos dados suficientes. 14 Figura 9 – Diagrama de Pareto Crédito: JMP, 2018. Figura 10 – Previsão gráfica dos efeitos principais Crédito: JMP, 2018. Veja, na Figura 10 anterior, que o Prediction Profiler, além de ser a previsão gráfica dos efeitos principais, apresenta linhas vermelhas horizontais e verticais, bem como a resposta em vermelho. Isso ocorre porque essa aplicação é um simulador do modelo matemático, de forma que podemos arrastar as linhas vermelhas para posições intermediárias para níveis dos fatores. Por exemplo, a imagem mostrada apresenta linhas vermelhas posicionadas em 0, o que significaria um valor médio entre os níveis escolhidos para cada fator, e a resposta simulada do modelo matemático é 71,5. Vejamos, na matriz de experimentos apresentada no FRD, que não obtivemos o valor 71,5 experimentalmente. Essa é uma ferramenta muito útil na previsão de comportamentos para nossos experimentos; é importante ressaltar que os modelos matemáticos em DOE são lineares e, portanto, têm faixas de aplicação limitadas, especialmente se o fenômeno físico experenciado tiver comportamento não linear. A maioria dos fenômenos físicos reais são não lineares e, portanto, devemos sempre ter cuidado ao analisar os resultados de experimentos planejados, conscientes dessa limitação que restringe o espaço de inferência de nosso experimento. No entanto, o planejamento de experimentos é uma ferramenta extremamente robusta e útil no estudo de processos para a detecção de variações e para a otimização dos níveis dos fatores dos mesmos processos. 15 REFERÊNCIAS BOX, G.; BISGAARD, S. The scientific context of quality improvement. Center for Quality and Productivity Improvement of University of Wisconsin-Madison, Madison, n. 25, p. 1-45, 1987. JMP: Statistical Discovery. Version 14.0.0. [S.1.]: SAS Institute Inc, 2018.
Compartilhar