Baixe o app para aproveitar ainda mais
Prévia do material em texto
AULA 5 CERTIFICAÇÃO LEAN SIX SIGMA GREEN BELT: FERRAMENTAS PARA DESENVOLVIMENTO E MELHORIA Prof. Rafael Simões Ribeiro 2 CONVERSA INICIAL Nesta aula iremos explorar exemplos simples e práticos de MSE e DOE. Serão casos didáticos, apesar de simples. O ideal, se possível, é que o leitor acompanhe os exemplos e os reproduza em casa, para a completude da aprendizagem. TEMA 1 – EXEMPLO DE MSE Como exemplo didático, veja as peças mostradas na Figura 1. Elas são pedaços de tubos de cobre que foram propositalmente amassados de maneira aleatória. O objetivo desse procedimento nas amostras de teste é o de introduzir variações no “produto”. Podemos considerar que as diferenças entre as amostras são frutos do processo de produção; em um MSE real, isso significa selecionar, propositalmente, fatores que achamos que irão contribuir com a variação do produto. Figura 1 – Peças a serem medidas (produtos) Crédito: Marozhka Studio/Shuttestock. Instrumentos diferentes: uma régua convencional e um paquímetro. Os dois instrumentos a serem avaliados são mostrados na Figura 2. 3 Figura 2 – Instrumentos de medição Créditos: Designergraphic84/Shutterstock; Soraya Plaithong/Shutterstock. Necessitamos, então, de uma estratégia de amostragem para a avaliação do MSE. Devemos propô-la ao olharmos para o mapa de processo de medição e analisar as possíveis fontes de variação, 𝑥. Esse processo de medição é simples e um possível mapeamento para ele é mostrado na Figura 3. Figura 3 – Mapa de processo Créditos: Designergraphic84/Shutterstock; Soraya Plaithong/Shutterstock. Veja que as variáveis críticas são relacionadas à qualidade superficial do material, uma vez que a presença de alguma rebarba pode influenciar o resultado da medição, o local da peça escolhido para a realização da medição, tendo em 4 vista que em algumas partes a tubulação está amassada, e características da forma com que o operador realizará a medição. Assim, uma possível estratégia de amostragem é apresentada na Figura 4: Figura 4 – Estratégia de amostragem para o MSE Veja que, nessa medição com régua e paquímetro, não faz sentido a repetição de medição ser um fator, já que consistiria da mesma leitura realizada duas vezes. Portanto, substituímos a repetição por uma réplica, que consiste em afastar o instrumento de medição e realizar uma nova medição sequencial. As principais fontes de variação são inerentes às peças e, eventualmente, à posição na peça em que a medição é realizada (uma vez que elas são bem diferentes umas das outras devido aos amassamentos). Para verificar as variáveis força aplicada e histerese, foi proposta a verificação de variação devido ao fator operador. Por fim, como algo típico e fundamental de um MSE, foi inserida uma réplica no último fator de variação. TEMA 2 – ANÁLISE DO MSE NO JMP Iniciaremos analisando o MSE realizado com a régua. Veja, na Figura 5 as cartas de controle �̅� e 𝑅. Repare, na carta 𝑅, que a maior variação entre réplicas foi de 0,5 mm, o que, em uma régua convencional, corresponde à sensibilidade máxima que ocorre quando um operador mede uma cota que se encontra entre duas marcações milimétricas. Repare que, se considerarmos 0,5 mm como um patamar de medição, temos 20 patamares. Caso consideremos 1 mm como um patamar de medição em uma régua convencional, temos 10 patamares, o que é mais do que 4, número mínimo quando possuímos tamanho de subgrupo igual a 2. Ao olharmos para o limite superior de controle da carta 𝑅, vemos o valor de 1 mm, o que corresponde a 25% do valor médio das medições que desejamos realizar e indica um sistema de medição justo (e pobre). 5 Figura 5 – Carta de controle para o MSE da régua Analisando a carta �̅�, vemos que apenas três pontos estão fora dos limites de controle, o que, para um MSE, é algo ruim, pois indica que a maior parte das variações se encontra dentro do subgrupo, ou, nesse caso, entre as réplicas. Como conclusão, o MSE não foi validado e temos um indício bastante grande para imaginar que o problema é a baixa resolução do instrumento de medição (o que, de fato, podemos perceber isso em uma análise prática do experimento, apenas executando-o). Podemos verificar, adicionalmente, a variação gráfica das variáveis através de um gráfico de variabilidade, como o mostrado na Figura 6. 6 Nessa análise estruturada podemos verificar as variações entre réplicas e as diferenças entre operadores, posição e peças. Figura 6 – Gráfico de variabilidade para o MSE das réguas Agora vejamos, na Figura 7 as cartas de controle �̅� e 𝑅 para o MSE do paquímetro. Repare que a carta 𝑅 está novamente sob controle e possui mais de 14 patamares, tendo em vista que a resolução do paquímetro é de 0,01 mm. Repare também que o limite superior de controle da carta 𝑅 é, agora, 0,147 mm, bastante inferior em relação à média dos valores mensurados. Olhando para a carta �̅�, vemos a maioria dos pontos fora dos limites de controle, o que, dessa vez, é positivo pois indica que a maior variação está entre os subgrupos e não na réplica de medição. Dessa forma, o MSE do paquímetro foi validado e esse instrumento se mostra menos suscetível a variações do processo de medição e mais adequado à realização da medição que desejamos. 7 FIGURA 7 – Gráfico de variabilidade para o MSE das réguas TEMA 3 – EXEMPLO DA INVESTIGAÇÃO DO TEMPO DE DISSOLUÇÃO Vamos explorar, agora, um exemplo de DOE fracionado que você pode replicar em seus estudos. Estudaremos o comportamento de duas aspirinas, uma de uma marca referência, e a outra, um medicamento genérico. Queremos descobrir se a marca do remédio possui alguma influência direta na característica de dissolução do comprimido (obviamente sem nos referirmos ao efeito do medicamento em nosso corpo), o que poderia impactar em um tempo mais ou menos rápido para nos sentirmos bem quando temos uma dor de cabeça. 8 Para a estruturação do teste, necessitamos realizar um brainstorming preliminar em busca de possíveis fatores que possam influenciar na dissolução. Podemos nos referir aos fundamentos dos fenômenos físicos que aprendemos ao longo de nossa trajetória escolar e realizar novas pesquisas sobre alguns pontos que possuímos dúvidas. Por exemplo, podemos relembrar que a temperatura, normalmente, possui impacto catalizador de reações químicas, o que deve ser verdadeiro também no tempo de dissolução: quanto maior a temperatura do solvente mais rápido o comprimido deve se diluir. Porém, ao considerarmos o meio em que o comprimido se dilui em nosso estômago, a temperatura é aproximadamente constante próxima a 36,5°C; assim, utilizar a temperatura como fator não parece ser uma escolha interessante para nosso experimento. Ao contrário podemos citar o pH do meio; geralmente nosso estômago possui um pH mais ácido. Aqui, a mudança de pH pode ser estimulada, por exemplo, ao considerarmos como fator uma água gaseificada ou um refrigerante, que possui um caráter ácido pela dissolução do gás carbônico em água resultando em ácido carbônico. Finalmente, o procedimento ideal é o de simular a execução do teste, criando um mapa de processo de execução. Nosso caso é relativamente simples e tal procedimento pode ser facilmente rascunhado durante a execução da primeira rodada, para a possível adição ao FRD de fatores que eventualmente não consideramos em um primeiro momento. Como o nosso objetivo é a demonstração didática de um experimento simples, vamos pular essa etapa que deve ser levada em consideração em planejamentos mais completos. TEMA 4 – FRD PARA O EXEMPLO DA DISSOLUÇÂO Preencheremos, agora, o FRD para o nosso experimento em foco. Analise como cada campo foi preenchido e leia os comentários em partes importantes. Quadro 1 – FRD Título DOE ilustrativo fatorial fracionado parainvestigação da dissolução de aspirinas 1. Objetivo O objetivo desse DOE é estudar o impacto de alguns fatores em relação aos tempos de dissolução de duas aspirinas de marcas diferentes (referência e genérica). Queremos verificar se há diferença relevante em relação às marcas. 2. Informações prévias 9 Sabemos que a aspirina referência foi pioneira no desenvolvimento do medicamento e que a mesma custa mais caro que a marca genérica. Nos baseamos em teorias físico-químicas para a predição dos efeitos de diferentes fatores. Um possível planejamento para esses testes é mostrado abaixo. Quadro 2 – FRD 3. Variáveis experimentais 3.1 Variáveis resposta Técnica de medição 1 Tempos de dissolução Cronometragem 2 Verificação da dissolução Visual 3 3.2 Fatores sob estudo Nível (menos/ −) Nível (mais/ +) 1 Agitação leve (−) intensa (+) 2 Marca genérica (−) referência (+) 3 Catalisador sem (−) com (+) 4 Solvente refrigerante (−) água (+) 5 Teoria Previsão Resultado 1 Agitação mecânica promove quebras em partículas menores Agitação dissolve mais rápido 2 Melhores padrões de qualidade de um medicamento mais caro aceleram dissolução Referência dissolve mais rápido 3 Catalizador acelera reações químicas Dissolve mais rápido com ele 4 CO2 no refrigerante promove pH ácido e isso pode ajudar a dissolução Refrigerante dissolve mais rápido 5 3.3 Variáveis ruído Modo de controle 1 Temperatura do ambiente Monitoramento 2 Umidade do ambiente Monitoramento 3 Operador Escolha pelo mais experiente 4 Temperatura do solvente Manter temperatura ambiente monitorada 5 Vamos pular, nesse momento, as previsões gráficas (seção 4) e adicioná-las apenas com as repostas finais, após a realização da análise das respostas, uma vez que nossa previsão já está escrita acima. 10 Quadro 3 – FRD 5. Repetições / restrições / réplicas Nenhum 6. Método de randomização Algoritmo do JMP 7. Matriz do experimento Run Agitação Marca Catalisador Solvente 1 - - - - 2 + - - + 3 - + - + 4 + + - - 5 - - + + 6 + - + - 7 - + + - 8 + + + + 8. Métodos planejados de análise estatística DOE 2^(4-1) res IV - Experimento fracionado sem bloco randomizado 9. Custos estimados, planejamento e outros recursos Refrigerante como solvente: R$ 3,50 Água como solvente: R$ 0,00 Aspirinas referência (cartela com 10): R$ 8,75 Aspirinas genérica (cartela com 10): R$ 3,50 Catalizador: R$ 0,00 Tempo de execução estimado (preparo, execução e limpeza): 30 minutos Recursos humanos estimados: 2 pessoas 10. Confundimento dos efeitos Acima estão representados todos os confundimentos do modelo. Como o DOE é de resolução IV, temos confundimentos de primeira com terceira ordem e entre interações de segunda ordem. Isso significa, por exemplo, que o termo 11 Agitação*Catalisador está confundido com o termo Marca*Solvente e, assim, qualquer resultado para esses termos não sabemos, com certeza, a qual dos dois confundimentos se refere. TEMA 5 – JMP: DOE DISSOLUÇÂO A execução dos experimentos se deu de acordo com a Tabela 1, na qual o tempo de dissolução é apresentado em segundos: Tabela 1 – Estrutura e valores medidos para o DOE da Aspirina Run Agitação Marca Catalisador Solvente Tempo Diss. 1 − − − − 120 2 + − − + 25 3 − + − + 30 4 + + − − 23 5 − − + + 113 6 + − + − 30 7 − + + − 31 8 + + + + 23 Ao realizar a avaliação de um DOE no software JMP, podemos sempre buscar pelas informações de respostas mostradas a seguir. Começaremos com a resposta “Sorted Parameter Estimates”, que nos mostra o valor da metade da estimativa dos efeitos reais de cada fator e das interações. Esse mesmo aplicativo mostra os Valores P, dos quais podemos verificar a relevância estatística dos fatores. Repare, na Figura 8 as respostas para nosso experimento: Figura 8 – Estimativa e significância estatística Term Estimate Relative Std Error Pseudo t-Ratio Pseudo p-Value Agitação[-] 24,125 0,353553 18,38 0,0014* Marca[-] 22,625 0,353553 17,24 0,0016* Agitação[-]*Marca[-] 20,375 0,353553 15,52 0,0021* Solvente[-] 1,625 0,353553 1,24 0,3257 Agitação[-]*Catalisador[-] 1,375 0,353553 1,05 0,3910 Agitação[-]*Solvente[-] 0,375 0,353553 0,29 0,7985 Catalisador[-] 0,125 0,353553 0,10 0,9317 12 Veja que os fatores Agitação e Marca e a interação entre eles se destacam como fatores principais, com relevância estatística por possuírem Valor P menores do que 0,005. Aqui, devemos lembrar de nossa matriz de confundimento e ver que o fator Agitação se confunde com a interação de terceira ordem Marca*Catalizador*Solvente, o fator Marca se confunde com a interação Agitação*Catalizador*Solvente e a interação de segunda ordem Agitação*Marca se confunde com a interação de segunda ordem Catalizador*Solvente. Lembramos, mais uma vez, que dificilmente um efeito com confundimento entre primeira e terceira ordens não irá se referir à primeira ordem; é muito mais provável que o impacto da Agitação seja maior que o impacto da interação entre Marca*Catalizador*Solvente, especialmente pois verificamos irrelevância estatística para Catalizador e para Solvente. Já o confundimento de segunda ordem possivelmente se refere, de fato, a Agitação*Marca, uma vez que os fatores principais são também relevantes. Porém, a rigor, não podemos ter certeza absoluta sobre esses confundimentos já que estamos executando um teste fracionado, por isso é importante a realização de uma análise crítica dos resultados. Os valores das estimativas podem ser visualizados, também, por meio de um diagrama de Pareto, conforme mostra a Figura 9: Figura 9 – Diagrama de Pareto É uma boa prática verificar a significância estatística por meio do gráfico de probabilidade normal. Conforme já discutido, fatores estatisticamente irrelevantes possuem pequena influência na variação das respostas do experimento com uma tendência a se comportarem como uma distribuição normal. Assim, serão localizados junto à linha de modelo da distribuição normal. Fatores estatisticamente significantes se apresentarão deslocados em relação à essa linha e, dessa forma, destacados no gráfico. Veja essa análise na Figura 10. 13 Figura 10 – Diagrama de probabilidade normal A seguir, mostraremos os gráficos de interações e os gráficos de previsão do modelo matemático. Ambos devem ser inseridos na seção 4 do FRD, e é o que faremos a seguir: Quadro 4 – FRD 4. Previsão gráfica 4.1 Efeitos principais Prediction Profiler 4.2 Interações 14 Interaction Profiles Veja que o Prediction Profiler, além de ser a previsão gráfica dos efeitos principais, possui linhas vermelhas horizontais e verticais, além de apresentar a resposta em vermelho. Isso ocorre porque essa aplicação é um simulador do modelo matemático formulado pelo software, de forma que podemos arrastar as linhas vermelhas para cada nível para cada fator. Essa é uma ferramenta muito útil na previsão de comportamentos para nossos experimentos; é importante ressaltar que os modelos matemáticos em DOE são modelos lineares e, portanto, possuem 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. Repare, também, que a única interação relevante, graficamente, é entre Agitação*Marca, o que confirma as análises das respostas anteriores. Como o JMP propõe um modelo linear, podemos copiar a retaajustada, caso queiramos. Na prática esse não é um procedimento muito usual, mas pode ser útil se quisermos exportar o modelo para outros softwares. Para isso, precisamos buscar a aplicação “Prediction Expression”, conforme mostramos na Figura 11, localizada no Anexo. Repare que ela mostra coeficientes de uma reta 15 que variam conforme os níveis selecionados para cada fator experimental em cada rodada. Para finalizar, é importante ressaltar que a qualidade das respostas de experimentos planejados depende da experiência com o planejamento, com a execução e com a análise de resultados. Assim, encorajo o leitor a seguir os passos aqui ilustrados em experimentos planejados em seu dia a dia, tanto em coisas simples, para o melhor entendimento do processo, como em questões profissionais, se houver oportunidades. Apenas a prática leva à perfeita compreensão e familiarização com experimentos planejados. 16 REFERÊNCIAS JMP. Statistical discovery. SAS Institute Inc, 2018. 17 ANEXO Figura 11 – Coeficientes do modelo matemático Fonte: JMP (2021).
Compartilhar