Baixe o app para aproveitar ainda mais
Prévia do material em texto
Controle Estatístico de Processos CEP Aplicado à Redução de Falhas Prof Dr Messias Borges Silva MESSIAS BORGES SILVA Faculty member at UNIVERSITY OF SÃO PAULO-USP School of Engineering of Lorena- EEL-USP SÃO PAULO STATE UNIVERSITY-UNESP School of Engineering of Guaratinguetá Visiting Scientist at HARVARD UNIVERSITY School of Engineering And Applied Sciences Massachusetts Institute of Technology-MIT facilitator in Lean Enterprise – International courses IPOG Prof.Dr. Messias Borges Silva Engenheiro Industrial Químico (EEL-USP) Certified Quality Engineer (American Society for Quality- ASQ-USA) Pós-graduado em Ciências Térmicas (ITA) Pós-graduado em Qualidade (USJT) Mestre em Engenharia Mecânica (UNESP) Doutor em Engenharia Química (UNICAMP) Pós doutorado HARVARD UNIVERSITY Livre Docente em Engenharia da Qualidade (UNESP) Espec. em Design of Experiments, Lean enterprise, Lean Product Development, Innovation&Design Thinking (Massachusetts Institute of Technology-MIT-USA) Professor convidado da Harvard, University of Massachusetts, University of Minnesota, University of Tennessee– USA, Acadêmico da ACADEMIA BRASILEIRA DA QUALIDADE ABQ Professor e Ex-Diretor Geral da FAENQUIL (hoje USP- Lorena) e UNESP Coordenador do Curso de Pós-graduação em Engenharia da Qualidade da EEL-USP Lorena Consultor de empresas . Primeiro voo – Santos Dumont - 1906 Primeiro passeio na Lua – Armstrong- Julho 1969 1. Constantes e Rápidas Mudanças na Tecnologia 63 anos 1906 1969 Adaptado de Jose Macedo CAL POLY Primeiro voo – Santos Dumont - 1906 Primeiro passeio na Lua – Armstrong- Julho 1969 Constantes e Rápidas Mudanças na Tecnologia 63 years 1906 1969 2023 ~54 years hoje adaptado de Jose Macedo CAL POLY Desenvolvimentos desde 1960 Personal computers, mobile computers GPS systems, communication satellites Genetic sequencing, GM Food, MRI Internet, networks, cloud computing, IOT, ATM Cell phones, smart phones, CD, DVD, LED, CCD, smoke detector Driverless vehicles, drones Search engines, massive data centers Artificial intelligence, bots Robotics, computer numerical control, 3D printing Como esses produtos parecerão daqui 100 anos? 2023 hoje 1900 2123 100-anos no futuro ?? ? ?? ? ?? ? Pirâmide da Aprendizagem Fonte: adaptado de ABHIYAN, S. S.; NADU, T. Manual of Active Learning Methodology. India: Krishnamurti Foundation, 2008. (Autora da Figura: Taiana She Mui Sui) Situação do Brasil- Concorrência Internacional Índice de Refugo 10 200 23000 Japão Média Mundial Brasil 0 10 20 30 40 50 60 70 80 Tempo Entrega Particip. Empreg. Japão Média Mundial Brasil De acordo com dados do Departamento de Competitividade da Fiesp, abriu-se uma "boca de jacaré" entre consumo e produção no Brasil. De 2003 até março deste ano, a produção física da indústria de transformação cresceu apenas 25%, enquanto o volume de vendas do comércio varejista ampliado (incluindo automóveis e materiais de construção) cresceu 116%. Qualidade • “ É um conjunto de características de desempenho de um produto ou serviço que, em conformidade com as especificações, atende e, por vezes, supera as expectativas e anseios do consumidor ( cliente ).” Qualidade só é efetivamente concluída quando dois “personagens” entram em cena • O PRODUTOR DA QUALIDADE (de produtos ou serviços) • O CONSUMIDOR DA QUALIDADE (usuário ou cliente) O que as empresas Classe Mundial (World Class) vem praticando • Estratégia Seis Sigma : busca-se o padrão 3,4 ppm ou dpmo de rejeição melhorando qualidade e reduzindo variabilidade. • Lean Thinking : busca-se a transformação radical para combate a todo tipo de desperdício e ganhos de produtividade. • Balanced Score Card : busca-se colocar em prática as ações previstas no Planejamento Estratégico Evolução da Qualidade Quality: Statistical Quality Control Business Process Reengineering Six Sigma Total Quality Management Lean Six SigmaProductivity: Toyota Production System Lean Six Sigma Supply Chain Ford Production System Lean JIT Supply Chain Information Technology: MRP, MRP II ERP CRM Source: Furterer 2004 (ASQ CQSDI) QUESTÃO NORTEADORA Escreva sobre Natureza da variação, perturbação nas variáveis do processo, Capacidade do Processo e Cartas de Controle. Objetivos de um Processo Produzir um produto que satisfaça totalmente as expectativas do cliente. Conceito de Processo O que é o CEP? O CEP é uma técnica estatística para controle do processo, durante a produção. Tem por objetivo principal, controlar e melhorar a qualidade do produto. O que é o CEP? ➢Idéia: incorporar o uso de variáveis aleatórias independentes e identicamente distribuídas ➢Princípio geral: determinar quando o processo se afasta do estado de controle ações corretivas que devem ser tomadas ➢Variação: excessiva= maior inimiga da qualidade e as A História do CEP? Em 1924, o matemático Walter Shewhart introduziu o controle estatístico de processo (CEP). Variabilidade no Processo “Todo processo apresenta variações” ➢ Deming: “não se melhora a qualidade através da inspeção. Ela já vem com o produto quando este deixa a máquina antes de inspecioná-lo” ➢ Pode-se conceituar as causas das variações nos processos Variabilidade no Processo Dois produtos ou características nunca são exatamente iguais, pois qualquer processo contém muitas fontes de variabilidade. As diferenças entre produtos podem ser grandes ou imensamente pequenas, mas elas estão sempre presentes. Variabilidade no Processo Localização Forma Dispersão Variabilidade no Processo Principais Fontes de Variação MÃO DE OBRA MATÉRIA PRIMA MÉTODO Variáveis trabalhando de forma MultivariadaMEIO AMBIENTE PRODUTO MÁQUINA MEIO DE MEDIÇÃO Variabilidade no Processo Nosso Problema ✓Controlar as Variações ✓Entender suas Causas ✓Prevenir Ocorrências Exemplo de Variabilidade O diâmetro de um eixo usinado pode variar devido a: ➢Máquina (folga, desgaste do rolamento); ➢Ferramenta (esforço, desgaste); ➢Material (diâmetro, dureza); ➢Operador máquina); (precisão na centralização, alimentação da ➢Manutenção (lubrificação, reposição de peças gastas); ➢Meio Ambiente (temperatura, constância do fornecimento elétrico). Variabilidade no Processo Causas de Variação Causas Comuns ou Aleatórias: ➢Variações inerentes ao processo ➢Podem ser “eliminadas” somente através de melhorias no sistema - Ações Gerenciais - 85% das necessidades Causas Especiais : indicam problemas no processo ➢Variações devidas a problemas identificáveis ➢Podem ser eliminadas por Ação Local do operador 15% 27 Variabilidade no Processo Causas Causas Comuns de Variação Causas Especiais Variações Inerentes Origem Sistêmica Engenheiro/Gerente Solução a Longo Prazo Capacidade Atender à Faixa do Cliente VariaçõesAtípicas Origem Local Operador/Supervisor Solução a Curto Prazo Estabilidade Previsibilidade Causas Comuns de Variação ➢Fonte de variação que afeta todos os valores individuais do processo ➢Um processo é dito sob controle ou estatisticamente estável quando somente causas comuns estiverem presentes e controladas Causas Especiais de Variação ➢ Instabilizam o processo ➢ Afetam o comportamento do processo de maneira imprevisível ➢ Não se pode obter um padrão ➢ Produzem resultados totalmente discrepantes em relação aos demais valores prováveis ➢ Origem: interações entre mão-de-obra, máquinas, materiais e métodos Distribuição Normal Um histograma representa a distribuição dos resultados observados em uma amostra ; a curva sobreposta sobre o histograma representa processo , a distribuição de todos os resultados do ou seja, da população. Essa curva em forma de sino é normal. conhecida como distribuição Variabilidade no Processo Tempo f(X) f(X) T4 f(X) T3 f(X) X T2 T1 X X X Processo isento de Causas Especiaisde Variação Variabilidade no Processo Tempof(X) f(X) 4 f(X) 3 f(X) T2 X T1 X X X Causa Especial de Variação alterando a média do processo Variabilidade no Processo f(X) Tempo f(X) 4 f(X) 3 f(X) T2 X T1 X X X Causa Especial de Variação alterando a média e aumentando a variabilidade do processo Variabilidade no Processo Causas Comuns de Variação Causas Especiais de Variação Variabilidade no Processo Distribuição Normal Número de Ocorrências X Variável Observada 335 Só causas comuns de variação Histograma O QUE É: um gráfico de barras que associa os valores de uma característica da qualidade, divididos em pequenos intervalos, com a freqüência com que ocorreram na amostra. Ele representa a distribuição de freqüência dos freqüência dos distribuição de dados dados . OBJETIVO: resumir um grande conjunto de dados, ressaltando suas características globais, tais como faixa de valores observados, dispersão e padrão (ou forma) de variação. Tipos de Histograma Construção do Histograma ETAPA 1: Determinação do Número O número de classes é determinado de Classes. calculando a raiz quadrada do número total de medições que compõem o Histograma ETAPA 2: Cálculo da Amplitude (R). Obter o maior valor e o menor valor de cada linha ou coluna e depois com os dados selecionados obter o menor valor e o maior valor da amostra. ETAPA 3: Determinar os intervalos das classes. Os intervalos das classes são determinados de forma que todos sejam incluídos, para isto basta dividir a amplitude da amostra em os dados intervalos de mesmo valor. Construção do Histograma ETAPA 4: Preparar tabela para registro das freqüências de ocorrência. ETAPA 5: Determinar os limites dos intervalos de classe. O intervalo de classe deverá ser aberto á esquerda ou a direita. Observar se todos os valores da amostra foram classificados. ETAPA 6: Obter a freqüência em cada intervalo de classe. ETAPA Escala 7: Construir o Histograma horizontal: Valores da variável; Escala vertical: freqüências. Faixa Característica do Processo Faixa Característica do Processo Intervalo Probabilidade Dentro Fora 1 2 3 4 68,26% 95,46% 99,73% 99,9936% 31,74% 4,54% 0,27% 0,0064% Tópicos Principais do CEP Utiliza cartas de controle para verificar se alguma parte do processo produtivo não está funcionando adequadamente e pode causar má qualidade Carta de Controle : é um gráfico que estabelece os limites de controle do processo. A carta de controle mostra mudanças no padrão do processo Gráfico Sequencial O QUE É: um gráfico dos dados ao longo do tempo. OBJETIVO: é utilizado para pesquisar produção, otendências nos dados ao longo da que poderia indicar a presença de causas especiais de variação. Medidas de Centro e Variabilidade ➢Usualmente necessitamos conhecer onde se localiza o centro dos dados e quão grande é a variação em torno desse centro. ➢Os gráficos são muito úteis para se ter uma visão vezes, clara e objetiva dos dados mas, por torna-se necessário resumir os dados numa forma numérica . Medidas de Posição e Dispersão Faixa Característica do Processo ➢ A faixa característica de processo (FCP), ou faixa padrão, representa a faixa de valores que prevemos para a maioria dos resultados futuros do processo. ➢ Esperamos que 99,73% dos resultados caiam dentro desse intervalo. ➢ A amplitude deste intervalo, 6s, quantifica a variação natural do processo. ➢ FCP = ( x - 3s; x + 3s) = x ± 3s Gráfico de Controle Escola de Engenharia de Lorena O que é um Gráfico de Controle Um Gráfico de Controle é um gráfico seqüencial desenvolvido especialmente para ajudar a identificar padrões anormais de variabilidade em um processo. Os gráficos Xbar e R são as gráficos de controle mais utilizadas. A estrutura geral de um gráfico de controle é mostardo abaixo A Carta de Controle X 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2tempo Limite Superior de Controle (LSC) = X + 3S Linha Central (LC) = X Limite Inferior de Controle (LIC) = X - 3S Gráficos de Controle Escola de Engenharia de Lorena LSC Zona A 2,5% Zona B 13,5% Zona C 34% Linha Central Zona C 34% Zona B 13,5% Zona A 2,5% LIC LSC = Limite Superior de Controle LIC = Limite Inferior de Controle X X + X − 2X + 3X + 2X − 3X − Gráficos de Controle Escola de Engenharia de Lorena X barra 2X LSC X A R= + 2X LIC X A R= − Gráficos de Controle Escola de Engenharia de Lorena Gráficos de Controle para Amplitudes 4RLSC D R= 3RLIC D R= Fatores D3 e D4 tabelado em função do tamanho da amostra A Carta de Controle Análise das Cartas de Controle Análise das Cartas de Controle Ciclos do Processo Tipos de Cartas de Controle Cartas de Controle por Varáveis Caso Especial: Carta de Amplitude Móvel (RM) Utilizar quando: 1) A Variabilidade no subgrupo for baixa; 2) Quando o subgrupo for de tamanho 1. Cartas de Controle por Atributos Construção da Carta de Média e Amplitude ETAPA 1. Coletar os dados Dividir os dados em sub-grupos normalmente 4 ou 5) ( com no máximo 10 dados- ETAPA 2. Calcular a média de cada sub- grupo ETAPA 3. Calcular a média das médias. ETAPA 4. Calcular a amplitude de cada sub- grupo. ETAPA 5. Calcular a média das amplitudes. ETAPA 6. Calcular os limites de controle ETAPA 7. Plotar os pontos nos gráficos Exemplo de Utilização das Cartas X - R Utilize os gráficos X -R para analisar o comportamento da temperatura do forno do atomizador. Foram coletadas 120 amostras, sendo que destas resultaram 30 subgrupos com 4 observações. Exemplo de Utilização das Cartas X - R Exemplo de Utilização das Cartas X - R Capacidade do Processo ➢Os estudos de capabilidade do processo tem por objetivo verificar se um processo estatisticamente estável engenharia atende às ouespecificações de do produto se há geração de itens não conformes. ➢Esta análise costuma ser efetuada mediante cálculo e interpretação de índices específicos para essa finalidade. ^ Índice Cp ➢Este índice compara a variabilidade total permissível para as peças (ou tolerância de doespecificação) com a variabilidade processo de fabricação (tolerância natural). ➢Para o processo ser capaz o valor deste índice não pode ser inferior a 1,33. ^ ^ σ= 𝑅/𝑑2 ^ _ Classificação do Processo Segundo o Cp Índice Cpk ➢É recomendado o seu uso quando se estiver trabalhando com especificações unilaterais, ou quando a média do processo não puder ser deslocada (impossibilidade física ou custo excessivo). ➢Com este índice, além de se avaliar a variabilidade total permissível para as peças com a tolerância natural de fabricação, verifica- se também a centralização do processo com relação aos limites (superior e inferior) da especificação. ➢O valor deste índice deve ser igual ou superior a 1, 33 para que o processo seja considerado capaz. Índice Cpk ^ ^ Exemplo de Capacidade de Processo Um Fabricante de refrigerantes deseja saber se o seu processo é capaz de cumprir as especificações da engenharia de processo. O produto a ser analisado são latas de refrigerante cuja a especificação é de 355 ± 10 mL, para tanto foram coletados 20 subgrupos com 5 amostras cada. Número do Subgrupo Amostra Média Amplitud e X1 X2 X3 X4 X5 X R 1 353,80 349,89 355,98 360,11 359,79 355,91 10,22 2 361,93 346,27 354,06 359,38 350,65 354,46 15,67 3 352,24 348,24 347,61 351,09 351,91 350,22 4,63 4 346,53 352,73 353,38 355,54 353,54 352,34 9,01 5 353,69 353,52 360,37 354,66 354,26 355,30 6,85 6 352,95 362,89 358,46 364,50 352,38 358,24 12,12 7 361,65 348,55 357,16 358,61 362,68 357,73 14,13 8 354,66 352,90 357,70 353,47 358,03 355,35 5,13 9 349,22 351,61 348,91 353,55 354,87 351,63 5,96 10 355,11 353,71 363,78 348,03 352,05 354,54 15,75 11 345,69 360,79 349,88 352,39 358,03 353,36 15,10 12 356,87 358,50 357,38 349,51 350,54 354,56 8,99 13 357,78 356,29 351,24 354,04 355,53354,97 6,54 14 357,23 355,55 351,36 362,54 356,95 356,73 11,18 15 355,29 358,32 358,45 352,45 351,31 355,16 7,14 16 359,44 350,20 348,76 357,85 357,55 354,76 10,68 17 363,82 360,78 360,22 355,45 355,01 359,05 8,81 18 356,81 354,90 350,78 347,90 358,31 353,74 10,41 19 356,78 357,47 355,85 350,89 359,95 356,19 9,06 20 353,76 351,64 351,72 353,28 353,19 352,72 2,11 Total 354,85 9,47 Exemplo de Capacidade de Processo Estimando o desvio padrão: d 2 2,326 O processo é incapaz p 6 6 4,07 ps 3 3 4,07 pi 3 3 4,07 C = X −LIE = 354,85 −345 = 0,81 C = LSE −X = 365 −354,85 = 0,83 C = LSE −LIE = 365 −345 = 0,82 ̂ = R = 9,47 = 4,07 ^ ^ ^ Carta de Controle Exemplo de Capacidade de Processo Exemplo de Utilização da Carta p De uma amostra de produção de uma fábrica de pequenos recipientes, foram retiradas 25 amostras com 50 observações, sendo retiradas 4 amostras por dia. Exemplo de Utilização da Carta p Exemplo de Utilização da Carta np A amostra a seguir é de uma loja de departamentos onde se pretende verificar se existe variabilidade ou não, relativa ao grau de insatisfação dos clientes. Para isso, foram coletados 20 subgrupos, onde cada um deles possui 300 observações. Exemplo de Utilização da Carta np Exemplo de Utilização da Carta c Neste estudo de caso, serão analisados 26 subgrupos de uma amostra de 100 placas de circuito impresso. Exemplo de Utilização da Carta c Exemplo de Utilização da Carta u Este exemplo tem por finalidade detectar os defeitos por unidade na linha de produção de computadores pessoais. Exemplo de Utilização da Carta u Ferramentas da Qualidade Prof. Dr. Messias Borges Silva Ishikawa reuniu as sete ferramentas que mais se adequavam à realidade das empresas, criando um conjunto que, segundo ele, poderia resolver até 95% dos problemas existentes. INTRODUÇÃO A prática na busca da solução de problemas tem mostrado que em muitas das vezes não conseguimos encontrar uma Solução Satisfatória, face à não utilização de metodologia adequada e de ferramentas que nos permitam encontrar a melhor solução, bem como entender melhor as inter-relações entre as variáveis que compõem os nossos processos de fabricação, administrativos, incluindo-se o tratamento e minimização de resíduos. OBJETIVO Proporcionar a todos aqueles que administram executam atividades dentro de industrias, empresas de prestação de serviços, etc., uma metodologia e ferramentas eficientes nos processos da melhoria da qualidade e na busca da excelência da qualidade dos produtos e serviços e do Meio Ambiente . AS SETE FERRAMENTAS - Diagrama de Pareto ✓ - Diagrama de Causa-Efeito ✓ - Estratificação ✓ - Planilha de Verificação (CHECK-LIST) ✓ - Histograma ✓ - Diagrama de Dispersão ✓ - Gráficos e Cartas de Controle ANÁLISE DE PARETO O que é o Diagrama de Pareto? Problemas de qualidade aparecem sob a forma de perdas (defeituosos e seus custos). É extremamente importante esclarecer o modelo de distribuição das falhas. Mais do que as perdas, será esperado muitos poucos tipos de defeitos e seus efeitos podem ser atribuídos a pequenos números de causas. Portanto, se as causas desses POUCOS DEFEITOS VITAIS são identificados, nos podemos eliminar quase todas as perdas concentrando nossos esforços nessas causas particulares, deixando de lado os outros MUITOS DEFEITOS TRIVIAIS para serem atacados posteriormente. Gráfico de Pareto PRINCÍPIO DE PARETO Definição • É um gráfico de barras verticais; • Barras: são ordenadas a partir da mais alta até a mais baixa; • Traçada uma curva que mostra as % acumuladas de cada barra. Gráfico de Pareto • Dispõe a informação de forma a tornar evidente e visual ➔ priorização de temas! • Perdas: 2 categorias: – “poucos vitais” – “muitos triviais” Gráfico de Pareto • Dispõe a informação de forma a permitir a concentração dos esforços para melhoria nas áreas onde os maiores ganhos podem ser obtidos. Como construir um Pareto: 1) Defina o tipo de problema a ser estudado; 2) Liste os possíveis fatores de estratificação (categorias) do problema escolhido; 3) Estabeleça o método e o período de coleta de dados; 4) Elabore um lista de verificação apropriada para coletar os dados; Como construir um Pareto: 5) Preencha a lista de verificação e registre o total de vezes que cada categoria foi observada e o número total de observações; Como construir um Pareto: 6) Elabore uma planilha de dados para o gráfico de Pareto: Planilha de Dados Categoria Quantidades (Totais indiv.) Totais acumulados % Total Geral % Acumuladas Como construir um Pareto: 7) Preencha a planilha de dados, listando as categorias em ordem decrescente de quantidade; Obs: “Outros” → deve ficar na última linha da planilha. 8) Trace dois eixos verticais de mesmo comprimento e um eixo horizontal; Como construir um Pareto: 9) Marque o eixo vertical do lado esquerdo (ou direito) com a escala de zero até o total da coluna Quantidade da planilha de dados. Identifique o nome da variável representada neste eixo e a unidade de medida utilizada, caso seja necessário. Como construir um Pareto: 10) Marque o eixo vertical do lado direito (ou esquerdo) com uma escala de zero até 100%. Identifique este eixo como “Percentagem Acumulada”; 11) Divida o eixo horizontal em um número de intervalos igual ao número de categorias constantes na planilha de dados; Como construir um Pareto: 12) Identifique cada intervalo do eixo horizontal escrevendo os nomes das categorias, na mesma ordem em que eles aparecem na planilha de dados; 13) Construa um gráfico de barras utilizando a escala do eixo vertical do lado esquerdo; Como construir um Pareto: 14) Construa a curva de Pareto marcando os valores acumulados (total acumulado ou percentagem acumulada), acima e no lado direito (ou no centro) do intervalo de cada categoria, e ligue os pontos por segmentos de reta. Como construir um Pareto: Como construir um Pareto: 15) Registre outras informações que devam constar no gráfico: • Título; • Período de coleta de dados; • Número total de itens inspecionados; • Objetivo do estudo realizado. Tipos de gráficos de Pareto • Efeitos: identificação do principal problema enfrentado por uma empresa. Ex.: número de reclamações de clientes, número de produtos defeituosos • Causas: identificação das principais causas de um problema. Ex.: fornecedor, método de medição, temperatura, treinamento Tipos de gráficos de Pareto Tipos de gráficos de Pareto • Custos: é um importante indicador a ser considerado durante a construção de um gráfico de Pareto para a identificação dos poucos problemas vitais. Gráfico de Pareto para Custos Gráficos de Pareto • A utilização de gráficos de Pareto para comparações “antes” e “depois” permite a avaliação do impacto das mudanças efetuadas no processo. Gráficos de Pareto: Antes e depois V – DIAGRAMA DE CAUSA-EFEITO V.1 – O que é o Diagrama de Causa-Efeito ? É um Diagrama que permite visualizar simples e facilmente cadeia de causas e efeitos do problema. O Diagrama mostra a relação entre a características de qualidade e fatores. Na realidade, não utilizado somente para tratar de aspectos de características de qualidade mas também pose ser aplicado para outros campos e áreas. É conhecido como “diagrama de espinha de peixe”. 6 M 4 M Exemplo de Diagrama de CAUSA EFEITO BRAIN-STORMING Com as pessoas dispostas em circulo, o líder pede a cada membro que formule um problema que sente estar afetando o departamento, o processo, o equipamento, o ambiente de trabalho, ou qualquer outro aspecto do trabalho que é realizado em conjunto. Cada problema formulado é numerado e relacionado em papel de tamanho apropriado. Quando a folha estiver preenchida, deverá ser dependurada na parede, bem a vista dos membros do grupo. Não sãopermitidas criticas ou avaliações das idéias expostas. È importante manter uma atmosfera de apoio, não ameaçadora, de modo que todos os membros se sintam descontraídos para expor suas idéias. È permitido que a pessoa passe a vez (não apresente uma idéia). A quantidade de idéias é importante. Nesse momento, não devemos nos preocupar com a “qualidade”; ela vira mais tarde. Todos devem ser estimulados a participar.”Qualquer tipo de idéia”, deve ser estimulada; freqüentemente elas demonstram não ser tão irracionais quanto parece a primeira vista. A Combinação e o aperfeiçoamento de idéias anteriores (conhecidas como “ideias na garupa”) são essenciais. Se as idéias não estiverem fluindo prontamente, uma opção é terminar a reunião, marcando-a para o dia seguinte ou dois dias depois. Isto permite que as idéias sejam incubadas. Exemplo: Problemas que estão afetando nossa qualidade. 1. Alterações em demasia. 2. Ferramentas insuficientes. 3. Especificações instáveis. 4. Excessivas reelaborações. 5. Necessidade de muitas aprovações. 6. Desconhecimento das metas globais. 7. Procedimentos em excesso. 8. Tempo de ciclo muito longo. 9. Sistema parado durante períodos longos. 10. Escassez de peças. HISTOGRAMAS Os dados obtidos a de uma amostra servem como base para a decisão sobre uma população. Quanto maior for o tamanho da amostra maior será a informação sobre a população. Mas à medida que aumenta o tamanho da amostra fica difícil o entendimento da população, se estes dados estiverem dispostos apenas em um tabela. Para facilitar então o entendimento, construímos o histograma, que permitirá entender a população de forma objetiva. Histograma Definição É um gráfico de barras no qual: • eixo horizontal: apresenta os valores assumidos por uma variável de interesse, e • barra vertical: indica o número de observações na amostra Histograma: • visualização da forma da distribuição de um conjunto de dados; • percepção da localização do valor central; • dispersão dos dados em torno do valor central. Objetivos • Apresentar o padrão de variação do processo; • Visualização do comportamento do processo; • Comparação dos resultados com os limites especificados; • Decisão para concentração de esforços: melhorias! Como construir um histograma: 1) Coleta dos dados; 2) Identificar o maior e o menor dos valores observados; 3) Calcular a amplitude da amostra (R); 4) Definir o número de classes (k); 5) Calcular o tamanho das classes (h); 6) Calcular os limites das classes; 7) Construir uma tabela de freqüência; 8) Desenhar o histograma Passo1: Coleta dos dados • Baseada no objetivo e a variável de interesse; • Número de amostras 30; • Registro dos dados numa folha de verificação. Passo 2: Maior e menor valores • Identificar o maior e o menor dos valores observados • Menor valor: XMIN • Maior valor: XMAX Passo 3: Cálculo da amplitude • Amplitude: representada pela letra “R” R= XMAX - XMIN Passo 4: Definição do número de classes • É a quantidade de colunas que o histograma terá. • n = número de amostras coletadas • K = número de classes nK = Passo 5: Cálculo do tamanho das classes • h = tamanho das classes • R = amplitude • K = número de classes • “h”: deve ter a mesma precisão dos dados coletados (mesmo no de casas decimais). K R h = Passo 6: Calcular os limites das classes • Selecionar o menor valor (XMIN); • 1a. Classe: XMIN + h = y • 2a. Classe: y + h = z • 3a. Classe: z + h = w • e assim por diante... Passo 7: Construir uma tabela de freqüência • Mostra os limites de cada classe e o número de valores dentro de cada classe Classes Tabulação FreqüênciaLimites das classes Tabela de Freqüência Tipos de Histograma COMO CONSTRUIR O HISTOGRAMA Passo 1: Numa tabela quadrada, marcar no eixo vertical do lado esquerdo, a freqüência de observações e do lado direito a porcentagem. No eixo horizontal os intervalos de classes. Passo 2: Em cada intervalo de classe, levantar um retângulo (barra) correspondente à freqüência de classes. Passo 3: Nos espaços em branco, registrar dados informativos: tamanho de amostra, média, desvio padrão. Comparações de Histogramas e Limites de Especificação ESTRATIFICAÇÃO Quando os valores observados estão divididos em duas ou mais subpopulações dentro da população de dados, então as subpopulações são chamadas extratos e a divisão dos dados em estratos é chamada estratificação. Os valores observados são sempre acompanhados por algumas variações. Portanto, quando os dados são estratificados de forma a separar os fatores que são causadores das variações, as causas das variações tornam-se mais facilmente detectáveis. Este método pode ser usado efetivamente para elevar a qualidade do produto pela redução ad variação e melhoria da media do processo. A estratificação é usualmente utilizada para matéria prima, máquina, condição de operação e operadores. EXEMPLOS DE ESTRATIFICAÇÃO a) Uma serie de quadro de maquinas (A, B, C e D) estão produzindo um mesmo item. Amostras foram retiradas de tempo em tempo de cada maquina e os resultados das medidas em médias foram misturadas e registradas no gráfico abaixo. Verificamos que no período entre 12:00 e 14:00 horas tivemos valores das médias fora do limite superior de especificação. A partir daí surge a dúvida. Será que todas as máquinas estão fora ou esta desconformidade está sendo produzida por uma ou duas das máquinas? Então há a necessidade de fazermos uma estratificação dos valores encontrados por máquina. No exemplo fizemos a estratificação por máquina encontrando o seguinte: Característica Característica Concluímos então, após estratificação, que a desconformidade está sendo gerada na máquina C. A partir daqui resta-nos procurar a causa do problema e elimina-la. DIAGRAMA DE DISPERSÃO VIII.1 – O QUE É DIAGRAMA DE DISPERSÃO? Na pratica muitas vezes temos a necessidade de estudar a relação de correspondência entre duas variáveis. Por exemplo: 1) Será que a quantidade de impurezas de uma substancia pode alterar sua viscosidade? 2) Podemos executar o controle de concentração de uma substancia substituindo a concentração pela densidade que é mais fácil de se medir? O Estudo da relação entre duas variáveis é feito através do Diagrama de Dispersão. GRÁFICO DE DISPERSÃO 0 2 4 6 X Y 6 4 2 0 0 2 4 6 X Y 6 4 2 0 CORRELAÇÃO POSITIVA 0 2 4 6 X Y 6 4 2 0 PODE HAVER CORRELAÇÃO POSITIVA 0 2 4 6 X Y 6 4 2 0 NÃO HÁ CORRELAÇÃO 0 2 4 6 X Y 6 4 2 0 CORRELAÇÃO NEGATIVA 0 2 4 6 X Y 6 4 2 0 PODE HAVER CORRELAÇÃO NEGATIVA NÃO HÁ CORRELAÇÃO Caso de Aplicação: a) Relação entre Característica de Qualidade e fator que a afeta. b) Relação entre duas Características de qualidade. c) Dois fatores relacionados a uma única característica de qualidade. Exemplo: Gráficos de Controle Escola de Engenharia de Lorena Proposta Avaliar a variação do processo, usando o Gráfico R e a média do processo, usando o Gráfico Xbar. Problema Uma Companhia usa bolinhas plásticas para fabricar carcaças para monitores de computadores. Eles desejam avaliar se a cor da carcaça é consistente durante o tempo. Exemplo 1: Consistência da Cor Escola de Engenharia de Lorena Dados Coletados Cinco carcaças foram selecionadas a cada quatro horas de produção durante um período de oito dias. Ferramentas ➢R Chart; ➢Xbar Chart. Arquivo de Dados: COLOR1.MPJ Variável Descrição Readings Leitura obtida da cada carcaça de computadores, usando a escala de cor: L, a, b. Date/Time Data e hora que cada grupo de carcaças foi examinado no processo. Gráficos de Controle Escola de Engenharia de Lorena Gráfico das Amplitudes – Gráfico R O que é um Gráfico R Um GráficoR avalia a variação dentro dos subgrupos em uma ordem temporal. Quando usar um Gráfico R: Use o Gráfico R para comparar a variabilidade dos subgrupos ao longo tempo. Um erro comum quando procedemos com a análise do processo por intermédio do estudo de dados amostrais, é interpretar o gráfico de controle de um subgrupo sem antes verificar se a variabilidade está sob controle estatístico. É apropriado examinar um Gráfico R ou um Gráfico S antes de interpretar uma gráfico de controle da média do subgrupo (um Gráfico Xbar). Se a variabilidade dos grupos não for estável, o limite de controle usando o Gráfico Xbar pode não ser significativo, pois estes limites de controle foram obtidos com base nas variações dos subgrupos. Os Gr’ficos R são tradicionalmente utilizadas para análise de subgrupos pequenos. A Automotive Industry Action Group (AIAG) sugere usar o Gráfico R ao invés do Gráfico S quando o tamanho do subgrupo for inferior a oito. Gráficos de Controle Escola de Engenharia de Lorena Causas Especiais Uma causa especial é uma ocorrência incomum que não faz parte do processo, podendo ser benéficas ou prejudiciais ao processo. Quando um processo esta fora de controle estatístico, devemos procurar causas especiais. Investigando as razões para as causas especiais de variabilidade, podemos responder perguntas tais como: •Por que a média do processo é maior que a esperada? •Por que a proporção de erros é maior que a esperada? •Por que existe mais variações que a esperada no processo? Por exemplo: •O nível de soda na máquina estava com ajuste alto demais? •A pessoa que estava operando a máquina foi treinada adequadamente? •A tintura utilizada no processo de fazer papel era da cor errada? Gráficos de Controle Escola de Engenharia de Lorena Gráficos de Controle Criando um Gráfico R Criaremos uma Gráfico R para examinar a variabilidade dos grupos de cores analisados antes de criar a Gráfico Xbar. Se a variabilidade do processo não estiver sob controle estatístico, as conclusões feitas na Gráfico Xbar poderão ser inválidas. Subgrupos Racionais As cinco carcaças selecionadas por turno formam um subgrupo. Um subgrupo deve representar somente uma causa de variação comum no processo e deve, se possível, ser livre de causas especiais de variação. Exemplos incluem itens fabricados ao mesmo tempo, ou por um mesmo operador. Idealmente, a variabilidade em subgrupos racionais é limitada a variação inerente ao processo. A meta ao acessar a variabilidade do processo é identificar e eliminar fontes de variação que são adversas ao processo. Escola de Engenharia de Lorena 1. Abra COLOR1.MPJ; 2. Selecione Estat>Cartas de Controle>Cartas de Variáveis por subgrupos> R; 3. Complete a caixa de diálogo, como mostra a figura a seguir: 4. Clique em Opções de Carta R Gráficos de Controle Escola de Engenharia de Lorena Gráficos de Controle Testes para Causas Especiais O Minitab inclui quatro testes para ajudar a identificar a não aleatoriedade da variação dos dados no Gráfico R. Podemos escolher um dos testes ou fazer todos eles: 1. Pontos fora dos limites de controle: 1 ponto além de 3 desvios-padrão da linha central, o que testa se a média do alcance dos valores está alta ou baixa. O valor 3 é o padrão do software, sendo realmente o mais utilizado, porém podendo ser alterado no Minitab. 2. Deslocamento da linha média: 9 pontos consecutivos no mesmo lado da linha central, que testa se uma série de valores consecutivos são maiores ou menores que a média. O valor 9 é o padrão do software, sendo mais comum a utilização de 7 pontos, porém a quantidade de pontos a ser testada podendo ser alterado no Minitab. 3. Tendência: 6 pontos consecutivos, todos crescentes ou decrescentes, o que testa um crescimento ou decrescimento sistemático dos valores amostrais. O valor 6 é padrão do software, sendo mais comum a utilização de 7 pontos, porém a quantidade de pontos a ser testada podendo ser alterado no Minitab. 4. Periodicidade: 14 pontos consecutivos, alternando em cima e em baixo da linha central, o que testa variações não aleatórias nos valores amostrais. O valor 14 é o padrão do software, sendo realmente o mais utilizado, porém podendo ser alterado no Minitab. Escola de Engenharia de Lorena Gráficos de Controle Se os dados falharem em algum destes testes, o número do teste respectivo no qual ocorreu a falha aparece nos pontos do gráfico e na Session. Embora possamos observar a falha de mais de um teste em um mesmo gráfico, somente o primeiro teste que falhar será apontado no gráfico. R Chart 5. Clique em Testes; 6. Complete a caixa de diálogo, como mostra a figura ao lado: 7. Clique em Ok em todas as caixas de diálogo. Escola de Engenharia de Lorena Gráficos de Controle Interpretando os Resultados Escola de Engenharia de Lorena Gráficos de Controle Gráfico das Médias– Gráfico Xbar O que é um Gráfico Xbar Um Gráfico XBar nos ajuda a determinar se a média do processo está sob controle estatístico quando os dados forem coletados em subgrupos apropriados. Quando usar um Gráfico Xbar: Usaremos o Gráfico Xbar para acessar a estabilidade da média do processo quando os dados são coletados em subgrupos racionais. Acessaremos a estabilidade da variação do processo usando o Gráfico R ou o Gráfico S antes da avaliar a média do processo. Escola de Engenharia de Lorena Gráficos de Controle Porque usar um Gráfico Xbar? Use o Gráfico Xbar para responder perguntas tais como: •A média do processo está estável ao longo do tempo? •A média do processo exibe um padrão incomum ao longo do tempo? Por exemplo o Gráfico Xbar pode detectar: •Quando uma broca foi instalada incorretamente em uma máquina, causando mudança na média do diâmetro do orifício; •Quando a força média das peças coladas deslocar para baixo, devido ao fato de qual a cola aplicada ser insuficiente. Escola de Engenharia de Lorena Gráficos de Controle Testes para Causas Especiais O Gráfico Xbar tem mais testes para causas especiais do que o Gráfico R. No exemplo, todos os oitos testes foram usados neste Gráfico: 1. Pontos fora dos limites de controle: 1 ponto além de 3 desvios-padrão da linha central, o que testa se a média do alcance dos valores está alta ou baixa. O valor 3 é o padrão do software, sendo realmente o mais utilizado, porém podendo ser alterado no Minitab. 2. Deslocamento da linha média: 9 pontos consecutivos no mesmo lado da linha central, que testa se uma série de valores consecutivos são maiores ou menores que a média. O valor 9 é o padrão do software, sendo mais comum a utilização de 7 pontos, porém a quantidade de pontos a ser testada podendo ser alterado no Minitab. 3. Tendência: 6 pontos consecutivos, todos crescentes ou decrescentes, o que testa um crescimento ou decrescimento sistemático dos valores amostrais. O valor 6 é padrão do software, sendo mais comum a utilização de 7 pontos, porém a quantidade de pontos a ser testada podendo ser alterado no Minitab. 4. Periodicidade: 14 pontos consecutivos, alternando em cima e em baixo da linha central, o que testa variações não aleatórias nos valores amostrais. O valor 14 é o padrão do software, sendo realmente o mais utilizado, porém podendo ser alterado no Minitab. Escola de Engenharia de Lorena Gráficos de Controle 5. Aproximação dos limites de controle: 2 em 3 pontos consecutivos entre 2 e 3 desvios-padrão do mesmo lado da linha média. O valor 2 é o padrão do software, sendo realmente o mais utilizado, porém podendo ser alterado no Minitab. 6. Deslocamento acentuado da média: 4 em 5 pontos consecutivos, do mesmo lado da linha média, além de um desvio-padrão da linha média O valor 4 é o padrão do software, sendo realmente o mais utilizado, porém podendo ser alterado no Minitab. 7. Aproximação da Linha Média: 15 pontos consecutivos, em ambos os lados, no limite de um desvio- padrão da linha média. O valor 15 é o padrão do software,sendo realmente o mais utilizado, porém podendo ser alterado no Minitab. 8. Distanciamento da Linha Média: 8 pontos consecutivos, em ambos os lados, além de um desvio-padrão da linha média. O valor 8 é o padrão do software, sendo realmente o mais utilizado, porém podendo ser alterado no Minitab. Escola de Engenharia de Lorena Gráficos de Controle Xbar Chart 1. Abra COLOR1.MPJ; 2. Selecione Estat>Cartas de Controle>Cartas de Variáveis por Subgrupos>Xbarra; 3. Complete a caixa de diálogo, como mostra a figura a seguir: 4. Clique em Opções de Xbarra; Escola de Engenharia de Lorena Gráficos de Controle 5. Clique em Testes; 6. Complete a caixa de diálogo, como mostra a figura abaixo; 7. Clique em Ok em todas as caixas de diálogo. Escola de Engenharia de Lorena Gráficos de Controle Interpretando os Resultados Escola de Engenharia de Lorena Gráficos de Controle Escola de Engenharia de Lorena Gráficos de Controle Interpretando os Resultados O desvio-padrão estimado com a variação entre os subgrupos é usado nos limites de controle do Gráfico Xbar. Observe que o Gráfico Xbar é focada na variação da média do subgrupo e não no valor individual dos dados. 𝜎 𝑥 = 𝜎 𝑛 Falhas dos Testes de Causas Especiais Os pontos vermelhos indicam as falhas nos testes, enquanto o número abaixo do ponto indica qual teste houve a falha. Os testes falhos são definidos na Session.. Escola de Engenharia de Lorena Gráficos de Controle Dados Coletados Pigmentos plásticos provenientes de diferentes fornecedores são usados na fabricação de carcaças. Cinco carcaças foram selecionadas em intervalos de 4 horas em 8 dias. A data, a hora e o vendedor correspondente de cada medição de cor foram gravados. Ferramenta ➢Xbar-R Chart. Arquivo de Dados: COLOR2.MPJ Variável Descrição Readings Leitura obtida da cada carcaça de computadores, usando a escala de cor: L, a, b. Date/Time Data e hora que cada grupo de carcaças foi examinado no processo. Vendor Fornecedor dos pigmentos plásticos usados nas carcaças. Escola de Engenharia de Lorena Gráficos de Controle Especificando Parâmetros Os parâmetros são valores fixados (fornecidos pelo usuário) que serão usados no cálculo da linha média e no cálculo dos limites de controle que construirão o gráfico na qual serão plotados os dados atuais. Estes valores são retirados de períodos de tempo, nos quais o processo exibiu estabilidade,ou seja, estava sob controle estatístico. Valores Conhecidos Se pudermos obter uma estimativa confiável da média e do desvio-padrão a partir da análise de dados passados, poderemos entrar com estes valores como sendo a média e o desvio-padrão do processo atual. Usando o conhecimento prévio, afirmamos que a média do processo é 40 e o desvio-padrão do subgrupo é 0,96. Agora usaremos os Gráficos de Controle X-bar e R para entrarmos com os dados. OBS: Em Xbar-R Options, você pode omitir certos subgrupos dos parâmetros de cálculo. Tome cuidado quando estiver omitindo valores. Tenha certeza que você entendeu todas as causas especiais de variação antes de eliminar os dados correspondentes da análise. Escola de Engenharia de Lorena Gráficos de Controle Xbar Chart 1. Abra COLOR2.MPJ; 2. Selecione Selecione Estat>Cartas de Controle>Cartas de Variáveis por Subgrupos>Xbarra-R; 3. Complete a caixa de diálogo, como mostra a figura a seguir: 4. Clique em Opções de X barra; 5. Em Média digite 40. Em Desvio Padrão, digite 0,96; 6. Clique em Testes e selecione Realizar todos os testes para causas especiais; 7. Clique em Ok em todas as caixas de diálogo. Escola de Engenharia de Lorena Gráficos de Controle Interpretando os Resultados Escola de Engenharia de Lorena Gráficos de Controle Escola de Engenharia de Lorena Gráficos de Controle Proposta Avaliar a variação do processo, a média e as melhorias observadas no mesmo usando o Gráfico Xbar-S. Problema O encolhimento excessivo de itens fabricados pelo processo de moldagem por injeção foi experimentado. Um encolhimento médio de 5% é considerado inaceitável. O processo também está apresentando uma variabilidade superior do que a desejada. A equipe de qualidade efetuou um estudo experimental no design para investigar os fatores que podem afetar o encolhimento dos itens obtidos pelo processo de injeção. Baseado no resultado do experimento, a temperatura do molde foi reduzida. Após reduzir a temperatura do molde, a equipe decidiu que a modificação na ferramenta do molde de injeção reduzirá o encolhimento. Exemplo 3: O Encolhimento no Processo de Moldagem por Injeção Escola de Engenharia de Lorena Gráficos de Controle Dados Coletados Os dados do encolhimento foram coletados em subgrupos de tamanho 10 a cada 8 horas. Os dados iniciais foram nomeados Benchmark. Os dados do processo após a primeira mudança foram nomeados Reduce Temperature Os dados do processo após a segunda mudança foram nomeados Molding Tool Modification. Ferramenta ➢Xbar-S Chart. Arquivo de Dados: IMPROVE.MPJ Variável Descrição Shrinkage Porcentagem da diferença de tamanho do item atual e o tamanho modelo. Date Data dos itens produzidos. Change Condições do processo quando os itens foram produzidos. Escola de Engenharia de Lorena Gráficos de Controle Gráfico dos Desvios-Padrão– Gráfico S O que é um Gráfico S Um Gráfico S é baseada no cálculo do desvio-padrão de cada subgrupo apresentados em ordem temporal. Quando usar um Gráfico S: Use o Gráfico S para comparar a variabilidade ocorrida dentro dos subgrupos de dados ao longo tempo. Devemos examinar o Gráfico R ou S antes de interpretar o Gráfico para média do subgrupo (Gráfico Xbar). Se a variabilidade do subgrupo não for estável, os limite de controle usados no Gráfico Xbar podem nãos ser significativos, pois estes são calculados com base na variação do subgrupo. Tradicionalmente, os Gráficos S são usadas para averiguar a variabilidade de processos com amostras com mais de 10 itens, enquanto o Gráfico R são usadas na análise de amostras menores. A Automotive Industry Action Goup (AIAG) sugere o Gráfico S ao invés do Gráfico R para subgrupos maiores que 9. Escola de Engenharia de Lorena Gráficos de Controle Porque usar um Gráfico S? Usaremos um Gráfico S para detectar quando a variabilidade do processo muda de acordo com o tempo. Usaremos o Gráfico R para responder questões, tais como: •A variação no processo se mantém estável durante todo o tempo? •São os diferentes tipos de matéria-prima que estão causando mudança de variabilidade no processo? Por exemplo o Gráfico S pode detectar: •Quando a variação na força dos itens coletados aumenta devido ao fato do aplicador de cola ter injetado quantidades diferentes de cola devido a obstruções intermitentes. Escola de Engenharia de Lorena Gráficos de Controle Selecionando uma Gráfico para estudar a variação dentro dos subgrupos Devido ao fato do tamanho do subgrupo ser maior que 8, usaremos o Gráfico S ao invés do Gráfico R. Xbar-S Introduzindo Gráficos de Controle no Processo de Melhoria 1. Abra IMPROVE.MPJ; 2. Selecione Estat>Cartas de Controle>Cartas de variáveis por subgrupos>Xbarra-S; 3. Complete a caixa de diálogo, como mostra a figura a seguir: Escola de Engenharia de Lorena Gráficos de Controle 4. Clique em Escala; 5. Abaixo de Escala de X selecione Estampa; 6. Abaixo de Coluna de Estampa, digite Date; 7. Clique em Ok. 8. Clique em Opções de Xbarra; 9. Clique em Testes e selecione Realizar todos os testes para causas especiais; 10.Clique em Ok em todas as caixas de diálogo. Escola de Engenharia de Lorena Gráficos de Controle Escola de Engenharia de Lorena Gráficos de Controle Colocando no Gráfico o Processo de Melhoria Quando o processo passa por modificações, devemos recalcular os limites de controle. Usando este procedimento, cada vez que houver mudança no processo os limites de controle irão mudar. O Minitab recalcula os limites de controlepara cada valor específico na coluna que denominamos Change. 1. Selecione Ctrl + E; 2. Clique em Opções de Xbarra-S, então clique em Estágios; 3. Complete a caixa de diálogo, como mostra a figura ao lado: 4. Clique em OK em todas as caixas de diálogo. Escola de Engenharia de Lorena Gráficos de Controle Exercício Prático das Cartas X - R Simulação de uma Planta industrial Materiais: Variações no Sistema de Medição Measurement Análise System Analysis de Sistemas de Medição Fontes das Potenciais de Variação do Processo Variação Observada do Processo Variação Atual do Processo Variação da Medição Variação do Processo (Curto Prazo) Variação do Processo (Longo Prazo) Variação da Amostragem Variação do Operador Variação do Equipamento Repetitividade Calibração Estabilidade Linearidade Análise de Sistemas de Medição Propriedades Estatísticas obrigatórias à todos os Sistemas de Medição O Sistema de Medição deve estar sob controle estatístico, ou seja, sua variação é devida somente a causas comuns e não a causas especiais. A variabilidade do Sistema de Medição deve ser pequena com relação a variabilidade do processo de produção e/ou limites de especificação. A resolução do Instrumento deve ser no mínimo um décimo (1/10) da variabilidade do processo e/ou amplitude da especificação. Quando aplicado a vários itens, a maior (pior) variação do Sistema de Medição deve ser pequena com relação a variabilidade do processo de produção e/ou limites de especificação. Análise de Sistemas de Medição REPETITIVIDADE DO DISPOSITIVO DE MEDIÇÃO Repetitividade do dispositivo de medição é a variação na medição obtida com um dispositivo de medição quando usado várias vezes por um mesmo operador medindo características idênticas nas mesmas peças. Valor Padrão Leituras Observadas Repetitividade Escala do Dispositivo de Medição Análise de Sistemas de Medição REPRODUTIBILIDADE DO DISPOSITIVO DE MEDIÇÃO Padrão Reprodutibilidade do dispositivo de medição é a variação da média das medições feitas por diferentes operadores, utilizando o mesmo dispositivo medindo características idênticas nas mesmas peças. Valor Operador B Operador C Operador A Reprodutibilidade Análise de Sistemas de Medição TENDÊNCIA DO DISPOSITIVO DE MEDIÇÃO Tendência do dispositivo de medição é a diferença entre a média observada das medições e o valor padrão. O valor padrão pode ser determinado pela média de várias medidas, utilizando o dispositivo de medição de melhor exatidão disponível. (Normalmente o Valor padrão é obtido em um equipamento do laboratório metrológico) Valor Padrão Tendência Média Observada Escala do Dispositivo-de Medição Análise de Sistemas de Medição LINEARIDADE DO DISPOSITIVO DE MEDIÇÃO Linearidade do dispositivo de medição, é a diferença entre os valores de detendência ao longo de uma esperada medição. faixa de operação do dispositivo Baixo valor de Alto valor de Tendência Tendência B O M R U I M Valor Valor Padrão Padrão Média Média Observada Observada Escala do Dispositivo de Medição Escala do Dispositivo de Medição Análise de Sistemas de Medição Exemplo: • • • Valor de referência Variação de processo Medições efetuadas = = 0,80 0,70 Média das Medições X1 = X2 = X3 = X4 = X5 = 0,75 0,75 0,80 0,80 0,65 X6 X7 X8 X9 = 0,80 X 7.5 10 X = = = 0.75= 0,75 = 0,75 = 0,75 10 X10 = 0,70 Tendência = 0,75 - 0,80 = - 0,05 %Tendência = (I Tendência I / Variação processo) x 100=(0,05/ 0,70) x 100=7,1% Análise de Sistemas de Medição REPETITIVIDADE É a variabilidade própria do dispositivo de medição (AIAG). Aptidão de um instrumento de medição em fornecer indicações muito próximas, em repetidas aplicações do mesmo mensurando, sob as mesmas condições de medição (VIM). AVALIAÇÃO Método gráfico - Carta Amplitude Fórmulas : VE = 5,15 x e onde: VE = Variação do equipamento 5,15 = representa 99% das medições para uma distribuição normal. Desvio Padrão REPETITIVIDADE onde: R d2 m g = Amplitude Média de varias medições = Extraído da tabela 1 (pág. 32) = número de replicações = número de operadores vezes número de peças. R e= d 2 e Valores de d2 m= número de réplicas g= número de operadores vezes número de peças Análise de Sistemas de Medição REPETITIVIDADE - Exemplo de Carta de Controle REPLICAÇÕES/ PEÇAS OPERADOR 3 1 4 OPERADOR 2 31 2 5 1 2 4 5 1 2 3 217 216 216 220 216 218 217 216 216 214 212 212 216 219 220 216 219 220 216 216 220 216 215 216 216 212 212 220 220 220 Média Amplitude 216.3 1.0 218.0 4.0 216.3 1.0 212.7 2.0 218.3 4.0 218.3 4.0 217.3 4.0 215.7 213.3 220 .0 0.01.0 4.0 R = 25 = 2,5 10 X = 216,3 X = 216,9 Cálculo dos limites Cálculo da Repetitividade eLSC = LSC = LSC = R x D4 (*) 2,5 x 2,575 6,4 LIC = LIC = LIC = R x D3 (*) VE = VE = VE = VE = 5,15 x 2,5 x 0 0 5,15 x R/d2 (**) 5,15 x 2,5/1,72 7,5 1 2 g= 2 operadores x 5 peças = 10 Valores de d2 m= número de réplicas g= número de operadores vezes número de peças Análise de Sistemas de Medição REPRODUTIBILIDADE * DEFINIÇÃO : É a variabilidade própria do Operador (AIAG) * AVALIAÇÃO : 0Vo = 5,15 x onde: Vo 0 = Variação do operador = Desvio Padrão de Reprodutibilidade 0 = R0 / d2 onde: Ro = Diferença entre as médias máximas e mínimas dos Operadores d2 = Extraído da tabela Análise de Sistemas de Medição EXEMPLO DE REPRODUTIBILIDADE •Da Carta de Controle - -Média Operador 1 => 216,3 -Média Operador 2 => 218,3 218,0 217,3 216,3 215,7 212,7 213,3 218,3 220,0 = = 216,3 216,9 Ro = 216,9 -216,3 = 0,6 5,15 x o 5,15 x Ro/d2 Vo Vo Vo Vo = = = = 5,15 x 2,2 0,6/1,41 REPRODUTIBILIDADE AJUSTADA 2 2 2 (5,15 ) 2 7 ,5 Ro5,15 2 ,2= − = − = =Vo Vo Vo 1,0 (n r)d 2 5 3 Onde : n = Número de Peças - r = Número de Replicações Análise de Sistemas de Medição VARIAÇÃO PEÇA A PEÇA Determinado através de : Estudo da capacidade do processo Estudo do sistema de medição Determinação da Variação Peça a Peça Vp = 5,15 x p onde: VP = Variação peça a peça p = Desvio padrão de peça a peça p = Rp / d2 onde: Rp = Amplitude da média das amostras d2 m g = Extraído da tabela 2 com: = número de peças = 1 ( somente 1 cálculo de amplitude ) Análise de Sistemas de Medição LINEARIDADE É a diferença entre os valores de tendência obtidos ao longo de uma faixa de medição do equipamento. Causas de Erros de Linearidade Erro de calibração nos limites ( superior/ inferior ) do campo de operação. Erro no padrão mínimo ou máximo. Desgaste no dispositivo de medição. Erro de projeto do dispositivo de medição Determinação da Linearidade (Análise Gráfica) Determina-se a tendência de várias peças, cobrindo-se toda a faixa de operação do equipamento. Marca-se os valores de Tendência x Valores de Referência em um gráfico de linearidade Utiliza-se a linha de regressão linear para avaliação do gráfico. Análise de Sistemas de Medição EXEMPLO - Cálculo de Linearidade Arquivo : Dispositivo de Teste Sumário de dados do Dispositivo Operador 1 Peça # 1 : 1 Carta # : 1 Nome da Carta: Carta 1 1 Operador 1 2 3 4 5 10.006.00 8.00VALOR DE REFERÊNCIA 2.00 4.00 2.70 2.50 2.40 2.50 2.70 2.30 2.50 2.50 2.40 2.40 2.602.40 5.10 3.90 4.20 5.00 3.80 3.90 3.90 3.90 3.90 4.00 4.10 3.80 5.80 5.70 5.90 5.90 6.00 6.10 6.00 6.10 6.40 6.30 6.00 6.10 7.60 7.70 7.80 7.70 7.80 7.80 7.80 7.70 7.80 7.50 7.60 7.70 9.10 9.30 9.50 9.30 9.40 9.50 9.50 9.50 9.60 9.20 9.30 9.40 1 2 3 4 5 6 7 8 9 10 11 12 2.49 0.49 4.12 0.12 6.03 0.03 7.71 -0.29 9.38 -0.62 MEDIA PEÇAS TENDÊNCIA SUMÁRIO DE DADOS DO DISPOSITIVO Nota : Variação do processo = 6,00 R E P L I C A Ç Õ E S Análise de Sistemas de Medição CÁLCULOS y = ax + b onde: y = média das tendências a = inclinação (coeficiente de regressão) x = valor de referência b = constante a = (n . xy) - (x . y) = (5 . -6,88) - (30 . -0,27) = -0,1317 n x2 - (x)2 (5. 220) - (30)2 b = y - (a . x) = -0,27 - (-0,1317 . 30) = 0,7367 n 5 (n . xy) - ( x . y)R2 = = (5 . -6,88) - (30 . -0,27) [5 . 220 - (30)2] . [5 . 0.7239 - (- 027)2] = 0,98 [n . x2 - (x)2] - [n . y2 - (y)2] Tendência = b + ax = 0,7367 - (0,1317 . 6) = - 0,05 Linearidade = I Inclinação I x variação do Processo = I 0,1317 I . 6,0 = 0,79 % Linearidade = 100 . (Linearidade/ Variação de Processo) = 13,17% = 0,98 (coeficiente de correlação)R2A validade do ajuste = Análise de Sistemas de Medição Linearidade 0.40 -0.40 GRÁFICO DE LINEARIDADE R2 A qualidade do ajuste uma relação linear ou o coeficiente de correlação ( ) indica se existe A Linearidade é determinada pela inclinação da reta de melhor ajuste. Quanto menor a inclinação, melhor a linearidade do dispositivo de medição. + + Arquivo:Dispositivo de Teste de Linearidade Data: 01/09/96 Estudo # : 01 Carta #: 01 Nome: Carta # 01 01 Operador 12 Ensaios 05 Peças Tolerância: 6,0 mm Comentários: Estudo Especial MIN NOM MAX 1.20 1.00 0.80 0.60 0.20 + -0.00 + -0.20 -0.60 + 4.00 6.00 8.00 10.00 Valores de Referência TENDÊNCIA =0.05 QUALIDADE DE AJUSTE ( R^2) = 0.98 % LINEARIDADE = 13.17 LINEARIDADE = 0.79 Análise de Sistemas de Medição O dispositivo deve estar devidamente calibrado O dispositivo deve ter resolução adequada O número de operadores, amostras e replicações de leitura, deve ser previamente determinado de acordo com os seguintes fatores: a) Criticidade das dimensões : Dimensões críticas requerem mais peças e /ou replicações b) Configuração das peças : Para peças volumosas ou pesadas, utilizar amostras menores e maior número de replicações. As peças da amostra devem ser selecionadas do processo, e representar a sua faixa completa de variação. Utilizar Operadores usuários do dispositivo de medição. O procedimento de medição deve estar definido e disponível. Os operadores devem estar treinados no procedimento de medição. As medições devem ser realizadas em ordem aleatória. A identificação e seqüência das peças só deve ser conhecida pelo condutor do estudo. Os operadores devem estar conscientes dos objetivos do estudo. As peças devem ser marcadas para indicar o local exato da medição (para estudos onde a variação própria da peça será excluída). Análise de Sistemas de Medição MÉTODO DAAMPLITUDE No exemplo abaixo temos método da amplitude Peça o cálculo de R&R de um dispositivo através do Amplitude (A-B) 0.05 0.05 0.05 0.10 0.10 Operador A Operador B 1 2 3 4 5 0.85 0.75 1.00 0.45 0.50 0.80 0.70 0.95 0.55 0.60 CARACTERÍSTICA TOLERÂNCIA : : Medição de diâmetro +/- 0.2 ( Ri ) 0.35 5 AMPLITUDE MÉDIA : R = = = 0.07 5 4.33 x (R) 4.33 x 0.07 = 0.303 CRITÉRIO DE ACEITAÇÃO R&R DO DISPOSITIVO : R& R 0.303 0.40 % R&R = x 100 = x 100 = 75.5% %R&R < 0% APROVADOTOL 10% < R&R 0% APROVADO CONDICIONAL No exemplo dado, (R&R = 75.5%) o dispositivo deve ser reprovado %R&R > 30% REPROVADO Implementação do CEP ETAPA 1. Identificação do projeto piloto. Nesta etapa é selecionada a área para o início de implementação do CEP. A área escolhida deve apresentar problemas que justifiquem a utilização dos gráficos de decontrole e os benefícios em termos de aumento produtividade e redução de custos devem ser levantados. ETAPA 2. Elaboração do fluxograma de processo Nesta etapa é preparado um fluxograma de processo para a identificação dos pontos e parâmetros críticos do processo onde serão utilizados os gráficos de controle. Implementação do CEP ETAPA 3 .Definir cronograma do projeto piloto. Esta etapa ajuda o coordenador do projeto na tarefa de acompanhamento do andamento e verificação dos resultados. Podem ser adotados documentos para registro das atividades pendentes e resultados obtidos. ETAPA 4. Identificação e solução de problemas da área Esta nela piloto. é a primeira etapa efetiva da implementação do CEP, são levantados os principais problemas da área piloto, os quais com a utilização das ferramentas básicas da qualidade (diagrama de causa-efeito, Pareto) são eliminados. Implementação do CEP ETAPA 5 .Seleção do tipo de gráfico de controle a ser utilizado. Nesta etapa é definido o tipo de gráfico de controle que vai ser utilizado no processo, se a decisão for pela a utilização de gráficos por atributos, deve- se partir para a etapa sete, caso a decisão seja pela utilização de gráficos por variáveis deve ser realizada a etapa 6. ETAPA 6 .Avaliação da Capacidade do processo. Esta etapa que indica se o processo já está apto para a utilização dos gráficos de controle, se o processo for capaz deve-se capaz deve-se partir para a etapa 7, se o processo não for voltar a etapa 4 Implementação do CEP ETAPA 7. Elaboração gráfico de controle. de procedimento para uso do Nesta etapa são estabelecidas as responsabilidades das pessoas envolvidas com os gráficos de controle, incluindo as atividades de registro e monitoramento dos gráficos de controle. Referências Bibliográficas ➢ COSTA,A.F.B., EPRECHT, E.K., CARPINETTY, L.C.R. , Controle Estatístico de Qualidade. 2a. ed. São Paulo, Atlas, 2006. LOPES, Luis Felipe Dias.Controle Estatístico de Processo.Universidade Federal de Santa Maria, 2007. MONTGOMERY, D.C. Introdução ao Controle Estatístico da Qualidade. 4a ed. New York, John Wiley, 2009. WERKEMA MCC. Ferramentas Estatísticas Básicas para o Gerenciamento de Processos. Belo Horizonte: Fundação Christiano Ottoni, Escola de Engenharia da UFMG; 1995. MONTGOMERY, Douglas C.; RUNGER, George C. Estatística aplicada e probabilidade para engenheiros. 2a. ed. Tradução de Verônica Calado. Rio de Janeiro, LTC, 2003. SHEWHART, W. Statistical method: from the viewpoint of quality control. Washington: Dover, 1986. VIEIRA, S. Estatística para a qualidade. Rio e Janeiro: Campus. 1999. 198 p. VTB, Consultoria e Treinamento. Controle Estatístico do Processo Básico. São Paulo, 2008. ➢ ➢ ➢ ➢ ➢ ➢ ➢ Slide 1: Controle Estatístico de Processos CEP Aplicado à Redução de Falhas Slide 2 Slide 3 Slide 4: 1. Constantes e Rápidas Mudanças na Tecnologia Slide 5: Constantes e Rápidas Mudanças na Tecnologia Slide 6: Desenvolvimentos desde 1960 Slide 7 Slide 8 Slide 9 Slide 10 Slide 11: Como esses produtos parecerão daqui 100 anos? Slide 12: Pirâmide da Aprendizagem Slide 13 Slide 14 Slide 15 Slide 16 Slide 17: Qualidade Slide 18: Qualidade só é efetivamente concluída quando dois “personagens” entram em cena Slide 19: O que as empresas Classe Mundial (World Class) vem praticando Slide 20 Slide 21: QUESTÃO NORTEADORA Slide 22 Slide 23 Slide 24 Slide 25 Slide 26 Slide 27 Slide 28 Slide 29 Slide 30 Slide 31 Slide 32 Slide 33 Slide 34 Slide 35 Slide 36 Slide 37 Slide 38 Slide 39 Slide 40 Slide 41 Slide 42 Slide 43 Slide44 Slide 45 Slide 46 Slide 47 Slide 48 Slide 49 Slide 50 Slide 51 Slide 52 Slide 53 Slide 54 Slide 55 Slide 56 Slide 57 Slide 58 Slide 59 Slide 60 Slide 61 Slide 62 Slide 63 Slide 64 Slide 65 Slide 66 Slide 67 Slide 68 Slide 69 Slide 70 Slide 71 Slide 72 Slide 73 Slide 74 Slide 75 Slide 76 Slide 77 Slide 78 Slide 79 Slide 80 Slide 81 Slide 82 Slide 83 Slide 84 Slide 85 Slide 86 Slide 87 Slide 88 Slide 89 Slide 90 Slide 91 Slide 92 Slide 93 Slide 94 Slide 95: Gráfico de Pareto Slide 96: PRINCÍPIO DE PARETO Slide 97: Definição Slide 98: Gráfico de Pareto Slide 99: Gráfico de Pareto Slide 100: Como construir um Pareto: Slide 101: Como construir um Pareto: Slide 102: Como construir um Pareto: Slide 103: Como construir um Pareto: Slide 104: Como construir um Pareto: Slide 105: Como construir um Pareto: Slide 106: Como construir um Pareto: Slide 107: Como construir um Pareto: Slide 108: Como construir um Pareto: Slide 109: Como construir um Pareto: Slide 110: Tipos de gráficos de Pareto Slide 111: Tipos de gráficos de Pareto Slide 112: Tipos de gráficos de Pareto Slide 113: Gráfico de Pareto para Custos Slide 114: Gráficos de Pareto Slide 115: Gráficos de Pareto: Antes e depois Slide 116 Slide 117 Slide 118 Slide 119 Slide 120 Slide 121 Slide 122 Slide 123 Slide 124: Histograma Slide 125: Definição Slide 126 Slide 127: Objetivos Slide 128: Como construir um histograma: Slide 129: Passo1: Coleta dos dados Slide 130: Passo 2: Maior e menor valores Slide 131: Passo 3: Cálculo da amplitude Slide 132: Passo 4: Definição do número de classes Slide 133: Passo 5: Cálculo do tamanho das classes Slide 134: Passo 6: Calcular os limites das classes Slide 135: Passo 7: Construir uma tabela de freqüência Slide 136: Tipos de Histograma Slide 137 Slide 138 Slide 139 Slide 140 Slide 141 Slide 142 Slide 143 Slide 144 Slide 145 Slide 146 Slide 147 Slide 148 Slide 149 Slide 150 Slide 151 Slide 152 Slide 153 Slide 154 Slide 155 Slide 156 Slide 157 Slide 158 Slide 159 Slide 160 Slide 161 Slide 162 Slide 163 Slide 164 Slide 165 Slide 166 Slide 167 Slide 168 Slide 169 Slide 170 Slide 171 Slide 172 Slide 173 Slide 174 Slide 175 Slide 176 Slide 177 Slide 178 Slide 179 Slide 180 Slide 181 Slide 182 Slide 183 Slide 184 Slide 185 Slide 186 Slide 187 Slide 188 Slide 189 Slide 190 Slide 191 Slide 192 Slide 193 Slide 194 Slide 195 Slide 196 Slide 197 Slide 198 Slide 199 Slide 200 Slide 201 Slide 202 Slide 203 Slide 204 Slide 205 Slide 206 Slide 207 Slide 208
Compartilhar