Baixe o app para aproveitar ainda mais
Prévia do material em texto
C O N T R O L E E C O N F I A B I L I D A D E D O P R O C E S S O 2 – C O N T R O L E E S T AT Í S T I C O D O P R O C E S S O ( C E P ) P R O F. M S C . E N G º . WA G N E R C A R D O S O RESUMO DO CURRÍCULO • Graduação em Engenharia de Produção pela Universidade de Araraquara (2005); • Especialização em Docência Universitária pela Universidade de Uberaba (2009); • Mestrado em Engenharia de Produção pela Universidade de Araraquara (2017); • Consultor e Assessor Industrial pela Otimiza Consultoria e Assessoria Industrial (desde 2006); • Professor do curso de Engenharia de Produção da Universidade de Uberaba (desde 2007); • 129 TCC’s entre orientações e bancas; • Autor de 2 livros publicados pela Editora Itacaiúnas: Engenharia de Métodos e Produtividade (ISBN: 978- 8595350588); e Planejamento de Vendas e Operações (S&OP) para Hospitais (ISBN: 978-8595350564). É autor também de 1 capítulo de livro e artigos publicados em revistas de renome e congressos da área; • Tem experiência em Coordenação de PCP, Supervisão Industrial, Gerência Industrial e Gerência de Operações; • Diretor e fundador do grupo de voluntários Produção Social (desde 2015); • 21 turmas formadas, 23 homenagens como Paraninfo, Patrono e/ou Nome de Turma. • E-mail: wagner.cardoso@uniube.br • LinkedIn: https://www.linkedin.com/in/wagnercardosoengproducao/ Prof. MSc. Eng.º Wagner Cardoso 2 BREVE HISTÓRICO A preocupação com a qualidade existe desde que o homem começou a manufaturar alguma coisa • Pré-história – O artesão separava os bons e maus vasos. • 2.150 a.c. – Código de Hamurabi: “Se um construtor ergue uma casa para alguém e seu trabalho não for sólido e a casa desabar e matar o morador, o construtor será imolado”. • Fenícios – Inspetores amputavam a mão do fabricante de um produto que não estivesse dentro das especificações governamentais. Prof. MSc. Eng.º Wagner Cardoso 3 BREVE HISTÓRICO • Egípcios e Astecas – Uso de barbantes para conferir os blocos de pedras usados em suas construções. • Até Século XVII – Produção de bens eram feitas por artesãos; – Obras refinadas e com riqueza de detalhes; – Padrão de qualidade elevado; – Produtividade era limitada; – O preço da peça de um artesão era elevado. Prof. MSc. Eng.º Wagner Cardoso 4 BREVE HISTÓRICO • Meados do Século XVII – Crescimento do comércio alavanca o aumento de produção; – Surgimento das primeiras manufaturas; – Produção em massa é viabilizada; – Redução de preços por unidade produzida. • Século XVIII –Velocidade da maquina impõe o ritmo da produção; – Produção torna-se padronizada; – Elevado número de falhas e acidentes de trabalho; – Implantação da inspeção final do produto e supervisão do trabalho. Prof. MSc. Eng.º Wagner Cardoso 5 Prof. MSc. Eng.º Wagner Cardoso 6 BREVE HISTÓRICO • Década de 80 – Modelo Japonês: ênfase a formação do homem, a organização, trabalho em equipe e bom ambiente de trabalho (estabilidade no emprego, elevado grau de competitividade); – Modelo Americano (Garantia da qualidade): ênfase na segurança (sistema de qualidade consistente e confiável); – Modelo Europeu: ênfase na certificação dos fornecedores, base para os critérios de padronização ISO 9000; – No Brasil não houve uma tendência predominante: o Setor automotivo: Modelo Americano o Setor Siderúrgico: Modelo Japonês o Eletrônicos/Informática/Serviços: Modelo Europeu. Prof. MSc. Eng.º Wagner Cardoso 7 O QUE É QUALIDADE? • A maioria das pessoas tem uma compreensão conceitual de qualidade como de algo relacionado a uma ou mais características desejáveis que um produto ou serviço deva ter. • A qualidade é um dos mais importantes fatores de decisão dos consumidores na seleção de produtos e serviços que competem entre si. • Desta forma, compreender e melhorar a qualidade é um fator-chave que conduz ao sucesso, crescimento e uma melhor posição de competitividade de um negócio. Prof. MSc. Eng.º Wagner Cardoso 8 QUALIDADE – DEFINIÇÃO TRADICIONAL • Qualidade significa adequação para o uso. Aspectos gerais da adequação ao uso: • Qualidade de projeto – Todos os bens e serviços são produzidos em vários graus ou níveis de qualidade. Essas variações são intencionais. Por exemplo, os automóveis diferem em tamanho, especificações, aparência e desempenho. • Qualidade de ajustamento – É como o produto corresponde às especificações exigidas pelo projeto. Prof. MSc. Eng.º Wagner Cardoso 9 QUALIDADE – DEFINIÇÃO MODERNA • Qualidade é inversamente proporcional à variabilidade. • Ou seja, a melhoria da qualidade está associada a redução da variabilidade nos processos e produtos. Prof. MSc. Eng.º Wagner Cardoso 10 VARIABILIDADE • A variabilidade está sempre presente em qualquer processo produtivo, independente de quão bem ele seja projetado e operado. Se compararmos duas unidades quaisquer, produzidas pelo mesmo processo, elas jamais serão exatamente idênticas. • As fontes dessa variabilidade incluem diferenças nos materiais, diferenças no desempenho e operação dos equipamentos de manufatura, etc. Prof. MSc. Eng.º Wagner Cardoso 11 CARACTERÍSTICAS DA QUALIDADE • Físicas – comprimento, largura, voltagem, viscosidade. • Sensoriais – gosto, aparência, cor. • Orientação Temporal – confiabilidade, durabilidade, praticidade. Prof. MSc. Eng.º Wagner Cardoso 12 ESPECIFICAÇÕES • Um valor de uma medida que corresponde ao valor desejado para aquela característica de qualidade chama-se valor nominal ou valor alvo. • Esses valores alvo são limitados por um intervalo de valores que não causará impacto na função ou desempenho do produto. • O maior valor permitido para uma característica de qualidade é chamado limite superior de especificação (LSE). • O menor valor permitido para uma característica de qualidade é chamado limite inferior de especificação (LIE). • Obs: Algumas características de qualidade têm limite de especificação apenas de um lado do alvo. Prof. MSc. Eng.º Wagner Cardoso 13 PRODUTOS NÃO CONFORMES (OU FORA DO PADRÃO) • É um produto que deixa de corresponder a uma ou mais de suas especificações. • Um produto não conforme não é, necessariamente, impróprio para uso. • Um produto não conforme é considerado defeituoso se tem um ou mais defeitos, que são não conformidades sérias o bastante para afetar significativamente o uso seguro e efetivo do produto. Prof. MSc. Eng.º Wagner Cardoso 14 PRINCIPAIS MÉTODOS ESTATÍSTICOS PARA O CONTROLE E A MELHORIA DA QUALIDADE • Controle Estatístico de Processo (CEP) – monitora características importantes envolvidas no processo produtivo • Planejamento de Experimentos – é importante na descoberta de variáveis que afetam características de qualidade de interesse no processo • Amostragem de Aceitação – é importante na inspeção e classificação de uma amostra de unidades selecionadas aleatoriamente de um conjunto maior. Prof. MSc. Eng.º Wagner Cardoso 15 ENGENHARIA DA QUALIDADE - OBJETIVO • O objetivo principal dos esforços da engenharia da qualidade é a redução sistemática da variabilidade nas características chave da qualidade do produto. Prof. MSc. Eng.º Wagner Cardoso 16 PADRÕES E REGISTRO DA QUALIDADE • A International Standards Organization (ISO) desenvolveu uma série de padrões internacionalmente utilizados. A ISO é uma organização não governamental presente em cerca de 111 países. • Esta organização foi fundada em 1946 em Genebra, e sua função é promover a normalização de produtos e serviços, utilizando determinadas normas, para que a qualidade dos produtos seja sempre melhorada. • No Brasil, o órgão que representa a ISO chama-se ABNT (Associação Brasileira de Normas Técnicas). A ISO 9000 é um modelo de padronização. O selo que as empresas recebem se iniciam a partir da ISO 9001 em diante. Prof. MSc. Eng.º Wagner Cardoso 17 CONTROLE ESTATÍSTICO DA QUALIDADE Introdução – A II Guerra Mundial trouxe a necessidade de se produzir grande quantidade de produtos militares com qualidadee prazos pequenos; – Nesta época, financiado pelo Depto de Defesa dos EUA, têm grande difusão o controle estatístico de qualidade (CEQ), tendo como base os estudos de: • Shewhart – Cartas de Controle; • Dodge e Romig – Técnicas de Amostragem. Prof. MSc. Eng.º Wagner Cardoso 18 CONTROLE ESTATÍSTICO DA QUALIDADE (CEQ) Introdução – O uso de técnicas de amostragem tornou a inspeção mais eficiente, eliminando a “amostragem 100%”; A amostragem 100% normalmente representava: • Elevado Custo • Excesso de Tempo – O CEQ se preocupava apenas em detectar defeitos. No entanto, não havia uma preocupação em investigar as causas que levam a tais defeitos nem com a prevenção dos mesmos. Prof. MSc. Eng.º Wagner Cardoso 19 CONTROLE ESTATÍSTICO DO PROCESSO (CEP) Introdução – O Controle Estatístico do Processo (CEP) representa uma evolução do CEQ; – O CEP preocupa-se com a monitoração de um processo, verificando, se o mesmo está dentro de limites determinados. – O CEP procura: • A estabilização de processos através da redução de sua variabilidade, visando a melhoria e manutenção da qualidade. Prof. MSc. Eng.º Wagner Cardoso 20 O PAPEL DO CEP – O Controle Estatístico de Processo (CEP) é uma poderosa coleção de ferramentas úteis na obtenção da estabilidade do processo e na melhoria da capacidade através da redução da variabilidade; – Um processo estará sob controle (estável) se os resultados estão em conformidade com os limites impostos, caso contrário o processo deve ser investigado para que sejam detectadas as causas do desvio; Prof. MSc. Eng.º Wagner Cardoso 21 O PAPEL DO CEP – As ferramentas que permitem monitorar um processo e dizer se ele estar ou não sob controle são chamadas “Sete Ferramentas da Qualidade”. 1. Gráfico de Histograma ou Ramo-e-Folhas 2. Folha de Controle 3. Gráfico de Pareto 4. Diagrama de Causa-e-Efeito 5. Diagrama de Concentração de Defeitos 6. Diagrama de Dispersão 7. Gráficos de Controle Prof. MSc. Eng.º Wagner Cardoso 22 CAUSAS DA VARIABILIDADE DO PROCESSO – Todo processo possui variabilidade, que tem a ver com pequenas diferenças nas características dos produtos produzidos; – Tal variabilidade é decorrente de: • Causas Aleatórias ou comuns; • Causas Atribuíveis ou especiais. Prof. MSc. Eng.º Wagner Cardoso 23 CAUSAS DA VARIABILIDADE DO PROCESSO – Causas Aleatórias (comuns): • Pequenas perturbações no processo; • Sempre existirá sendo, essencialmente, inevitável; • Ex.: Temperatura, Umidade, Dilatação dos Equipamentos – Um processo que apresenta variabilidade apenas devido a causas aleatórias é um processo sob controle estatístico. Prof. MSc. Eng.º Wagner Cardoso 24 CAUSAS DA VARIABILIDADE DO PROCESSO – Causas Atribuíveis (especiais): • Produzem variações nas características dos produtos em níveis inaceitáveis; • Provocam deslocamento na média da característica monitorada ou aumento em sua dispersão; • Ocorrem devido a máquinas mal ajustadas ou controladas de forma inadequada; erros do operador ou matéria prima fora das especificações; – Uma das principais finalidades do CEP é detectar mudanças no processo devido a causas atribuíveis, tomando rapidamente ações corretivas, de modo a minimizar a produção de itens não conformes. Prof. MSc. Eng.º Wagner Cardoso 25 CAUSAS DA VARIABILIDADE DO PROCESSO – O gráfico de controle é a ferramenta mais utilizada para monitoramento do processo, objetivando detectar a presença de causas atribuíveis. – Os gráficos de controle também podem ser utilizados para determinar a capacidade do processo (estimação do número de itens não-conformes de um processo). – O gráfico de controle pode ainda fornecer informações úteis para a melhoria do processo. Prof. MSc. Eng.º Wagner Cardoso 26 BASE ESTATÍSTICA DO GRÁFICO DE CONTROLE – O gráfico de controle é uma representação gráfica de uma característica da qualidade que foi medida ou calculada a partir de uma amostra. – Baseando-se na distribuição normal, os gráficos de controle constituem um instrumento de diagnóstico da existência ou não de variabilidade devido a causas atribuíveis. Prof. MSc. Eng.º Wagner Cardoso 27 BASE ESTATÍSTICA DO GRÁFICO DE CONTROLE – Elementos de um gráfico de controle: • Abscissa (X): ordem cronológica da amostra ou a sequência das extrações. Deste modo, a escala horizontal é uniforme e associada ao tempo; • Ordenada (Y): representa os valores observados da característica da qualidade, que pode ser uma variável ou um atributo; • Linha média ou central (LM): representa o valor médio da característica da qualidade quando em estado sob controle, ou seja, quando apenas causas aleatórias estão presentes; • Limites de Controle: duas linhas horizontais denominadas limite inferior de controle (LIC) e limite superior de controle (LSC). São escolhidos de forma que, se o processo estiver sob controle, os pontos amostrais estarão entre eles; • Suposição: os pontos amostrais devem ser independentes. Prof. MSc. Eng.º Wagner Cardoso 28 B A S E E S T A T Í S T I C A D O G R Á F I C O D E C O N T R O L E Prof. MSc. Eng.º Wagner Cardoso 29 BASE ESTATÍSTICA DO GRÁFICO DE CONTROLE – Elementos de um gráfico de controle • Processo sob Controle – Pontos amostrais entre os limites de controle ou sem apresentar um comportamento sistemático ou não-aleatório – Nenhuma ação precisa ser tomada • Processo fora de Controle – Presença de pontos fora dos limites de controle ou presença de padrões não-aleatórios no gráfico – Realizar investigação para descobrir a possível causa – Geralmente, faz-se necessária uma ação corretiva para que tal fato não se repita. Prof. MSc. Eng.º Wagner Cardoso 30 BASE ESTATÍSTICA DO GRÁFICO DE CONTROLE Prof. MSc. Eng.º Wagner Cardoso 31 BASE ESTATÍSTICA DO GRÁFICO DE CONTROLE Prof. MSc. Eng.º Wagner Cardoso 32 G R Á F I C O S D E C O N T R O L E PA R A VA R I ÁV E I S GRÁFICOS DE CONTROLE PARA VARIÁVEIS Relembrando – Dois objetivos do CEP: • Manter o processo operando em condição estável durante maior parte do tempo; • Reduzir a sua variabilidade. – As Cartas de Controle (introduzidas por Shewhart na década de 20) são ferramentas para alcançar tais objetivos. – Além disso, o uso de cartas de controle facilita: • Reconhecer desvios em relação ao comportamento normal; • Identificação de oportunidades de melhoria; • Verificação da eficácia das ações tomadas com o intuito de corrigir esses desvios. Prof. MSc. Eng.º Wagner Cardoso 34 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Introdução – No contexto do Controle de Qualidade, uma característica da qualidade que é medida em uma escala numérica é chamada variável. • Ex: Tamanho, Largura, Temperatura, Volume, etc; – Os gráficos � e R foram desenvolvidos por Shewhart para monitorar a média e a variabilidade de variáveis numéricas. – Posteriormente, serão introduzidas algumas variações destes gráficos. Prof. MSc. Eng.º Wagner Cardoso 35 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Base Estatística dos Gráficos � e R – Suponha que a característica de interesse, X, é normalmente distribuída com média μ e desvio padrão � conhecidos; – Seja x1, ..., xn uma amostra de tamanho n, então a média amostral é dada por – Também sabemos que � é normalmente distribuído com média μ e desvio padrão �/√� Prof. MSc. Eng.º Wagner Cardoso 36 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Base Estatística dos Gráficos � e R – Além disso, há uma probabilidade de 1- de qualquer média amostral cair entre – Assim, se μ e � são conhecidos, podemos usar a expressão acima para obter os LIC e LSC em um gráfico de controle para média amostral. –Vimos também que é comum utilizar Z /2 = 3. Prof. MSc. Eng.º Wagner Cardoso 37 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Base Estatística dos Gráficos � e R – Se uma média amostral cair fora desses limites, isso é uma indicação que a média do processo não é mais igual a μ. –Vale ressaltar que os resultados acima ainda continuam aproximadamente corretos, mesmona hipótese de não-normalidade da variável X, devido ao Teorema Central do Limite. Prof. MSc. Eng.º Wagner Cardoso 38 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Base Estatística dos Gráficos � e R Prof. MSc. Eng.º Wagner Cardoso 39 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Base Estatística dos Gráficos � e R – No entanto, na prática μ e � são desconhecidos e precisam ser estimados a partir de amostras ou subgrupos, coletados quando o processo estava sob controle. – Shewhart sugere a coleta de m subgrupos (20 a 25) de tamanho n pequeno (4, 5, ou 6 cada), objetivando a construção de subgrupos racionais com baixo custo de amostragem. Prof. MSc. Eng.º Wagner Cardoso 40 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Gráfico � – Sejam �, 2, ..., � as médias de cada uma das amostras, em m subgrupos. Então, o melhor estimador para média do processo (μ) é dado por – onde é a média amostral do i-ésimo subgrupo. – Logo, �̿ deverá ser usado como a linha central do gráfico �. Prof. MSc. Eng.º Wagner Cardoso 41 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Gráfico � – Para construir os limites de controle, precisamos de um estimador para � • � pode ser estimado pelos desvios-padrões ou pelas amplitudes das m amostras; – No momento, vamos optar pelas amplitudes. Defina a amplitude de uma amostra por R = xmax - xmin – Seja R1, R2, ..., Rm as amplitudes das m amostras, temos que a amplitude média é dada por Prof. MSc. Eng.º Wagner Cardoso 42 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Gráfico � – Apresentamos a seguir as expressões para construção dos limites de controle para o gráfico � A constante A2 encontra-se no Apêndice VI do livro: Introd. ao Controle de Qualidade - Montgomery (4ª Ed.). Prof. MSc. Eng.º Wagner Cardoso 43 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Gráfico R Prof. MSc. Eng.º Wagner Cardoso 44 Prof. MSc. Eng.º Wagner Cardoso 45 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Limites de Controle Tentativos – Quando amostras preliminares são usadas para a construção dos gráficos, é comum tratar os limites de controles obtidos como limites de controle tentativos. – Se todos os pontos caem dentro dos limites de controle e não se observa nenhum comportamento sistemático, conclui-se que o processo estava sob controle no passado e que os limites tentativos são apropriados. Prof. MSc. Eng.º Wagner Cardoso 46 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Limites de Controle Tentativos – Caso algum ponto se configure fora de controle quando comparado com os limites tentativos, torna-se necessária uma revisão de tais limites. – Revisão 1. Identificar uma causa atribuível; 2. Se não for encontrada uma causa, eliminar o ponto supondo que o mesmo provém de um processo fora de controle ou; 3. Não eliminar o ponto, caso ele não altere significativamente os valores dos limites de controle. Prof. MSc. Eng.º Wagner Cardoso 47 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Revisão dos Limites Tentativos e Linhas Centrais – Em geral, todos os gráficos de controle necessitam uma revisão periódica dos limites tentativos e linhas centrais: • A cada: semana, mês, 25, 50 ou 100 amostras. – Na revisão lembre-se de usar pelo menos 25 amostras ou subgrupos. Prof. MSc. Eng.º Wagner Cardoso 48 DESENVOLVIMENTO E USO DOS GRÁFICOS E R – Na construção dos gráficos � e R é aconselhável iniciar com o gráfico R. – Como os limites de controle do gráfico � dependem da variabilidade do processo, tais limites não serão significativos no caso da variabilidade do processo não estar sob controle. – Dicas: • O gráfico � monitora a média da característica da qualidade de um processo; • O gráfico R monitora a variabilidade dessa característica; • Nunca tente interpretar o gráfico � quando o gráfico R indicar alguma condição fora de controle. Prof. MSc. Eng.º Wagner Cardoso 49 DESENVOLVIMENTO E USO DOS GRÁFICOS E R Exemplo – Anéis de pistão para motores de automóveis são fabricados por um processo. Deseja-se estabelecer um controle estatístico para o diâmetro interno dos anéis. – 25 amostras (m), cada uma de tamanho 5 (n), foram extraídas quando o mesmo estava sob controle. – As medidas são exibidas a seguir Prof. MSc. Eng.º Wagner Cardoso 50 Prof. MSc. Eng.º Wagner Cardoso 51 DESENVOLVIMENTO E USO DOS GRÁFICOS E R Exemplo – Anéis de Pistão Prof. MSc. Eng.º Wagner Cardoso 52 0,581 0,02324 0,02324.(0) = 0 0,02324.(2,115) = 0,04915 D E S E N V O LV I M E N T O E U S O D O S G R Á F I C O S � E R Nenhum ponto fora dos limites de controle Nenhum padrão não aleatório foi identificado Prof. MSc. Eng.º Wagner Cardoso 53 252321191715131197531 0,05 0,04 0,03 0,02 0,01 0,00 Sample S a m p le R a n g e _ R=0,02324 UCL=0,04914 LCL=0 R Chart of x1; ...; x5 DESENVOLVIMENTO E USO DOS GRÁFICOS E R Exemplo – Anéis de Pistão Prof. MSc. Eng.º Wagner Cardoso 54 1850,0294 74,0012 74,0012 – 0,577.(0,02324) = 73,9878 74,0012 + 0,577.(0,02324) = 74,0146 D E S E N V O LV I M E N T O E U S O D O S G R Á F I C O S � E R Nenhum ponto fora dos limites de controle Nenhum padrão não aleatório foi identificado Prof. MSc. Eng.º Wagner Cardoso 55 252321191715131197531 74,015 74,010 74,005 74,000 73,995 73,990 Sample S a m p le M e a n __ X=74,00118 UCL=74,01466 LCL=73,98769 Xbar Chart of x1; ...; x5 DESENVOLVIMENTO E USO DOS GRÁFICOS E R Exemplo – Anéis de Pistão – Conclusão • Como ambos os gráficos exibem controle, podemos concluir que o processo está sob controle nos níveis estabelecidos e adotar os limites tentativos para um controle estatístico on-line do processo. Prof. MSc. Eng.º Wagner Cardoso 56 ESTIMANDO A CAPACIDADE DO PROCESSO Os gráficos de controle fornecem informação sobre o desempenho do processo. Uma forma de expressar a capacidade do processo é em termos da razão (ou índice) da capacidade do processo (RCP) Cp, definida para uma característica da qualidade com limites superior e inferior de especificação LSE e LIE como: em que Prof. MSc. Eng.º Wagner Cardoso 57 ESTIMANDO A CAPACIDADE DO PROCESSO Prof. MSc. Eng.º Wagner Cardoso 58 • Os gráficos de controle podem ser usados para descrever a capacidade do processo de produzir peças relativas as especificações. No exemplo dos pistões temos que � = 74,00126 mm. O desvio padrão pode ser estimado por: • Os limites de especificação para os anéis de pistão são 74 ± 0,05 mm. Supondo que o diâmetro dos anéis de pistão seja uma variável aleatória normalmente distribuída (onde Φ pode ser retirado da tabela normal de distribuição acumulada z ou do Excel com a fórmula DIST.NORMP.N), com média 74,00126 e desvio padrão 0,009819, podemos estimar a fração de anéis não-conformes como: • Isto é, cerca de 0,000043% [0,43 partes por milhão (ppm)] dos anéis produzidos estará fora das especificações. 0,02284 0,009819 73,95-74,00126 0,009819 0,009819 74,05-74,00126 Φ(-5,22049)+1- Φ(4,96385)=0,00000009 +1-0,99999965=0,00000043=0,000043% fi ESTIMANDO A CAPACIDADE DO PROCESSO A RCP Cp pode ser interpretado de uma outra forma. A quantidade é simplesmente a percentagem da faixa de especificação usada pelo sistema. Prof. MSc. Eng.º Wagner Cardoso 59 ESTIMANDO A CAPACIDADE DO PROCESSO Prof. MSc. Eng.º Wagner Cardoso 60 • Os limites de especificação para os anéis de pistão são 74 ± 0,05 mm. Para o exemplo dos anéis, temos: • Isto significa que os limites de tolerância “naturais” (três-sigma acima e abaixo da média)estão dentro dos limites inferior e superior de especificação. Consequentemente, um número baixo de anéis de pistão não-conformes será produzido (0,43 ppm). A seguir especifica-se a percentagem da faixa de especificação usada pelo sistema: • Isto é, o processo usa aproximadamente 58,92% da faixa de especificação. 0,009819 1,6973 1,6973 58,92% ESTIMANDO A CAPACIDADE DO PROCESSO - Na figura (a) a RCP Cp é maior que 1, onde o processo usa menos de 100% da faixa de tolerância; - Na figura (b) a RCP Cp é igual a 1, onde o processo usatoda a faixa de tolerância; - Na figura (c) a RCP Cp é menor que 1, onde o processo usa mais de 100% da faixa de tolerância, o que pode dizer que um grande número de peças não-conformes podem ser produzidas. Prof. MSc. Eng.º Wagner Cardoso 61 Limite inferior especificado Limite inferior natural de controle Limite superior natural de controle Limite superior especificado DESENVOLVIMENTO E USO DOS GRÁFICOS E R Limites de Controle e Limites de Especificação – Não existe nenhuma relação entre os limites de controle e os limites de especificação do processo – Limites de Controle (ou limites naturais de tolerância): são guiados pela variabilidade natural do processo (medido pelo desvio padrão). Prof. MSc. Eng.º Wagner Cardoso 62 DESENVOLVIMENTO E USO DOS GRÁFICOS E R Limites de Controle e Limites de Especificação – Limites de Especificação: são determinados externamente, ou seja, podem ser especificados pela gerência, engenheiros, clientes, etc. – Não há relação matemática ou estatística entre limites de controle e especificação. – O objetivo do CEP é manter os limites de controle dentro dos limites de especificação. Prof. MSc. Eng.º Wagner Cardoso 63 DESENVOLVIMENTO E USO DOS GRÁFICOS E R Limites Naturais de Tolerância – São determinados pela variabilidade natural do processo. – É definido como os limites 3� acima (LSNT) e abaixo (LINT) da média do processo. Prof. MSc. Eng.º Wagner Cardoso 64 L I M I T E S D E C O N T R O L E , L I M I T E S D E E S P E C I F I C A Ç Ã O E L I M I T E S N A T U R A I S D E T O L E R  N C I A Prof. MSc. Eng.º Wagner Cardoso 65 DESENVOLVIMENTO E USO DOS GRÁFICOS E R Efeito da Não-Normalidade nos Gráficos – A suposição de normalidade é fundamental no desenvolvimento dos gráficos de controle. – Uma saída, caso se conheça que a distribuição amostral da média e da amplitude não é normal, é utilizar limites probabilísticos para os gráficos de controle. – No entanto, mesmo para populações não-normais, vários autores atestam que a utilização de amostras de tamanho (n>3) já são suficientes para garantir robustez em relação a hipótese de normalidade para o gráfico � (Teorema Central do Limite). Prof. MSc. Eng.º Wagner Cardoso 66 FUNÇÃO CARACTERÍSTICA DA OPERAÇÃO – A habilidade dos gráficos � e R em detectar mudanças na qualidade do processo é descrita pelas curvas característica de operação (CO). – Considere o gráfico � com � conhecido e constante. Suponha que a média μ0 desloca-se para outro valor μ1 = μ0 + k� – A probabilidade (ou risco) de NÃO se detectar esse deslocamento na 1ª amostra subsequente é: � � ����� � �̅ � ��� I μ = μ1 = μ0 + k� � Prof. MSc. Eng.º Wagner Cardoso 67 FUNÇÃO CARACTERÍSTICA DA OPERAÇÃO Prof. MSc. Eng.º Wagner Cardoso 68 FUNÇÃO CARACTERÍSTICA DA OPERAÇÃO Logo, Onde Φ denota a distribuição acumulada da normal padrão, e pode ser encontrado no Excel com a fórmula DIST.NORMP.N Exemplo – Suponha que estamos usando um gráfico � com L=3 (limites usuais), tamanho de amostra n=5 e queremos determinar a probabilidade de detectar um deslocamento para μ1 = μ0 + 2� na primeira amostra. – Logo, temos L=3, n=5 e k=2 Prof. MSc. Eng.º Wagner Cardoso 69 FUNÇÃO CARACTERÍSTICA DA OPERAÇÃO Logo, – Essa é a probabilidade (ou risco) de NÃO detectar tal deslocamento. – A probabilidade desse deslocamento ser detectado na primeira amostra é: 1 - � = 1 – 0,0708 = 0,9292 Prof. MSc. Eng.º Wagner Cardoso 70 CURVAS CARACTERÍSTICAS DE OPERAÇÃO PARA O GRÁFICO COM LIMITES 3 � Prof. MSc. Eng.º Wagner Cardoso 71 Probabilidade de NÃO detectar um deslocamento na média “k�” na 1ª amostra GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Base Estatística dos Gráficos � e S – Os gráficos � e S são preferidos, ao invés dos � e R, quando: • Tamanho de Amostra n > 10 (moderadamente grande) • Tamanho de Amostra n é variável – A construção de tais gráficos seguem a mesma sequência usada na construção dos anteriores. – Na prática μ e � são desconhecidos e precisam ser estimados a partir de amostras ou subgrupos, coletados quando o processo estava sob controle. Prof. MSc. Eng.º Wagner Cardoso 72 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Dedução dos Limites no Gráfico � – Portanto, para μT e �T desconhecidos, temos os limites do gráfico de controle dados por: – Fazendo na expressão acima, obtemos: Prof. MSc. Eng.º Wagner Cardoso 73 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Dedução dos Limites no Gráfico � – A média dos desvios padrões nas m amostras é definida por: – onde: Prof. MSc. Eng.º Wagner Cardoso 74 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Gráfico S – Assim, os parâmetros do gráfico S são obtidos por: Onde: As constantes B3 e B4 encontram-se no Apêndice VI do livro: Introd. ao Controle de Qualidade - Montgomery (4ª Ed.) Prof. MSc. Eng.º Wagner Cardoso 75 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Gráfico � – Consequentemente, obtemos os novos limites de controle necessários para construção do gráfico � • – Lembrando que o estimador não viesado para � é dado por: As constantes A3 e c4 encontram-se no Apêndice VI do livro: Introd. ao Controle de Qualidade - Montgomery (4ª Ed.) Prof. MSc. Eng.º Wagner Cardoso 76 EXEMPLO: ANÉIS DE PISTÃO Prof. MSc. Eng.º Wagner Cardoso 77 �̅� � ��1 � �2 � … � ���/n Si = - 1 E X E M P LO : A N É I S D E P I S Tà O 252321191715131197531 74,01 74,00 73,99 Sample S a m p le M e a n __ X=74,00126 UCL=74,01450 LCL=73,98801 252321191715131197531 0,020 0,015 0,010 0,005 0,000 Sample S a m p le S tD e v _ S=0,00928 UCL=0,01938 LCL=0 Xbar-S Chart of x1; ...; x5 Nenhum ponto fora dos limites de controle Nenhum padrão não aleatório foi identificado Prof. MSc. Eng.º Wagner Cardoso 78 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Gráficos � e S com tamanho de amostra variável – São relativamente simples de usar – A linha central dos gráficos será uma média ponderada em função do tamanho ni de cada amostra. Prof. MSc. Eng.º Wagner Cardoso 79 GRÁFICOS DE CONTROLE PARA VARIÁVEIS • Gráficos � e S com tamanho de amostra variável – Os limites de controle continuam sendo calculados através das expressões: – No entanto, as constantes A3, B3 e B4 vão depender do tamanho de amostra usado em cada subgrupo individual. Prof. MSc. Eng.º Wagner Cardoso 80 E X E M P L O O S D A D O S A S E G U I R S à O U M A M O D I F I C A Ç Ã O D O S D A D O S S O B R E A N É I S D E P I S T à O U S A D O S A N T E R I O R M E N T E . Prof. MSc. Eng.º Wagner Cardoso 81 EXEMPLO: ANÉIS DE PISTÃO MODIFICADO Prof. MSc. Eng.º Wagner Cardoso 82 EXEMPLO: ANÉIS DE PISTÃO MODIFICADO – Para ilustrar, considere a primeira amostra onde n1 = 5. Logo: – Os limites para segunda amostra devem ser calculados levando em conta que n2 = 3, e assim sucessivamente. Prof. MSc. Eng.º Wagner Cardoso 83 Prof. MSc. Eng.º Wagner Cardoso 84 B4B3 G R Á F I C O S D E C O N T R O L E P A R A V A R I Á V E I S 252321191715131197531 74,02 74,01 74,00 73,99 73,98 Sample S a m p le M e a n __ X=74,00084 UCL=74,01447 LCL=73,98722 252321191715131197531 0,020 0,015 0,010 0,005 0,000 Sample S a m p le S tD e v _ S=0,00955 UCL=0,01994 LCL=0 Xbar-S Chart of x1; ...; x5 Tests performed with unequal sample sizes Prof. MSc. Eng.º Wagner Cardoso 85 GRÁFICOS DE CONTROLE SHEWHART PARA AMOSTRAS INDIVIDUAIS – Existem situações onde o tamanho da amostra para monitoramento do processo é n=1. – Por exemplo: • Utilização de inspeção e medição automática de modo que toda unidade fabricada é inspecionada; • Taxa de produção muito lenta torna inconveniente acumular tamanhos de amostras n > 1; • Medidas sobre algum parâmetro diferem muito pouco e produzem um desvio padrão muito pequeno. • Entre outros – Em tais situações o gráfico de controle para unidades individuais é útil. Prof. MSc. Eng.º Wagner Cardoso 86 GRÁFICOS DE CONTROLE SHEWHART PARA AMOSTRASINDIVIDUAIS – A variabilidade do processo é estimada através da amplitude móvel, definida por: MRi = | xi – xi-1 | – No exemplo a seguir ilustramos o procedimento para construção dos gráficos de controle para a amplitude móvel e para medidas individuais Prof. MSc. Eng.º Wagner Cardoso 87 GRÁFICOS DE CONTROLE SHEWHART PARA AMOSTRAS INDIVIDUAIS – Os limites de controle são adaptações dos utilizados nos gráficos R e �, sendo calculados através das expressões: – As constantes d2, D3 e D4 são obtidas no Apêndice VI, e usualmente utiliza-se n=2. Prof. MSc. Eng.º Wagner Cardoso 88 GRÁFICOS DE CONTROLE SHEWHART PARA AMOSTRAS INDIVIDUAIS – Note que no exemplo usamos uma amplitude móvel de tamanho 2, logo n será igual 2 no Apêndice VI. – Os limites de controle para o gráfico da amplitude móvel serão: Prof. MSc. Eng.º Wagner Cardoso 89 GRÁFICOS DE CONTROLE SHEWHART PARA AMOSTRAS INDIVIDUAIS – Os limites para o gráfico de controle das medidas individuais serão: Prof. MSc. Eng.º Wagner Cardoso 90 GRÁFICOS DE CONTROLE SHEWHART PARA AMOSTRAS INDIVIDUAIS 151413121110987654321 34,5 34,0 33,5 33,0 32,5 Observation In d iv id u a l V a lu e _ X=33,523 UCL=34,802 LCL=32,245 151413121110987654321 1,6 1,2 0,8 0,4 0,0 Observation M o v in g R a n g e __ MR=0,481 UCL=1,571 LCL=0 I-MR Chart of Viscosidade • Nenhum ponto fora dos limites de controle • Nenhum padrão não aleatório foi identificado Prof. MSc. Eng.º Wagner Cardoso 91 GRÁFICOS DE CONTROLE SHEWHART PARA AMOSTRAS INDIVIDUAIS • Continuando os dados... Prof. MSc. Eng.º Wagner Cardoso 92 GRÁFICOS DE CONTROLE SHEWHART PARA AMOSTRAS INDIVIDUAIS 28252219161310741 35,0 34,5 34,0 33,5 33,0 Observation In d iv id u a l V a lu e _ X=33,921 UCL=35,015 LCL=32,828 28252219161310741 1,5 1,0 0,5 0,0 Observation M o v in g R a n g e __ MR=0,411 UCL=1,343 LCL=0 1 1 I-MR Chart of Viscosidade • Banco de Dados Completo – Processo fora de Controle. • Lembrando que na prática utiliza-se mais o gráfico de valores individuais de controle (1) e não o de amplitude móvel (2). Prof. MSc. Eng.º Wagner Cardoso 93 EXERCÍCIOS 1-) Um provedor de energia de alta voltagem deve ter uma voltagem nominal de saída de 350V. Uma amostra de 4 unidades é selecionada todo dia e testada com o propósito de controle do processo. Os dados mostram a diferença, multiplicada por 10, entre a leitura observada em cada unidade e a voltagem nominal; isto é: xi = (voltagem observada na unidade i - 350)*10 a-) Construa gráficos R e � para esse processo. O processo parece estar sob controle estatístico? b-) Se as especificações são 350V ± 5V, o que você pode dizer sobre a capacidade do processo? Nº da amostra x1 x2 x3 x4 1 6 9 10 15 2 10 4 6 11 3 7 8 10 5 4 8 9 6 13 5 9 10 7 13 6 12 11 10 10 7 16 10 8 9 8 7 5 10 4 9 9 7 8 12 10 15 16 10 13 11 8 12 14 16 12 6 13 9 11 13 16 9 13 15 14 7 13 10 12 15 11 7 10 16 16 15 10 11 14 17 9 8 12 10 18 15 7 10 11 19 8 6 9 12 20 14 15 12 16 Prof. MSc. Eng.º Wagner Cardoso 94 EXERCÍCIOS 2-) A espessura de uma placa de circuito impresso é um parâmetro importante da qualidade. Dados sobre a espessura (em polegadas, in) são dados aqui para 25 amostras de três placas cada. a-) Construa gráficos de controle � e R para esse processo. O processo está sob controle estatístico? b-) Estime o desvio padrão do processo. c-) Quais são os limites que você esperaria que contivessem aproximadamente todas as medidas do processo? d-) Se as especificações são 0,0630in ± 0,0015in, qual é o valor da RCP Cp? Prof. MSc. Eng.º Wagner Cardoso 95 Nº da amostra x1 x2 x3 1 0,0629 0,0636 0,0640 2 0,0630 0,0631 0,0622 3 0,0628 0,0631 0,0633 4 0,0634 0,0630 0,0631 5 0,0619 0,0628 0,0630 6 0,0613 0,0629 0,0634 7 0,0630 0,0639 0,0625 8 0,0628 0,0627 0,0622 9 0,0623 0,0626 0,0633 10 0,0631 0,0631 0,0633 11 0,0635 0,0630 0,0638 12 0,0623 0,0630 0,0630 13 0,0635 0,0631 0,0630 14 0,0645 0,0640 0,0631 15 0,0619 0,0644 0,0632 16 0,0631 0,0627 0,0630 17 0,0616 0,0623 0,0631 18 0,0630 0,0630 0,0626 19 0,0636 0,0631 0,0629 20 0,0640 0,0635 0,0629 21 0,0628 0,0625 0,0616 22 0,0615 0,0625 0,0619 23 0,0630 0,0632 0,0630 24 0,0635 0,0629 0,0635 25 0,0623 0,0629 0,0630 EXERCÍCIOS 3-) Peças manufaturadas por um processo de moldagem por injeção são submetidas a um teste de força de compressão. 20 amostras de 5 peças cada são coletadas e as forças de compressão (em psi) são mostradas na tabela a seguir. a-) Construa o gráfico de controle � e S para a força de compressão usando estes dados. O processo está sob controle? Prof. MSc. Eng.º Wagner Cardoso 96 Nº da amostra x1 x2 x3 x4 x5 1 83,0 81,2 78,7 75,7 77,0 2 88,6 78,3 78,8 71,0 84,2 3 85,7 75,8 84,3 75,2 81,0 4 80,8 74,4 82,5 74,1 75,7 5 83,4 78,4 82,6 78,2 78,9 6 75,3 79,9 87,3 89,7 81,8 7 74,5 78,0 80,8 73,4 79,7 8 79,2 84,4 81,5 86,0 74,5 9 80,5 86,2 76,2 64,1 80,2 10 75,7 75,2 71,1 82,1 74,3 11 80,0 81,5 78,4 73,8 78,1 12 80,6 81,8 79,3 73,8 81,7 13 82,7 81,3 79,1 82,0 79,5 14 79,2 74,9 78,6 77,7 75,3 15 85,5 82,1 82,8 73,4 71,7 16 78,8 79,6 80,2 79,1 80,8 17 82,1 78,2 75,5 78,2 82,1 18 84,5 76,9 83,5 81,2 79,2 19 79,0 77,8 81,2 84,4 81,6 20 84,5 73,1 78,6 78,7 80,6 G R Á F I C O S D E C O N T R O L E PA R A AT R I B U T O S GRÁFICOS DE CONTROLE PARA ATRIBUTOS • Introdução – Muitas características da qualidade não podem ser representadas numericamente. – Nestes casos, classificamos cada item inspecionado como conforme ou não-conforme. – Tais características são chamadas de atributos – Exemplos: Haste empenada, Chips que não funcionam, Embalagens com defeitos. – Os gráficos de atributos não são tão informativos quanto o de variáveis – Uma medida numérica retém mais informação do que uma classificação: conforme ou não-conforme. Prof. MSc. Eng.º Wagner Cardoso 98 GRÁFICOS DE CONTROLE PARA ATRIBUTOS • Introdução – Por outro lado, esses gráficos tem aplicações importantes: – Na indústria de serviços ou na melhoria da qualidade fora da indústria muitas características não são mensuradas em escala numérica. Por exemplo: Satisfação com um serviço. – Iremos estudas 3 gráficos para atributos: – Gráfico p: analisa a fração de itens não-conformes – Gráfico c: analisa o número de defeitos ou não-conformes – Gráfico u: analisa o número de defeitos por unidade produzida Prof. MSc. Eng.º Wagner Cardoso 99 GRÁFICOS DE CONTROLE PARA FRAÇÃO DE NÃO-CONFORMES (GRÁFICO P) • Estimando a fração não conforme (p) – Seleção de m amostras preliminares (20 a 25), cada uma de tamanho n. – Se há Di unidades não conformes na amostra i, calculamos a fração não conforme na i-ésima amostra como: – e a média dessas frações como: Prof. MSc. Eng.º Wagner Cardoso 100 GRÁFICOS DE CONTROLE PARA FRAÇÃO DE NÃO-CONFORMES (GRÁFICO P) • Estimando a fração não conforme (p) – A estatística !̅ estima a fração não conforme desconhecida p: – O desvio padrão do processo é dado por: Prof. MSc. Eng.º Wagner Cardoso 101 GRÁFICOS DE CONTROLE PARA FRAÇÃO DE NÃO-CONFORMES (GRÁFICO P) • Gráfico p: Cálculo do tamanho de amostra – Escolher n grande o bastante para que LIC seja positivo (maior que zero). – Isso garante que iremos investigar um número mínimo de itens não conformes. Prof. MSc. Eng.º Wagner Cardoso 102 GRÁFICOS DE CONTROLE PARA FRAÇÃO DE NÃO-CONFORMES (GRÁFICO P) • Gráfico p: Cálculo do tamanho de amostra – Exemplo: suponha p = 0,05 e L = 3. Prof. MSc. Eng.º Wagner Cardoso 103 GRÁFICOS DE CONTROLE PARA FRAÇÃO DE NÃO-CONFORMES (GRÁFICO P) • Considerações – O Gráfico p não é válido quando, por exemplo, a probabilidade de uma unidade não conforme depende da unidade anterior ter sido não conforme (ou não). – Deve-se ter cautela ao analisar pontos que se localizam abaixo do limite inferior de controle. Tais pontos podem não representar melhoria real na qualidade do processo. Isso pode ocorrer devido: – Erros no processo de inspeção;– Inspetores inadequadamente treinados ou inexperientes; – Equipamentos de inspeção inadequadamente calibrados; – Omissão de unidades não conformes por inspetores. Prof. MSc. Eng.º Wagner Cardoso 104 GRÁFICOS DE CONTROLE PARA FRAÇÃO DE NÃO-CONFORMES (GRÁFICO P) • Exemplo – Suco de Laranja é embalado em caixas de papelão. O vazamento do suco devido a uma falha de vedação na caixa caracteriza-se como uma característica da qualidade. – Deseja-se estabelecer um gráfico de controle para melhorar a fração de embalagens não- conforme produzidas por uma máquina. – Considere que foram selecionadas 30 amostras, com n=50 embalagens cada. Prof. MSc. Eng.º Wagner Cardoso 105 G R Á F I C O S D E C O N T R O L E P A R A F R A Ç Ã O D E N à O - C O N F O R M E S ( G R Á F I C O P ) Prof. MSc. Eng.º Wagner Cardoso 106 GRÁFICOS DE CONTROLE PARA FRAÇÃO DE NÃO-CONFORMES (GRÁFICO P) • Exemplo Prof. MSc. Eng.º Wagner Cardoso 107 G R Á F I C O S D E C O N T R O L E PA R A F R A Ç Ã O D E N à O - C O N F O R M E S ( G R Á F I C O P ) 28252219161310741 0,5 0,4 0,3 0,2 0,1 0,0 Sample P ro p o rt io n _ P=0,2313 UCL=0,4102 LCL=0,0524 1 1 P Chart of Nº Não-Conforme • Exemplo • - No minitab clique em stat – control charts – atributes charts – p... – na caixa variables coloque a coluna de números inteiros – no subgrupo coloque o tamanho de cada amostra (neste caso 50). Done! • - Revisão dos Limites Tentativos Retirando os Pontos Fora de Controle. Prof. MSc. Eng.º Wagner Cardoso 108 G R Á F I C O S D E C O N T R O L E PA R A F R A Ç Ã O D E N à O - C O N F O R M E S ( G R Á F I C O P ) 28252219161310741 0,4 0,3 0,2 0,1 0,0 Sample P ro p o rt io n _ P=0,215 UCL=0,3893 LCL=0,0407 1 P Chart of Nº Não-Conforme • Exemplo • - Na amostra 21 não foi identificada causa atribuível. Assim, o ponto será conservado e esses limites serão usados para monitorar o processo. Prof. MSc. Eng.º Wagner Cardoso 109 GRÁFICOS DE CONTROLE PARA O NÚMERO DE DEFEITOS (GRÁFICO C) • Introdução – Dependendo de sua natureza e gravidade, é possível que um item contenha vários defeitos de fabricação (não conformidades). – Há várias situações práticas onde é preferível trabalhar com o número de defeitos ao invés da fração não conforme: – Exemplo: nº de soldas com defeitos em 100m de oleoduto, nº de defeitos em um equipamento eletrônico, etc. – É possível construir gráficos de controle tanto para o número total de defeitos em uma unidade, quanto para o número médio de defeitos por unidade. – Uma unidade de inspeção pode ser um subgrupo (de tamanho constante) de itens: – 5 rádios – 1 TV – Uma área de 4m2 Prof. MSc. Eng.º Wagner Cardoso 110 GRÁFICOS DE CONTROLE PARA O NÚMERO DE DEFEITOS (GRÁFICO C) Desenvolvimento e Operação – O desvio padrão do processo é dado por: - Seja "̅ o número médio de defeitos observado em uma amostra preliminar de unidades de inspeção, temos que: Prof. MSc. Eng.º Wagner Cardoso 111 GRÁFICOS DE CONTROLE PARA O NÚMERO DE DEFEITOS (GRÁFICO C) • Exemplo – Considere o número de defeitos observados em 26 amostras sucessivas de 100 placas de circuito impresso. (1 amostra = 1 unidade de inspeção) Prof. MSc. Eng.º Wagner Cardoso 112 GRÁFICOS DE CONTROLE PARA O NÚMERO DE DEFEITOS (GRÁFICO C) – Assim, os limites de controles tentativos são dados por: – O desvio padrão do processo pode ser estimado por: Prof. MSc. Eng.º Wagner Cardoso 113 GRÁFICOS DE CONTROLE PARA O NÚMERO DE DEFEITOS (GRÁFICO C) • Amostra 6 e 20 encontram-se fora dos limites de controle. Revisar os Limites Tentativos Prof. MSc. Eng.º Wagner Cardoso 114 252219161310741 40 30 20 10 0 Sample S a m p le C o u n t _ C=19,85 UCL=33,21 LCL=6,48 1 1 C Chart of Nº Não-Conf. GRÁFICOS DE CONTROLE PARA O NÚMERO DE DEFEITOS (GRÁFICO C) • Novos Limites Tentativos. Nenhum padrão não aleatório foi identificado. Prof. MSc. Eng.º Wagner Cardoso 115 2321191715131197531 35 30 25 20 15 10 5 Sample S a m p le C o u n t _ C=19,67 UCL=32,97 LCL=6,36 C Chart of Nº Não-Conf. (without samples 6 and 20) Para excluir valores no minitab é só dentro de control charts – attributes chart – C... – clicar em Data Options – Specify which rows exclude – Row numbers – e colocar as amostras que quer desconsiderar separadas por virgulas. GRÁFICOS DE CONTROLE PARA O NÚMERO DE DEFEITOS (GRÁFICO C) • Análise Adicional – Dados sobre defeitos são mais informativos que a fração não conforme. – É possível identificar os diferentes tipos de defeitos. – Através de um Gráfico de Pareto ou Diagrama de Causa-Efeito pode-se identificar a causa mais frequente. – Tal informação é de grande utilidade no desenvolvimento de planos de ação que devem acompanhar os gráficos de controle. Prof. MSc. Eng.º Wagner Cardoso 116 EXERCÍCIOS 1-) Uma empresa produz cortinas padronizadas que são vendidas prontas para instalação em tamanho único. Ela recebeu uma encomenda de exportação e o cliente aceita um número máximo de 11 pequenos defeitos por peça. A empresa deseja montar um controle estatístico para verificar se tem capacidade de atender tal especificação. Assim sendo tomou-se 20 amostras de cortinas cuja análise é apresentada abaixo. Construa o gráfico C e analise se todas as amostras estão dentro dos limites especificados. Prof. MSc. Eng.º Wagner Cardoso 117 Elemento Defeitos 1 2 2 3 3 8 4 15 5 6 6 16 7 7 8 3 9 4 10 6 11 2 12 4 13 5 14 3 15 3 16 3 17 4 18 2 19 0 20 1 EXERCÍCIOS 2-) Em um processo de serigrafia em peças plásticas foram retiradas 15 amostras de 20 elementos cada amostra com o propósito de se estabelecer um gráfico P de controle. Os números de peças não conformes encontradas em cada amostra são mostrados na tabela a seguir. Elaborar o gráfico P de controle. Prof. MSc. Eng.º Wagner Cardoso 118 Amostra Peças com defeitos 1 3 2 2 3 0 4 0 5 1 6 0 7 3 8 2 9 0 10 1 11 1 12 0 13 2 14 1 15 0 C A PA C I D A D E D O P R O C E S S O CAPACIDADE DO PROCESSO • Introdução – Cartas de Controle: – Instrumento de monitoramento e detecção de desvios na estabilidade do processo. – Considerando que através das cartas de controle tenhamos um processo estável durante longos períodos de tempo, a seguinte questão precisa ser respondida: – O processo atende de forma eficiente os requisitos impostos ao produto? – No contexto do CEP, os estudos de capacidade do processo destinam-se a responder esta questão. – É importante ressaltar que eficiência deve ser entendido como baixo nível de não- conformidades. – Os índices de capacidade do processo são parâmetros adimensionais que indiretamente medem o quanto o processo consegue atender às especificações. Prof. MSc. Eng.º Wagner Cardoso 120 CAPACIDADE DO PROCESSO • Considerações Importantes – O uso dos índices de capacidade não tem sentido se os dados analisados forem provenientes de um processo fora de controle – Motivo: os índices são parâmetros da distribuição estacionária da característica da qualidade em estudo. Se o processo estiver fora de controle essa distribuição não será sempre a mesma, logo não saberemos o que estaremos estimando a partir dos dados. – Assim, devemos primeiro examinar o comportamento das cartas de controle. Uma vez evidenciada a condição de controle, o estudo de capacidade pode ser conduzido. Prof. MSc. Eng.º Wagner Cardoso 121 CAPACIDADE DO PROCESSO • Considerações Importantes – É costume tomar como medida de capacidade de um processo a dispersão 6-sigma na distribuição da característica da qualidade – Se os dados são provenientes de uma distribuição normal, os LNT incluem 99,73% da variável. – Os LNT expressam os Limites Naturais do Processo. Prof. MSc. Eng.º Wagner Cardoso 122 CAPACIDADE DO PROCESSO • Razões da Capacidade do Processo – No entanto, convém termos uma forma simples e quantitativa de expressar a capacidade de um processo. – Tal forma foi introduzidapor Juran (1974), chamando-a de razão da capacidade de um processo (RCP) Cp onde LIE/LSE são os limites de especificação inferior e superior. Prof. MSc. Eng.º Wagner Cardoso 123 CAPACIDADE DO PROCESSO • Razões da Capacidade do Processo – Em aplicações práticas, � precisa ser estimado. Isso resulta em uma estimativa para Cp dada por – Note que o índice Cp relaciona a tolerância especificada com a tolerância natural do processo. Assim, • Cp < 1, TN é maior que TE (preocupante) • Cp = 1, TN é igual TE (precisa melhorar) • Cp > 1, TN é menor que TE (desejável) Prof. MSc. Eng.º Wagner Cardoso 124 CAPACIDADE DO PROCESSO • Exemplo – Anel de Pistão – Limites de Especificação: 74.00mm ± 0.05mm – Do gráfico R, estimamos: – Logo, – Cp > 1 (desejável). Prof. MSc. Eng.º Wagner Cardoso 125 CAPACIDADE DO PROCESSO –Vimos que a razão da capacidade do processo mede a habilidade do processo de produzir produtos que atendam as especificações. – A seguir, apresentaremos diversos valores de Cp juntamente com o número de peças defeituosas ou unidades não-conformes do produto por milhão (ppm). – Tais quantidades foram obtidas com base nas seguintes suposições importantíssimas: – A característica da qualidade tem distribuição normal; – O processo está sob controle estatístico; – A média do processo está centrada entre os limites de especificação superior e inferior. Prof. MSc. Eng.º Wagner Cardoso 126 CAPACIDADE DO PROCESSO Prof. MSc. Eng.º Wagner Cardoso 127 – Para ilustrar a tabela ao lado, temos que: • Cp = 1, implica em 2.700 ppm • Cp = 1,50 implica em uma taxa de apenas 7 ppm • No exemplo do anel de pistão, Cp = 1,68 ≅ 1,70. Isso implica em 0,34 ppm, ou seja, o processo encontra-se bem calibrado. Fi O ÍNDICE CPK • Razão de Capacidade para um Processo Descentrado – Note que o índice Cp não leva em conta a localização da média do processo com relação aos limites de especificação. – Kane (1986) propõe uma medida (Cpk) que penaliza desvios da média do processo em relação a posição central (“ótima”), sendo definido por: Prof. MSc. Eng.º Wagner Cardoso 128 O ÍNDICE CPK • Razão de Capacidade para um Processo Descentrado – Se Cp = Cpk o processo está centrado no ponto médio das especificações. – Quando Cpk < Cp o processo está descentrado. – A diferença entre Cp e Cpk é uma medida direta de quão fora do centro o processo está operando. – Além disso, através da tabela apresentada anteriormente, pode-se obter uma estimativa rápida da melhoria potencial caso o processo estivesse centralizado. – Por isso, costuma-se dizer que Cp mede a capacidade potencial no processo, enquanto Cpk mede a capacidade efetiva. Prof. MSc. Eng.º Wagner Cardoso 129 EXERCÍCIOS 1-) Consideremos um processo que esteja sob controle, cujos dados seguem distribuição normal. Para este processo temos as seguintes especificações: LSE = 10,9 e LIE = 10,5. Vamos supor que a média amostral do processo seja 10,662 e desvio padrão seja 0,118. Calcule e avalie os indicadores CP e CPk, bem como a capacidade geral do processo. 2-) As especificações para uma peça em particular são 10”± 0,015”. O processo associado produz peças com média de 10” e desvio padrão de 0,002. Determine a capacidade do processo pelos indicadores CP e CPK, e o nº de ppm não-conformes. Prof. MSc. Eng.º Wagner Cardoso 130 EXERCÍCIOS 3-) Um Gerente de Qualidade quer descobrir os índices de capacidade do processo Cp e Cpk de fabricação de refrigerantes, mais especificamente na etapa de envase. A tabela traz os volumes de cada amostra de garrafa envasada coletada na linha, em litros. O limite de especificação é 2,00 ± 0,03. Encontre o Cp e o Cpk, o número de não-conformidades e construa o gráfico da capabilidade do processo. Prof. MSc. Eng.º Wagner Cardoso 131 Amostra V1 V2 V3 1 2,01 2,00 1,99 2 2,00 1,98 1,98 3 2,02 1,97 1,99 4 1,99 1,95 2,02 5 1,98 1,99 1,96 6 2,00 2,01 2,03 7 2,08 2,02 2,02 8 2,00 2,00 2,01 9 2,02 2,04 2,00 10 1,99 1,98 2,00 11 1,97 1,99 1,99 12 1,97 2,06 1,98 13 1,96 2,05 1,97 14 1,99 2,00 2,01 15 2,06 2,03 2,02
Compartilhar