Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 CEP - CONTROLE ESTATÍSTICO DE PROCESSO FERNANDA MANICA1 Resumo O presente artigo tem por objetivo apresentar o CEP, ou Controle Estatístico de Processo, sendo possível identificar nesta pesquisa exploratória, a partir das principais referências bibliográficas disponíveis sobre o tema, os conceitos históricos, bem como, a reunião das principais ferramentas utilizadas através dessa ferramenta da qualidade, como os gráficos de controle, além de elucidar exemplos práticos de sua adoção pelo mercado, tendo por finalidade o embasamento necessário para comprovar possíveis resultados a serem obtidos através da utilização deste método de gestão. Método este, capaz de resultar na ampliação da qualidade e produtividade, e na redução dos custos da produção de bens ou do fornecimento de serviços, agregando valor ao negócio empresarial. Palavras-Chave: CEP, Ferramentas da Qualidade, Gráficos de Controle, Produtividade. ABSTRACT This article aims to present the CEP, or Statistical Process Control, and can identify this exploratory research, from primary references available on the subject, the historical concepts as well as the meeting of the main tools used by this tool quality, such as control charts, besides elucidating practical examples of its adoption by the market, with the purpose to establish the necessary foundation possible results to be obtained through the use of this method of management. This method, can result in the expansion of quality and productivity, and reducing costs of production of goods or service delivery, adding value to the business enterprise. Keywords: CEP, Quality Tools, Control Charts, Productivity. 1 Graduanda do curso de Engenharia da Produção pela Faculdade Bagozzi, 4º período. 2 1 INTRODUÇÃO O CEP, ou controle estatístico de processo, foi estruturado, a partir da década de 1930, com base nos gráficos de controle do engenheiro e estatístico Walter Andrew Shewhart, que indicou que processos com menor variabilidade propiciariam produtos com maiores níveis de qualidade e menores custos de produção. Este método e suas ferramentas estatísticas, mesmo conhecidas há décadas, ganharam maior visibilidade e aplicação a partir da década de 1980, resultando no treinamento de muitos supervisores e trabalhadores em ferramentas estatísticas básicas, o que capacitou estes profissionais para melhor entender o comportamento de processos e produtos. Seus principais objetos de controle podem se resumir, mas não somente, às características do produto, da qualidade e dos efeitos secundários. Mas, como o Controle Estatístico de Processo pode agregar valor aos negócios empresariais? No atual cenário econômico, em que a globalização ampliou imensamente a competição entre as organizações, uma gestão de qualidade pode consistir em um agente estratégico capaz de fornecer ganhos de produtividade e competitividade às empresas. Assim, a adoção de estruturados e métodos de gestão da qualidade, como o CEP, é capaz de fornecer meios para garantir e, até mesmo, ampliar o espaço das organizações nos mercados em que estão inseridas. Desta forma, este artigo tem como objetivos: conceituar historicamente o controle estatístico de processo; apresentar as ferramentas básicas para utilização deste, tais como gráfico de controle por variáveis, gráficos de dispersão e gráfico de atributos; elucidar a adoção do método através de um exemplo encontrado na literatura para aplicação do controle estatístico e indicar os principais benefícios deste às organizações. Este artigo quanto à sua finalidade, caracteriza-se como pesquisa básica, pois segundo Rampazzo (1998) pesquisa básica indica referências que servirão para 3 o embasamento teórico. Ao longo da pesquisa essas referências poderão ser enriquecidas. Quanto à natureza deste artigo, caracteriza-se como pesquisa qualitativa, pois segundo Chizzotti (2006) “as pesquisas qualitativas não possuem modelos únicos, pois consideram que a realidade é natural e contraditória e os passos de investigação dependem do pesquisador: sua concepção, valores e objetivos”. Quanto aos objetivos, caracteriza-se como pesquisa exploratória, pois segundo Bervian (2002) “os estudos exploratórios não formulam hipóteses a serem testadas no trabalho, limitam-se a definir objetivos e buscar mais informações sobre determinado tema de estudo. Tencionam familiarizar-se com o tema e descobrir novas ideias”. Quanto aos procedimentos adotados, caracteriza-se como pesquisa bibliográfica, pois segundo Bervian (2002) “a pesquisa bibliográfica busca elucidar um problema partindo de conhecimentos publicados em documentos. Compõe o procedimento inicial para estudos monográficos e qualquer tipo de pesquisa científica, os quais procuram o, ''estado da arte'', sobre um tema definido”. 2 HISTÓRICO O Controle estatístico teve origem na década de 30 nos EUA com a introdução, por Walter Shewhart, de conceitos básicos estatísticos e metodologia científica. Shewhart formou-se em Engenharia com doutorado em Física pela Universidade da Califórnia, em Berkeley (PALADINI, 2012). Considerado o pai do controle estatístico, conseguiu introduzir conceitos estatísticos em uma interface gráfica de fácil utilização no ambiente produtivo, na Bell Telephone Laboratories, em 1924. Ele desenvolveu as cartas de controle para distinguir causas comuns e causas especiais que poderiam causar variabilidade no processo. Essas cartas serviriam para a análise dos dados obtidos por amostragem e impediriam que peças defeituosas fossem produzidas, substituindo a tradicional detecção e correção de 4 peças defeituosas. Essa captação de dados possibilitam ações ao longo do processo, tais como: ajuste e controle de matéria-prima, além de parâmetros do processo, manutenção periódica e treinamento de funcionários. Ou seja, Shewhart propôs a aplicação de metodologia científica organizada em quatro fases. A) identificação do problema e planejamento de experimentos. B) experimentação. C) análise dos experimentos e D) ação gerencial sob o processo (PALADINI, 2002). O CEP atuará nas quatro fases: A) identificação dos pontos críticos na linha de produção, B) aplicação da ferramenta, C) análise dos dados, D) reação gerencial. (PALADINI, 2002). Walter Shewhart, também, propôs a utilização do ciclo PDCA (Plan, Do, Check, Action) para direcionar a análise e solução de um problema. (PALADINI, 2012). Na metade da década de 30, os métodos estatísticos de controle eram usados amplamente na Western Electric. O advento da segunda Guerra Mundial propiciou o uso de métodos estatísticos nas indústrias americanas. Com o fim da Guerra, foi o momento do Japão absorver o controle estatístico da qualidade. Atualmente, um grande número de empresas utilizam essa ferramenta (RIBEIRO, 2003). 3 CARTA DE CONTROLE As cartas de controle são dispositivos para a coleta de dados, referentes às características da qualidade coletados com freqüência e tamanho da amostra definidos de acordo com os principais causas de variabilidade do processo. Configuram-se em mecanismos de coleta de informações de um processo dinâmico na busca da qualidade. Segundo Machado (2010 apud ALMEIDA 2011) os dados coletados servem para calcular os limites de controle do processo e possibilitam a análise da estabilidade do processo almejando identificar a presença de causas especiais e 5 comuns e, consequentemente, ações para corrigi-las. O Esquema abaixo traduz oesquema frequentativo de melhoria (RIBEIRO, 2003): FIGURA 1 – Esquema frequentativo de melhoria Fonte: RIBEIRO, 2003. pg.16 O esquema demonstrado na figura 1 apresenta outro conceito importante ao controle estatístico do processo: conceito de capacidade. 4 CAPACIDADE Consiste no potencial que um processo possui para gerar produtos de qualidade. A avaliação da capacidade do processo ocorre apenas quando já foram eliminadas as causas especiais (RIBEIRO, 2003). Portanto, a capacidade está relacionada com as causas comuns. A avaliação da capacidade do processo é construída com a distribuição de probabilidade dos valores individuais da variável e com a estimativa da média, variabilidade e dos limites naturais do processo. Para 6 isso, é necessário estabelecer um histograma dos valores individuais coletados (RIBEIRO, 2003). Para verificar o tipo de distribuição de probabilidade é possível utilizar a forma gráfica denominada de histograma (RIBEIRO, 2003). Os dados são divididos em classes e ordena-se o número de indivíduos (medidas das características da qualidade) pertinentes à cada classe (frequência de cada classe). Existem alguns passos para o cálculo do histograma: determina-se o maior e o menor valor, define- se o limite inferior da primeira classe (igual ou inferior ao menor valor das coletas) e o limite superior da última classe (igual ou maior ao maior valor das coletas). Para o cálculo do número de classes, pode-se adotar: √ Com variando de 5 a 20. Dessa forma, define-se a amplitude de cada classe: O gráfico é um conjunto de retângulos com áreas proporcionais as frequências das classes, largura igual à amplitude das classes e centro no ponto médio. Outra forma de visualização do tipo de distribuição de probabilidade é o polígono de frequência, onde ponto médio o topo dos retângulos são ligados entre si, conforme mostra a figura 2: FIGURA 2 – Histograma e polígono de frequencia Fonte: RIBEIRO, 2003. pg.51 7 Os tipos de distribuição de probabilidade, mostrados na figura 3, são: a) tipo nominal é melhor: apresenta distribuição simétrica, gerando variabilidade para cima e para baixo, possuem LSC (limite superior de controle) e LIC (limite inferior de controle). b) O tipo maior é melhor representa uma distribuição de probabilidade assimétrica à esquerda. Características da qualidade que possuem dificuldade de coleta de medições de valores altos apresentam esse tipo de probabilidade e possuem apenas LIC (limite inferior de controle). c) O tipo menor é melhor representam a distribuição de características cujas medidas de valores baixos são de difícil obtenção, possuindo apenas LSC (limite superior de controle). FIGURA 2 – Tipos de distribuição de probabilidade Fonte: RIBEIRO, 2003. pg.11-12 8 Se a distribuição dos valores individuais for Normal, é possível calcular os limites naturais do processo, considerando seis desvios-padrões (6б). Os limites estabelecidos, de acordo com a distribuição normal, vão compreender 97,73% dos valores e apenas 0,27% fora dos limites naturais. Assim: O desvio-padrão pode ser obtido com a média da amplitude das amostras: ̂ ̅ Ou, a partir do desvio-padrão das amostras: ̂ ̅ Onde e são coeficientes tabulados: FIGURA 3 – COEFICIENTES TABULADOS Fonte: ADAPTADO DE MONTGOMERY, 2013. pg.489 9 Para expressar a capacidade do processo é possível facilitar o procedimento utilizando os índices de capacidade: Cp e Cpk (PALADINI, 2002). O primeiro índice avalia a capacidade potencial do processo e o segundo a capacidade real do processo: Os quadros adaptados abaixo associam os valores dos índices com a análise dos valores: (RIBEIRO, 2003) e PALADINI (2002). Índice Cp Análise Processo Capaz Processo Incapaz Processo aceitável A 2,121 1,88 2,659 0,7979 1,2533 0 3,267 0 2,606 1,128 0,8865 0,853 0 3,686 0 3,267 1,732 1,023 1,954 0,8862 1,1284 0 2,568 0 2,276 1,693 0,5907 0,888 0 4,358 0 2,575 1,500 0,729 1,628 0,9213 1,0854 0 2,266 0 2,088 2,059 0,4857 0,880 0 4,698 0 2,282 1,342 0,577 1,427 0,9400 1,0638 0 2,089 0 1,964 2,326 0,4299 0,864 0 4,918 0 2,115 1,225 0,483 1,287 0,9515 1,0510 0,030 1,970 0,029 1,874 2,534 0,3946 0,848 0 5,078 0 2,004 1,134 0,419 1,182 0,9594 1,0423 0,118 1,882 0,113 1,806 2,704 0,3698 0,833 0,204 5,204 0,076 1,924 1,061 0,373 1,099 0,965 1,0363 0,185 1,815 0,179 1,751 2,847 0,3512 0,820 0,388 5,306 0,136 1,864 1,000 0,337 1,032 0,9693 1,0317 0,239 1,761 0,232 1,707 2,970 0,3367 0,808 0,547 5,393 0,184 1,816 0,949 0,308 0,975 0,9727 1,0281 0,284 1,716 0,276 1,669 3,078 0,3249 0,797 0,687 5,469 0,223 1,777 0,905 0,285 0,927 0,9754 1,0252 0,321 1,679 0,313 1,637 3,173 0,3152 0,787 0,811 5,535 0,256 1,744 0,866 0,266 0,886 0,9776 1,0229 0,354 1,646 0,346 1,610 3,258 0,3069 0,778 0,922 5,594 0,283 1,717 0,832 0,249 0,85 0,9794 1,0210 0,382 1,618 0,374 1,585 3,336 0,2998 0,770 1,025 5,647 0,307 1,693 0,802 0,235 0,817 0,981 1,0194 0,406 1,594 0,399 1,563 3,407 0,2935 0,763 1,118 5,696 0,328 1,672 0,775 0,223 0,789 0,9823 1,0180 0,428 1,572 0,421 1,544 3,472 0,288 0,756 1,203 5,741 0,347 1,653 0,750 0,212 0,763 0,9835 1,0168 0,448 1,552 0,44 1,526 3,532 0,2831 0,750 1,282 5,782 0,363 1,637 0,728 0,203 0,739 0,9845 1,0157 0,466 1,534 0,458 1,511 3,588 0,2787 0,744 1,356 5,820 0,378 1,622 0,707 0,194 0,718 0,9854 1,0148 0,482 1,518 0,475 1,496 3,640 0,2747 0,739 1,424 5,856 0,391 1,608 0,688 0,187 0,698 0,9862 1,0140 0,497 1,503 0,490 1,483 3,689 0,2711 0,734 1,487 5,891 0,403 1,597 0,671 0,180 0,68 0,9869 1,0133 0,510 1,490 0,504 1,470 3,735 0,2677 0,729 1,549 5,921 0,415 1,585 0,655 0,173 0,663 0,9876 1,0126 0,523 1,477 0,516 1,459 3,778 0,2647 0,724 1,6055,951 0,425 1,575 0,640 0,167 0,647 0,9882 1,0119 0,534 1,466 0,528 1,448 3,819 0,2618 0,720 1,659 5,979 0,434 1,566 0,626 0,162 0,633 0,9887 1,0114 0,545 1,455 0,539 1,438 3,858 0,2592 0,716 1,710 6,006 0,443 1,557 0,612 0,157 0,619 0,9892 1,0109 0,555 1,445 0,549 1,429 3,895 0,2567 0,712 1,759 6,031 0,451 1,548 0,600 0,153 0,606 0,9896 1,0105 0,565 1,435 0,559 1,420 3,931 0,2544 0,708 1,806 6,056 0,459 1,541 22 23 24 25 Para n>25 16 17 18 19 20 21 10 11 12 13 14 15 4 5 6 7 8 9 Fatores para Limites de Controle Gráficos para Amplitudes Fatores para linha central Fatores para Limites de Controle 2 3 FATORES PARA CONSTRUÇÃO DE GRÁFICOS DE CONTROLE PARA VARIAVÉIS Gráfico para Médias Observações na Amostra, n Fatores para Limites de Controle Gráficos para Desvios Padrão Fat. p/ Linha Central 10 Processo 6 sigmas Processo 8 sigmas Processo 10 sigmas Índice Cpk Análise >1,33 Processo Incapaz Processo Capaz Processo aceitável Processo Centrado Processo Descentrado 5 VARIABILIDADE O conceito de variabilidade é inerente à todos os processos, ou seja, a variação é uma característica comum aos processos. Os produtos e serviços funcionam sob condições operacionais e nunca serão idênticos, sendo necessário prever a natureza e extensão dessas variações (RIBEIRO, 2003). Pois elas podem produzir diferenças imperceptíveis e, até mesmo, produzir mudanças bruscas no processo (PALADINI, 2002). 5.1 FONTES DE VARIABILIDADE 11 As fontes de variabilidade são divididas em: causas especiais e causas comuns. As causas especiais também podem ser chamadas de causas assinaláveis e ocorrem de forma imprevisível, promovendo alterações na forma, na tendência central ou variabilidade das características. As características podem ser comprimento, peso, voltagem, viscosidade, gosto, aparência, cor, manutenção, utilidade, confiabilidade (RIBEIRO, 2003). Essas causas não são pequenas, provocam grandes perturbações no processo e podem ser associadas a falhas de operação: desregulagem ocasional da máquina, problemas no lote de matéria-prima, quebra de ferramenta, trovoada, relâmpago, entre outras. Devem ser eliminadas do processo e compensadas. Quando um processo é regido por elas, está fora de controle. As causas comuns ou aleatórias são pequenas e continuamente presentes no processo. A fonte geradora dessas causas são diversas e de difícil detecção, sendo necessário muito tempo e recursos para levantar os motivos da ocorrência das mesmas. Representam uma variação inerente ao processo, um ´´ruído de fundo´´ mesmo quando o processo se encontra sob condições normais. Podem ser anuladas somente com ação gerencial e visão holística sob o sistema, mas o custo para sua anulação geralmente não se justifica. Todas as características de qualidade serão diferentes entre si, porém tendem a formar um padrão se agrupadas. Quando um processo é redigo por causas comuns, dizemos que ele está sob controle estatístico mesmo sabendo que, ocorrem variações em todas as características de qualidade, pois se agrupadas, elas tendem a formar padrões ou diferentes tipos de distribuição de probabilidade. 6 MODELO BÁSICO DO GRÁFICO DE CONTROLE O roteiro para a construção de um gráfico de controle, segundo Paladini (2002) é dado pelo estabelecimento de uma medida de tendência central, como a média, após essa etapa, obtêm-se os limites de dispersão (três desvios amostrais para mais ou menos). Os pontos que representam a característica da qualidade em avaliação são ordenados no gráfico seguindo preceitos cronológicos e de sequência 12 de coletas. O eixo das abscissas representam o número de ordem das amostras e o eixo das ordenadas associam a medida ao característico. Nesse gráfico, será possível visualizar a zona de controle e a zona de anormalidade: FIGURA 4 – MODELO GERAL DOS GRÁFICOS DE CONTROLE Fonte: Adaptado de PALADINI, 2002. pg.60 6.1 GRÁFICO DE CONTROLE PARA VARIAVÉIS Esses gráficos são arquitetados por características de qualidade mensuráveis, tais como: diâmetro de uma peça, tempo de preparo de um pedido, esses dados variáveis exigem uma amostra menor e fornecem mais informações. O tempo entre coleta e ação corretiva é menor. Os gráficos da média é uma aplicação clássica do controle estatístico do processo, sendo trabalhado simultaneamente com um gráfico de dispersão, pois uma variável pode sofrer alteração tanto em sua média quanto em sua variabilidade, ou seja, o gráfico da média ̅̅ ̅ detecta a alteração na tendência central do processo e o gráfico da amplitude ) ou o gráfico desvio padrão , por exemplo, detecta alterações na variabilidade do processo. O modelo estatístico que fornece o embasamento ao gráfico de controle por variáveis é a distribuição normal. 13 6.2 GRÁFICOS DE DISPERSÃO Para analisar a dispersão podem ser usados dois gráficos mais comuns, segundo Montgomery (2013), temos: o gráfico desvio padrão para amostras com tamanho moderadamente grande (n>10) ou o tamanho da amostra n é variável e o gráfico da amplitude ) para amostras com menos de 6 ítens. O gráfico do desvio amostral pode ser estruturado da seguinte forma quando um valor de referência é dado para . Como: A linha central será para o gráfico é e os limites de controle são dados por: √ √ Definindo-se as duas constantes: √ √ Onde: e são índices tabulados em função do tamanho da amostra ( ), conforme figura 3 (MONTGOMERY, 2013). Dessa forma, simplificam-se as equações: 14 Os parâmetros do gráfico ̅ correspondente são:Onde: √ É um coeficiente tabelado conforme figura 3 e depende de n. O gráfico do desvio amostral pode ser estruturado de outra forma quando nenhum valor de referência é dado para . Calcula-se a média dos desvios-padrão das m amostras disponíveis pela equação (MONTGOMERY, 2013): ̅ ∑ A linha central e os limites do gráfico serão dados por: ̅ ̅ √ 15 ̅ ̅ ̅ √ Definindo-se as constantes: √ √ - Assim, os parâmetros do gráfico ̅ ficam definidos por: ̅ ̅ ̅ Sendo: O gráfico ̅ correspondente para estimar quando nenhum valor de referência foi dado, é: ̿ ̅ ̿ ̿ ̅ 16 Onde: ̅ é a média geral de cada uma das amostras, ou seja: ̿ Se: √ então: ̿ ̅ ̿ ̿ ̅ O gráfico da Amplitude pode ser estruturado calculando-se a diferença entre a maior e a menor observação de uma amostra de tamanho (n), ou seja: A amplitude média é dada por: ̅ O estimador do desvio é dado por um fator de correção, , em função de n tabelado conforme figura 2. Assim, tem-se: ̂ ̅ 17 Pode-se definir: √ Dessa forma, os parâmetros do gráfico ̅ são: ̿ ̅ ̿ ̿ ̅ Para monitorar a variabilidade das amplitudes das amostras em um gráfico, pode se utilizar os limites de controle para o gráfico R: ̅ ̅ ̅ Onde, e são constantes tabeladas conforme figura 2. O gráfico das médias ( ̅) serve para se calcular a variabilidade dos processos entre as amostras e os gráficos de dispersão monitoram a variabilidade dentro das amostras. Para a interpretação dos resultados assume-se a hipótese de que o processo é estável e mudaram apenas com a presença de uma causa especial, pois de acordo com a teoria da Distribuição Normal, a probabilidade de uma amostra cair dentro dos limites de especificação (LCS e LIC) é de 99,73% e fora, 0,27%. A presença de causas especiais podem ser sinalizadas com pontos plotados nas cartas de controle de forma aleatória ou sistemática, tais como: comportamento cíclico, mudança na média ou tendência linear. Também, sete pontos em sequência acima ou abaixo da linha central ou sete pontos ascedentes ou descedentes indicam presença de causa especial. As possíveis causas para os sete pontos acima ou abaixo da linha central (LC) podem ser: método, material ou processo diferente, ajuste ou avaria do maquinário, além de grande variação da matéria-prima. Para 18 sete pontos ascendentes ou descendentes pode ser indicação de desgaste de ferramentas, equipamentos ou instrumentos de medição. Para pontos fora dos limites de controle, pode ser representação de erros ou falhas do operador na utilização dos aparelhos de medição. Quando ocorre periodicidade dos pontos, é sinal de falta de uniformidade da matéria-prima, rodízio de aparelhos e operadores ao longo dos turnos e para pontos com deslocamento da média, é tendência de novo método, máquina, material, ou até mesmo, melhoria da qualidade. 6.3 GRÁFICO DE CONTROLE PARA ATRIBUTOS Esses gráficos são utilizados paraprocessos técnicos e administrativos, pois atributos podem ser encontrados tanto em processos quanto serviços. Atributos são características da qualidade que não são medidas, apenas rotuladas (PALADINI, 2012). Portanto, as medições vão receber classificação binária (conforme ou não conforme, defeituoso ou perfeito, etc). Para avaliação por atributos, existem cinco tipos diferentes de gráfico: gráfico para percentual de peças defeituosas, gráfico para avaliação do número de peças defeituosas, gráfico ̅ u para avaliação da quantidade de defeitos por unidade, gráfico para avaliação da quantidade média dos defeitos por unidade e o gráfico para avaliação de defeitos por amostra. Para auxiliar na escolha da carta de controle, é possível utilizar um fluxograma: FIGURA 5 – FLUXOGRAMA DE APOIO PARA ESCOLHA DOS GRÁFICOS DE CONTROLE Fonte: RIBEIRO, 2003. pg.60 19 O gráfico é dado por: Onde: = número de itens inspecionados = número de itens defeituosos (não-conformes) Para o cálculo dos limites de controle, utiliza-se a fração média: ̅ = número de peças não conformes no subgrupo i = tamanho da amostra do subgrupo i = número de subgrupos Dessa forma: 20 ̅ ̅ Se, o limite inferior for negativo, deve ser fixado em zero. Se o tamanho dos subgrupos for variável, o desvio-padrão e os limites de controle serão variáveis e o gráfico de controle terá limites de controle de forma dentada. Caso a diferença entre os tamanhos das amostras for menor que 25%, pode-se usar a média do tamanho das amostras e o desvio-padrão será calculado da seguinte forma: √ ̅ ̅ √ Para interpretação do gráfico, é necessário visualizar a existência ou não de um ou mais pontos fora dos limites de controle. Caso, o processo esteja em controle estatístico, a probabilidade de pontos existirem fora dos limites é muito baixa, portanto, atribui-se à isso, a presença de causas especiais. Pontos acima do limite de controle superior (LSC) indicam piora no processo e pontos abaixo do limite inferior do processo (LCI). O processo instável deve ser avaliado para se descobrir as causas especiais que estão atuando sob o processo, corrigir tais causas e impedir novas ocorrências. Se, foi identificado melhorar no processo, deve-se analisar as causas e padronizá-las. O gráfico pode ser utilizado quando se deseja, por exemplo, descobrir o número de eixos defeituosos de um modelo de motor ou o número de sapatos defeituosos em uma amostra. 21 O gráfico é utilizado para acompanhar o número de peças não-conformes, sendo aplicada de forma adequada quando u número de peças não-conformes possuem mais importância e quando o tamanho dos subgrupos da amostra são constantes. Para seu monitoramento, calcula-se a média das peças não-conformes e o desvio-padrão, dados respectivamente por: ̅ √ ̅ ̅ Onde: = número de peças não-conformes no subgrupo i = número de subgrupos Dessa forma, calcula-se os limites de controle: ̅̅̅̅ ̅ O gráfico pode ser utilizado quando se necessita descobrir o número de peças defeituosas em lotes de uma peça plástica injetada ou o número de carrocerias defeituosas em determinadas amostras. O gráfico auxilia que as não-conformidades ou defeitos sejam analisados em grupo. É indicada quando os defeitos ocorrem em meio contínuo, como na área de um tecido ou no comprimento do pavimento. O tamanho das amostras são 22 constantes: m², m, etc. Inicia-se os cálculos, achando o número médio das não- conformidades e o desvio-padrão: ̅ √ ̅ Onde: = número de não conformidades = número de subgrupos E, os limites de controle, são estabelecidos por: ̅ ̅ Como exemplo para a utilização desse gráfico, podemos citar: os defeitos de pintura na lataria de um ônibus ou defeitos no setor de montagem de uma painel de controle em uma montadora de veículos. O gráfico analisa o número de defeitos por unidade produzida. É adequada quando as amostras possuem mais de uma unidade e o tamanho das amostras são variáveis. Inicialmente, coleta-se o número de não – conformidades da amostra e divide-se pelo tamanho do lote. 23 Após, calcula-se o número médio de não-conformidades por unidade e o desvio-padrão: ̅ ∑ ∑ √ ̅ Onde: = número de não-conformidades da amostra = tamanho da amostra e é o número de subgrupos. Em seguida, obtêm-se os limites de controle: ̅ ̅ Amostras com tamanhos diferentes vão gerar gráfico com diferenças no limite de controle, aparecendo linhas de forma dentada. Caso a diferença entre os tamanhos das amostra seja pequeno (menor que 25%) pode calcular o desvio- padrão da seguinte forma: √ ̅ Para exemplificar o uso desse gráfico, podemos citar uma empresaque necessita descobrir o número de defeitos por escrivaninha ou o número de defeitos 24 por artefatos cerâmicos para uma empresa fornecedora de produtos para a construção civil (RIBEIRO, 2003). Os quatro gráficos citados anteriormente possuem em comum o fato de que avaliam atributos importantes ao produto e apenas identificam a presença ou não de não-conformidades, não sendo capazes de apontar a natureza dos seus defeitos e o custo de identificação de um defeito é compatível com a peça. Os gráfico p e np selecionados para avaliação de peças defeituosas possuem diferenças. O primeiro utiliza escala relativa (percentuais), avalia defeitos que afetam funções fundamentais ao produto, as amostras coletadas possuem tamanho variável e representa claramente lotes e processos, já o gráfico np utiliza uma escala absoluta (com valores inteiros), avalia todos os possíveis defeitos dos produtos, não é possível representar com clareza os lotes e processos através de suas amostras. Os gráficos u e c são selecionados quando o intuito é avaliar o número de defeitos utilizam escala absoluta (com valores reais). Possuem as seguintes diferenças: o tamanho das amostras, sendo variáveis para o u e fixo para o gráfico c, nas unidades do produto: apresentadas em unidades individuais, facilmente identificadas para o gráfico u e, de difícil indetificação, apresentadas em formato de rolos, folhas e fitas para o gráfico c, ou seja, as amostras do gráfico u possuem clareza para demonstrar o processo e as amostras do gráfico c não exprimem clareza dos processos em suas amostras; na indicação de uso, para o gráfico u avaliam-se produtos de grande porte e para o gráfico c, amostras de tamanho variável, pois não existem unidades naturais do produto e as mesmas não guardam relação evidente com o lote. 6.4. GRÁFICO DE VARIAVÉIS X GRÁFICO DE ATRIBUTOS As principais diferenças entre o gráfico de variáveis e o gráfico de atributos sãoformados pela dificuldade ou facilidade dos cálculos construtivos, sendo que o primeiro tipo exige-se cálculos mais complexos por tratar de característicos da qualidade que influenciam diretamente no produto, enquanto o segundo tipo permite cálculos mais diretos e resultados mais rápidos por tratar de característicos não claramente definidos. Isso leva a escolha do primeiro gráfico quando se tem poucos 25 característicos a avaliar e ao segundo, quando se possui muitos característicos a avaliar. Os desafios para utilização do gráfico de variáveis são a exigência de investimentos de maior impacto (máquinas e equipamentos de medição), treinamento técnico e específico e preparação dos cálculos. Para o gráfico de atributos são os investimentos em treinamento na formação de recursos humanos para avaliação das amostras, a determinação de padrões e a interpretação das curvas, pois envolvem muitos elementos. 7 ELUCIDAÇÃO DE APLICAÇÃO DO CEP O Controle Estatístico do Processo é uma ferramenta capaz de gerar estabilidade aos processos e possui diversas aplicações nos setores industriais e de serviço. Um exemplo de emprego dessa ferramenta segundo Almeida et al. (2011) é uma empresa de sistemas de transmissão alemã fundada em 1915, cuja introdução da primeira planta no Brasil ocorreu em São Paulo no ano de 1985, alargando seus negócios servindo o setor automobilístico brasileiro, produzindo caixas de cambio de direção hidráulica para veículos para transporte de passageiros e carga e, servindo também, o setor marítimo. A planta de estudo localiza-se no em Sorocaba, fundada em 1980 e que veio a se tornar sede da empresa na América do Sul em 1997. Em 2008, a empresa completou 50 anos de fundação com uma política de crescimento e dinamismo. Os estudos apresentados no artigo citado iniciam-se em 1998 quando se detectou um período de desaceleração no crescimento e marca, também, o período de implantação do CEP. Essa implantação foi necessária, pois a empresa começou a receber diversas reclamações de clientes internos e externos. Na linha de montagem existia um alto índice de refugos de peças que vinham da usinagem. Tais peças acarretavam impedimento das caixas de cambio, que eram levadas ao setor de consertos, porém, muitos componentes eram perdidos, já que era impossível desmontar e utilizar novamente, além de provocar danos em peças não conformes. O custo de retrabalho e os inconvenientes provocados por peças não conformes, fizeram a marca começar a perder seu mercado para empresas concorrentes, Dessa forma, em 1998, a matriz na Alemanha acatou a sugestão de um dos diretores da 26 planta de Sorocaba e implantou o Controle Estatístico do Processo para conseguir monitorar os processos de usinagem. Nesse mesmo ano, reuniu-se uma equipe para o projeto de implementação que recebeu o nome de Time de Monitoramento Estatístico (TME). Iniciou-se o uso da ferramenta nos processos mais críticos da usinagem, com o preenchimento da carta CEP pelos operadores. Existiu resistência por parte dos funcionários e foi necessário investimento em treinamentos e mudança de filosofia na empresa. O modelo de carta CEP inicialmente era elaborado pelo programa Excel nos anos de 1998 e 2001. Já em 2002e 2033, foi aplicado o software Datapec que incluiu em suas tarefas: impressão de planilhas, distribuição para os postos de controle, recolhimento e scanner das planilhas, ajuste, correção, preparação e análise. Mais tarde, houve novos investimentos em softwares mais completos para execução do CEP, tal como o software Procella, bem como de outros programas que facilitaram o processo de análise dos analistas de qualidade, eliminando pilhas de relatórios, uma vez que esses programas geravam automaticamente os relatórios, cabendo aos profissionais da qualidade o poder de decisão baseado nos resultados gerados pelos sistemas. Esses softwares controlam cerca de 5.800 características da qualidade e estão instalados em 110 máquinas da empresa, gerando gráficos e enviando aos gestores relatórios com índices pré-determinados e caso os dados obtidos geram índices fora do padrão esperado, os gestores determinam ações a serem feitas: novas freqüências de coleta, resolução de problemas, etc. O resultado foi positivo, com a empresa alcançando estabilidade nos processos de usinagem (ALMEIDA et al., 2011). Com o objetivo de melhorar a qualidade e a produtividade em um fábrica de circuito impresso, foi instalado o controle estatístico do processo na etapa de revestimento de cobre, por conter os maiores índices de defeitos, como: cobre quebradiço e poroso, além da demora no tempo de circulação pelo processo. Foi estruturada uma equipe com o operador do tanque de revestimento, engenheiro de produção e o engenheiro de qualidade. O objetivo era otimizar o tempo de circulação do pelo processo: através de um diagrama de causa-e-efeito foi possível identificar 11 possíveis causas potenciais para o desperdício de tempo gasto no controlador que regulava a concentração de cobre no tanque de revestimento. 27 Para coletar dados reais e se munir de informações úteis para análise, elaboraram uma folha de controle baseada no diagrama de causa-e-efeito, a qual seria preenchida por um dos membros da equipe sempre que o controlador apresentasse problemas. FIGURA 6 – FOLHA DE CONTROLE Fonte: MONTGOMERY, 2013. pg.116 Após seis semanas de medição, foi possível fazer uma análise de pareto e concluiu-se que o problema que mais gastava tempo no controlador era a variação de concentração e seria necessário a reconstrução do colorímetro para evitar tal variação.28 FIGURA 7 – DIAGRAMA DE PARETO Fonte: MONTGOMERY, 2013. pg.116 FIGURA 8 – ANÁLISE DE PARETO 1 Fonte: MONTGOMERY, 2013. pg.117 FIGURA 9 – ANÁLISE DE PARETO 2 Fonte: MONTGOMERY, 2013. pg.116 29 A equipe gerou gráficos de controle estatístico para o processo que serviram de base para a construção dos planos de ação para pontos fora de controle. Começou-se a medir a concentração de cobre três vezes ao dia, elaborou-se o gráfico X para o concentração de cobre diária média, identificou-se causas atribuíveis ao processo. O gráfico R, ou amplitude, também demonstrou instabilidade do processo. Através do diagrama de tolerância, são marcados os extremos de cada medição diária de cobre, observou-se pontos fora do limite de controle inferior e superior, além da média do processo ser diferente da especificação nominal para o processo, detectando que possa haver uma calibragem inadequada do colorímetro. FIGURA 10 – GRÁFICO DE CONTROLE X Fonte: MONTGOMERY, 2013. pg.118 30 FIGURA 11 – GRÁFICO DE CONTROLE R Fonte: MONTGOMERY, 2013. pg.118 FIGURA 12 – GRÁFICO DE TOLERÂNCIA 31 Fonte: MONTGOMERY, 2013. pg.118 Muitos pontos fora dos limites de controle seriam corrigidos, então, com a reconstrução do colorímetro e com a recentralização do processo. Após, a reconstrução e recalibragem do colorímetro e, conseqüentemente, da recentralização do processo foi possível diminuir 40% o tempo gasto no controlador. 8 BENEFÍCIOS O uso do controle estatístico do processo é eficaz na geração de benefícios aos processos e às organizações. O monitoramento do processo é executado pelos próprios geradores e, consequentemente, eles podem ter uma visão mais clara do seu trabalho. A análise das informações coletadas por esses operadores, vão permitir uma diferenciação clara entre as causas, orientando ações locais e gerenciais. O controle estatístico do processo constrói uma linguagem comum para discutir o desempenho dos processos e suas capacidades, facilitando a decisão por investimentos em melhorias de qualidade. Além disso, contribui para o processo atingir um alto grau de qualidade e estabilidade, pois ao fornecer uma radiografia do processo, é possível atuar nas causas que trazem instabilidade no processo. Além 32 disso, os custos da má qualidade como refugo e retrabalho são reduzidos. As especificações do processo devem ser revalidadas continuamente, incorporando uma cultura de melhoria contínua nas organizações. O autor Montgomery (2013) apresenta cinco motivos para a popularização dos gráficos de controle: eliminam a sucata e retrabalho que são entraves à dois empecilhos à produtividade. Portanto, o custo diminuiu e a capacidade de produção aumenta., Com o processo em controle estatístico, é possível reduzir o número de peças defeituosas, pois ter de retira-las após serem produzidas, acarreta alto custo. Os gráficos de controlem podem identificar facilmente um ´´ruído de fundo´´ de uma variação por causa assinalável, partindo da filosofia ´´se não está quebrado, não conserte´´, ou seja, ajustes descenessários não serão feitos. Servem, também, como uma radiografia do processo, permitindo tomadas de decisão que gerem melhoramentos ao processo., Permite o planejamento do produto e processo já que pode ser estimado a capacidade do processo. 9 CONSIDERAÇÕES FINAIS Um dos gurus da qualidade Kaoru Ishikawa, importante ao modelo de qualidade japonês,define qualidade como ´´ a satisfação radical ao cliente para ser agressivamente competitivo ´´No cenário atual, a qualidade assume papel estratégico para sobrevivência das organizações. O controle estatístico da qualidade é uma técnica fundamentada na estatística e cuja aplicação prática serve de mecanismo para a avaliação dos processos, definido como ``´qualquer conjunto de condições, ou causas, que agindo juntas, gerando um resultado`´ (Paladini, 1995) e podem ser analisados através de instrumentos estatísticos que visam detectar a variabilidade do processo para garantir a qualidade. O artigo mostrou as raízes históricas do controle estatístico do processo na década de 30, cujo objetivo era reduzir as variações no processo almejando a qualidade. Essa técnica consta com diversas ferramentas. As ferramentas básicas foram apresentadas nesse artigo, tais como: os gráficos de controle por variáveis, por atributos, dispersão, histograma, além de conceitos importantes ao entendimento: variabilidade, capacidade, causas 33 comuns, causas especiais. Para elucidar o controle estatístico do processo (CEP) foi apresentado dois casos de aplicação encontrado na literatura. Por fim, apresentou- se os benefícios da ferramenta. Conclui-se que o controle estatístico do processo é uma importantes ferramentas de gerenciamento de qualidade, contando, no cenário atual com softwares para coleta e análise de dados em tempo real (on line) no local de trabalho, além de ser uma técnica racional para tomada de decisão. 34 REFERÊNCIAS BIBLIOGRÁFICAS ALMEIDA, C.S. ET al.; Controle estatístico do processo. São Paulo: CEUNSP, 2011. BERVIAN, P.A; CERVO, L.A. Metodologia cientÍfica. 5.ed São Paulo: Pearson Prentice Hall, 2002.p.65-66. CHIZZOTTI, A. Pesquisa Qualitativa em Ciências Humanas e Sociais. Petrópolis, RJ: Vozes 2006.p.26. MONTGOMERY, D.C.; Introdução ao controle estatístico da qualidade. Rio de Janeiro: LTC, 2013. 4ed. PALADINI, E.P.; Avaliação estratégica da qualidade. São Paulo: Atlas, 2002 PALADINI, E.P., CARVALHO, M.M .; Gestão da qualidade: teoria e casos. Rio de Janeiro: ABEPRO, 2012. RAMPAZZO, L. Metodologia científica: para alunos dos cursos de graduação e pós- graduação. São Paulo: Stiliano; São Paulo: UNISAL, 1998. 152p. RIBEIRO, J.L.D.; CATEN, C.T.; Série Monográfica Qualidade Estatística Industrial. UFRGS, Especialização em Engenharia de Produção, 2003 35
Compartilhar