Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Estadual do Oeste do Paraná – UNIOESTE Controle de Qualidade GRÁFICOS DE CONTROLE E INSPEÇÃO DE QUALIDADE Prof. Marcos Moreira Toledo – PR 2016 SUMÁRIO 1. Gráficos de Controle para Variáveis.................................................. 01 2. Gráficos de Controle para Atributos.................................................. 17 3. Gráficos de Controle de CUSUM e de EWMA................................. 21 4. Inspeção de Qualidade....................................................................... 29 BIBLIOGRAFIA................................................................................... 36 “Embora ninguém possa voltar atrás e fazer um novo começo...qualquer um pode começar agora e fazer um novo fim.”(Chico Xavier) APRESENTAÇÃO Nesta apostila são apresentados os Gráficos de Controle e a Inspeção de Qualidade. Na parte de Gráficos de Controle são apresentados os Gráficos para Variáveis (Capítulo 1) onde destacam-se os gráficos da média e amplitude, os gráficos da média e desvio-padrão e os gráficos para medidas individuais. Ainda no Capítulo 1 são abordados a porcentagem de itens fora de especificação, a capacidade do processo e o tempo esperado até um sinal de descontrole. No Capítulo 2 são abordados os gráficos para atributos. Para pequenas variações no processo, são aplicados os gráficos apresentados no Capítulo 3, de CUSUM e de EWMA. Já no Capítulo 4, sobre Inspeção de Qualidade, tratam-se dos fundamentos de amostragem e apresentam-se a determinação de planos de amostragem. No final da apostila encontram-se tabelas utilizadas ao longo do texto. Prof. Marcos Moreira Gráficos de Controle e Inspeção de Qualidade 1 1. GRÁFICOS DE CONTROLE PARA VARIÁVEIS 1.1 Gráficos RX Se a variável a ser controlada é uma variável contínua, o usual é monitorar o processo por um par de gráficos de controle: um para monitorar a centralidade e outro para monitorar a dispersão da variável. Na maioria das vezes, os gráficos empregados são o da média amostral ( X ) para monitorar a centralidade e o da amplitude amostral (R) para monitorar a dispersão. Comecemos examinando o gráfico de X . A linha média (LM) para o gráfico de X é localizada na média (valor esperado) de X , e os limites de controle [limite superior de controle (LSC) e limite inferior de controle (LIC)] para o gráfico são usualmente estabelecidos a três desvios-padrão dessa média (k=3). Os limites para a média e para a amplitude são dados por: RAxLSC X 2 xLM X RAxLIC X 2 RDLSCR 4 RLMR RDLICR 3 onde: nd k A 2 2 , 2 3 4 1 d d kD , 2 3 3 1 d d kD , 3k sendo as estimativas da média e do desvio-padrão do processo sob controle dadas por: x 0 ˆ 2 0 ˆ d R Gráficos de Controle e Inspeção de Qualidade 2 ESTABELECIMENTO DE LIMITES PARA OS GRÁFICOS DE CONTROLE Gráficos de Controle e Inspeção de Qualidade 3 Gráficos de controle para a média e para a amplitude Alternativa para identificar quedas no desvio-padrão do processo Uma alternativa na construção do gráfico da amplitude R consiste em utilizar limites que levem a uma probabilidade predeterminada de alarme falso. Por exemplo, para =0,002, isso é conseguido usando limites tais que: )/( 2999,0 dRWLSCR RLMR )/( 2001,0 dRWLICR A vantagem dessa abordagem é que melhorias no processo (caracterizadas por redução na variabilidade) podem agora ser detectadas (quando um valor de R fica abaixo do limite inferior de controle, já que o limite inferior é diferente de zero). A outra vantagem está na redução do risco de alarme falso, pois a faixa entre os limites superior e inferior de controle pode ser alargada. Gráficos de Controle e Inspeção de Qualidade 4 1.2 Gráficos SX 1.2.1 Gráficos SX (Amostra constante) Este tipo de gráfico é preferido ao gráficos RX quando: 1- ou o tamanho da amostra é grande (maior que 5 ), 2- ou o tamanho da amostra é variável. 4c S n k XLSC X XLM X 4c S n k XLIC X Para k=3 temos que: 4 3 c S n XLSC X XLM X 4 3 c S n XLIC X ou SAXLSC X 3 XLM X SAXLIC X 3 onde nc A 4 3 3 S c c kLSCS ) 1 .1( 4 2 4 SLMS S c c kLICS ) 1 .1( 4 2 4 ou para k=3 SBLSCS 4 SLMS Gráficos de Controle e Inspeção de Qualidade 5 SBLICS 3 onde )1( 3 1 2 4 4 4 c c B ; )1( 3 1 2 4 4 3 c c B ; 34 44 4 n n c mSS m i i / 1 ; 1 )( 1 2 2 n xx S n i i sendo as estimativas da média e do desvio-padrão do processo sob controle dadas por: x 0 ˆ 4 0 ˆ c S 1.2.2 Gráficos SX (Amostra variável) Nesse caso devemos aplicar a abordagem da média ponderada no cálculo de X e 2S , ou seja: m i i m i ii n xn x 1 1 )1( )1( 1 1 2 2 m i i m i ii n Sn S mn Sn mn xx S m i i m i ii m i i m i n j ij i 1 1 2 1 1 1 2 )1()( Gráficos de Controle e Inspeção de Qualidade 6 Os limites de controle serão calculados pelas equações utilizadas no caso anterior, mas os parâmetros A3, B3 e B4 são função do tamanho da amostra, então o gráfico apresentará variações nos limites de controle superior e inferior de amostra para amostra. Para os casos onde a diferença entre o tamanho das amostras não é grande, S pode ser dado como: m S S m i i 1 e A3, B3 e B4 são obtidos para um tamanho médio de amostra, dado por: m n n m i i 1 Para os casos onde o tamanho médio não é um número inteiro, podemos fazer uso do tamanho modal das amostras (o tamanho mais comum) em lugar do tamanho médio. 1.3 Capacidade do Processo É importante não confundirmos os limites de especificação com os limites naturais do processo, e muito menos com os limites de controle do gráfico X . Os limites naturais do processo (LSN e LIN) são definidos como os valores de X situados a 3 desvios-padrão da média do processo, ou seja: ooLSN 3 ooLIN 3 Adotando X e 2/ dR como estimadores de e , temos: 2 3 d R XLSN 2 3 d R XLIN Já os limites de controle são dados por: nd R XLSC 23 nd R XLIC 2 3 Gráficos de Controle e Inspeção de Qualidade 7 Esses limites definem a região de ação do gráfico de X . Seu propósito é fornecer um critério que indique o momento de intervir no processo. Já os limites de especificação são estabelecidos pela engenharia levando em conta a segurança, o respeito às normas, etc. Limite Inferior de Especificação (LIE) – é o limite inferior do intervalo em que a medida X pode variar. Limite Superior de Especificação (LSE) – é o limite superior do intervalo em que a medida X pode variar. A diferença entre LSE e LIE é a tolerância do projeto e a média aritmética desses valores é o valor nominal (VN). Não existe relação matemática ou estatística entre limite de controle e limite de especificação e também não há sentido na comparação entre essas duas variáveis, pois os limites de especificação são aplicados a valores individuais de X e os limites de controle são aplicados às médias amostrais X . 1.3.1 Análise da capacidade do processo usando o histograma a) colete uma amostra de pelo menos 100 itens produzidos e meça o característico de qualidade; b) calcule a média, o desvio-padrão, os limites naturais, organize uma tabela de distribuição de freqüência e desenhe um histograma; c) verifique se a média do processo coincide ou tem valor próximo ao valor nominal; d) compare o valor 6 com a tolerância (LSE-LIE) e calcule o Índice da Capacidade do Processo “Cp” (ou razão de capacidade do processo): 6 LIELSE Cp Alguns autores chamam Cp de PCR (“Process Capacity Ratio”). e) calcule a porcentagem do intervalo de especificação (P) que está sendo utilizada pelo processo: Cp P 1 100 e) analise o histograma quanto à forma e à dispersão; f) veja se os dados estão distribuídos entre os limites de especificação. 1.3.2 Índices de Capacidade do Processo Os índices de capacidade de processo (ICPs) são parâmetros adimensionais que indiretamente medem o quanto o processo consegue atender às especificações. Não há uma relação fixa entre o seu valor e a porcentagem de itens que o processo é capaz de produzir dentro das especificações: essa relação vai depender da distribuição de probabilidades do característico de qualidade considerado (para alguns índices de capacidade, conhecida a distribuição do característico, a relação fica determinada, como veremos adiante). Contudo, Gráficos de Controle e Inspeção de Qualidade 8 para grande parte dos índices, quanto maior o seu valor, melhor o processo consegue atender às especificações. Existem vários índices de capacidade do processo. Dentre eles, os índices Cp, Cpk e Com, dados pelas expressões a seguir, são os mais usuais. 6 LIELSE Cp 3 , 3 LIELSE MinCpk 22 )(6 d LIELSE Cpm 2 LIELSE d Os três indices tornam-se iguais quando =d. Como regra geral, quanto maior for o valor do ICP, melhor o processo estará atendendo às especificações. Deve-se porém ter cuidado ao comparar valores de índices distintos. O índice Cp é insensível a mudanças na média do processo; portanto, só deve ser utilizado quando a média do processo permanece centrada em d. Se a média do processo não pertencer ao intervalo das especificações o índice Cpk assumirá valores negativos. O índice Com possui a desvantagem de que, por um lado, processos que produzem unidades não conformes em iguais proporções podem ter valores de Cpm muito diferentes; por outro lado, processos que produzem itens não conformes em proporções muito diferentes podem ter valores de Cpm próximos. Isso se deve ao fato de o índice Cpm penalizar os processos muito mais pela falta de centralidade do que pela quantidade produzida de itens não conformes. O índice Cpm é mais coerente com a visão proposta por Taguchi, de que existe uma “perda” crescente com o afastamento do valor do característico de qualidade em relação a seu valor- alvo; mas não é coerente com a visão de que um item é conforme se o valor do característico de qualidade estiver entre LIE e LSE, e não conforme no caso contrário. Alguns característicos de qualidade possuem apenas um limite de especificação, inferior ou superior (especificação unilateral). Nesse caso, obviamente, os índices Cp e Com não se aplicam, e o índice Cpk é calculado com o limite existente, LSE ou LIE. A relação entre o ICP e a PFE depende da distribuição do característico de qualidade X. Se X tem distribuição normal e =d, então um valor de Cp=Cpk=1,33 corresponde a Z=3,99 o que significa que 70 itens por milhão (70ppm) estarão fora das especificações. Assim, um processo com Cpk1,33 é um processo altamente capaz. Não devemos, contudo, esquecer que os processos estão sempre sujeitos a ocorrências de causas especiais. Uma causa especial que desloque a média do processo, , de 2 desvios-padrão reduzirá o Cpk para 0,667. Processos com 1Cpk1,33 são processos razoavelmente capazes e processo com Cpk<1 são processos incapazes. Gráficos de Controle e Inspeção de Qualidade 9 1.4 Porcentagem de itens fora de especificação (PFE) Com os dados amostrais estimamos a média e o desvio-padrão do processo. Assim podemos calcular a porcentagem de itens fora da especificação (PFE) que será dada por: ]Pr[]Pr[ LSELIE ZZZZPFE o o LIE LIE Z o o LSE LSE Z 1.5 NMAF e NMA Alarme falso no gráfico de X corresponde a algum valor de controle que caia fora da faixa de controle. A probabilidade disso ocorrer é de . Se quisermos calcular a probabilidade de retirarmos “d” amostras sucessivas e apenas a última cair fora da faixa de controle, teremos que: .)1(]Pr[ 1 ddL d=1,2,3,4… Essa distribuição é uma distribuição geométrica e sua média é portanto 1/. Assim temos que: 1 NMAF NMAF é o número médio de amostras até um alarme falso. Em outras palavras, com limites de k=3, teremos =0,0027 e NMAF=370,4, ou seja, um alarme falso a cada 370,4 amostras. Caso o usuário considere essa freqüência de alarmes falsos inaceitável, a alternativa consiste em alargar os limites de controle com a diminuição de , ou seja, com o aumento de k. Passando k para 3,1, teremos um risco de alarme falso () de 0,0019. A cada 516,7 amostras ocorrerá um alarme falso em média. Se uma amostra é retirada do processo a cada 15 minutos, então teremos um alarme falso a cada 129 horas de produção. O tamanho da amostra não afeta a probabilidade de alarme falso. Se por um lado o tamanho da amostra não afeta a probabilidade de alarme falso, por outro lado o tamanho da amostra tem grande influência no poder do gráfico de controle (Pd). 1Pd Gráficos de Controle e Inspeção de Qualidade 10 Considerando que 0 01 ˆ , teremos que: nZnZ 2/2/ nZnZPd 2/2/1 O valor de é definido a partir do valor de k que nada mais é do que o valor de Z. O valor de k serve para montar os limites inferior e superior de controle. Geralmente é tomado como 3 (para k=3, =0,0027). Se quisermos calcular a probabilidade de retirarmos “d” amostras sucessivas e apenas a última gerar um alarme verdadeiro (ou seja, o processo mudou de média), teremos que: PddL d .]Pr[ 1 d=1,2,3,4… Essa distribuição é uma distribuição geométrica e sua média é portanto 1/Pd. Assim temos que: Pd NMA 1 NMA é o número médio de amostrasaté um alarme verdadeiro. Em outras palavras, com limites de k=3, teremos =0,0027 e NMAF=370,4, ou seja, um alarme falso a cada 370,4 amostras. Caso o usuário considere essa freqüência de alarmes falsos inaceitável, a alternativa consiste em alargar os limites de controle com a diminuição de , ou seja, com o aumento de k. Passando k para 3,1, teremos um risco de alarme falso () de 0,0019. A cada Gráficos de Controle e Inspeção de Qualidade 11 516,7 amostras ocorrerá um alarme falso em média. Se uma amostra é retirada do processo a cada 15 minutos, então teremos um alarme falso a cada 129 horas de produção. O risco , ou risco de alarme falso, é dado por: ]Pr[1 oRR LSCRLIC A distribuição de R não é simétrica por isso devemos fazer algumas modificações para obtermos a distribuição W(=R/) e aí podermos utilizar as tabelas para W para encontrar a probabilidade de alarme falso. A probabilidade de alarme falso é dada por: ];Pr[1 ooRR nnLSCRLIC };)(])(,0Pr{max[1 3232 oooo nnkddRkdd Dividindo todos os membros da dupla inequação por =o, obteremos: })()](,0Pr{max[1 3232 onnkddWkdd É comum utilizarmos k=3, mas esse valor depende do usuário. Obtido o valor de , podemos calcular o NMAF para o gráfico R, pois NMAF=1/. Também podemos obter Pd a partir das tabelas para W. Supondo que o desvio-padrão do processo () se altere, passando para o. Então: ];)(Pr[ 32 oooR nnkddLSCRPd ou Gráficos de Controle e Inspeção de Qualidade 12 ]; )( Pr[ 32 oo o o R nn kdd LSC R WPd ] )( Pr[ 32 onn kdd WPd Tanto no risco de alarme falso quanto no poder do teste há a influência do tamanho da amostra quando tratamos dos gráficos R. O risco , de um alarme falso para os dois gráficos ao mesmo tempo é dado por: Gráficos de Controle e Inspeção de Qualidade 13 RXRX . O Pd para os dois gráficos ao mesmo tempo é dado por: RXRX PdPdPdPdPd . Abaixo são dados os valores de e Pd para a média e para a amplitude. ];Pr[1 ooXXX LSCXLIC ]Pr[1 oRRR LSCRLIC ])(Pr[ 1132 oooRR RWkddLSCRPd ]Pr[ 1 RWWPdR O poder para a média na análise em conjunto torna-se um pouco diferente do poder da média para o caso da análise isolada, pois agora devemos considerar também a mudança do desvio-padrão do processo () além da mudança na média (). O poder da média será dado pela área da curva normal onde a hipótese alternativa é aceita a partir da análise de H1, ou seja, ];Pr[];Pr[ 1111 XXX LSCXLICXPd ];Pr[];Pr[ 1111 n kX n kXPd oo o oX Subtraindo de cada termo 1 e dividindo cada termo por n/1 tem-se que: ] )( Pr[] )( Pr[ nk Z nk ZPd X sendo que 0 01 Gráficos de Controle e Inspeção de Qualidade 14 1.6 Regras Suplementares de Decisão Consideremos os 3 casos a seguir a respeito da decisão sobre o descontrole do processo. Caso 1: um ponto fora dos limites (regra básica) Caso 2: dois pontos fora dos limites, não necessariamente consecutivos Caso 3: dois pontos fora dos limites, necessariamente consecutivos Para o Caso 2 Pd NMA 2 2 NMAF Para o Caso 3 2 1 Pd Pd NMA 2 1 NMAF 1.7 Tempo Esperado até o Sinal (TES) 2 1 NMAhTES h n TA h TMAF ),,( nkNMANMA htempo entre duas amostragens consecutivas TAtaxa de amostragem (n unidades por h) TMAFtempo médio até a ocorrência de um alarme falso (geralmente é um dado de entrada) Devemos levar em conta TES e TMAF para tomarmos uma decisão. Gráficos de Controle e Inspeção de Qualidade 15 1.8 Gráficos de Controle de Shewhart para Medidas Individuais Em algumas situações, para controlar o processo, usam-se amostras de um só elemento. Isto acontece quando: a) aplica-se a tecnologia de inspeção e medição automática e toda a unidade fabricada é inspecionada, de modo que não há razão para formar subgrupos racionais. b) a taxa de produção é muito lenta e é inconveniente acumular amostras com mais de um elemento para a análise, pois o longo intervalo entre as unidades fabricadas pode causar problemas na formação dos subgrupos. c) medidas repetidas do processo diferem apenas por causa de erro de laboratório ou de análise, como em processos químicos. Em muitas aplicações dos gráficos de controle para unidades individuais usamos a amplitude móvel de duas observações consecutivas como base para estimar a variabilidade do processo. A amplitude móvel é definida como: 1 iii xxMR Não se define amplitude móvel para a primeira amostra. Os limites para as medidas individuais são dados por: 2d RM kxLSCx xLM x 2d RM kxLICx onde 1 2 m MR RM m i i Os limites para a amplitude são dados por: RMDLSCR 4 RMLMR RMDLICR 3 Geralmente k é tomado como 3 e os parâmetros d2, D4 e D3 são tomados para n=2, pois a amplitude móvel é calculada a partir de dois valores. Assim tem-se que: Gráficos de Controle e Inspeção de Qualidade 16 RMxLSCx .66,2 xLM x RMxLICx .66,2 RMLSCR .267,3 RMLMR 0RLIC sendo as estimativas da média e do desvio-padrão do processo sob controle dadas por: x 0 ˆ 2 0 ˆ d MR Gráficos de Controle e Inspeção de Qualidade 17 2. GRÁFICOS DE CONTROLE PARA ATRIBUTOS 2.1 Gráfico de Controle np Este gráfico monitora o número de itens não-conformes em amostras de tamanho constante. nm D p m i i . 1 Se n clientes são consultados e D representa o número de clientes insatisfeitos, então D tem distribuição binomial, com parâmetros n e p: dnd pp d n dD )1.(.]Pr[ A média e o desvio-padrão da variável aleatória D são: npD ; npqD Então teremos que: )1( ooonp pnpknpLSC onp npLM )1( ooonp pnpknpLIC Sendo po desconhecido, usamos p como uma estimativa do seu valor. Assim, )1( ppnkpnLSCnp pnLMnp )1(;0 ppnkpnmáxLICnp Gráficos de Controle e Inspeção de Qualidade 18 2.2 Gráfico de Controle p Este gráfico monitora a proporção de itens não-conformes em amostras de tamanho constante ou variável. Para obter os limites de controle do gráfico de p, basta dividir os limites de controle do gráfico de np por n, ou seja: i oo op n pp kpLSC )1( op pLM i oo op n pp kpLIC )1( Sendo po desconhecido, usamos p como uma estimativa do seu valor. Assim, i p n pp kpLSC )1( pLM p i p n pp kpmáxLIC )1( ;0 Sendo a média das proporções dada por: m i i m i i n Dp 1 1 Gráficos de Controle e Inspeção de Qualidade 19 2.3 Gráfico de Controle C Este gráfico monitora o número de defeitos (ou não-conformidades) em unidades de tamanho constante. Supõe-se em geral que a variável aleatória C, número de não-conformidades em qualquer quantidade definida de produto, tem distribuição de Poisson, isto é: ! ]Pr[ c e cC c onde c é o número de não-conformidades e representa o número médio de não- conformidades na quantidade de produto considerada. Os requisitos básicos para que o número de não-conformidades obedeça a uma distribuição de Poisson são: a) a freqüência média de não-conformidades deve ser proporcional ao número de itens analisados; b) as não-conformidades devem ocorrer de forma independente; c) na quantidade de produto considerada, deve existir uma infinidade de oportunidades para ocorrência de não-conformidades, porém o evento associado à ocorrência de uma não- conformidade específica deve ser um evento raro. A média e o desvio-padrão da variável aleatória C são: C ; C Então teremos que: kLSCC CLM kLICC Estimando por unC então: CkCLSCC CLMC CkCmáxLICC ;0 onde m C C m i i 1 ; Gráficos de Controle e Inspeção de Qualidade 20 2.4 Gráfico de Controle u Este gráfico monitora o número médio de defeitos (ou não-conformidades) em unidades de tamanho constante ou variável. No gráfico de u, o número de defeitos Ci de cada amostra é dividido pelo número de unidades de inspeção da amostra, ni: i i i n C u Os valores de ui são plotados no gráfico de u. Os limites de controle do gráfico de u são dados por: i o ou n u kuLSC ; oC uLM ; i o ou n u kuLIC Estimando uo como M i i M i i o n C uu 1 1 , teremos que: i u n u kuLSC uLMC i u n u kumáxLIC ;0 Gráficos de Controle e Inspeção de Qualidade 21 3. GRÁFICOS DE CONTROLE DE CUSUM e de EWMA Uma das razões do sucesso dos gráficos de Shewhart é a simplicidade da regra de decisão: basta examinar a posição do último ponto; se ele estiver na região de ação do gráfico, deve-se intervir no processo. Para a detecção de grandes desvios da média do processo, ou de aumentos significativos da variância ou da fração defeituosa, os gráficos de Shewhart, ou seja, os gráficos da média, da amplitude, do desvio-padrão, da fração defeituosa, etc., são imbatíveis; contudo, eles perdem rapidamente a eficiência à medida que os processos vão ficando mais robustos (“robustos” no sentido de as causas especiais cada vez mais interferirem com menos profundidade, de modo que a magnitude dos desvios ou dos aumentos tende a diminuir). Por exemplo, o gráfico de X requer, media, mais de 30 amostras de tamanho 5 para sinalizar um deslocamento na média da ordem de meio desvio-padrão. O gráfico de controle das Somas Acumuladas (CUSUM, de “Cumulative Sum”) e o gráfico de controle da Média Móvel Ponderada Exponencialmente (EWMA, de “Exponentially Weighted Moving Average”) são indicados para o monitoramento de processos sujeitos a pequenas perturbações. Quando um desses dispositivos está em uso, a decisão sobre o estado do processo é baseada na informação acumulada de diversas amostras, e não apenas na última delas. Acumulando dessa forma a “pequena evidência” que cada amostra fornece do estado do processo, consegue-se maior rapidez na sinalização de pequenos desajustes. O procedimento a ser visto aplica-se não só para a média do processo, mas para o desvio-padrão, a proporção, etc. 3.1 Gráfico de Controle CUSUM O gráfico de controle de CUSUM utiliza informações de diversas amostras para decidir sobre o estado do processo: à medida que as amostras são retiradas, os desvios de X em relação ao valor alvo µo (ou ao valor médio em controle) são acumulados, gerando a estatística Si: i j o j i XS 1 onde jX é a média da j-ésima amostra de tamanho n≥1. Enquanto a média do processo permanecer ajustada no alvo, os desvios positivos ( X >µo) serão compensados pelos negativos (X <µo), e a estatística Si oscilará, de forma aleatória, em torno do valor zero. Se porém, a média do processo aumentar (ou diminuir), a estatística Si crescerá (ou descerá) indefinidamente. A tabela a seguir apresenta 30 valores da variável aleatória X. Os valores de Xi, para i=1, 2, ... 20, foram gerados aleatoriamente segundo uma distribuição normal com média 100 e desvio-padrão 1, e os valores para i=21, 22, ... 30 foram gerados de uma distribuição normal com o mesmo desvio-padrão, porém com média igual a 101. Os valores da estatística Si estão na última coluna da tabela. No gráfico de X (observações individuais) todos os pontos estão dentro dos limites 3 sigma; portanto, o deslocamento da média, de µo=100 para 101, ocorrido entre a 20 a e a 21 a amostras, passou despercebido. No gráfico das somas acumuladas esse deslocamento faz com Gráficos de Controle e Inspeção de Qualidade 22 que a estatística Si cresça indefinidamente. Similarmente ao gráfico de X , um limite superior e outro, inferior, dividem o gráfico de CUSUM em duas regiões: a de ação e a de controle. Nesse caso particular, os limites são de mesma magnitude; o superior é positivo e o inferior, negativo. Quando o valor de Si ultrapassa um dos dois limites, isso é entendido como sinal de que a média do processo deslocou-se do valor µo. O gráfico de CUSUM, além de sinalizar o desajuste, ainda informa quando este ocorreu. Pelo fato do gráfico de CUSUM basear-se no histórico do processo, e não apenas na última observação, ele, naturalmente, não sinaliza os desajustes de imediato, independentemente da magnitude destes; portanto, para grandes desvios da média, o gráfico de X é sempre mais ágil. Gráficos de Controle e Inspeção de Qualidade 23 Gráficos de Controle e Inspeção de Qualidade 24 Algoritmo CUSUM O algoritmo CUSUM trabalha com as seguintes quantidades: 1oii SdμX0,maxS i 1ioi SXdμ0,maxS i onde Xi é a i-ésima observação do processo, e So + = So - =0. O algoritmo CUSUM produz um sinal sempre que Si + ou Si - for maior que K. Os valores recomendados para K e d são respectivamente, 5o e µ1- µo/2, sendo o o desvio-padrão do processo quando em controle, e µ1- µo, a magnitude do deslocamento da média que é relevante detectar com rapidez. O princípio em que se baseia o algoritmo é o seguinte: se não houvesse o parâmetro d, a ocorrência casual de vários valores, por exemplo, acima de µo faria o somatório Si + “crescer”; o resultado seria uma probabilidade elevada de alarmes falsos. O parâmetro d tem o propósito de reduzir essa probabilidade: somente valores de Xi maiores que µo+d é que incrementam Si + ; valores de Xi maiores que µo, porém menores que µo+d, fazem o somatório decrescer. Assim, o parâmetro d funciona como uma “mola” que “puxa” os valores de Si + para baixo no caso do processo estar com a média em µo. Observe que com isso os valores de Si + tenderiam a decrescer infinitamente; para evitar que issoaconteça, sinalizando erroneamente redução da média (alarme falso), é que o algoritmo limita Si + a valores positivos ou nulos, zerando Si + sempre que Xi-(µo+d)+ Si-1 + <0. Agora, se Si + somente sinaliza deslocamentos da média “para cima”, é necessária uma quantidade Si - para sinalizar deslocamentos para baixo. O comportamento de Si - é idêntico ao de Si + (note que Si - também é sempre positivo por definição; seu aumento, porém, indica redução da média do processo). Deslocamentos da média de módulo menor do que d não serão detectados ( a rigor, possuem probabilidades de detecção desprezível); por isso, recomenda-se fazer d=µ1- µo/2. A tabela a seguir apresenta os cálculos parciais referentes à aplicação do Algoritmo CUSUM aos dados apresentados na tabela anterior. O contador N + é zerado sempre que Si + =0; o mesmo vale para N - com respeito a Si - . Esses contadores servem para indicar o momento em que a média do processo alterou-se. Isso é importante porque, com o algoritmo CUSUM, o sinal ocorre bem depois da alteração, pois Si + (ou Si - , conforme o caso) leva algum tempo para ultrapassar o limiar K. A informação sobre o momento em que a alteração ocorreu pode ser importante para auxiliar no diagnóstico da causa especial. Para determinar o instante estimado da alteração basta subtrair N + do número de ordem da amostra observação que sinalizou. No exemplo, o sinal foi dado pela 31 a observação; como N + =11, calculamos 31-11=20; portanto, é bem provável que a média tenha sido alterada por volta da 20 a observação. A estimativa da magnitude do deslocamento sofrido pela média é dada por: ii /NSdδ ii /NSdδ se Si + >K e se Si - >K Gráficos de Controle e Inspeção de Qualidade 25 No exemplo, i=31 (índice da observação em que o algoritmo sinaliza); portanto =0,5+5,91/11=1,04. Note que aqui se trata da estimativa do deslocamento realmente sofrido pela média; esse deslocamento não deve ser confundido com o valor hipotético µ1- µo do menor deslocamento que é relevante detectar com rapidez, e que foi usado para determinar o valor de d a ser usado no algoritmo. A tabela a seguir compara o desempenho de diferentes esquemas de controle CUSUM com o gráfico de controle X , em termos do número médio de amostras até o sinal (NMA). Nesses esquemas, o valor de K foi ajustado conforme o valor de d, de maneira a manter o intervalo médio entre alarmes falsos igual a 370 amostras, como no gráfico de X com os limites tradicionais de 3 sigma. Ao variarmos o parâmetro d, se mantivermos K fixo, alteraremos a frequência de alarmes falsos. O ideal, portanto, é que o valor de K seja determinado em função do risco em que o usuário esteja disposto a incorrer. Como não Gráficos de Controle e Inspeção de Qualidade 26 existe uma expressão simples que relacione o risco com o parâmetro K para determinado valor de d, uma recomendação geral é adotar K=5o. Esse valor costuma dar sempre bons resultados, para µ1- µo compreendido entre 0,6o e 1,6o. Pode-se observar que, à medida que o valor de d diminui, o esquema CUSUM detecta pequenos desajustes com maior rapidez. As duas últimas linhas da tabela confirmam ainda que no caso de grandes desvios da média o gráfico de Shewhart (gráfico da média) sinaliza em média mais rapidamente que o algoritmo CUSUM. O algoritmo CUSUM pode ser utilizado para n>1: basta substituir Xi por X i. e considerar o/n 1/2 em vez de o. Para os gráficos de Shewhart, é altamente vantajoso trabalhar com n>1; já com o algoritmo CUSUM, nem sempre. Algoritmo CUSUM com resposta inicial rápida (RIR) De tempos em tempos, é necessário intervir nos processos, especialmente quando o gráfico de controle sinaliza algum desajuste. Por vezes, após a intervenção, não temos certeza se, de fato, todas as causas especiais presentes foram eliminadas. Desse modo, ao reiniciarmos um processo, este pode estar ou não isento de causas especiais. Se, em virtude de alguma causa especial que não foi eliminada, o processo reinicia-se com a média desajustada o algoritmo CUSUM acabará sinalizando o problema; porém, pelo fato desse dispositivo basear-se no histórico do processo, e não apenas na última observação, ele, naturalmente, não sinalizará o desajuste de imediato. Como é importante detectar o desajuste do processo o mais rápido possível, então, se consideramos que há uma probabilidade não desprezível de que o processo já possa estar desajustado desde o início, podemos aumentar a rapidez de sinalização do algoritmo CUSUM mediante o artifício de Resposta Inicial Rápida (RIR), que consiste em recomeçar o monitoramento com Si + e Si - já “a meio caminho” do limiar de sinalização K. Para isso basta fazer So + = So - = K/2. Gráficos de Controle e Inspeção de Qualidade 27 Se o processo estiver fora de controle, o NMA será bastante reduzido (a aproximadamente 60% do NMA do CUSUM sem RIR, para deslocamentos da média maiores ou iguais em módulo a 2d). Se o processo estiver em controle, então, como já vimos, graças ao parâmetro d, o algoritmo “puxará” os valores de Si + e Si - para próximo de zero, de modo que o artifício RIR praticamente não aumenta a probabilidade de alarmes falsos. 3.2 Gráfico de Controle de EWMA O gráfico de controle da Média Móvel Ponderada Exponencialmente (EWMA) é outra alternativa para o gráfico de controle de Shewhart, se o objetivo é detectar pequenos deslocamentos na média do processo. O gráfico de EWMA apresenta desempenho bastante similar ao do gráfico CUSUM e, como este, é geralmente utilizado com observações individuais. No gráfico de controle de EWMA, são plotados valores da estatística Yi: 1 Y-1.Y iii X onde 0<<1, e Yo=o (valor-alvo ou valor médio em controle de X). A variância da variável Yi é dada por: i i 2 22 11 2Y onde 2 é a variância da variável X; portanto, a linha média e os limites k-sigma do gráfico EWMA são dados por: Yio kLSC o LM Yio kLIC À medida que i aumenta a variância de Yi passa a ser dada por: 2 22 Yi e os limites tornam-se constantes. A figura a seguir foi obtida com os dados utilizados anteriormente para o gráfico de CUSUM utilizando agora =0,2 e k=2,859. Valores pequenos de fazem com que o histórico dos dados tenha grande peso, enquanto que valores elevados diminuem a importância dos dados passados. No caso limite quando =1, o gráfico EWMA se transforma no gráfico de Shewhart. Por outro lado, caso =0 significa não monitorar o processo, por isso é necessário que >0. A cada reinício do processo, após a eliminação da causa especial e consequentes reajustes deve-se fazer Yo=o. O gráfico de controle de EWMA pode ser utilizado para n>1, nesse caso tem-se que: 1 Y-1.Y i i i X Gráficos de Controle e Inspeção de Qualidade 28 n kLSC Yi o o LM n kLIC Yi o A tabela a seguir apresenta uma comparação entre os gráficos de X e de EWMA. Gráficos de Controle e Inspeção de Qualidade 29 4. INSPEÇÃO DE QUALIDADE 4.1 Inspeção para Aceitação O seguinte teste de hipóteses está associado à inspeção para aceitação: Ho: p=po H1: p>po Se m for o tamanho de um lote que contém D itens defeituosos, a probabilidade de encontrarmos d defeituosos em uma amostra de tamanho n tomada desselote é dada por: n m dn Dm d D dd OO O Pr Se em um lote de 200 itens 10 são defeituosos, a probabilidade de uma amostra de 20 unidades conter 2 itens defeituosos é de: 20 200 220 10200 2 10 2Pr d Já a variável D tem distribuição binomial. Se p é porcentagem de itens defeituosos que o processo produz, então: oo DmD O O pp D m DD 1Pr A probabilidade de um lote de 200 itens conter 10 itens defeituosos é dada por: 1020010 1 10 200 10Pr ppD Como exemplo, supondo um processo com p=0,1 (10% de defeituosos), m=200 e n=20, a probabilidade de encontrarmos 2 defeituosos será de: 0,285DDPrDD2dPr2dPr 200 0Do OO Gráficos de Controle e Inspeção de Qualidade 30 Se a relação entre o tamanho da amostra n e o tamanho do lote m for menor ou igual a 10% é possível fazer a seguinte aproximação: oo dnd O O pp d n dd 1Pr Uma das razões do sucesso dos gráficos de Shewhart é a simplicidade da regra de decisão: basta examinar a posição do último ponto; se ele estiver na região de ação do gráfico, deve-se intervir no processo. Para a detecção de grandes desvios da média do 4.2 Planos de Amostragem Simples e Curvas Características de Operação (CCO) Um plano de amostragem simples por atributos é definido por dois parâmetros: um tamanho de amostra, n, e um número de aceitação, Ac. De cada lote, retira-se uma amostra de n unidades, que são examinadas uma a uma. Se o número de unidades defeituosas encontrado na amostra for menor ou igual a Ac, o lote é aceito; se for maior que Ac, o lote é rejeitado. A cada plano de amostragem está associada uma única CCO que relaciona a probabilidade de aceitação do lote (pac) com a proporção de defeituosos do lote (p). A figura a seguir apresenta a CCO para n=200 e Ac=5. A figura acima foi obtida pela distribuição de Poisson acumulada onde pac=Pr(Dd), d=Ac e =np. A figura a seguir apresenta o efeito do tamanho da amostra e do número de aceitação na probabilidade de aceitação dos lotes. Um aumento no tamanho da amostra (de 200 para 300) ou uma redução no número de aceitação (de 4 para 3) implica um aumento do risco (o que é ruim para o fabricante) e uma diminuição do risco (o que é bom para o comprador). A única maneira de reduzir simultaneamente ambos os riscos é com mais informação: Gráficos de Controle e Inspeção de Qualidade 31 aumentando o tamanho da amostra (n) e aumentando, também, em contrapartida, o número de aceitação (Ac), para não aumentar o risco . Esses aumentos não são, necessariamente, proporcionais. 4.3 Determinação do Plano de Amostragem Os planos de amostragem (valores de n e de Ac, tamanho da amostra e número máximo de itens defeituosos permitido na amostra para que o lote seja aceito) podem ser obtidos com base nos pares (p0, 0) e (p1, 1), onde: - p0 é a máxima proporção de defeituosos que o consumidor considera satisfatória como média de um processo; p0 também é conhecida como NQA (Nível de Qualidade Aceitável) - p1 é uma proporção de defeituosos que o consumidor considera totalmente insatisfatória como média de um processo; p1 também é conhecida como NQI (Nível de Qualidade Inaceitável) - é o risco que o fabricante está disposto a aceitar de que um lote de boa qualidade, com proporção de defeituosos igual a p0, seja rejeitado - é o risco que comprador está disposto a aceitar de que um lote de má qualidade, com uma proporção de defeituosos igual a p1, seja aceito Um algoritmo para a determinação do plano de amostragem é apresentado a seguir: PASSO 1: Escolha um valor Ac0 inicial para Ac (um bom chute é 3, 4 ou 5) PASSO 2: Nas tabelas da distribuição de Poisson acumulada, entrando com Ac0, encontrar a célula cujo valor pac 0 seja maior ou igual a (1-) e ler o valor de , chamando-o de 0 Gráficos de Controle e Inspeção de Qualidade 32 PASSO 3: Calcular n=0/p0 e 1=n.p1 PASSO 4: Na coluna de =1, ler o valor pac 1 da probabilidade acumulada da linha com Ac=Ac0 (se não houver coluna com =1, obter o valor por interpolação; se 1>20, então calcular a probabilidade pac 1 pela aproximação normal com Z0=(Ac-1)/(1) 1/2 PASSO 5: Se pac 1 for igual ou um pouco menor do que , a solução foi encontrada: use tamanho de amostra igual a n, e LSC=Ac0 + 0,5; Se pac 1 for maior do que , aumente o valor de Ac0 e recomece (PASSO 2 em diante); Se pac 1 for muito menor do que , diminua o valor de Ac0 e recomece (PASSO 2 em diante); 4.4 Inspeção Retificadora A inspeção retificadora diferencia-se da inspeção para aceitação no seguinte: os lotes rejeitados na inspeção para aceitação são devolvidos ao fornecedor; já na inspeção retificadora, os lotes rejeitados são submetidos à inspeção a 100%, e todos os itens defeituosos do lote são substituídos por itens bons. A inspeção retificadora oferece proteção contra fornecedores inescrupulosos que têm o hábito de oferecer lotes já rejeitados. Como existe o risco , é bem possível que em determinado momento o fornecedor inescrupuloso consiga vender seus lotes, advindos de um processo que produz uma proporção p de defeituosos superior a p0. A maneira usual de lidar com lotes rejeitados na inspeção retificadora consiste em devolvê-los ao fabricante, para que ele faça a inspeção a 100% e substitua os itens defeituosos por itens bons, idealmente na presença de um representante legal do comprador. Com a inspeção retificadora, o consumidor adquirirá menos itens defeituosos, uma vez que todos os lotes rejeitados são submetidos à inspeção a 100%, com troca dos defeituosos encontrados, de modo que esses lotes passam a ter 0% de defeituosos. Após a comercialização de uma série de lotes, a proporção média de defeituosos q que o comprador adquire com a inspeção retificadora é menor que p, a proporção média de defeituosos dos lotes recebidos. Veja a figura a seguir, na qual, por simplicidade, considera-se a fração defeituosa dos lotes constante e igual à fração defeituosa do processo. Gráficos de Controle e Inspeção de Qualidade 33 A proporção média de defeituosos q que o comprador adquire com a inspeção retificadora é chamada de Qualidade Média Resultante (QMR). De acordo com a figura: acacac p.P)P0.(1p.PQMR A figura a seguir apresenta a curva de Qualidade Média Resultante em função da proporção de defeituosos do lote p, para o plano de amostragem (n=200, Ac=5). A QMR aumenta com o valor de p até atingir um valor máximo, a partir do qual cai rapidamente. Isso acontece porque para valores pequenos de p a maioria dos lotes é aceita (Pac1), e a QMR praticamente permanece igual a p. À medida que p aumenta, a probabilidade de um lote ser aceito decresce, e maior número de lotes é submetido à inspeção total. Quanto mais lotes sujeitos à inspeção total, menor a proporção de defeituosos que o consumidor adquire; ou seja, menor a QMR. Um valor grande de p leva à rejeição de todos os lotes e, consequentemente, a uma QMR=0. Note que essa redução da QMR é chamado de Limite da Qualidade Média Resultante (LQMR), que é a máxima proporção média de defeituosos que o consumidor adquire com a inspeção retificadora.4.5 Planos de Amostragem Dupla A amostragem dupla visa reduzir o número de itens do lote a inspecionar. Um plano de amostragem dupla consiste em cinco parâmetros: dois tamanhos de amostra, n1 e n2, dois números de aceitação, Ac1 e Ac2, e um número de rejeição, Re1. Inicialmente, uma amostra de tamanho n1 é retirada aleatoriamente do lote; se o número de defeituosos encontrado nessa amostra, d1, não exceder o número de aceitação Ac1, o lote é aceito; se o número de defeituosos d1 for igual ou maior que o número de rejeição Re1, o lote é rejeitado; caso contrário, ou seja, se Ac1<d1<Re1, deve-se retirar uma segunda amostra do lote, de tamanho n2. Se o total de defeituosos encontrado nas duas amostras, d1+d2, não exceder o número de aceitação Ac2, o lote é aceito; caso contrário, ele é rejeitado. A figura a seguir apresenta o fluxograma da inspeção para aceitação com amostragem dupla. Gráficos de Controle e Inspeção de Qualidade 34 Exemplo: seja o plano de amostragem dupla n1=n2=125, Ac1=2, Re1=5, Ac2=6. A probabilidade de o lote ser aceito na primeira amostra é Pac 1 =Pr[d12n1=125] e a probabilidade de ser aceito na segunda amostra é Pac 2 =Pr[d23n2=125, d1=3] x Pr[d1=3] + Pr[d22n2=125, d1=4] x Pr[d1=4]. No plano de amostragem dupla em consideração, o número de itens inspecionados de um lote será igual a 125 ou a 250, dependendo do lote vir a ser aceito ou rejeitado já na primeira amostra, ou de vir a ser necessária a segunda amostra. A probabilidade de ter que inspecionar a segunda amostra é Pr[d1=3 ou 4]. Portanto, o tamanho médio das amostras, TMA, com amostragem dupla será igual a 125 + 125 x Pr[d1=3 ou 4]. A figura a seguir apresenta o TMA para diferentes valores de p. Na amostragem dupla o TMA não ultrapassa 180 itens, sendo 20 unidades menor que o plano de amostragem simples. Gráficos de Controle e Inspeção de Qualidade 35 4.6 Planos de Amostragem da Norma Brasileira NBR 5426 Na NBR 5426 o usuário precisa definir o tamanho do lote, o NQA e o nível de inspeção com que pretende trabalhar. O nível de inspeção fixa a relação entre o tamanho do lote e o tamanho da amostra. A norma prevê três níveis gerais de inspeção: I, II e III. Geralmente adota-se o nível II. O nível I pode ser utilizado quando for necessário diminuir o tamanho da amostra (ao preço de aumentar o risco , do consumidor) e o nível III quando for necessário reduzir o risco do consumidor (ao preço de aumentar o tamanho da amostra). Há ainda quatro níveis especiais, S1, S2, S3 e S4, para os casos em que só se podem usar tamanhos de amostra muito pequenos (por exemplo, no caso de ensaios destrutivos muito caros) e em que possam e devam ser tolerados grandes riscos de amostragem. Além dos planos de amostragem simples, a norma prevê os planos de amostragem dupla e múltipla. A norma prevê ainda a utilização de modos de inspeção atenuado e severo, de forma comutativa, visando uma melhor utilização dos recursos alocados à inspeção. Se o histórico do fornecedor gera confiança (dez lotes consecutivos aceitos), então o consumidor pode dar- se o luxo de substituir a inspeção normal pela atenuada, reduzindo assim o tamanho das amostras. Por outro lado, se o histórico do fornecedor não gera confiança (dois em cinco lotes consecutivos rejeitados), então a inspeção normal é substituída pela inspeção severa, que reduz o número de aceitação (tornando mais rigoroso o critério para aceitação dos lotes). Na figura a seguir estão as condições gerais para comutação entre os três modos de inspeção: normal, atenuada e severa. Note que, na inspeção atenuada, se o número de defeituosos d encontrados na amostra for maior que Ac e menor que Re, o lote deve ser aceito, porém a análise dos lotes subsequentes deve-se retornar à inspeção normal. Em certas situações, não faz sentido classificar o item como defeituoso ou não, mas contar o número de defeitos que ele possui. Os planos da norma podem ser utilizados também nesses casos: basta fazer o NQA igual ao número máximo de defeitos por cada 100 unidades (DCU – Defeitos por Centena de Unidades) que pode ser considerado satisfatório como média do processo. Gráficos de Controle e Inspeção de Qualidade 36 BIBLIOGRAFIA Costa, A.F.B.; Epprecht, E.K.; Carpinetti, L.C.R. Controle Estatístico de Qualidade, São Paulo, Editora Atlas, 334p., 2004. Montgomery, D.C. Introdução ao Controle Estatístico de Qualidade, Rio de Janeiro, LTC Editora, 513p., 2004. Vieira, S. Estatística para a Qualidade, Rio de Janeiro, Editora Campus, 198p., 1999. Gráficos de Controle e Inspeção de Qualidade 37 Gráficos de Controle e Inspeção de Qualidade 38 Gráficos de Controle e Inspeção de Qualidade 39 Gráficos de Controle e Inspeção de Qualidade 40 Gráficos de Controle e Inspeção de Qualidade 41 Gráficos de Controle e Inspeção de Qualidade 42 Gráficos de Controle e Inspeção de Qualidade 43 Gráficos de Controle e Inspeção de Qualidade 44 Gráficos de Controle e Inspeção de Qualidade 45 Gráficos de Controle e Inspeção de Qualidade 46 Gráficos de Controle e Inspeção de Qualidade 47 Gráficos de Controle e Inspeção de Qualidade 48 Gráficos de Controle e Inspeção de Qualidade 49 Gráficos de Controle e Inspeção de Qualidade 50 Gráficos de Controle e Inspeção de Qualidade 51 Gráficos de Controle e Inspeção de Qualidade 52 Gráficos de Controle e Inspeção de Qualidade 53
Compartilhar