UNIVERSIDADE DE SÃO PAULO

EEL – ESCOLA DE ENGENHARIA DE LORENA

KAREN ALLEONI

OTIMIZAÇÃO DE VARIÁVEIS DE PROCESSO VISANDO À

REDUÇÃO DE VARIABILIDADE NA LINHA DE ENVASE DE UMA

EMPRESA AGROQUÍMICA

LORENA – SP

2013

KAREN ALLEONI

OTIMIZAÇÃO DE VARIÁVEIS DE PROCESSO VISANDO À

REDUÇÃO DE VARIABILIDADE NA LINHA DE ENVASE DE UMA

EMPRESA AGROQUÍMICA

Monografia apresentada ao curso de

Engenharia Química da Escola de Engenharia

de Lorena – EEL USP, como parte dos

requisitos para a obtenção do título de

Engenheira Química.

Orientador: Prof. Dr. Marco Antonio Carvalho

Pereira

LORENA – SP

2013

DEDICATÓRIA

Dedico esta Monografia, primeiramente, à Deus,

para Quem tudo é possível.

À minha família,

pelo apoio nas diferentes etapas da minha vida.

Ao Marlon,

pela paciência e compreensão na busca pelos meus objetivos.

E aos meus amigos,

pela amizade e companheirismo.

AGRADECIMENTOS

Primeiramente à Deus, por cada oportunidade vivida, cada lição aprendida, cada

vitória alcançada e cada momento de esperança proporcionado.

Aos meus pais, José Arnaldo e Shirlei, e aos meus irmãos, Giovanni e Guilherme,

que sempre me apoiaram e me incentivaram, com muito amor e compreensão, em todas as

decisões tomadas até hoje. Aos meus pais, principalmente, pela educação baseada em

princípios de respeito muito fortes.

Ao Marlon, pela sua paciência e compreensão dedicadas dia a dia, pelo apoio e

amor cultivados, e pelo exemplo de como enfrentar tempos difíceis.

Às minhas valiosas amizades construídas no Clube Atlético Piracicabano, nas

repúblicas em que vivi em Lorena, na faculdade e no time de vôlei da faculdade, nos

intercâmbios e no estágio. Agradeço grandemente pelos ensinamentos que cada uma destas

pessoas me proporcionou, em momentos de crescimento pessoal e profissional. Agradeço

principalmente à Bárbara, Gislaine, Deise, Luana e Daiana pela grande confiança e amizade

sempre presente.

Ao meu orientador de Iniciação Científica, Pedro Carlos de Oliveira, aos meus

mentores de estágio Thales Munhoz, Ane Vaz, Giancarlo Pinotti, Marcelo Ramos, Antonio

Carlos, Alam Lopes, Turina e Márcio Santana, e ao meu orientador da Monografia de

Conclusão de Curso, Marco Antonio Pereira, que são e foram pessoas valiosas com seus

diferentes ensinamentos.

A todos, que de alguma forma me auxiliaram neste trabalho, muito obrigada!

EPÍGRAFE

“Em seu coração o homem planeja o seu caminho,

mas o Senhor determina os seus passos.”

Provérbios 16:9

RESUMO

ALLEONI, K. Otimização de variáveis de processo visando à redução de variabilidade

na linha de Envase de uma empresa agroquímica.

Trabalho de conclusão de curso (Graduação) – Escola de Engenharia de Lorena, Universidade

de São Paulo, Lorena, 2013.

Atualmente, empresas líderes mundiais tem absorvido as técnicas Lean Six Sigma em suas

estratégias globais para a melhoria de seus negócios, uma vez que produtos que obedecem ao

controle de processo são também passíveis de chegar defeituosos ao cliente final. Com isso,

observa-se a grande necessidade de aplicação de metodologias visando à diminuição da

variabilidade nos processos. O objeto de estudo desta monografia é uma indústria

agroquímica, que visa reduzir o reprocesso de pacotes de produto final que não atendem à

especificação, e são originados devido a variações da linha produtiva. Estes pacotes rejeitados

em linha são rasgados e o produto é então reprocessado, gerando desperdício de embalagem e

realocação de mão de obra para o reprocesso. Assim, este trabalho visou aplicar a

metodologia Lean Six Sigma para reduzir a variabilidade na formação da massa dos pacotes

no processo de envase, através de um estudo de caso único, no qual o pesquisador analisou

como variáveis do processo (densidade, pH e umidade do produto final, bem como teor de

surfactante e o peso total de produto estocado num Silo de Armazenagem) influenciavam na

variabilidade da massa dos pacotes. Assim, através do uso da estatística e, principalmente da

ferramenta Multi Vari Chart do software MINITAB®

foram propostos valores para as cinco

variáveis analisadas com a finalidade de reduzir a variabilidade da massa dos pacotes em

relação ao peso padrão de 5000 gramas. Foi proposto que o processo produtivo fosse ajustado

de modo que: i) o Teor de Surfactante do produto final seja de 12,05% em massa, ii) a

densidade do produto final seja de 0,57 g/cm³, iii) o pH do produto final seja de 3,82, iv) a

umidade do produto final seja de 0,42 % em massa e v) o peso de produto no Silo seja o mais

próximo possível de 2785 kg. Através da execução do projeto, constatou-se a efetividade do

uso de um conjunto de ferramentas da metodologia Lean Six Sigma, além da obtenção de um

amplo conhecimento do processo e da organização em estudo.

Palavras chave: variabilidade, Six Sigma, variáveis de processo.

LISTA DE FIGURAS

Figura 1: Curva de distribuição normal ilustrando a diferença entre processos 3σ e 6σ

(MATOS, 2003)........................................................................................................................16

Figura 2 – Gráfico Main Effects Plot para comparar o efeito no número de correções no

volante pelo tipo de motorista em três tipos de estradas (MINITAB, 2008)........................... 23

Figura 3 - Exemplo de construção de Multi Vari Chart no MINITAB® ................................ 24

Figura 4 - Fluxograma resumido das áreas de Processo e Envase.......................................... 33

LISTA DE GRÁFICOS

Gráfico 1 - Multi Vari Chart – análise da relação entre localização (store location) e tamanho

da loja (store size) no lucro (profit) (SAHAY, 2010).............................................................. 25

Gráfico 2: Multi Vari Chart de Força (Strength) – Response, por Tipo de Liga (Alloy type) –

Factor 1 e Espessura (Thickness) – Factor 2 (SAHAY, 2010)................................................ 26

Gráfico 3: Multi Vari Chart de Força (Strength) – Response, por Espessura (Thickness)–

Factor 1 e Tipo de Liga (Alloy type) – Factor 2 (SAHAY, 2010)........................................... 26

Gráfico 4 - Teste de Normalidade para amostra coletada na linha de Envase........................ 37

Gráfico 5 - Carta de controle com representação do valor médio e limites superior e inferior

de controle................................................................................................................................ 38

Gráfico 6 - Gráficos de relação entre ∆m e variáveis do processo......................................... 45

Gráfico 7 - Correlação entre ∆m (em gramas), umidade do produto final (em %) e Teor de

surfactante (em%).................................................................................................................... 47

Gráfico 8 - Multi Vari Chart para correlação entre ∆m (em gramas), umidade do produto final

(em %) e densidade do produto final (em g/cm³)..................................................................... 48

Gráfico 9 - Multi Vari Chart para correlação entre ∆m (em gramas), umidade do produto final

(em %) e pH do produto final.................................................................................................. 49

Gráfico 10 - Multi Vari Chart para correlação entre ∆m (em gramas), umidade do produto

final (em %) e Peso de produto no Silo (em kg)...................................................................... 50

Gráfico 11 - Multi Vari Chart para correlação entre ∆m (em gramas), densidade do produto

final (em g/cm³) e Teor de surfactante (em %)....................................................................... 51

Gráfico 12 - Multi Vari Chart para correlação entre ∆m (em gramas), densidade do produto

final (em g/cm³) e pH............................................................................................................... 52

Gráfico 13 - Multi Vari Chart para correlação entre ∆m (em gramas), densidade do produto

final (em g/cm³) e Peso de produto no Silo (em kg)................................................................ 53

Gráfico 14 - Multi Vari Chart para correlação entre ∆m (em gramas), densidade do produto

final (em g/cm³) e umidade do produto final (em %).............................................................. 54

Gráfico 15 - Multi Vari Chart para correlação entre ∆m (em gramas), Teor de surfactante (em

%) e umidade do produto final (em %).................................................................................... 55

Gráfico 16 - Multi Vari Chart para correlação entre ∆m (em gramas), Teor de surfactante (em

%) e pH do produto final.......................................................................................................... 56

Gráfico 17 - Multi Vari Chart para correlação entre ∆m (em gramas), Teor de surfactante (em

%) e densidade do produto final (em g/cm³)............................................................................ 57

Gráfico 18 - Multi Vari Chart para correlação entre ∆m (em gramas), Teor de surfactante (em

%) e Peso de produto no Silo (em kg)..................................................................................... 58

Gráfico 19 - Multi Vari Chart para correlação entre ∆m (em gramas), pH do produto final e

Teor de surfactante (em %).......................................................................................................59

Gráfico 20 - Multi Vari Chart para correlação entre ∆m (em gramas), pH do produto final e

umidade do produto final (em %)............................................................................................ 60

Gráfico 21 - Multi Vari Chart para correlação entre ∆m (em gramas), pH do produto final e

densidade do produto final (em g/cm³).................................................................................... 61

Gráfico 22 - Multi Vari Chart para correlação entre ∆m (em gramas), pH do produto final e

Peso de produto no Silo (em kg).............................................................................................. 62

Gráfico 23 - Multi Vari Chart para correlação entre ∆m (em gramas), Peso de produto no Silo

(em kg) e umidade do produto final (em %)............................................................................ 63

Gráfico 24 - Multi Vari Chart para correlação entre ∆m (em gramas), Peso de produto no Silo

(em kg) e densidade do produto final (em g/cm³).................................................................... 64

Gráfico 25 - Multi Vari Chart para correlação entre ∆m (em gramas), Peso de produto no Silo

(em kg) e Teor de surfactante (em %)...................................................................................... 65

Gráfico 26 - Multi Vari Chart para correlação entre ∆m (em gramas), Peso de produto no Silo

(em kg) e pH do produto final.................................................................................................. 66

LISTA DE TABELAS

Tabela 1 - Tabela simplificada do nível sigma em função número de defeitos produzidos

Fonte: MATOS (2003)..............................................................................................................17

Tabela 2 - Número de correções no volante para motoristas experientes e inexperientes, para

estradas tipo 1, 2 e 3 (MINITAB, 2008).................................................................................. 22

Tabela 3- Média dos valores de Steering corrections para as combinações de Experience e

Road Type (MINITAB, 2008)……………………………………………………………….. 23

Tabela 4 -Valores das massas de 10 pacotes analisados no intervalo de 3 em 3 horas……... 36

Tabela 5 - Média da massa de dez pacotes para cada interval………………………………. 39

Tabela 6 - Variáveis de processo e massa média coletados a cada 3 horas............................. 40

Tabela 7 - Valores Mínimo, 1º Quartil, Mediana, 3º Quartil e Máximo.................................. 41

Tabela 8 - Valores Médios entre Mínimo, 1º Quartil, Mediana, 3º Quartil e Máximo............ 42

Tabela 9 - Tabela de variáveis do processo e de envase ajustadas.......................................... 43

Tabela 10 - Tabela de variáveis ajustadas com diferença de massa apurada........................... 44

Tabela 11 - Resumo da análise de Umidade (U%).................................................................. 50

Tabela 12 - Resumo da análise de Densidade.......................................................................... 54

Tabela 13 - Resumo da análise de Teor de surfactante............................................................ 58

Tabela 14 - Resumo da análise de pH final.............................................................................. 62

Tabela 15 - Resumo da análise de Peso de produto no Silo.................................................... 66

Tabela 16 - Valores otimizados das variáveis.......................................................................... 67

Tabela 17 - Valores otimizados ajustados das variáveis.......................................................... 69

SUMÁRIO

1 INTRODUÇÃO .................................................................................................................................................... 6

1.1 CONTEXTUALIZAÇÃO ................................................................................................................................. 6

1.2 OBJETIVO ....................................................................................................................................................... 7

2 REVISÃO BIBLIOGRÁFICA ............................................................................................................................ 8

2.1 ORIGEM DO LEAN MANUFACTURING ..................................................................................................... 8

2.2 DESPERDÍCIOS DO PROCESSO PRODUTIVO ........................................................................................... 9

2.3 PRINCIPAIS FERRAMENTAS DO LEAN MANUFACTURING .............................................................. 11

2.4 SIX SIGMA .................................................................................................................................................... 13

2.4.1 ORIGEM DO SIX SIGMA .......................................................................................................................... 13

2.4.2 CONCEITO ESTATÍSTICO DO SIX SIGMA ........................................................................................... 14

2.4.2.1 COEFICIENTE DE CAPACIDADE DO PROCESSO - CpK .................................................................. 15

2.4.2.2 ÍNDICE DE CAPACIDADE SIGMA - z .................................................................................................. 16

2.4.2.3 COEFICIENTE DE POTENCIAL DO PROCESSO – Cp ....................................................................... 16

2.5 DMAIC: MÉTODOLOGIA LEAN SIX SIGMA .......................................................................................... 17

2.5.1 FASE I: DEFINIR ....................................................................................................................................... 17

2.5.2 FASE II: MEDIR ......................................................................................................................................... 18

2.5.3 FASE III: ANALISAR ................................................................................................................................ 20

2.5.4 FASE IV: MELHORAR .............................................................................................................................. 26

2.5.5 FASE V: CONTROLAR ............................................................................................................................. 27

3 METODOLOGIA ............................................................................................................................................. 28

3.1 O MÉTODO DE PESQUISA ......................................................................................................................... 28

3.2 O OBJETO DE PESQUISA ........................................................................................................................... 29

3.2.1 DESCRIÇÃO DA EMPRESA ..................................................................................................................... 29

3.2.2 DESCRIÇÃO DO PROCESSO DE ESTUDO ............................................................................................. 29

3.2.3 PROCESSO RESUMIDO DE ENVASE DO PRODUTO ........................................................................... 30

3.3 COLETA E ANÁLISE DE DADOS...............................................................................................................................................................32

4.0 RESULTADOS E DISCUSSÕES………………...................................................................................................34

4.1 O PROCESSO DE PRODUÇÃO DO HERBICIDA………………………………………………………….........................34

4.2 COLETA DE DADOS………………………………………………………………………………………………………………..……... ............ ............ ............ ............ ............ ...36

4.2.1 ANÁLISE DAS MASSAS DOS PACOTES…………………………………………………………………………………..37

4.3 DADOS DO PROCESSO PRODUTIVO E DO PROCESSO DE ENVASE………………….………………………………………………..……41

4.4 ANÁLISE DE VARIÁVEIS NO PROCESSO DE ENVASE…………………………………………………………………………………..………...45

4.5 MULTI VARI CHART FOR A TWO FACTOR DESIGN………………………………………………. …47

4.5.1 OTIMIZAÇÃO DA UMIDADE DO PRODUTO FINAL (U%)………………………………………….... ..48

4.5.2 OTIMIZAÇÃO DA DENSIDADE DO PRODUTO………………………………………………………………………………….…………………….……….52

4.5.3 OTIMIZAÇÃO DO TEOR DE SURFACTANTE………………………………………………………………………..……………...... ......... .56

4.5.4 OTIMIZAÇÃO DO PH FINAL………………………………………………………………………………………………………………………………………………….…………60

4.5.5 OTIMIZAÇÃO DO PESO DE PRODUTO NO SILO…………………………………………………… ......64

4.5.6 ANÁLISE CONJUNTA DAS VARIÁVEIS………………………………………………………………..…………………………………………………..…………….68

5 CONCLUSÃO………………………………………………………………………………………………………………………………………………………………………………………………….….71

REFERÊNCIAS BIBLIOGRÁFICAS………………………………………………………………………………………………………………………………………………………...73

APENDICE A.....………………………………………………………………………………………………………………………………………………………………………………………………….…....77

6

1 INTRODUÇÃO

1.1 CONTEXTUALIZAÇÃO

Face à presente competição no mercado atual, as organizações

manufatureiras tem sido fortemente pressionadas em relação à necessidade de produzir

com elevados níveis de qualidade e não só de vender com elevado nível de qualidade.

Por isso, técnicas de Manufatura Enxuta, Six Sigma e Sistema de Gestão de Qualidade

vêm se difundindo e adquirindo tanta importância.

A indústria de agroquímicos é altamente dependente destas técnicas, uma

vez que desvios como performance inadequada do produto e problema de embalagem

podem afetar grandemente a lucratividade do agricultor. Um dos principais problemas

desta indústria, relacionado à performance do produto, ocorre quando o agricultor, após

a aplicação do herbicida em sua plantação, detecta que o produto não atendeu as suas

necessidades. Já os principais desvios relacionados à qualidade da embalagem são:

produto faltante dentro de caixas fechadas, vazamento pela tampa, selagem ineficiente,

embalagens internas e/ou externas com problema de impressão, falta de dados (número

de lote, data de fabricação, validade, etc...), ausência de rótulos e/ou bulas, embalagens

amassadas e/ou colapsadas, embalagens violadas, peso maior ou menor do que o

especificado, fechamento ineficiente de caixas, embalagens sujas ou com respingos, etc.

A indústria, objeto de estudo dessa monografia, é responsável por produzir e

embalar herbicidas e possui uma vasta gama de marcas. Os herbicidas são empacotados

em filmes plásticos que possuem informações que atendem às exigências de órgãos

como MAPA (Ministério da Agricultura, Pecuária e Abastecimento), IBAMA (Instituto

Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis) e ANVISA

(Agência Nacional de Vigilância Sanitária). Em seguida, a estes pacotes de herbicida

embalados com filme plástico, são adicionadas bulas adesivas que aderem no filme

plástico. Estas bulas contêm, principalmente, informações de uso do herbicida. Em

sequência, os pacotes são encaixotados para distribuição ao cliente.

A área de embalagem desta unidade fabril tem registrado um elevado

percentual de rejeito de pacotes em linha por possuírem massa total fora da

especificação. Assim que embalados e pesados, pacotes que estão acima ou abaixo do

7

peso especificado são rejeitados da linha, e então têm seu filme rasgado para que o

produto seja destinado ao reprocesso.

Deste modo, o processo atual gera muito produto reprocessado por meio da

linha de envase, com consequente perda de capacidade produtiva da planta. Há também

elevado desperdício de filme, uma vez que este é rasgado. E neste procedimento é

necessário redefinição de posição de operadores, que então deixam de acompanhar a

linha de envase para rasgar pacotes manualmente. Portanto, é relevante identificar as

causas deste problema.

1.2 OBJETIVO

Otimização de variáveis do processo de neutralização e formulação de

herbicida que impactam no peso de pacotes na linha de envase de uma empresa

agroquímica.

Para atingir este propósito, foram estabelecidos os seguintes objetivos

específicos:

Aprofundar conhecimentos na metodologia Lean Six Sigma, de modo a

possibilitar sua aplicação na organização em estudo;

Analisar o impacto de variáveis da área de Neutralização e Formulação do

produto, no Envase deste produto e, consequentemente, na massa total dos

pacotes. Estas variáveis são: teor de surfactante, densidade, pH e umidade do

produto final, e peso total de produto estocado no Silo;

Otimizar as variáveis de processo que impactam no Envase e

consequentemente, na massa total dos pacotes.

8

2 REVISÃO BIBLIOGRÁFICA

2.1 ORIGEM DO LEAN MANUFACTURING

O termo Lean foi originado através de pesquisadores do International Motor

Vehicle Program (IMVP), programa associado ao Massachusetts Institute of

Technology (MIT) para caracterizar um sistema produtivo enxuto, eficiente, ágil,

flexível e inovador, que veio a substituir o sistema produtivo em massa. Este sistema foi

nomeado de Manufatura Enxuta, ou Lean Manufacturing, que é um termo com o qual é

conhecido o Sistema Toyota de Produção (STP) no Ocidente. (FERREIRA, 2004).

O principal objetivo da produção em massa era a redução dos preços dos

produtos, o aumento de vendas e aumento de eficiência da produção. Seu principal

marco ocorreu entre 1908 e 1927, com a produção de 15 milhões de unidades do Ford

Modelo T, um produto criado unicamente na cor preta e projetado para atender a

produção em massa, onde máquinas produziam produtos padronizados em volume

muito elevado. Este modelo utilizava muitos estoques, trabalhadores e espaço extra para

assegurar uma produção contínua, visto que uma parada no processo poderia gerar um

elevado custo. Era um modelo que gerava muitos desperdícios e oferecia um alto custo

para mudar de produto. O resultado era que o consumidor tinha preços baixos, porém

baixa variedade, e os trabalhadores realizavam tarefas monótonas. Entretanto, o

mercado passou a exigir alta variedade de produto, qualidade elevada, prazos mais

curtos e preços altamente competitivos, e neste contexto surgiu o Sistema Toyota de

produção, que tem como um de seus principais princípios, que: Pessoas são a chave do

sistema, a perfeição deve ser assegurada na entrega de todo serviço e perdas devem

ser eliminadas (INVERNIZZI , 2006).

Segundo DIEDRICH (2002), em 1974, após a crise do petróleo, a economia

japonesa estava enfrentando graves problemas. No entanto, a Toyota, montadora de

automóveis, despontava com ganhos maiores do que de outras empresas, mesmo que

com menores lucros comparados aos anos anteriores. Esta conquista foi proveniente de

um sistema de produção implantado na empresa, ao longo das décadas de 1950-60,

denominado Sistema Toyota de Produção, que visava gerenciar o processo produtivo de

modo que o objetivo principal fosse aumentar o lucro através da redução de custos. E

9

para atingir este objetivo, era necessário identificar e eliminar as etapas que não

agregassem valor ao produto, pois tais etapas eram consideradas perdas do processo

produtivo. Como o Sistema Toyota de Produção visava produzir cada vez mais com

cada vez menos, os pesquisadores do MIT o denominaram de Lean Manufacturing,

conhecido no Brasil como Produção Enxuta.

2.2 DESPERDÍCIOS DO PROCESSO PRODUTIVO

O principal fundamento do Lean Manufacturing é reduzir desperdícios, o

que era muito comum na produção em massa. São eles: Superprodução, Excesso de

Processamento, Excesso de estoques, Excesso de transporte ou excesso de

movimentação de material, Excesso de produção de peças defeituosas ou produtos

defeituosos, Excesso de tempo de espera, Excesso de movimentação de pessoal ou

excesso de movimento, e são descritos por PIMENTA (2009):

Superprodução: Produz-se além do volume programado ou requerido, sobrando peças

e/ou produtos. Ou produz-se em velocidade maior do que a necessária, gerando custos

desnecessários com máquinas, peças, materiais e despesas com energias. Deste modo,

peças e/ou produtos ficarão estocados, aguardando para serem consumidos em etapas

posteriores.

Excesso de Processamento: Acrescenta-se mais trabalho do que o exigido pela demanda

do cliente. Este trabalho ou esforço adicional poderiam ser eliminados sem alteração das

funções básicas do produto. Pode ocorrer a realização de etapas incorretas ou

desnecessárias também pela utilização de um equipamento com mau funcionamento ou

elaboração de um projeto ruim.

Excesso de estoques: Perda que ocorre através do armazenamento de matéria-prima,

material em processamento ou produto acabado. Quando acontece o excesso de

fornecimento de matéria-prima para abastecimento da fábrica e/ou excesso de produto

acabado, ocorre acúmulo de estoque, que demanda capital para sua manutenção. Quanto

maior o estoque, maior o desperdício.

10

Excesso de transporte ou excesso de movimentação de material: Produtos acabados,

semi acabados e matérias primas tem que ser transportados dentro de uma fábrica.

Entretanto, o transporte deve ocorrer somente para fornecimento da quantidade certa de

itens necessários na hora certa, lugar certo e de acordo com solicitações. Normalmente,

este tipo de desperdício ocorre quando o arranjo físico do local de trabalho é ineficiente

ou os equipamentos são muito grandes. A existência de processos mais próximos entre

si pode reduzir o desperdício de transporte.

Excesso de produção de peças defeituosas ou produtos defeituosos: Desperdício gerado

a partir de produtos ou peças que não atenderam à especificação. Produtos devem ser

produzidos corretamente de primeira vez, caso contrário, serão necessárias tarefas

adicionais que demandam energia, tempo de equipamento, mão de obra e outras coisas

que acrescentarão custos desnecessários para corrigir o produto fora da especificação.

Excesso de tempo de espera: Acontece quando nenhum processamento, transporte ou

inspeção está sendo executado. Deste modo, o produto fica parado à espera da próxima

etapa do fluxo de produção. Ocorre também quando o operador é forçado a permanecer

junto à máquina para monitorar o processo.

Excesso de movimentação de pessoal ou excesso de movimento: Este desperdício pode

ser relacionado a movimentos desnecessários de operadores na execução de movimento

humano ou mecânico. O movimento humano está relacionado à ergonomia do local de

trabalho e o movimento mecânico aos equipamentos que se encontram muito distantes.

RIANI (2006) afirma que estes desperdícios podem ser subdivididos em três classes:

pessoas, quantidade e qualidade. Em que a Superprodução, Excesso de transporte ou

excesso de movimentação de material e Excesso de estoques são relacionados à

quantidade produzida. Já Excesso de Processamento, Excesso de tempo de espera e

Excesso de movimentação de pessoal ou excesso de movimento se enquadram no grupo

de pessoas. E por último, o Excesso de produção de peças defeituosas ou produtos

defeituosos se adéqua ao grupo de qualidade. Desta maneira, para maximizar a redução

de desperdícios em um processo produtivo ou serviço, deve-se investir nestas três

classes.

11

2.3 PRINCIPAIS FERRAMENTAS DO LEAN MANUFACTURING

De forma a suportar os princípios do Sistema Toyota de Produção,

ferramentas e técnicas que atendam ao Lean Manufacturing foram criadas, a maioria, na

Toyota, desde a década de1950, dentre as quais se destacam:

Mapa de Fluxo de Valor

Kaizen

Kanban

Padronização

5S

Redução de set up

TPM (Total Productive Maintenance)

Poka Yoke (Prova de erros)

Mapa de Fluxo de Valor (MFV): O MFV detalha como o processo produtivo deve

operar para criar fluxo. Com a utilização de ícones e símbolos, representa-se o fluxo de

materiais e informações que acompanha a fabricação do produto, desde o seu pedido

feito pelo cliente até a sua entrega. Tem-se aí o estado atual. A partir daí, através da

aplicação de princípios enxutos, propostas de melhorias são inseridas, resultando em um

novo fluxo sem desperdícios, que é o estado futuro ou desejado. É composta por 4

etapas basicamente: Seleção de uma família de produtos, desenho do mapa do estado

atual, desenho do mapa do estado futuro e definição e implementação de planos de

ações para se chegar ao estado futuro (TUBINO; WALTER, 2001).

Kaizen: Segundo ARAUJO e RENTES (2006), o significado de Kaizen é melhoria

contínua de um fluxo completo de valor ou de um processo individual, a fim de se

agregar mais valor com foco na eliminação de desperdícios. Há o kaizen de fluxo, que é

direcionado no fluxo de valor, dirigido ao gerenciamento, e há o kaizen de processo que

é direcionado aos processos individuais, dirigido às equipes e líderes de equipes.

Kanban: O sistema Kanban “puxa” o precesso de produção, para que o processo

subsequente retire partes do processo precedente, deste modo, o Kanban movimenta e

autoriza a produção. Assim, o termo Kanban designa um sistema que utiliza sinais que

12

informam, por exemplo, que o posto B está apto a receber o trabalho processado no

posto A (ALBUQUERQUE et al., 1999).

Padronização: Através da padronização do trabalho torna-se possível que qualquer

operador realize suas tarefas corretamente a partir da consulta de um procedimento

elaborado. Sem a padronização, os resultados são imprevisíveis e as melhorias são

inconsistentes. Ela traz estabilidade nas melhorias (DA SILVA, 2011).

5S: Ainda segundo DA SILVA (2011), 5S é uma ferramenta que adota um conjunto de

práticas que visam reduzir o desperdício e melhorar o desempenho das pessoas e

processos, através da manutenção de condições adequadas dos locais de trabalho. Os 5

“s” são 5 palavras japonesas:

Seiri (triagem).

Seiton (organização).

Seiso (limpeza).

Seiketsu (Padronização).

Shitsuke (Disciplina).

Redução de Set up: Set up é o período em que cada equipamento leva para ser ajustado

para produzir o próximo pedido enquanto não está produzindo. Deste modo, redução de

set up é uma abordagem sistemática que visa reduzir o tempo não produtivo durante o

ajuste dos equipamentos (FERREIRA, 2004).

Total Productive Maintenance (TPM): TPM, ou Manutenção Preventiva Total (MPT),

integra o homem, máquina e empresa no trabalho de manutenção dos meios de

produção. A TPM busca zero defeito, zero acidente e zero parada das máquinas e

equipamentos. Visa proporcionar elevados rendimentos operacionais, diminuição dos

custos de fabricação e redução do nível de estoques (FERREIRA, 2004).

Poka Yoke (Prova de erros): É um mecanismo que detecta irregularidades e é acoplado

a uma operação, a fim de impedir a execução irregular de uma atividade. “O PoKa Yoke

é uma forma de bloquear as principais interferências na execução da operação,

antecipando e detectando defeitos potencias e evitando que cheguem ao cliente (interno

e externo)” (FERREIRA, 2004).

13

2.4 SIX SIGMA

2.4.1 ORIGEM DO SIX SIGMA

A Metodologia Six Sigma surgiu em 1987, através de profissionais da

empresa Motorola, que iniciavam estudos a respeito dos conceitos sobre a variabilidade

dos processos de produção estabelecidos por Deming (quem introduziu a lógica do ciclo

PDCA- Plan, Do, Check, Act). Estes profissionais tinham como meta melhorar o

desempenho por meio do acompanhamento de tais variações, como também visavam

solucionar o problema relacionado ao aumento contínuo de reclamações, devido a falhas

em seus produtos eletrônicos manufaturados que estavam dentro do prazo de garantia.

Neste contexto, a empresa buscou alcançar o desafio de produzir peças sem defeitos e

determinou como alvos principais o aumento da confiabilidade do produto final e a

redução de perdas. Em 1988, o sucesso obtido pela empresa com o uso do Six Sigma

resultou no Prêmio Malcolm Baldrige de Qualidade, o que estimulou outras empresas a

utilizar esta ferramenta também (SENAPATI, 2004).

Segundo ANDRIETTA e MIGUEL (2007), o princípio fundamental do

programa Seis Sigma é reduzir continuamente a variação nos processos, e desta maneira

eliminar os defeitos ou falhas nos produtos e serviços (LINDERMAN et al., 2003).

Atualmente, o Seis Sigma é compreendido como uma prática de gestão, que busca

melhorar a lucratividade de empresas (WESSEL; BURCHER, 2004) de qualquer setor

de atividade, sejam produtos ou serviços (HAHN et al., 2000) ou de qualquer porte -

pequena, média ou grande empresa, com a finalidade de aumentar a participação de

mercado, reduzir custos e otimizar as operações (BREYFOGLE III et al., 2001).

De acordo com REIS (2003), o diferencial do uso desta metodologia é a

geração de benefícios econômicos em relação a outros programas de qualidade. Outro

ponto importante é a duração do projeto Six Sigma; deve ter duração em torno de 3

meses, não ultrapassando os 6 meses. Desta maneira, torna-se necessário que o projeto

tenha uma abrangência ou tamanho que permita sua execução neste período. Além

disto, o Six Sigma requer pessoal especializado para aplicá-lo. Este pessoal é

denominado de Especialista Master (Master Black Belt), Especialista em Six Sigma

(Black Belt) e Membros das Equipes (Green Belt). É exigido também monitoramento e

14

acompanhamento dos projetos através de relatórios, pois deste modo facilita-se o

gerenciamento dos mesmos, a visualização dos objetivos e a gestão do conhecimento.

Reis (2003) ainda atenta ao fato de que se deve existir um sistema de

reconhecimento e frequente celebração dos sucessos alcançados, para que a motivação

da equipe se mantenha elevada.

2.4.2 CONCEITO ESTATÍSTICO DO SIX SIGMA

O Six Sigma é considerado uma medida de qualidade, onde um nível de

qualidade 6 Sigma representa 99,99966% de perfeição. Sua principal meta é eliminar

defeitos ou erros e reduzir o valor Sigma até que ± 6 sigmas fiquem dentro dos limites

de especificação. A capacidade de um processo de trabalhar livre de falhas ou defeitos é

medida pelo termo sigma (σ), em que defeitos são resultantes da variabilidade inerente

ao processo produtivo de bens ou de serviços. Assim, o processo possui pouca

variabilidade quanto menor o valor do sigma e vice-versa. O Limite inferior de

especificação (LIE) e o Limite superior de especificação (LSE) representam os limites

de especificação do projeto. Quando esses limites são excedidos, significa que o

produto falhou nas exigências do seu projeto (BABA, 2008).

Um processo com capacidade 3 sigmas ( μ ± 3σ ), onde μ é a média do

processo e σ o desvio padrão, produz 99,73% das unidades dentro dos limites de

especificação. Este processo apresentará 66807 defeitos em 1 milhão de oportunidades.

Um processo 4 sigmas, por exemplo, produz 6210 defeitos em 1 milhão de

oportunidades, enquanto que um processo 6 sigmas não gerará mais do que 3,4 defeitos

em 1 milhão de oportunidades (99,99966% de perfeição) (MATOS, 2003).

Tabela 1 - Nível sigma em função número de defeitos produzidos.

Nível sigma

Defeitos por milhão de

oportunidades (dpmo)

1 691.462

2 308.537

3 66.807

4 6.210

5 233

6 3,4

Fonte: MATOS (2003).

15

Na figura 1, encontra-se a representação de uma curva de distribuição

normal que compara processos 3 e 6 sigmas, com deslocamento da média de 1,5 sigmas.

Figura 1 - Curva de distribuição normal ilustrando a diferença entre processos 3σ e

6σ (MATOS, 2003).

2.4.2.1 COEFICIENTE DE CAPACIDADE DO PROCESSO - CpK

O CpK mede a capacidade do processo em produzir dentro dos limites de

especificação, levando em conta a tendência central dos dados. É calculado através da

diferença entre a média do processo e o limite de especificação mais próximo, dividido

por três vezes o desvio padrão. O CpK varia entre 0 e 2, sendo considerado incapaz

quando é inferior a 1 e capaz quando o CpK é maior ou igual a 1. Quanto maior o valor

de CpK, mais uniforme é o processo (BABA, 2008).

16

(1)

2.4.2.2 ÍNDICE DE CAPACIDADE SIGMA - z

O índice de capacidade sigma, representado por z, é medido pela diferença

entre a média e o limite de especificação, dividido pelo desvio padrão, em que z (i)

refere-se ao índice de capacidade sigma inferior e z (s) ao índice de capacidade superior

O resultado z determina a quantidade de desvios padrões que existe entre a média e o

limite de especificação (BABA, 2008).

2.4.2.3 COEFICIENTE DE POTENCIAL DO PROCESSO – Cp

O coeficiente de potencial do processo (Cp) mede a capacidade potencial de

um processo, com base na suposição de que esteja centrado, não leva em conta a

tendência central dos dados. Segundo Slack et al, (1996), o Cp é a medida da

aceitabilidade da variação do processo, calculado pela razão entre a dispersão permitida

e a dispersão real. A dispersão permitida é o intervalo entre os limites de especificação e

a dispersão real é igual a 6 vezes o desvio padrão. Um processo é considerado incapaz

quando o Cp é inferior a 1 e capaz quando maior ou igual a 1. Porém um Cp alto não

garante que o processo esteja dentro dos limites de especificação, pois supõe que o

processo esteja centralizado. A dispersão real pode não coincidir com os limites de

especificação (BABA, 2008).

17

2.5 DMAIC: MÉTODOLOGIA LEAN SIX SIGMA

DMAIC é uma metodologia de melhoria que absorve os conceitos Lean e

Six Sigma já existentes. Ela concentra uma série de ferramentas para sistemizar a

definição, a análise, a identificação e a implementação de melhorias nos processos em

que a variabilidade esteja presente e gerando a ocorrência de defeitos (ANDRIETTA;

MIGUEL, 2007).

O método baseia-se em um conjunto ordenado de etapas em que as várias

atividades executadas se complementam, e informações valiosas surgem ao formar-se

um grupo de trabalho e avançar-se na solução do problema. Basicamente, o método

consiste nas fases Definir, Medir, Analisar, Melhorar e Controlar (CLETO;

QUINTEIRO 2011), e são descritas por BABA (2008) nos tópicos em sequência. É

fundamental seguir rigorosamente as etapas do DMAIC. Nenhuma das etapas pode ser

desconsiderada, pois seguem uma ordem lógica na resolução de problemas. Os

percentuais estimados para cada etapa do DMAIC são: 5% Definição, 25% Medição,

40% Análise, 25% Melhoria e 5% Controle.

2.5.1 FASE I: DEFINIR

São definidos o projeto de melhoria, o problema ou efeito indesejável de um

processo que deve ser eliminado ou melhorado, o escopo do projeto, os clientes do

projeto e as características críticas para a qualidade (o que é crítico para o mercado e

quais são os processos críticos que estejam originando resultados ruins). Ferramentas

como CTQ (Critical to Quality), SIPOC, Diagrama de Ishikawa, Matriz de priorização e

Mapa de Processo auxiliam na etapa de definição.

CTQ: Os clientes do projeto são definidos, bem com suas exigências e

características críticas para a qualidade. As necessidades do cliente são listadas, os

fatores para que essas necessidades sejam atendidas são identificados e estes fatores

são divididos em maiores detalhes. Estas informações mais direcionadas e detalhadas

serão os CTQs (MARTINS et al., 2006).

Diagrama de Ishikawa: Segundo BABA (2008), o diagrama de

Ishikawa, ou Espinha de peixe, identifica as causas possíveis para um problema e as

18

classifica em categorias. Não há uma regra para a definição dos ramos principais,

entretanto, os critérios mais utilizados são:

Mão-de-obra;

Materiais (componentes);

Máquinas (equipamentos);

Métodos (procedimentos de operação ou de controle);

Meio ambiente e

Medição (sistema de medição).

Matriz de priorização: Esta matriz define a ordem que as ações devem

ser implementadas, e quais tarefas devem ser executadas prioritariamente. Através de

critérios pré-estabelecidos, permite centrar esforços em pontos de maior impacto e

maior viabilidade de ação, e menos esforços em pontos de menor impacto e menor

viabilidade de ação (DA SILVA, 1998).

SIPOC: a origem desta sigla é: Suppliers (fornecedores), Inputs

(Insumos), Process (processo), Outputs (produtos obtidos na saída) e Customers

(consumidores). Esta ferramenta permite visualizar a sequência de processos, e

identificar as fronteiras de um projeto: início e fim do campo de atuação (DE

ANDRADE et al., 2012).

Mapa de Processo: É um fluxograma do processo que representa o fluxo

de trabalho através de retângulos e losangos ligados por setas, que representam o fluxo

do trabalho. Os retângulos representam as tarefas e os losangos os momentos de decisão

(LIZARELLI, 2008).

2.5.2 FASE II: MEDIR

São planejadas e executadas medições de desempenho relacionadas aos pré-

requisitos dos clientes. De acordo com ECKES (2001), a ferramenta de maior

importância para a fase Medir é o Plano de Coleta de Dados, que é composto pelas

fases: O que medir, Tipo de dado, Definição operacional, Formulário de coleta de dados

e Amostragem, que são sumarizados, em sequência, por ECKES (2001).

O que medir: Dados sobre os clientes, suas necessidades e expectativas. Tipo de

dado: Os dados podem ser quantitativos ou qualitativos. No primeiro caso, os dados são

contínuos, como peso, velocidade e temperatura, ou discretos, como contagem de itens.

Já no segundo, os são dados nominais, como categorias binárias (sim/não,

19

ligado/desligado), desempenho (bom, regular, ruim), cores, etc, e conta-se o número de

observações pertencentes a cada categoria, ou podem ser dados por postos, como

avaliações atribuídas para denotar ordem, dispondo os itens segundo preferência ou

desempenho.

Definição operacional: O que será medido deve ser descrito, a fim de que não

existam ambiguidades a respeito do que está sendo definido. Desta maneira, os

envolvidos entenderão da mesma maneira o que está sendo medido.

Formulário de coleta de dados: Para dados qualitativos, o formulário define o

defeito, as categorias do defeito, o período de tempo que os dados serão coletados e

então se cria uma tabela para a coleta dos dados. E então, constrói-se um Diagrama de

Pareto através do número de defeitos por categoria. Para dados quantitativos,

distribuições de frequências originam uma tabela ou histograma. Numa distribuição de

frequência, dados são agrupados em classes ou intervalos, de uma maneira que seja

possível se determinar o número ou percentagem de observações em cada classe.

Amostragem: Uma parcela de uma população ou universo é denominada

amostra. Para se conseguir a amostragem, coleta-se uma parte proporcional dos dados

da população, ou universo, garantindo que a amostra seja aleatória e representativa da

população.

Ferramentas como Gráficos de Controle e Capabilidade auxiliam a fase de

medição.

Gráfico de Controle: Esta ferramenta é utilizada para monitorar os

processos e indicar a presença de causas especiais. O gráfico contém uma Linha média

(valor médio do processo), um limite superior de controle (LSC) e um limite inferior

de controle (LIC). Estes limites são estabelecidos com três desvios padrões do valor

médio. E os valores traçados no gráfico indicam a situação do processo. Pontos

aleatórios e dentro dos limites de controle indicam um processo adequando. Pontos

acima do LSC ou abaixo do LIC indicam um processo fora de controle (BABA, 2008).

Capabilidade: A capabilidade pode ser especificada por meio de índices

que quantificam o nível de desempenho do processo em atender as especifica ções do

produto. Por meio desses índices é possível se comparar processos distintos e, a partir

daí, classificá-los quanto as suas capabilidades. Diversos são esses índices, sendo os

mais comuns o Cp, Cpk (BABA, 2008).

20

2.5.3 FASE III: ANALISAR

Segundo CLETO e QUINTEIRO (2011), a principal finalidade desta etapa é

determinar as causas fundamentais do problema identificado. Para isto, algumas ações

devem ser executadas ou perguntas devem ser respondidas.

i. Desenvolver uma síntese do Estado Atual do processo, baseado na interpretação

das medidas realizadas e suas variações;

ii. Quais são os efeitos gerados a partir do desempenho atual do sistema;

iii. Quais as hipóteses de causa-raiz do problema estudado;

iv. Realizar um brainstorming para levantar uma lista de causas potenciais;

v. Coletar e validar as evidências das hipóteses (através de testes, estudos, gráficos,

análises, etc.);

vi. Existência de informações a respeito de processos semelhantes ao processo atual

e soluções potenciais;

vii. Verificar se ramificações ou variantes do projeto podem afetar (positivamente ou

negativamente) outros processos;

viii. Elevar o nível de conhecimento através dos dados coletados e ajustar o foco de

análise ou o problema, se necessário;

ix. Definir cenários ou hipóteses a serem desenvolvidas na fase Melhorar;

x. Apresentar necessidade de recursos para aprovação;

Uma ferramenta extremamente importante utilizada nesta etapa é a análise

Multi-Vari, que é uma “ferramenta gráfica que a partir de agrupamentos lógicos, analisa

de dados históricos do processo de produção a fim de identificar a correlação entra as

múltiplas fontes de variações que impactam nas variáveis de saída”. Uma outra

ferramenta que também pode ser utilizada neste fase é o Main Effects Plot (DE

SOUZA, 2002).

21

Main Effects Plot: O gráfico Main Effects Plot, construído através do

software MINITAB®, analisa a influência de vários fatores sobre uma variável resposta.

É uma maneira rápida e prática de analisar o “tamanho” do efeito de cada fator. Uma

média de todos os valores da variável resposta, para cada fator, é calculada e plotada no

eixo horizontal, e o eixo vertical é sempre o mesmo para todos os fatores.

A análise deste gráfico se dá da seguinte maneira: Fatores com maiores

inclinações têm maiores efeitos e impactos no resultado (variável resposta). Para melhor

definição de como este gráfico é elaborado, segue o exemplo proposto nos tutoriais do

sotware MINITAB®: Um estudo foi feito para comparar motoristas experientes e

inexperientes em três tipos de estradas. Motoristas inexperientes são chamados de

Experience 0 e experientes de Experience 1. E os tipos de estradas são chamados de

Road Type 1, Road type 2 e Road Type 3. E então, o número de correções no volante

(steering corrections) que cada tipo de motorista fez, em cada tipo de estrada, foi

gravado, e está representado na tabela 2 (MINITAB, 2008).

Tabela 2 - Número de correções no volante para motoristas experientes e

inexperientes, para estradas tipo 1, 2 e 3.

STEERING

CORRECTION Road Type

1 2 3

Experience

0

4 23 16

18 15 27

8 21 23

10 13 14

Experience

1

6 2 20

4 6 15

13 8 8

7 12 17

Fonte: MINITAB (2008)

O gráfico Main Effects Plot calcula o efeito (effect) dos fatores Experience e

Road Type na variável resposta Steering Correction a partir de várias etapas: i) A média

dos valores de Steering corrections para as combinações de Experience e Road Type são

22

calculadas (Tabela 3). ii) É calculada uma média geral para Experience 0, Experience 1,

Road Type 1, Road Type 2 e Road Type 3 (valores destacados em negrito na tabela 3).

iii) É calculada uma média geral de todas as médias encontradas na etapa anterior (valor

destacado em vermelho na tabela 3).

O valor destacado em vermelho forma uma linha horizontal no gráfico Main

Effects Plot (Figura 2), através de onde o efeito é calculado.

O efeito na variável resposta - effect (eixo vertical) é finalmente calculado a

partir da subtração dos valores destacados em negrito pelo valor destacado em vermelho

(Equações 5 a 9) (MINITAB, 2008).

Tabela 3- Média dos valores de Steering corrections para as combinações de

Experience e Road Type.

STEERING

CORRECTION Road Type

1 2 3

Experience

0 10,0 18,0 20,0 16,00

Experience

1 7,5 7,0 15,0 9,83

8,75 12,50 17,50 12,91

Fonte: MINITAB (2008).

O cálculo do efeito de cada fator na variável resposta é realizado conforme

equações 5 a 9:

Effect para Experience 0 = 16,00 – 12,91 = 3,083 (5)

Effect para Experience 1 = 9,83 – 12,91 = -3,083 (6)

Effect para Road Type 1 = 8,75 – 12,91 = -4,167 (7)

Effect para Road Type 2 = 12,50 – 12,91 = -0,417 (8)

Effect para Road Type 3 = 17,50 – 12,91 = 4,583 (9)

E finalmente, tem-se a construção do gráfico Main Effects Plot, como

demonstrado na Figura 2.

23

Figura 2 – Gráfico Main Effects Plot para comparar o efeito no número de

correções no volante pelo tipo de motorista em três tipos de estradas (MINITAB,

2008).

Como os dois fatores (Experience e Road Type) apresentam inclinação em

relação ao eixo x, ambos têm impacto no resultado (Steering Correction) (MINITAB,

2008).

Multi Vari Chart for a two factor design: Esta ferramenta analisa o efeito de

duas variáveis em uma variável resposta. Para melhor definição desta ferramenta, segue

um exemplo proposto por SAHAY (2010): O gerente de uma cadeia de lojas está

interessado em estudar o efeito da localização da loja (store location) e do tamanho da

loja (store size) no lucro (profit). Existem quatro locais diferentes (A, B, C e D) e três

diferentes tamanhos de lojas que foram selecionados (pequeno, médio, grande). Para

cada localização, uma amostra de duas lojas de cada tamanho foi selecionada bem como

seus lucros mensais. Assim, a variável resposta é o lucro, e o tamanho e a localização da

loja são os fatores 1 e 2. O software MINITAB® constrói o Multi Vari Chart através da

inserção de dados coletados de tamanho da loja, localização da loja e lucro, conforme

Figura 3, em que C1 refere-se à coluna de dados de Lucro, C2 à coluna de dados de

Tamanho da loja e C3 à coluna de dados de localização da loja. Na colocação dos dados

nas colunas, os quatro locais diferentes são chamados de 1, 2, 3 e 4 (A, B, C e D

respectivamente) e os tamanhos de 1, 2 e 3 (pequeno, médio, grande respectivamente).

Após pressionar OK tem-se o Gráfico 1.

24

Figura 3 - Exemplo de construção de Multi Vari Chart no MINITAB®

Gráfico 1 - Multi Vari Chart – análise da relação entre localização (store location) e

tamanho da loja (store size) no lucro (profit) (SAHAY, 2010).

Estão representados no Gráfico 1 dois fatores: tamanho e localização. Os

pontos pretos são as variáveis de localização, e os pontos vermelhos são as médias do

conjunto de pontos pretos relacionados ao mesmo tamanho. O ponto vermelho

corresponde a um valor médio de lucro para as localizações 1, 2, 3 e 4 para o tamanho

1. A definição de cada ponto preto está representada na caixa no canto superior direito.

Para cada tamanho de loja – ponto vermelho, tem-se os lucros representados para cada

localização – ponto preto. Observa-se que para a loja pequena (1), tem-se um lucro

maior na localização C (3). Para a loja média (2), tem-se um lucro maior na localização

25

C (3). E para a loja grande (3), tem-se também um lucro maior na localização C (3).

Podemos utilizar este gráfico para analisar a condição ótima de maior lucro: Através da

linha vermelha do Gráfico 1, que representa os lucros médios para cada tamanho de

loja, tem-se que a loja grande oferece maior lucro, e para a loja grande, a localização C

é a melhor, portanto, loja grande na localização C é condição ótima em relação à

lucratividade. O contrário também é válido, a condição que oferece menor lucro é a loja

pequena na localização A. Outro fato importante na análise Multi-Vari é a ordem dos

fatores – Factor 1 e Factor 2.

A variável inserida em Factor 1 (Figura 3) aparecerá como pontos pretos e será

detalhada na caixa do canto superior direito (Gráfico 1) e a variável inserida em Factor

2 (Figura 3), por sua vez, será representada no eixo x e pelos pontos vermelhos (Gráfico

1). A ordem dos fatores no MINITAB® altera, portanto o layout do gráfico Multi Vari,

no entanto, a interpretação e os resultados finais serão os mesmos. A inversão dos

fatores está representada nos Gráficos 2 e 3 (SAHAY, 2010).

Gráfico 2: Multi Vari Chart de Força (Strength) – Response, por Tipo de Liga (Alloy

type) – Factor 1 e Espessura (Thickness) – Factor 2 (SAHAY, 2010).

26

Gráfico 3: Multi Vari Chart de Força (Strength) – Response, por Espessura

(Thickness)– Factor 1 e Tipo de Liga (Alloy type) – Factor 2 (SAHAY, 2010).

Os Gráficos 2 e 3 utilizam os mesmo dados, e o resultado final não se altera

com a inversão dos fatores. No Gráfico 2, o maior valor de Strength está representado

pelo Alloy Type 2 e Thickness 2, e para o Gráfico 3 por sua vez, o maior valor de

Strength também está representado pelo Alloy Type 2 e Thickness 2 (SAHAY, 2010).

2.5.4 FASE IV: MELHORAR

De acordo com BABA (2008), “o objetivo da fase de melhoria é selecionar

e implementar soluções, focadas nas causas-raiz validadas na fase anterior, capazes de

impactar na causa do problema, eliminando a causa do problema ou minimizando seus

efeitos”, e é subdividida nas fases Decisão e Implementação, e descrita por CLETO e

QUINTEIRO (2011) através de perguntas e ações. São elas:

DECISÃO:

i. Quais as ideias para soluções potenciais;

ii. Avaliar, selecionar e otimizar as melhores soluções;

iii. Avaliar e reduzir os riscos relativos à solução escolhida;

iv. Qual o impacto local e global da solução escolhida;

v. Submeter as soluções potenciais à aprovação;

IMPLEMENTAÇÃO:

i. Projetar um piloto, ou seja, um teste prático da solução proposta;

27

ii. Elaborar um plano detalhado para implementar a solução de uma maneira ampla

(inclusive assegurando recursos);

iii. Aprovar a proposta de implementação de maneira ampla;

iv. Confirmar a eficiência da solução de uma maneira ampla;

v. Preparar treinamento operacional;

vi. Modificar parâmetros de qualidade de acordo com as mudanças;

vii. Identificar e modificar as novas normas, padrões e instruções de trabalho.

Ferramentas como DOE (Design of Experiments,) que podem ser utilizadas

nesta etapa, são técnicas utilizadas para testar e otimizar o desempenho de um processo,

produto, serviço ou solução. O DOE utiliza ferramentas como testes de significância,

correlação e regressão, para perceber quais são as melhores respostas de um processo ou

produto em relação a várias condições. O DOE utiliza experimentos para chegar a uma

análise de resultados por meio de uma lista de combinações experimentais para uma

avaliação da variação de diversos fatores ao mesmo tempo (LIZARELLI, 2008).

2.5.5 FASE V: CONTROLAR

BABA (2008) define a última fase do DMAIC como aquela em que as

atividades que tem em vista garantir o funcionamento das soluções, a manutenção da

melhoria alcançada no processo e os ganhos obtidos a partir da melhoria no decorrer do

tempo são realizadas. A fase de controle pode ser subdividida em dois níveis: nível

tático e nível estratégico.

BABA (2008) evidencia que dentro do nível tático existem os métodos de

controle quantitativo e qualitativo. O método qualitativo de controle gera um plano

constante de ações, que orienta os participantes do processo sobre como agir, e é o

plano de resposta. Este plano de resposta gera “alarmes de ação” que indicam a

presença de algum problema e alertam para que medidas corretivas sejam tomadas. O

plano de resposta também indica sobre a necessidade de “diretrizes para consertos de

curto prazo ou de emergência, permitindo que um problema seja solucionado sem a

presença de uma equipe especializada e sem gerar efeitos colaterais resultantes de

soluções provisórias”. Já o método quantitativo define que se o processo está

padronizado, a fase de melhoria é concluída satisfatoriamente, uma vez que processos

não padronizados apresentam acontecimentos imprevisíveis e não repetitivos, ou seja,

acontecimentos que mudam cada vez que o processo ocorre. Gráficos de controle são

28

utilizados para fornecer a média e desvio padrão dos dados para indicar a probabilidade

de ocorrência de itens ficarem fora dos limites de controle.

Já o nível estratégico, segundo (BABA, 2008), diz respeito à sustentação do

Six sigma dentro da organização. Isto ocorre através de trabalho contínuo dos

executivos, que devem criar e manter sistemas e estruturas para que esta ferramenta tão

importante seja mantida.

Ferramentas como Controle Estatístico de Processos (CEP) e Gráficos de

Controle auxiliam o desenvolvimento desta etapa.

Controle Estatístico do Processo e Gráficos de Controle – é a medição e a

avaliação das variações do processo: essa medição auxilia a verificação de

possíveis problemas que não são comuns aos processos. Para isso, tem-se o

auxílio dos gráficos de controle (LIZARELLI, 2008).

29

3 METODOLOGIA

3.1 O MÉTODO DE PESQUISA

A condução adequada de procedimentos metodológicas no desenvolvimento

de trabalhos científicos torna-se de grande importância porque gera trabalhos melhor

estruturados, que então podem ser aprimorados e replicados por outros pesquisadores

visando, sobretudo, a busca do desenvolvimento da teoria por meio de sua extensão ou

refinamento. Em último caso, novas teorias podem ser propostas através de trabalhos

bem desenvolvidos, contribuindo então para a geração de conhecimento. Desta maneira,

inúmeras alternativas de propostas metodológicas podem ser utilizadas, sendo que as

mais empregadas podem ser categorizadas em: levantamentos tipo survey, modelagem e

simulação, pesquisa-ação e estudo de caso (MIGUEL, 2007).

Neste contexto, o presente trabalho refere-se a uma análise intensiva de uma

situação particular – que é a elevada variabilidade das massas de pacotes de uma linha

de envase, onde é dado ênfase à descrição completa e entendimento do relacionamento

dos fatores da situação dada. Desta forma, o método científico a ser utilizado

caracteriza-se como um Estudo de Caso. O estudo intensivo de um caso permite a

descoberta de relações que não seriam encontradas de outra forma (CESAR, 2006).

Dentro deste método científico, pode-se optar por duas técnicas: a

quantitativa e a qualitativa. A técnica quantitativa preocupa-se em quantificar os dados

utilizando técnicas estatísticas. É amplamente utilizada quando se busca descobrir e

classificar a relação entre variáveis, ou em pesquisas conclusivas, onde relações de

casualidade entre eventos são buscadas. Já a técnica qualitativa é mais direcionada a

estudos de compreensão da vida humana, como antropologia, sociologia, psicologia,

dentre outras ciências sociais. Esta última abordagem abrange estudos com enfoque

naturalístico e interpretativo da realidade (CESAR, 2006).

Os estudos de caso mais comuns são os que têm o foco em uma unidade – um

indivíduo (caso único e singular, como o “caso clínico”) ou múltiplo, nos quais

vários estudos são conduzidos simultaneamente: vários indivíduos, várias

organizações, por exemplo. O estudo de caso não aceita um roteiro rígido para

a sua delimitação, mas é possível definir quatro fases que mostram o seu

delineamento: a) delimitação da unidade-caso; b) coleta de dados; c) seleção,

análise e interpretação dos dados; d) elaboração do relatório. Os estudos de

30

caso têm várias aplicações. Assim, é apropriado para pesquisadores

individuais, pois dá a oportunidade para que um aspecto de um problema seja

estudado em profundidade dentro de um período de tempo limitado. Além

disso, parece ser apropriado para investigação de fenômenos quando há uma

grande variedade de fatores e relacionamentos que podem ser diretamente

observados e não existem leis básicas para determinar quais são importantes

(VENTURA, 2007).

3.2 O OBJETO DE PESQUISA

3.2.1 DESCRIÇÃO DA EMPRESA

A empresa é uma indústria norte-americana de grande porte no segmento de

agricultura. A unidade em questão opera durante 7 dias na semana/24 horas por dia,

parando somente para manutenção.

Esta unidade oferece a seus clientes no Brasil e no exterior, produtos de

eficiente controle protegendo a lavoura de plantas infestantes e conservando a cobertura

natural do solo.

3.2.2 DESCRIÇÃO DO PROCESSO DE ESTUDO

Inicialmente, uma reação de oxidação ocorre em batelada. Em seguida, o

produto passa por determinadas operações unitárias e então se inicia o processo

contínuo. Após o processo contínuo, temos o primeiro produto do processo, que é um

ácido.

Para produção do herbicida, o ácido passa por uma série de reações de:

neutralização, formulação e secagem, e após sua produção é armazenado em um Silo de

Estocagem.

A quantidade de produto que fica armazenada no Silo depende da vazão da

linha produtiva e da vazão de retirada do produto do Silo pela linha de Envase, de modo

que variações na vazão da linha produtiva e variações na cadência da linha de Envase

afetam diretamente o peso de produto no Silo, que não é constante.

Na linha de Envase, há a dosagem de produto para a formação dos pacotes,

e esta dosagem é volumétrica. Em sequência à dosagem e à formação dos pacotes, há

31

uma balança que pesa estes pacotes. Este equipamento de pesagem possui um sistema

de rejeito, rejeitando pacotes que apresentam peso fora da especificação.

3.2.3 PROCESSO RESUMIDO DE ENVASE DO PRODUTO

O produto resultante da linha produtiva é estocado em um Silo que é ligado

a transportadores mecânicos que levam o produto até a Linha de Envase. A linha de

Envase inicia seu processo com uma Ensacadeira. Este equipamento tem a função de

embalar o produto e para isso realiza três tarefas: (i) – a dosagem da quantidade

necessária de produto; (ii) - a embalagem com filme plástico e (iii) – a lacragem do

filme, na vertical e horizontal, formando o pacote. A Ensacadeira possui um silo de

estocagem de volume muito pequeno que a abastece a partir dos transportadores.

Após serem lacrados na Ensacadeira, os pacotes são pesados

individualmente sem parar na linha de transporte, e caso apresentem massa total fora da

especificação são rejeitados pelo sistema de rejeito. A massa ideal de cada pacote é de

5000 gramas. Porém, existe uma faixa de aprovação de até 1% acima ou abaixo de 5000

gramas, parâmetro este pré-estabelecido pela área de Qualidade. Portanto, os pacotes

que são rejeitados pelo sistema de rejeito da balança são aqueles que possuem massa

abaixo de 4950 gramas ou acima de 5051 gramas.

A Ensacadeira possui um sistema de dosagem que utiliza copos de aço-

inoxidável, por isso tem-se uma dosagem volumétrica em que as alturas dos copos são

ajustadas automaticamente pelo sistema da balança para atingir a massa total padrão de

5000 g. Desta forma, a alteração da altura do copo resulta em alteração de seu volume.

Portanto, como a formação da massa do pacote é realizada por dosagem volumétrica,

variações em parâmetros de processo como a densidade do produto, por exemplo,

ocasionarão variação no peso resultante do produto contido nos copos.

A balança calcula a média do peso de 10 pacotes que passam em sequência,

e compara esta média com o valor ideal de 5000 gramas. Se esta média resultar em um

valor acima de 5000 gramas, ela reduz automaticamente a altura dos copos da

Ensacadeira a fim de diminuir a massa final de novos pacotes que estão sendo

formados. Por outro lado, se a média do peso de 10 pacotes estiver abaixo de 5000

gramas, a altura dos copos da Ensacadeira é aumentada automaticamente a fim de

aumentar o peso dos novos pacotes. A média de 10 pacotes é calculada a cada novo

32

pacote que passa pela balança. Para melhor compreensão do que ocorre na Ensacadeira,

imagine a existência de uma fila na esteira transportadora com os primeiros 10 pacotes

em sequência quando o equipamento começa a operar. . Quando o primeiro pacote da

fila passar pela balança, a contagem se inicia. Após a passagem do décimo pacote, a

balança irá calcular a média, comparar com o valor de 5000 gramas e efetuar a ação de

correção da altura dos copos a fim de alcançar este valor de 5000 gramas. Daí para

frente, a lógica é a seguinte: quando o décimo primeiro pacote passar, a balança

desconsiderará o peso do primeiro pacote, e irá calcular a média de 10 pacotes com o

peso do segundo ao décimo primeiro, e efetuará a ação de correção. Isto acontece

sucessivamente, de modo que a média calculada, automaticamente, sempre é a dos dez

últimos pacotes que passaram pela Ensacadeira. E a cada pacote que passa, uma ação de

correção é tomada, e quando o peso do pacote está fora da faixa especificada, ocorre seu

rejeito da linha.

Os pacotes rejeitados são acumulados em um carrinho, e quando este

carrinho tem seu espaço completado, alguns operadores direcionam suas atividades para

o reprocesso. Eles rasgam os pacotes, descartam os filmes de embalagem rasgados e

acumulam o produto em Bags de 500 kg. Estes Bags são levados até a área de Processo,

onde a massa contida no Bag é reprocessada.

Após o sistema de rejeito, os pacotes aprovados e provenientes da

Ensacadeira seguem para as demais etapas para embalagem de produto final.

3.3 COLETA E ANÁLISE DE DADOS

Amostras do produto final foram coletadas a cada três horas, de acordo com

procedimentos da área da Qualidade, para medir: i) teor de surfactante, ii) pH final, iii)

umidade final e iv) densidade final do produto, e ocorre na etapa anterior à entrada de

produto no Silo de estocagem. Desta maneira, também foram coletados dados sobre o v)

Peso de produto no Silo e vi) massa de dez pacotes embalados, a cada três horas

também. Esta amostragem foi realizada durante três dias.

E para possibilitar a relação dos dez valores das massas dos pacotes

recolhidos nos intervalos de 3 em 3 horas com os valores das variáveis do processo de i)

a v), foi calculada uma média para cada dez valores de massa de pacotes recolhidos no

intervalo definido – chamada então de variável vi).

33

As variáveis de i) a vi) foram então caracterizadas, encontrando-se os

valores Mínimo, 1º Quartil, Mediana, 3º Quartil e Máximo. E foram calculadas as

seguintes médias para cada variável: Média entre o valor Mínimo e o valor do 1º Quartil

(M1), média entre o valor do 1º Quartil e a Mediana (M2), média entre Mediana e 3º

Quartil (M3) e média entre 3º Quartil e Máximo (M4). E em seguida, os valores

coletados de cada variável que eram maiores ou iguais ao valor Mínimo, e menores que

o 1º Quartil foram substituídos por M1. Os valores que eram maiores ou iguais ao valor

do 1º Quartil e menores que a Mediana foram substituídos por M2. Os valores que eram

maiores ou iguais a Mediana e menores que o 3º Quartil foram substituídos por M3. E

os valores maiores ou iguais ao 3º Quartil e menores ou iguais ao Máximo foram

substituídos por M4.

Na sequência, os valores de massa média originados no procedimento

anterior, foram subtraídos do valor de 5000 gramas, que é o valor desejado da massa

dos pacotes, e o resultado da subtração foi dado em módulo. E esta diferença passou a

ser chamada de ∆m.

E então, os dados de i) teor de surfactante, ii) pH final, iii) umidade final,

iv) densidade final, v) peso de produto no Silo e vi) ∆m foram analisados através de

duas ferramentas gráficas: Main Effects Plot e Multi Vari Chart. A primeira visou

avaliar se as variáveis de i) a v) realmente impactavam na variabilidade da massa dos

pacotes no momento do envase – variável iv). E a segunda visou analisar o efeito da

combinação de duas variáveis de i) a v) na variável resposta (∆m). Foram construídos

Gráficos Multi Vari para todas as combinações possíveis, e para cada uma das

combinações, foram sugeridos valores ótimos das duas variáveis que resultavam no

menor ∆m. Ao final de todas as análises, todas as variáveis otimizadas (que geravam

menor ∆m) foram analisadas em conjunto para que fossem definidos os melhores

valores.

34

4 RESULTADOS E DISCUSSÕES

Inicialmente na Figura 4, estão apresentadas, através de um fluxograma,

todas as etapas do processo de fabricação do herbicida, desde a matéria prima até a

embalagem final. Cada um dos processos da linha de Produção está representado na

vertical (Etapas 1 a 7), e o Silo de estocagem está alocado junto à linha de produção. E

cada um dos processos da linha de Envase está representado na horizontal (Etapas 8 a

11). As Linhas de Produção e de Envase operam continuamente.

Figura 4 - Fluxograma resumido das áreas de Processo e Envase

4.1 O PROCESSO DE PRODUÇÃO DO HERBICIDA

A etapa 1 do processo recebe o princípio ativo da formulação do herbicida,

que é um ácido.

Na etapa 2, ocorre a neutralização deste ácido com uma base. O ácido

encontra-se na forma sólida, e a base é adicionada a uma taxa para atingir o pH

requerido pelo produto. O pH nesta etapa do processo deve variar entre 3 e 5. Se o pH

estiver abaixo de 3, é sinal de que a reação não foi completada, sem o consumo total do

ácido. E se o pH estiver maior do que 5 , significa que maior quantidade de base foi

LINHA DE ENVASE

LINHA

DE

PRODUÇÃO

35

adicionada do que o desejado. Esta etapa de neutralização ocorre em reator encamisado

para possibilitar a troca de calor e controle de temperatura.

Na etapa 3 do processo, surfactante é adicionado ao sal para atingir a

composição desejada da formulação.

O produto proveniente da etapa 3 de Formulação sai na forma de “pasta”,

uma vez que o ácido – matéria prima é adicionado na reação na forma sólida. Esta pasta

é passada por um equipamento na etapa 4 que transforma a pasta em grânulos.

Na etapa 5 do processo, o produto formulado em grânulos passa por um

equipamento secador que tem a finalidade de reduzir a umidade do produto formulado.

Após a passagem pelo secador o produto deve estar com uma umidade máxima de 1%

em massa (1 grama de água para 100 gramas de produto).

Após a etapa de secagem, os grânulos de produto final vão para a etapa 6,

onde passam por um equipamento que quebra os grânulos para que a densidade dos

mesmos esteja na faixa de 0,50 e 0,60 g/cm³. Portanto, o ajuste deste equipamento

confere a densidade desejada. Após a quebra, os grânulos passam por peneiração para

que o produto final tenha tamanho de grânulo padrão.

O produto possui umidade, pH, densidade e teor de surfactante finais. A

umidade ideal do produto deve ter um valor máximo de 1% em massa (1 grama de água

para 100 gramas de produto). O pH final deve estar na faixa de 3 a 5. A densidade do

produto deve estar entre 0,50 – 0,60 g/cm3. E o teor de surfactante pode variar entre 10 a

13% (10 a 13 gramas de surfactante para cada 100 gramas de produto). Amostras de

produto são recolhidas periodicamente na etapa anterior ao Silo de estocagem, para

análise das seguintes variáveis: i) teor de surfactante, ii) pH final do produto, iii)

umidade final do produto e iv) densidade do produto.

O produto segue um fluxo contínuo até a linha de Envase. Porém, se

detectado que alguma variável está fora da especificação, os operadores conseguem

alinhar o fluxo de produto para Bags de 500 kg, para que o produto “ruim” não vá para

o Silo de estocagem.

O Silo de estocagem armazena uma quantidade máxima de 8000 kg de

produto, sendo que o peso da quantidade real lá existente pode ser obtido, através de

software computacional, a qualquer momento.

36

4.2 COLETA DE DADOS

A coleta de dados é feita a cada três horas, de acordo com procedimentos da

área da Qualidade, a fim de medir: i) teor de surfactante, ii) pH final do produto, iii)

umidade final do produto e iv) densidade do produto. Desta maneira, também foram

coletados dados sobre o Peso de produto no Silo (na etapa 7) e massa dos pacotes

embalados (na etapa 9) a cada três horas também, de modo que fosse possível relacionar

as variáveis do processo com a massa dos pacotes formados no Envase (etapa 8).

O processo produtivo tem sido amplamente analisado juntamente aos

operários que trabalham na área de Envase. O principal feedback dado é que desde o

início da produção deste herbicida, eles tem percebido que variações na densidade e na

umidade do produto final causam impacto no processo de Envase. Como a faixa de

especificação de densidade do produto é de 0,50 a 0,60 g/cm3

e umidade desejada é de

no máximo 1% em massa, ocorre que frequentemente, os operários reportam aos

engenheiros, que quando a densidade e a umidade do produto final estão próximas aos

extremos da faixa de especificação, ocorre muita variabilidade na massa dos pacotes.

Quando isto acontece, as massas totais dos pacotes tendem a estarem distantes do valor

desejado de 5000 gramas, atingindo valores superiores a 5051 gramas ou inferiores a

4950 gramas, o que ocasiona o rejeito dos mesmos e posterior reprocesso. Em função

disto, decidiu-se estudar as seguintes variáveis de processo i) teor de surfactante, ii) pH

final do produto, iii) umidade final do produto e iv) densidade do produto e (v) Peso de

produto no Silo. O objetivo deste estudo é a otimização destas variáveis para que seus

impactos possam vir a ser minimizados na área de envase.

A retirada de amostra de produto final, para sua análise, foi feita na entrada

de produto no Silo de estocagem. A partir da capacidade de estocagem do Silo e da

vazão de produto que entra no mesmo, calculou-se o tempo que o produto leva para

chegar à Ensacadeira e obteve-se o tempo de 30 minutos. Desta forma, passou-se a

anotar a massa de 10 pacotes, após 30 minutos da retirada da amostra de produto. Isto

foi feito de 3 em 3 horas.Esta amostragem foi realizada durante três dias, período este

que foi sugerido pelo Engenheiro de Processos da área, baseado em conhecimentos

estatísticos e no fato de que conhece muito bem os processos de produção e envase e

37

que esta amostragem seria representativa e abrangeria adequadamente as variações que

existem.

4.2.1 ANÁLISE DAS MASSAS DOS PACOTES

Todos os valores obtidos para as massas dos pacotes, em gramas, durante os

três dias, encontram-se no Apêndice A. A Tabela 4 apresenta os valores obtidos nas três

primeiras coletas realizadas, onde o código m1 refere-se à massa do primeiro pacote,

m2 à massa do segundo pacote e assim sucessivamente.

Tabela 4 -Valores das massas de 10 pacotes analisados no intervalo de 3 em 3 horas.

12:00

dia 1

m1= 4998

15:00

dia 1

m1= 5005

18:00

dia 1

m1= 5017

m2= 4994

m2= 5000

m2= 5013

m3= 4986

m3= 5004

m3= 5026

m4= 4983

m4= 5005

m4= 5029

m5= 4995

m5= 5002

m5= 5017

m6= 4993

m6= 5006

m6= 5015

m7= 4995

m7= 5005

m7= 5016

m8= 5000

m8= 5000

m8= 5013

m9= 5008

m9= 5009

m9= 5018

m10= 5014

m10= 5009

m10= 5018

A utilização de procedimentos estatísticos para análise de dados exige o

cuidado de confirmar que os dados obtidos são oriundos de uma distribuição normal.

Pata tal fim, realizou-se um teste de normalidade, através do software MINITAB®

para

determinar se os dados obtidos nos três dias seguiam uma distribuição normal. Os

resultados encontrados estão no Gráfico 4.

38

5040503050205010500049904980497049604950

99,9

99

95

90

80

7060504030

20

10

5

1

0,1

Massa pacote

Pe

rce

nt

Mean 5001

StDev 13,65

N 230

AD 0,363

P-Value 0,439

Teste de Normalidade - Massa dos pacotesNormal

Gráfico 4 - Teste de Normalidade para amostra coletada na linha de Envase.

O teste de Normalidade utilizado foi o de Anderson Darling, que considera

que para a distribuição ser normal, o valor de p-value deve ser maior que 0,05, em que o

valor 0,05 é chamado de α e refere-se à probabilidade de erro do tipo I. A probabilidade

de erro do tipo I é a probabilidade de rejeitar a hipótese nula Ho quando Ho é

verdadeiro. Para este caso, a hipótese nula Ho é a distribuição ser normal, e a hipótese

alternativa H1 é a distribuição não ser normal. Portanto, se p-value for maior do que

α=0,05, deve-se aceitar a hipótese nula Ho de que a distribuição é normal. Se esta

hipótese Ho não for aceita, o erro tipo I estará sendo cometido (MONTGOMERY,

2009).

Como o valor de p-value encontrado foi de 0,439 (Gráfico 4), e é maior do

que a probabilidade α=0,05, concluiu-se que os dados de massa dos pacotes seguiam a

distribuição normal e, portanto ferramentas estatísticas poderiam ser utilizadas na

análise da amostra .

Em seguida, foi construída uma carta de controle com os valores das massas

coletadas de 3 em 3 horas no equipamento de pesagem da linha de Envase, durante três

dias, para analisar a variabilidade do processo de Envase. A carta de controle está

representada no Gráfico 5.

39

208185162139116937047241

5040

5030

5020

5010

5000

4990

4980

4970

4960

4950

Observation

Ind

ivid

ua

l V

alu

e

_X=5000,85

UCL=5015,78

LCL=4985,93

11

1

11

1

11

1

11

1

1

1111

1

111111

111

11111

1

11

11

111

1

111

111

111

1

11111

11

1

1

Carta de Controle

Gráfico 5 - Carta de controle com representação do valor médio e limites superior e

inferior de controle.

Esta carta de controle foi obtida com o software MINITAB®

, que calcula o

valor médio de todos os dados (X) e os limites superior de controle (UCL) e inferior de

controle (LCL). Estes limites são definidos pela distância de 3σ (3 vezes o desvio

padrão dos dados) a partir da linha central.

No Gráfico 5, os pontos em vermelho com o número “1” simbolizam

valores maiores que 3σ em relação à linha central, e sinalizam pontos fora dos limites,

indicando um processo fora do controle, com variabilidade devido a causas especiais.

Comprovada a variabilidade do processo de envase, os dados das massas

dos pacotes foram trabalhados a fim de serem relacionados com os valores das variáveis

de processos através de ferramentas do MINITAB®.

A cada 3 horas, obteve-se um valor de cada variável, porém obtiveram-se

dez valores de massa de pacotes (amostragem de dez pacotes). Assim, para possibilitar a

relação dos valores das massas dos pacotes recolhidos nos intervalos de 3 em 3 horas

com os valores das variáveis do processo, foi calculada uma média para cada dez

valores de massa de pacotes recolhidos no intervalo definido. As médias estão

representadas na Tabela 5.

40

Tabela 5 - Média da massa de dez pacotes para cada intervalo.

Intervalo Massa média

(gramas)

12:00 - dia 1 4996,6

15:00 - dia 1 5004,5

18:00 - dia 1 5018,2

21:00 - dia 1 5003,5

00:00 - dia 2 4982,1

03:00 - dia 2 5004,0

06:00 - dia 2 5011,2

09:00 - dia 2 5015,9

12:00 - dia 2 4988,7

15:00 - dia 2 5016,9

18:00 - dia 2 4993,0

21:00 - dia 2 4995,1

00:00 - dia 3 4992,5

03:00 - dia 3 5005,2

06:00 - dia 3 5004,2

09:00 - dia 3 4997,8

12:00 - dia 3 4998,1

15:00 - dia 3 4998,8

18:00 - dia 3 5001,0

21:00 - dia 3 4990,5

00:00 - dia 4 5019,9

03:00 - dia 4 4970,5

06:00 - dia 4 5011,4

41

4.3 DADOS DO PROCESSO PRODUTIVO E DO PROCESSO DE ENVASE

As seguintes variáveis de processo: i) teor de surfactante (% em massa), ii)

pH final do produto, iii) umidade final do produto - U% (% em massa) e iv) densidade

do produto (g/cm³), (v) - Peso de produto no Silo (em Kg) e (vi) massa média de dez

pacotes (gramas) estão na Tabela 6, em função do intervalo de 3 em 3 horas com o

qual as coletas foram feitas.

Tabela 6 - Variáveis de processo e massa média coletados a cada 3 horas.

Intervalo

Teor

Surfactante

(%)

U % (%) pH final Densidade

(g/cm³) Peso Silo (kg)

Massa

média (g)

12:00 - dia 1 11,40 0,92 3,74 0,58 2822,40 4996,6

15:00 - dia 1 11,61 0,45 3,78 0,55 1094,40 5004,5

18:00 - dia 1 12,40 0,85 3,90 0,57 476,40 5018,2

21:00 - dia 1 12,00 0,52 3,66 0,56 2255,60 5003,5

00:00 - dia 2 12,50 0,66 3,68 0,57 367,30 4982,1

03:00 - dia 2 12,10 0,46 3,76 0,57 370,90 5004,0

06:00 - dia 2 12,10 0,48 3,64 0,55 1785,20 5011,2

09:00 - dia 2 12,30 0,44 3,71 0,55 1117,20 5015,9

12:00 - dia 2 11,80 0,55 3,71 0,56 493,70 4988,7

15:00 - dia 2 12,20 0,48 3,72 0,57 2701,50 5016,9

18:00 - dia 2 11,70 0,32 3,71 0,53 4455,00 4993,0

21:00 - dia 2 12,00 0,40 3,68 0,55 6461,30 4995,1

00:00 - dia 3 12,10 0,68 3,71 0,56 6455,10 4992,5

03:00 - dia 3 11,90 0,60 3,63 0,56 2697,90 5005,2

06:00 - dia 3 11,80 0,31 3,62 0,55 3314,30 5004,2

09:00 - dia 3 12,50 0,33 3,68 0,54 1824,60 4997,8

12:00 - dia 3 11,70 0,46 3,68 0,55 1233,10 4998,1

15:00 - dia 3 12,00 0,42 3,74 0,56 2335,60 4998,8

18:00 - dia 3 12,10 0,67 3,70 0,56 4949,80 5001,0

21:00 - dia 3 12,00 0,35 3,67 0,55 4236,40 4990,5

00:00 - dia 4 12,10 0,38 3,73 0,55 2136,40 5019,9

03:00 - dia 4 11,60 0,37 3,64 0,55 2475,10 4970,5

06:00 - dia 4 11,70 0,40 3,70 0,54 903,20 5011,4

Em seguida, para cada uma das variáveis da tabela 6, foram calculados os

valores Mínimo, 1º Quartil, Mediana, 3º Quartil e Máximo através do MINITAB®. Em

que a mediana é o valor que separa os dados, ordenados em ordem crescente, ao meio.

42

Isto é, 50% dos dados têm valores superiores ao da mediana e 50% inferior. Da mesma

maneira, o 1º Quartil refere-se ao valor em que 25% dos valores, ordenados em ordem

crescente, estão abaixo dele, e o 3º Quartil refere-se ao valor em que 75% dos valores,

ordenados em ordem crescente, estão abaixo dele. Estes três valores são utilizados para

resumir dados juntamente com os valores mínimo e máximo, e estão representados na

Tabela 7.

Tabela 7 - Valores Mínimo, 1º Quartil, Mediana, 3º Quartil e Máximo.

MÍNIMO

1º

QUARTIL MEDIANA

3º

QUARTIL MÁXIMO

Teor

Surfactante

(%)

11,4 11,7 12,0 12,1 12,5

U % (%) 0,31 0,38 0,46 0,60 0,92

pH 3,62 3,67 3,70 3,73 3,9

Densidade

(g/cm³) 0,53 0,55 0,55 0,56 0,58

Peso Silo

(kg) 367,3 1094,4 255,6 3314,3 6461,3

Massa média

(g) 4970,5 4993,0 5001,0 5011,2 5019,9

Devido a possibilidade da presença de causas especiais não identificáveis no

processo que poderiam interferir na realidade dos dados da amostragem, foi realizado o

artifício matemático abaixo, de forma a minimizar o efeito deste tipo de interferência na

amostragem coletada. Causas especiais são variações que não são normais ao processo e

este procedimenta visa minimizar o impacto destas causas.

A partir dos dados da Tabela 7, para cada coluna de dados, foram calculadas

as seguintes médias: Média entre Mínimo e 1º Quartil (M1), média entre 1º Quartil e

Mediana (M2), média entre Mediana e 3º Quartil (M3) e média entre 3º Quartil e

Máximo (M4). Os valores apurados estão na tabela 8.

43

Tabela 8 - Valores Médios entre Mínimo, 1º Quartil, Mediana, 3º Quartil e Máximo.

Média entre o

valor mínimo e o

valor do 1º

quartil (M1)

Média entre o

valor do 1º

quartil e o valor

da mediana (M2)

Média entre o

valor da

mediana e o

valor do 3º

quartil (M3)

Média entre o

valor do 3º

quartil e o valor

máximo (M4)

Teor

Surfactante

(%)

11,55 11,85 12,05 12,30

U % (%) 0,35 0,42 0,53 0,76

pH 3,65 3,69 3,72 3,82

Densidade

(g/cm³) 0,54 0,55 0,56 0,57

Peso Silo

(kg) 731 1675 2785 4888

Massa média

(g) 4981,8 4997,0 5006,1 5015,6

Na sequência, utilizando-se os dados das tabelas 7 e 8, para cada variável

das tabelas:

os valores que eram maiores ou iguais ao valor mínimo, e menores

que o 1º Quartil (tabela 7) foram substituídos por M1 (tabela 8);

os valores que eram maiores ou iguais ao valor do 1º Quartil e

menores que a mediana (tabela 7) foram substituídos por M2 (tabela

8);

os valores que eram maiores ou iguais a mediana e menores que o

3º Quartil (tabela 7) foram substituídos por M3 (tabela 8);

e os valores maiores ou iguais ao 3º Quartil e menores ou iguais ao

máximo (tabela 7) foram substituídos por M4 (tabela 8);

E assim foi obtida a Tabela 9 com dados sumarizados.

44

Tabela 9 - Tabela de variáveis do processo e de envase ajustadas.

Teor

Surfactante

(%)

U % (%) pH final Densidade

(g/cm³) Peso Silo (kg)

Massa média

(g)

11,55 0,76 3,82 0,57 2785 4997,0

11,55 0,42 3,82 0,55 1675 5006,1

12,30 0,76 3,82 0,57 731 5015,6

12,05 0,53 3,65 0,57 2785 5006,1

12,30 0,76 3,69 0,57 731 4981,8

12,30 0,53 3,82 0,57 731 5006,1

12,30 0,53 3,65 0,55 1675 5015,6

12,30 0,42 3,72 0,55 1675 5015,6

11,85 0,53 3,72 0,57 731 4981,8

12,30 0,53 3,72 0,57 2785 5015,6

11,85 0,35 3,72 0,54 4888 4997,0

12,05 0,42 3,69 0,55 4888 4997,0

12,30 0,76 3,72 0,57 4888 4981,8

11,85 0,76 3,65 0,57 2785 5006,1

11,85 0,35 3,65 0,55 4888 5006,1

12,30 0,35 3,69 0,54 1675 4997,0

11,85 0,53 3,69 0,55 1675 4997,0

12,05 0,42 3,82 0,57 2785 4997,0

12,30 0,76 3,72 0,57 4888 5006,1

12,05 0,35 3,69 0,55 4888 4981,8

12,30 0,42 3,82 0,55 1675 5015,6

11,55 0,35 3,65 0,55 2785 4981,8

11,85 0,42 3,72 0,54 731 5015,6

Em seguida, os valores de massa média da tabela 9 foram subtraídos do

valor de 5000 gramas, que é o valor desejado da massa dos pacotes, e o resultado da

subtração foi dado em módulo. Esta operação de subtração foi efetuada para que na

análise de dados sejam buscados os valores de variáveis de processo que se

relacionavam com os menores valores desta subtração, que significa uma menor

variação em relação ao valor ideal. Quanto mais próximo de zero, menor variação da

massa do pacote em relação à massa ideal, e quanto maior o resultado desta subtração,

maior a variação da massa do pacote. As diferenças apuradas em relação ao valor

padrão de 5000 gramas, em módulo, estão representadas na Tabela 10. E esta diferença

passa a ser chamada de ∆m (variação média de massa de pacote em relação ao valor

ideal).

45

Tabela 10 - Tabela de variáveis ajustadas com diferença de massa apurada.

Teor

Surfactante

(%)

U % (%) pH final Densidade

(g/cm³) Peso Silo (kg) ∆m (g)

11,55 0,76 3,82 0,57 2785 3,0

11,55 0,42 3,82 0,55 1675 6,1

12,30 0,76 3,82 0,57 731 15,6

12,05 0,53 3,65 0,57 2785 6,1

12,30 0,76 3,69 0,57 731 18,3

12,30 0,53 3,82 0,57 731 6,1

12,30 0,53 3,65 0,55 1675 15,6

12,30 0,42 3,72 0,55 1675 15,6

11,85 0,53 3,72 0,57 731 18,3

12,30 0,53 3,72 0,57 2785 15,6

11,85 0,35 3,72 0,54 4888 3,0

12,05 0,42 3,69 0,55 4888 3,0

12,30 0,76 3,72 0,57 4888 18,3

11,85 0,76 3,65 0,57 2785 6,1

11,85 0,35 3,65 0,55 4888 6,1

12,30 0,35 3,69 0,54 1675 3,0

11,85 0,53 3,69 0,55 1675 3,0

12,05 0,42 3,82 0,57 2785 3,0

12,30 0,76 3,72 0,57 4888 6,1

12,05 0,35 3,69 0,55 4888 18,3

12,30 0,42 3,82 0,55 1675 15,6

11,55 0,35 3,65 0,55 2785 18,3

11,85 0,42 3,72 0,54 731 15,6

4.4 ANÁLISE DE VARIÁVEIS NO PROCESSO DE ENVASE

Esta etapa do trabalho visou avaliar se as variáveis do processo realmente

impactavam na variabilidade da massa dos pacotes no momento do envase. Para isto,

utilizou-se a ferramenta Main Effetcs Plot do MINITAB®, que gera um gráfico de

médias dos níveis dos fatores. Esta ferramenta analisou a relação entre a diferença

apurada em relação ao valor padrão (∆m), com as seguintes variáveis do processo: i)

Teor de Surfactante, ii) umidade do produto final (U%), iii) pH do produto final, iv)

densidade do produto final, e v) Peso de produto no Silo. Os cinco gráficos que

compõem o Gráfico 6 mostram estas interações.

46

12,3012,0511,8511,55

14

12

10

8

0,760,530,420,35 3,823,723,693,65

0,570,550,54

14

12

10

8

488827851675731

Teor SurfactanteM

ea

nU % pH final

Densidade Peso Silo

Main Effects Plot for ∆mData Means

Gráfico 6 - Gráficos de relação entre ∆m e variáveis do processo.

Conforme exemplificado na Revisão Bibliográfica (Seção 2.5.3), a análise

do Gráfico 6 revela que todas as variáveis (teor de surfactante, umidade, pH final,

densidade e peso de produto no Silo) tem uma relação clara com a variabilidade da

massa dos pacotes no processo de envase, uma vez que quanto maior o ângulo entre as

retas que ligam os pontos pretos e o eixo horizontal, maior o impacto da variável da

variação de massa no pacote.

Os valores de diferença apurada em relação ao valor padrão (∆m)

representados no eixo y são valores médios, calculados pelo MINITAB®. E o

procedimento de cálculo destes valores pode ser consultado através da seção 2.5.3 da

Revisão Bibliográfica.

47

4.5 MULTI VARI CHART FOR A TWO FACTOR DESIGN

Multi Vari Chart for a two factor design é uma ferramenta gráfica que

analisa o efeito de duas variáveis em uma variável resposta.

Conforme exemplificado na Revisão Bibliográfica (Seção 2.5.3), os pontos

pretos de um gráfico Multi Vari representam uma variável chamada de Fator 1. E os

pontos vermelhos correspondem a um valor médio da variável resposta (variável

representada no eixo y). A definição de cada ponto preto fica representada na caixa no

canto superior direito. Para cada variável do Fator 2 (ponto vermelho), tem-se as

variáveis respostas representadas para cada Fator 1 (ponto preto). Um fato importante

na ánalise Multi-Vari é a ordem dos Fatores 1 e 2. A ordem de inserção dos fatores no

MINITAB® altera somente o layout do gráfico Multi Vari, no entanto, a interpretação e

os resultados finais serão os mesmos (SAHAY, 2010).

Foram construídos gráficos Multi Vari em que a variação de massa em

relação ao valor padrão (∆m) foi considerada como a variável resposta. E as variáveis: i)

Teor de Surfactante, ii) umidade do produto final (U%), iii) pH do produto final, iv)

densidade do produto final, e v) Peso de produto no Silo foram combinadas duas a duas,

ou como Fator 1, ou como Fator 2. Foram construídos Gráficos Multi Vari para todas as

combinações possíveis:

∆m x umidade do produto final (variável fixa) x demais variáveis

∆m x densidade do produto final (variável fixa) x demais variáveis

∆m x Teor de surfactante (variável fixa) x demais variáveis

∆m x pH do produto final (variável fixa) x demais variáveis

∆m x Peso do Silo (variável fixa) x demais variáveis

Para cada uma das combinações, foram sugeridos valores da variável fixa

que, combinada com as demais variáveis, resultavam no menor ∆m. Ao final de todas

as análises, todas as variáveis otimizadas (que geram menor ∆m) foram analisadas em

conjunto para que fossem definidos os melhores valores de todas variáveis.

48

4.5.1 OTIMIZAÇÃO DA UMIDADE DO PRODUTO FINAL (U%)

Os Gráficos 7 a 10 tem como objetivo a otimização da Umidade do produto

Final. Os quatro graficos tem como variável resposta a variação de massa em relação ao

valor padrão (∆m) e como variável fixa a Umidade.

O Gráfico 7 analisa a variação de massa (∆m) em função do Teor de

Surfactante e da Umidade.

12,3012,0511,8511,55

20

15

10

5

Teor Surfactante

∆m

0,35

0,42

0,53

0,76

U %

Multi-Vari Chart for ∆m by U % - Teor Surfactante

Gráfico 7 - Correlação entre ∆m (em gramas), umidade do produto final (em %) e Teor

de surfactante (em%).

A análise dos dados do Gráfico 7 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são : U% = 0,42% e Teor

Surfactante = 12,05.

49

O Gráfico 8 analisa a variação de massa (∆m) em função da Densidade e da

Umidade.

0,570,550,54

16

14

12

10

8

6

4

2

Densidade

∆m

0,35

0,42

0,53

0,76

U %

Multi-Vari Chart for ∆m by U % - Densidade

Gráfico 8 - Multi Vari Chart para correlação entre ∆m (em gramas), umidade do

produto final (em %) e densidade do produto final (em g/cm³).

A análise dos dados do Gráfico 8 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são : U% = 0,35% e

Densidade = 0,54 g/cm³.

50

O Gráfico 9 analisa a variação de massa (∆m) em função do pH e da

Umidade.

0,760,530,420,35

20

15

10

5

U %

∆m

3,65

3,69

3,72

3,82

pH final

Multi-Vari Chart for ∆m by pH final - U %

Gráfico 9 - Multi Vari Chart para correlação entre ∆m (em gramas), umidade do

produto final (em %) e pH do produto final.

A análise dos dados do Gráfico 9 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são : U % = 0,35 % e pH

do produto final = 3,72.

51

O Gráfico 10 analisa a variação de massa (∆m) em função do Peso do Silo e

da Umidade.

488827851675 731

20

15

10

5

Peso Silo

∆m

0,35

0,42

0,53

0,76

U %

Multi-Vari Chart for ∆m by U % - Peso Silo

Gráfico 10 - Multi Vari Chart para correlação entre ∆m (em gramas), umidade do

produto final (em %) e Peso de produto no Silo (em kg).

A análise dos dados do Gráfico 10 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são : U % = 0,42 % e

Peso de produto no Silo de 2785 kg.

A Tabela 11 resume os resultados encontrados nos Gráficos 7 a 10 para a

menor variação de massa em relação à massa padrão.

Tabela 11 - Resumo da análise de Umidade (U%)

U % = 0,42 % Teor de surfactante = 12,05 %

U % = 0,35 % Densidade = 0,54 g/cm³

U % = 0,35 % pH final = 3,72 g/cm³

U % = 0,42 % Peso Silo = 2785 kg

52

Os resultados obtidos para a otimização da Umidade sugerem que esta

variável deve estar entre 0,35 e 0,42%.

4.5.2 OTIMIZAÇÃO DA DENSIDADE DO PRODUTO

Os Gráficos 11 a 14 tem como objetivo a otimização da Densidade do

produto Final. Os quatro gráficos tem como variável resposta a variação de massa em

relação ao valor padrão (∆m) e como variável fixa a Densidade.

O Gráfico 11 analisa a variação de massa (∆m) em função do Teor de

surfactante e da Densidade.

12,3012,0511,8511,55

16

14

12

10

8

6

4

2

Teor Surfactante

∆m

0,54

0,55

0,57

Densidade

Multi-Vari Chart for ∆m by Densidade - Teor Surfactante

Gráfico 11 - Multi Vari Chart para correlação entre ∆m (em gramas),

densidade do produto final (em g/cm³) e Teor de surfactante (em %).

A análise dos dados do Gráfico 11 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são : Densidade = 0,57

g/cm³ e Teor de surfactante = 12,05 %.

53

O Gráfico 12 analisa a variação de massa (∆m) em função do pH e da

Densidade.

0,570,550,54

20

15

10

5

Densidade

∆m

3,65

3,69

3,72

3,82

pH final

Multi-Vari Chart for ∆m by pH final - Densidade

Gráfico 12 - Multi Vari Chart para correlação entre ∆m (em gramas), densidade do

produto final (em g/cm³) e pH.

A análise dos dados do Gráfico 12 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: Densidade = 0,54

g/cm³ e pH final = 3,69.

54

O Gráfico 13 analisa a variação de massa (∆m) em função do Peso de

produto no Silo e da Densidade.

488827851675 731

20

15

10

5

Peso Silo

∆m

0,54

0,55

0,57

Densidade

Multi-Vari Chart for ∆m by Densidade - Peso Silo

Gráfico 13 - Multi Vari Chart para correlação entre ∆m (em gramas), densidade do

produto final (em g/cm³) e Peso de produto no Silo (em kg).

A análise dos dados do Gráfico 13 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são : Densidade = 0,57

g/cm³ e Peso de produto no Silo de 2785 kg.

55

O Gráfico 14 analisa a variação de massa (∆m) em função da Umidade e da

Densidade.

0,760,530,420,35

16

14

12

10

8

6

4

2

U %

∆m

0,54

0,55

0,57

Densidade

Multi-Vari Chart for ∆m by Densidade - U %

Gráfico 14 - Multi Vari Chart para correlação entre ∆m (em gramas), densidade do

produto final (em g/cm³) e umidade do produto final (em %).

A análise dos dados do Gráfico 14 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são : Densidade = 0,54

g/cm³ e umidade de produto final de 0,35 %.

A Tabela 12 resume os resultados encontrados nos Gráficos 11 a 14 para a

menor variação de massa em relação à massa padrão.

Tabela 12 - Resumo da análise de Densidade

Densidade = 0,57 g/cm³ Teor de surfactante = 12,05 %

Densidade = 0,54 g/cm³ pH final = 3,69

Densidade = 0,57 g/cm³ Peso Silo = 2785 kg

Densidade = 0,54 g/cm³ Umidade = 0,35 %

Os resultados obtidos para a otimização da Densidade sugerem que esta

variável deve ter uma valor de 0,54 ou 0,57g/cm³.

56

4.5.3 OTIMIZAÇÃO DO TEOR DE SURFACTANTE

Os Gráficos 15 a 18 tem como objetivo a otimização o Teor de surfactante

do produto Final. Os quatro gráficos tem como variável resposta a variação de massa

em relação ao valor padrão (∆m) e como variável fixa o Teor de surfactante.

O Gráfico 15 analisa a variação de massa (∆m) em função da Umidade e do

Teor de surfactante.

12,3012,0511,8511,55

20

15

10

5

Teor Surfactante

∆m

0,35

0,42

0,53

0,76

U %

Multi-Vari Chart for ∆m by U % - Teor Surfactante

Gráfico 15 - Multi Vari Chart para correlação entre ∆m (em gramas), Teor de

surfactante (em %) e umidade do produto final (em %).

A análise dos dados do Gráfico 15 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: Teor de surfactante

= 12,05 % e Umidade do produto final = 0,42 %.

57

O Gráfico 16 analisa a variação de massa (∆m) em função do pH e do Teor

de surfactante.

3,823,723,693,65

20

15

10

5

pH final

∆m

11,55

11,85

12,05

12,30

Surfactante

Teor

Multi-Vari Chart for ∆m by Teor Surfactante - pH final

Gráfico 16 - Multi Vari Chart para correlação entre ∆m (em gramas), Teor de

surfactante (em %) e pH do produto final.

A análise dos dados do Gráfico 16 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: Teor de surfactante

= 12,05 % e pH do produto final = 3,82.

58

O Gráfico 17 analisa a variação de massa (∆m) em função da Densidade e

do Teor de surfactante.

12,3012,0511,8511,55

16

14

12

10

8

6

4

2

Teor Surfactante

∆m

0,54

0,55

0,57

Densidade

Multi-Vari Chart for ∆m by Densidade - Teor Surfactante

Gráfico 17 - Multi Vari Chart para correlação entre ∆m (em gramas), Teor de

surfactante (em %) e densidade do produto final (em g/cm³).

A análise dos dados do Gráfico 17 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: Teor de surfactante

= 12,05 % e Densidade do produto final = 0,57 g/cm³.

59

O Gráfico 18 analisa a variação de massa (∆m) em função do Peso de

produto no Silo e do Teor de surfactante.

488827851675 731

18

16

14

12

10

8

6

4

2

Peso Silo

∆m

11,55

11,85

12,05

12,30

Surfactante

Teor

Multi-Vari Chart for ∆m by Teor Surfactante - Peso Silo

Gráfico 18 - Multi Vari Chart para correlação entre ∆m (em gramas), Teor de

surfactante (em %) e Peso de produto no Silo (em kg).

A análise dos dados do Gráfico 18 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: Teor de surfactante

= 12,05 % e Peso de produto no Silo = 2785 kg.

A Tabela 13 resume os resultados encontrados nos Gráficos 15 a 18 para a

menor variação de massa em relação à massa padrão.

Tabela 13 - Resumo da análise de Teor de surfactante

Teor de surfactante = 12,05 % Umidade = 0,42 %

Teor de surfactante = 12,05 % pH final = 3,82

Teor de surfactante = 12,05 % Densidade = 0,57 g/cm³

Teor de surfactante = 12,05 % Peso Silo = 2785 kg

Os resultados obtidos para a otimização do Teor de surfactante sugerem que

esta variável deve ter uma valor de 12,05%.

60

4.5.4 OTIMIZAÇÃO DO PH FINAL

Os Gráficos 19 a 22 tem como objetivo a otimização do pH do produto

Final. Os quatro gráficos tem como variável resposta a variação de massa em relação ao

valor padrão (∆m) e como variável fixa o pH.

O Gráfico 19 analisa a variação de massa (∆m) em função do Teor de

surfactante e do pH do produto final.

3,823,723,693,65

20

15

10

5

pH final

∆m

11,55

11,85

12,05

12,30

Surfactante

Teor

Multi-Vari Chart for ∆m by Teor Surfactante - pH final

Gráfico 19 - Multi Vari Chart para correlação entre ∆m (em gramas), pH do produto

final e Teor de surfactante (em %).

A análise dos dados do Gráfico 19 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: pH do produto final

= 3,82 e Teor surfactante = 12,05 %.

61

O Gráfico 20 analisa a variação de massa (∆m) em função da Umidade do

produto final e do pH do produto final.

0,760,530,420,35

20

15

10

5

U %

∆m

3,65

3,69

3,72

3,82

pH final

Multi-Vari Chart for ∆m by pH final - U %

Gráfico 20 - Multi Vari Chart para correlação entre ∆m (em gramas), pH do produto

final e umidade do produto final (em %).

A análise dos dados do Gráfico 20 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: pH do produto final

= 3,72 e Umidade do produto final = 0,35 %.

62

O Gráfico 21 analisa a variação de massa (∆m) em função da Densidade do

produto final e do pH do produto final.

0,570,550,54

20

15

10

5

Densidade

∆m

3,65

3,69

3,72

3,82

pH final

Multi-Vari Chart for ∆m by pH final - Densidade

Gráfico 21 - Multi Vari Chart para correlação entre ∆m (em gramas), pH do produto

final e densidade do produto final (em g/cm³).

A análise dos dados do Gráfico 21 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: pH do produto final

= 3,69 e densidade do produto final = 0,54 g/cm³.

63

O Gráfico 22 analisa a variação de massa (∆m) em função do Peso de

produto no Silo e do pH do produto final.

3,823,723,693,65

20

15

10

5

pH final

∆m

731

1675

2785

4888

Peso Silo

Multi-Vari Chart for ∆m by Peso Silo - pH final

Gráfico 22 - Multi Vari Chart para correlação entre ∆m (em gramas), pH do produto

final e Peso de produto no Silo (em kg).

A análise dos dados do Gráfico 22 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: pH do produto final

= 3,82 e Peso de produto no Silo = 2785 kg.

A Tabela 14 resume os resultados encontrados nos Gráficos 19 a 22 para a

menor variação de massa em relação à massa padrão.

Tabela 14 - Resumo da análise de pH final

pH final = 3,82 Teor de surfactante = 12,05 %

pH final = 3,72 Umidade = 0,35 %

pH final = 3,69 Densidade = 0,54 g/cm³

pH final = 3,82 Peso Silo = 2785 kg

Os resultados obtidos para a otimização do pH sugerem que esta variável

deve ter uma valor entre 3,69 e 3,82.

64

4.5.5 OTIMIZAÇÃO DO PESO DE PRODUTO NO SILO

Os Gráficos 23 a 26 tem como objetivo a otimização do Peso de produto no

Silo. Os quatro gráficos tem como variável resposta a variação de massa em relação ao

valor padrão (∆m) e como variável fixa o Peso de produto no Silo.

O Gráfico 23 analisa a variação de massa (∆m) em função da Umidade do

produto final e do Peso de produto no Silo.

488827851675 731

20

15

10

5

Peso Silo

∆m

0,35

0,42

0,53

0,76

U %

Multi-Vari Chart for ∆m by U % - Peso Silo

Gráfico 23 - Multi Vari Chart para correlação entre ∆m (em gramas), Peso de produto

no Silo (em kg) e umidade do produto final (em %).

A análise dos dados do Gráfico 23 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: Peso de produto no

Silo = 2785 kg e Umidade do produto final = 0,42 %.

65

O Gráfico 24 analisa a variação de massa (∆m) em função da Densidade do

produto final e do Peso de produto no Silo.

488827851675 731

20

15

10

5

Peso Silo

∆m

0,54

0,55

0,57

Densidade

Multi-Vari Chart for ∆m by Densidade - Peso Silo

Gráfico 24 - Multi Vari Chart para correlação entre ∆m (em gramas), Peso de produto

no Silo (em kg) e densidade do produto final (em g/cm³).

A análise dos dados do Gráfico 24 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: Peso de produto no

Silo = 2785 kg e Densidade do produto final = 0,57 g/cm³.

66

O Gráfico 25 analisa a variação de massa (∆m) em função do Teor de

Surfactante e do Peso de produto no Silo.

488827851675 731

18

16

14

12

10

8

6

4

2

Peso Silo

∆m

11,55

11,85

12,05

12,30

Surfactante

Teor

Multi-Vari Chart for ∆m by Teor Surfactante - Peso Silo

Gráfico 25 - Multi Vari Chart para correlação entre ∆m (em gramas), Peso de produto

no Silo (em kg) e Teor de surfactante (em %).

A análise dos dados do Gráfico 25 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: Peso de produto no

Silo = 2785 kg e Teor de surfactante = 12,05 %.

67

O Gráfico 26 analisa a variação de massa (∆m) em função do pH do produto

final e do Peso de produto no Silo.

3,823,723,693,65

20

15

10

5

pH final

∆m

731

1675

2785

4888

Peso Silo

Multi-Vari Chart for ∆m by Peso Silo - pH final

Gráfico 26 - Multi Vari Chart para correlação entre ∆m (em gramas), Peso de produto

no Silo (em kg) e pH do produto final.

A análise dos dados do Gráfico 26 permite concluir que os valores que

conferem menor variação de massa em relação à massa ideal são: Peso de produto no

Silo = 2785 kg e pH final = 3,82.

A Tabela 15 resume os resultados encontrados nos Gráficos 23 a 26 para a

menor variação de massa em relação à massa padrão.

Tabela 15 - Resumo da análise de Peso de produto no Silo

Peso Silo = 2785 kg Umidade = 0,42 %

Peso Silo = 2785 kg Densidade = 0,57 g/cm³

Peso Silo = 2785 kg Teor de surfactante = 12,05 %

Peso Silo = 2785 kg pH final = 3,82

Os resultados obtidos para a otimização do Peso de produto no Silo sugerem

que esta variável deve ter uma valor de 2785 kg.

68

4.5.6 ANÁLISE CONJUNTA DAS VARIÁVEIS

Os dados das variáveis otimizadas, contidos nas Tabelas 11 a 15, foram

juntados na Tabela 16, para uma melhor interpretação dos mesmos.

Tabela 16 - Valores otimizados das variáveis

U % = 0,42 % Teor de surfactante = 12,05 %

U % = 0,35 % Densidade = 0,54 g/cm³

U % = 0,35 % pH final = 3,72

U % = 0,42 % Peso Silo = 2785 kg

Densidade = 0,57 g/cm³ Teor de surfactante = 12,05 %

Densidade = 0,54 g/cm³ pH final = 3,69

Densidade = 0,57 g/cm³ Peso Silo = 2785 kg

Densidade = 0,54 g/cm³ Umidade = 0,35 %

Teor de surfactante = 12,05 % Umidade = 0,42 %

Teor de surfactante = 12,05 % pH final = 3,82

Teor de surfactante = 12,05 % Densidade = 0,57 g/cm³

Teor de surfactante = 12,05 % Peso Silo = 2785 kg

pH final = 3,82 Teor de surfactante = 12,05 %

pH final = 3,72 Umidade = 0,35 %

pH final = 3,69 Densidade = 0,54 g/cm³

pH final = 3,82 Peso Silo = 2785 kg

Peso Silo = 2785 kg Umidade = 0,42 %

Peso Silo = 2785 kg Densidade = 0,57 g/cm³

Peso Silo = 2785 kg Teor de surfactante = 12,05 %

Peso Silo = 2785 kg pH final = 3,82

Percebe-se nitidamente que os valores ótimos de Teor de surfactante e Peso

do Silo são 12,05 % e 2785 kg respectivamente. Porém, os valores de umidade,

densidade e pH final não apresentaram valores ótimos semelhantes. Com a análise da

Tabela 16, permite-se constatar que os valores ótimos de densidade, pH e umidade, para

os valores ótimos de Peso do Silo e Teor de Surfactante são 0,57 g/cm³, 3,82 e 0,42%

respectivamente. Em função disto, as variáveis densidade, pH e umidade que

apresentaram valores diferentes destes valores supostamente ótimos foram reanalisadas

69

para verificar se estes valores 0,57 g/cm³, 3,82 e 0,42% realmente resultam em baixa

variação da massa dos pacotes.

Uma reanálise dos gráficos 8 ou 14 (Multi Vari de Umidade do produto final x

densidade do produto final ), revela que para umidade de 0,42% e densidade de 0,57

g/cm³, o valor de variação de massa também é muito baixo. Sendo assim, decidiu-se

optar por estes valores ao invés daqueles primeiramente estabelecidos de 0,35% e 0,54

g/cm³, uma vez que estão sendo analisados os melhores valores que resultem em baixa

variação de massa, para todas as variáveis.

Uma reanálise dos gráficos 12 ou 21 ( Multi Vari de pH do produto final x

densidade do produto final), revela que para pH de 3,82 e densidade de 0,57 g/cm³ o

valor de variação de massa também é muito baixo. Sendo assim, decidiu-se optar por

estes valores ao invés daqueles primeiramente estabelecidos de 3,69 e 0,54 g/cm³, uma

vez que estão sendo analisados os melhores valores que resultem em baixa variação de

massa, para todas as variáveis.

Uma reanálise dos gráficos 9 ou 20, (Multi Vari de pH do produto final x

umidade do produto final), revela que para pH de 3,82 e umidade de 0,42% o valor de

variação de massa também é muito baixo. Sendo assim, decidiu-se optar por estes

valores ao invés daqueles primeiramente estabelecidos de 3,72 e 0,35% uma vez que

estão sendo analisados os melhores valores que resultem em baixa variação de massa,

para todas as variáveis.

Deste modo, a Tabela 17 apresenta os dados ótimos ajustados das variáveis,

em função da analise feita.

70

Tabela 17 - Valores otimizados ajustados das variáveis

U % = 0,42 % Teor de surfactante = 12,05 %

U % = 0,42 % Densidade = 0,57 g/cm³

U % = 0,42 % pH final = 3,82

U % = 0,42 % Peso Silo = 2785 kg

Densidade = 0,57 g/cm³ Teor de surfactante = 12,05 %

Densidade = 0,57 g/cm³ pH final = 3,82

Densidade = 0,57 g/cm³ Peso Silo = 2785 kg

Densidade = 0,57 g/cm³ Umidade = 0,42 %

Teor de surfactante = 12,05 % Umidade = 0,42 %

Teor de surfactante = 12,05 % pH final = 3,82

Teor de surfactante = 12,05 % Densidade = 0,57 g/cm³

Teor de surfactante = 12,05 % Peso Silo = 2785 kg

pH final = 3,82 Teor de surfactante = 12,05 %

pH final = 3,82 Umidade = 0,42 %

pH final = 3,82 Densidade = 0,57 g/cm³

pH final = 3,82 Peso Silo = 2785 kg

Peso Silo = 2785 kg Umidade = 0,42 %

Peso Silo = 2785 kg Densidade = 0,57 g/cm³

Peso Silo = 2785 kg Teor de surfactante = 12,05 %

Peso Silo = 2785 kg pH final = 3,82

71

5. CONCLUSÃO

A empresa objeto de estudo registra um elevado percentual de rejeito de

pacotes em linha por possuírem massa total fora da especificação, devido à grande

variabilidade no processo de envase. Os pacotes que estão fora do peso especificado são

rejeitados da linha, e então têm seu filme rasgado para que o produto seja destinado ao

reprocesso. Deste modo, foi identificado que as variáveis da área produtiva: i) teor de

surfactante, ii) densidade do produto final, ii) pH do produto final, iii) umidade do

produto final, e iv)peso total de produto estocado no Silo tinham grande influência na

variabilidade da massa dos pacotes. Portanto, através do uso da estatística e,

principalmente da ferramenta Multi Vari Chart do software MINITAB®

foram

propostos valores para as variáveis citadas anteriormente com a finalidade de reduzir a

variabilidade da massa dos pacotes em relação ao peso padrão de 5000 gramas.

Na etapa de Neutralização, a base é adicionada a uma taxa para atingir o pH

requerido pelo produto (3 a 5). Desta maneira, a quantidade de base

adicionada na etapa de Neutralização deve ser controlada para que o pH do

produto final seja de 3,82.

A quantidade de surfactante adicionada na etapa de Formulação confere ao

produto final um teor de surfactante de 10 a 13% ( 10 a 13 gramas de

surfactante para cada 100 gramas de produto). Desta maneira, a adição de

surfactante deverá ser controlada de modo que o produto final tenha um

Teor de Surfactante de 12,05 % (12,05 gramas de surfactante para cada 100

gramas de produto).

Na etapa de Adequação dos grânulos do produto, ocorrem ajustes em um

equipamento que quebra os grânulos para que a densidade dos mesmos

esteja na faixa de 0,50 e 0,60 g/cm³. Assim, este equipamento deverá ser

ajustado de tal modo que a densidade do produto final seja de 0,57 g/cm³.

Na etapa de Secagem, o produto formulado em grânulos passa por um

equipamento secador que tem a finalidade de reduzir a umidade do produto

formulado a um valor máximo de 1% em massa (1 grama de água para cada

100 gramas de produto). Deste modo, deverá ser implementada uma

72

melhoria para que exista o ajuste da temperatura de secagem de acordo com

a umidade do produto. A temperatura de secagem deverá ser ajustada de

modo que a umidade do produto final seja de 0,42 % em massa.

A quantidade de produto que fica armazenada no Silo depende da vazão de

produção na área de produtiva e da vazão de retirada de produto do Silo pela

área de Envase. Assim, as vazões das duas áreas deverão ser ajustadas de

modo que o peso de produto no Silo seja o mais próximo possível de 2785

kg.

Novas etapas visando à sequência deste projeto deverão ser definidas na

empresa em estudo, para que as melhorias propostas sejam implementadas e então

analisadas.

73

REFERÊNCIAS BIBLIOGRÁFICAS

ALBUQUERQUE, M. E. E.; ARAÚJO, M. S. G.; FILHO, C. S. A lógica do sistema

kanban na Indústria calçadista: análise de um Sistema de programação da Produção de

solados e palmilhas. XIX ENEGEP – Encontro Nacional de Engenharia de

Produção. 13 p, 1999.

ANDRIETTA, J.M; MIGUEL, P.A.C. Aplicação do programa Seis Sigma no Brasil:

resultados de um levantamento tipo survey exploratório-descritivo e perspectivas para

pesquisas futuras. Gestão da Produção, v.14, p. 203-219, 2007.

ARAUJO, C. A. C.; RENTES, A. F. A metodologia Kaizen na condução de processos

de Mudança em sistemas de produção enxuta, 2006. Revista Gestão Industrial, v. 02,

n. 02: p. 126-135, 2006.

BABA, V.A. Diagnóstico e análise de oportunidade de melhoria em um restaurante

universitário por meio da filosofia Seis Sigma, 2008. 115 p. Dissertação ( Mestrado

em Administração das Organizações)- Universidade de São Paulo (USP), Ribeirão

Preto, 2008.

BREYFOGLE III F. W.; CUPELLO J. M.; MEADOWS, B. Managing Six Sigma: a

practical guide to understanding, assessing, and implementing the strategy that

yields bottom-line success. New York: John Wiley & Sons, Inc., p. 288, 2000.

CESAR, A. Método do Estudo de Caso (Case Studies) ou Método do Caso

(Teaching Cases)? Uma análise dos dois métodos no Ensino e Pesquisa em

Administração. In: Revista Eletrônica Mackenzie de Casos. Jul/Dez 2006.

CLETO, M.G.; QUINTEIRO, L. Gestão de projetos através do DMAIC: um estudo de

caso na indústria automotiva. Produção Online, v.11, n.1, p. 210-239, 2011.

COUGHLAN, P., COGHLAN, D. Action research for operations management.

International Journal of Operations and Productions Management, v. 22, p. 220-

240, 2002.

DA SILVA, B.F.P. Lean Manufacturing na Indústria de Embalagens Metálicas,

2011. 62 p. Mestrado Integrado em Engenharia Mecânica. Faculdade de Engenharia da

Universidade do Porto (FEUP). Porto – Portugal, 2011.

74

DA SILVA, L. A. Desenvolvimento de sistemas e o método QFD. Developers

Magazine, Ano2 N.14, 1998.

DE ANDRADE, G. E. V.; MARRA, B. A.; MELLO, C. H. P.; LEAL, F. Análise da

aplicação conjunta das técnicas SIPOC, fluxograma e FTA em uma empresa de médio porte.

XXXII ENEGEP – Encontro Nacional de Engenharia de Produção. 14 p, 2012.

DE SOUZA, J.P.E. Mapeamento do Fluxo de Valor Integrado ao Sistema de Gestão

da Qualidade: Aplicação em uma empresa do setor Aeroespacial, 2012. 181 p.

Dissertação ( Mestrado em Engenharia Aeronáutica e Mecânica)- Instituto Tecnológico

da Aeronáutica (ITA), São José dos Campos, 2012.

DE SOUZA, V. Z. Otimização dos parâmetros de controle de um processo de

fabricação de latas: uma abordagem 6 sigma, 2002. 87 p. Dissertação (Mestrado em

Engenharia da Produção) – Universidade Federal de Itajubá, Itajubá, 2002.

DIEDRICH, H. Utilização de conceitos do sistema Toyota de Produção na melhoria

de um processo de produção de calçados, 2002. 146 p. Dissertação (Mestrado em

Engenharia – Ênfase Produção) – Universidade Federal do Rio Grande do Sul, Porto

Alegre, 2002.

DOS REIS, D.A.F. Seis Sigma: Um estudo aplicado ao Setor Eletrônico, 2003. 127

p. Dissertação (Mestrado Profissionalizante em Engenharia)- Universidade Federal do

Rio Grande do Sul (UFRGS), Porto Alegre, 2003.

ECKES, George. A Revolução Seis Sigma: o método que levou a GE e outras

empresas a transformar processos em lucro. 3 ed. Rio de Janeiro: Campus, 2001.

FERREIRA, F. P. Análise da implantação de um sistema de Manufatura enxuta em

uma empresa de autopeças, 2004. 180 p. Dissertação (Mestrado em Gestão e

Desenvolvimento Regional do Departamento de Economia, Contabilidade e

Administração) - Universidade de Taubaté, Taubaté, 2004.

HAHN, G. J.; DOGONAKSOY, N.; HOERL, R. The evolution of six sigma. Quality

Engineering, v. 2, n. 3, p. 317-326, 2000.

INVERNIZZI, G. O Sistema Lean de Manufatura aplicado em uma indústria de

autopeças produtora de filtros automotivos, 2006. 111 p. Dissertação (Mestrado em

Engenharia Mecânica / Gestão da Qualidade Total) – Universidade Estadual de

Campinas (Unicamp), Campinas, 2006.

75

LINDERMAN, K. et al. Six Sigma: a goal-theoretic perspective. Journal of

Operations Management, v. 3, n. 21, p. 193-203, 2003.

LIZARELLI, F. L. Análise de projetos de melhoria da Produção: Concepção de

Ferramenta estruturada e estudo de caso, 2008. 249 p. Dissertação (Mestrado em

Engenharia de Produção) – Universidade Federal de São Carlos (UFSCar), São Paulo,

2008.

MARTINS, R. A.; MERGULHÃO, R. C.; LEAL, J. B.S. O papel dinâmico da medição

de desempenho nos projetos Seis Sigma: Um estudo de caso. XXVI ENEGEP -

Encontro Nacional de Engenharia de Produção. 9 p. Fortaleza, 2006.

MATOS, J. L. Implementação de um projeto de melhorias em um processo de

reação química em batelada utilizando o método DMAIC, 2003. 127 p. Dissertação

(Mestrado em Engenharia da Produção) – Universidade Federal do Rio Grande do Sul,

Porto Alegre, 2003.

MIGUEL, P.A.C. Estudo de caso na engenharia de produção: estruturação e

recomendações para sua condução. Produção, v.17, p. 216-229, 2007.

MIGUEL, P.A.C. Implementação do QFD para o desenvolvimento de Novos

Produtos. 1. ed. São Paulo: ATLAS, p. 4-29, 2008.

MINITAB, Minitab for Windows [Minitab-Inc, USA] Versão 15. English Ink

Copyright [C], 2008.

MONTGOMERY, D.C; RUNGER, G.C. Estatística Aplicada e Probabilidade para

Engenheiros. Quarta Edição. Editora LTC. 514 p, 2009.

PIMENTA, L. N. C. APQP: Aplicação da metodologia de gestão de

desenvolvimento de produtos em fornecedores dos setores de linha branca e

automotivo, 2009. 190 p. Dissertação (Mestrado em Engenharia de Produção) –

Universidade Federal de São Carlos (UFSCar), São Paulo, 2009.

RIANI, A.M. Estudo de Caso: O Lean Manufacturing aplicado na Becton

Dickinson. Monografia submetida a coordenação do curso de Engenharia de Produção

da Universidade Federal de Juiz de Fora. UFJF- Universidade Federal de Juiz de Fora.

2006.

76

SAHAY, A. Quality Tools for Six Sigma. Six Sigma Quality: Concepts & Cases

Volume I - STATISTICAL TOOLS IN SIX SIGMA DMAIC PROCESS WITH

MINITAB® APPLICATIONS. Chapter 5. 2010.

SENAPATI, S. R. Six Sigma: myths and realities. International Journal of Quality &

Reliability Management, v. 21, n. 6, p. 683-690, 2004.

TUBINO, T. F.; WALTER, O. M. F. C. Mapeamento do Fluxo do Valor como

proposta de melhoria no processo produtivo de uma fábrica de reservatórios, 2001,

12 p. I Congresso brasileiro de engenharia de produção (CONBREPRO), Ponta Grossa,

2001.

VENTURA, M. M. O estudo de caso como modalidade de pesquisa. Revista SOCERJ,

Rio de Janeiro, v. 20, n. 5, p.383-386, set/out, 2007.

WESSEL, G.; BURCHER, P. Six Sigma for small and medium-sized enterprises. The

TQM Magazine, v. 16, n. 4, p. 264-272, 2004.

77

APENDICE A

Valores das massas de 10 pacotes analisados no intervalo de 3 em 3 horas durante 3

dias.

12:00 dia 1

m1= 4998

12:00 dia 2

m1= 4992

12:00 dia 3

m1= 4982

m2= 4994

m2= 4987

m2= 4985

m3= 4986

m3= 4991

m3= 4991

m4= 4983

m4= 4979

m4= 4991

m5= 4995

m5= 4977

m5= 4996

m6= 4993

m6= 4988

m6= 5003

m7= 4995

m7= 4984

m7= 5003

m8= 5000

m8= 4990

m8= 5007

m9= 5008

m9= 5001

m9= 5012

m10= 5014

m10= 4998

m10= 5011

15:00 dia 1

m1= 5005

15:00 dia 2

m1= 5013

15:00 dia 3

m1= 4983

m2= 5000

m2= 5015

m2= 4984

m3= 5004

m3= 5013

m3= 4987

m4= 5005

m4= 5015

m4= 4999

m5= 5002

m5= 5024

m5= 5007

m6= 5006

m6= 5025

m6= 5003

m7= 5005

m7= 5022

m7= 5002

m8= 5000

m8= 5020

m8= 5006

m9= 5009

m9= 5014

m9= 5009

m10= 5009

m10= 5008

m10= 5008

18:00 dia 1

m1= 5017

18:00 dia 2

m1= 4988

18:00 dia 3

m1= 5002

m2= 5013

m2= 4991

m2= 4999

m3= 5026

m3= 4991

m3= 4996

m4= 5029

m4= 4991

m4= 4999

m5= 5017

m5= 4990

m5= 4999

m6= 5015

m6= 4991

m6= 4999

m7= 5016

m7= 4993

m7= 5005

m8= 5013

m8= 4995

m8= 5007

m9= 5018

m9= 5000

m9= 5003

m10= 5018

m10= 5000

m10= 5001

21:00 dia 1

m1= 5002

21:00 dia 2

m1= 5001

21:00 dia 3

m1= 4992

m2= 4998

m2= 4999

m2= 4994

m3= 4999

m3= 4997

m3= 4995

m4= 5004

m4= 4993

m4= 4998

m5= 5005

m5= 4992

m5= 4997

m6= 4997

m6= 4995

m6= 4985

m7= 4996

m7= 5000

m7= 4983

m8= 5005

m8= 4994

m8= 4981

m9= 5011

m9= 4988

m9= 4984

m10= 5018

m10= 4992

m10= 4996

78

00:00 dia 2

m1= 4993

00:00 dia 3

m1= 4995

00:00 dia 4

m1= 5032

m2= 4996

m2= 4993

m2= 5023

m3= 4985

m3= 4990

m3= 5012

m4= 4980

m4= 4986

m4= 5013

m5= 4978

m5= 4986

m5= 5023

m6= 4979

m6= 4988

m6= 5011

m7= 4973

m7= 4995

m7= 5012

m8= 4975

m8= 4997

m8= 5021

m9= 4973

m9= 4998

m9= 5022

m10= 4989

m10= 4997

m10= 5030

03:00 dia 2

m1= 4994

03:00 dia 3

m1= 5006

03:00 dia 4

m1= 4981

m2= 5003

m2= 5004

m2= 4963

m3= 5006

m3= 5006

m3= 4966

m4= 4998

m4= 5004

m4= 4975

m5= 4993

m5= 5001

m5= 4969

m6= 4996

m6= 4999

m6= 4965

m7= 5009

m7= 4999

m7= 4957

m8= 5017

m8= 5006

m8= 4979

m9= 5016

m9= 5011

m9= 4978

m10= 5008

m10= 5016

m10= 4972

06:00 dia 2

m1= 5010

06:00 dia 3

m1= 4997

06:00 dia 4

m1= 5004

m2= 5011

m2= 4997

m2= 5010

m3= 5013

m3= 5000

m3= 5017

m4= 5017

m4= 5000

m4= 5013

m5= 5015

m5= 5004

m5= 5014

m6= 5013

m6= 5005

m6= 5017

m7= 5012

m7= 5007

m7= 5015

m8= 5004

m8= 5009

m8= 5005

m9= 5005

m9= 5011

m9= 5008

m10= 5012

m10= 5012

m10= 5011

09:00 dia 2

m1= 4996

09:00 dia 3

m1= 5000

m2= 4995

m2= 4990

m3= 5001

m3= 4983

m4= 5010

m4= 4988

m5= 5025

m5= 4992

m6= 5031

m6= 5001

m7= 5029

m7= 5007

m8= 5029

m8= 5013

m9= 5023

m9= 5004

m10= 5020

m10= 5000