UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS …saturno.unifei.edu.br/bim/0043603.pdf ·...

UNIVERSIDADE FEDERAL DE ITAJUBÁ

PROGRAMA DE PÓS-GRADUAÇÃO EM

ENGENHARIA DE PRODUÇÃO

Thiago Buselato Maurício

MODELAGEM E SIMULAÇÃO DE UMA PROPOSTA

DE IMPLANTAÇÃO DE LEIAUTE EM UMA

EMPRESA DO SETOR AUTOMOTIVO

Dissertação submetida ao Programa de Pós-Graduação

em Engenharia de Produção como parte dos requisitos

para obtenção do título de Mestre em Ciência em

Engenharia de Produção.

Área de Concentração: Engenharia de Produção

Orientador: Prof. Dr. José Arnaldo Barra Montevechi

Coorientador: Prof. Dr. Fabiano Leal

Dezembro de 2013

Itajubá – MG

UNIVERSIDADE FEDERAL DE ITAJUBÁ

PROGRAMA DE PÓS-GRADUAÇÃO EM

ENGENHARIA DE PRODUÇÃO

Thiago Buselato Maurício

MODELAGEM E SIMULAÇÃO DE UMA PROPOSTA

DE IMPLANTAÇÃO DE LEIAUTE EM UMA

EMPRESA DO SETOR AUTOMOTIVO

Dissertação aprovada por banca examinadora em 19 de

dezembro de 2013, conferindo ao autor o título de

Mestre em Ciências em Engenharia de Produção.

Banca examinadora:

Prof. Dr. Antônio Augusto Chaves (UNIFESP)

Prof. Dr. Alexandre Ferreira de Pinho (UNIFEI)

Prof. Dr. José Arnaldo Barra Montevechi (Orientador)

Prof. Dr. Fabiano Leal (Coorientador)

Dezembro de 2013

Itajubá – MG

DEDICATÓRIA

Aos meus pais que sempre me

apoiaram nos meus estudos, além de

servirem como exemplos de vida, a

minha irmã Tatiana e à minha futura

esposa Lina.

AGRADECIMENTOS

A minha família, pois sem vocês não teria chegado até aqui.

Ao professor José Arnaldo Barra Montevechi pela oportunidade dada de ser seu orientado.

Além disso, agradeço às inúmeras conversas que tivemos, com conselhos tanto para a minha

vida acadêmica, profissional, pessoal e pela preocupação em motivar e orientar esse seu aluno

da melhor forma.

Ao professor Fabiano Leal, pela paciência e tempo que despendeu auxiliando neste trabalho.

Seus esquemas de estrutura da dissertação foram de grande utilidade.

Aos professores e colegas do Núcleo de Estudos Avançados para Auxílio à Decisão

(NEAAD), em especial ao colega Rafael Miranda.

Ao professor Luiz Gonzaga Mariano por todo o incentivo desde a época da graduação.

Ao meu chefe Fabrício Lombardi que me apoiava e me ajudava com a condução dos meus

estudos para o mestrado, dentro das possibilidades de uma empresa privada.

Ao Marcos José Santos, por ter aberto a porta que tornou possível esta dissertação.

A minha futura esposa Lina pela ajuda nas revisões dos textos em inglês.

Aos meus sogros, que mesmo à distância sempre possuíam um tempo para me ajudar.

Aos meus amigos da graduação, não teve um dia que estive na UNIFEI depois de formado e

não me lembrei de vocês.

Ao Programa de Pró-Engenharias da CAPES, CNPq e à FAPEMIG pelo apoio e incentivo à

pesquisa brasileira, em especial a essa.

Meu mais sincero agradecimento a todos vocês.

EPÍGRAFE

“Tes destins sont d'un homme, et tes voeux sont d'un dieu.”

Voltaire

RESUMO

A simulação a eventos discretos tem sido utilizada na manufatura e na área de serviço para

determinar por exemplo: o gargalo, o lead time e o tempo médio de fila de um sistema. A

presente dissertação visa mostrar o trabalho realizado em uma empresa do setor automotivo

que se utilizou da simulação a eventos discretos e a teoria de leiaute na manufatura para

mensurar a quantidade de máquinas necessárias para criar um leiaute especifico a uma família

de produto. No entanto, outros pontos foram avaliados como a aceitação da simulação a

eventos discretos na empresa e a comparação dos ganhos estimados pelo mapeamento de

fluxo de valor (Value Stream Mapping) com os ganhos reais obtidos na criação do novo

leiaute. Para tal, precisou-se obter dados referentes ao tempo padrão, amostra com os

tamanhos de lotes, frequência de produção dos itens da empresa, tempo de setup, frequência

média de quebra das máquinas e tempo médio para o seu reparo. Dessa forma foi possível

criar e validar o modelo computacional e assim quantificar o número de máquinas necessárias

para produzir o demandado pelo cliente. Essa quantidade serviu como matéria prima para

criar uma proposta de leiaute que fosse mais adequada para a fabricação do produto estudado.

O novo leiaute obteve os resultados esperados, reduzindo o refugo médio para a família de

produto estudada, o estoque em processo, seu lead time de fabricação e aumentou sua

produtividade. Além disso o projeto auxiliou na compreensão da aceitação da simulação na

empresa e na comparação entre os ganhos estimados pelo Value Stream Mapping e os ganhos

reais obtidos.

Palavras-chaves: Modelagem, Simulação a Eventos Discretos, Leiaute Celular.

ABSTRACT

The discrete event simulation has been used in manufacturing and in service to determine

the bottle neck, lead time and average queue time of a system. This research aims to show the

work made in an automotive company that employed discrete event simulation and

manufacturing’s layout theory to measure the amount of machinery needed to create an

specific layout for one product’s family. However, others points were assessed as: acceptance

of discrete event simulation at this company and a comparison between the estimated earnings

obtained with Value Stream Mapping and the real gains obtained with the new layout. First of

all, it was needed to obtain data relating with standard time, batch’s size, production interval,

setup time, mean time between fail and mean time to repair it. Thus, it was possible to create

and validate the computational model and then analyze the number of machines needed to

produce the customer’s demand. This amount served as raw material to create a layout’s

proposal more suitable for that product’s family. The new layout reached the expected results,

reducing the scrap average for the studied family, work-in-process, lead time and increased

productivity. Furthermore, the project helped to understanding the acceptance of simulation

in the company and in comparing the earnings estimates by Value Stream Mapping and the

real gains.

Key-words: Modelling, Discrete Event Simulation and Cellular Layout.

LISTA DE FIGURAS

Figura 1.1 – Quantidade de artigos publicados sobre a SED ................................................... 18

Figura 1.2 – Quantidade de artigos publicados sobre a utilização da SED e a criação de leiaute

.................................................................................................................................................. 19

Figura 2.1 – Sequência de passos de um projeto de simulação. ............................................... 26

Figura 3.1 - Ciclo de produção de novos conhecimentos ......................................................... 35

Figura 3.2 - Passos para o estudo da simulação de Law e Kelton ............................................ 37

Figura 3.3 - Passos para o estudo da simulação de Banks ........................................................ 38

Figura 3.4 – Etapas de um projeto de simulação ...................................................................... 38

Figura 4.1 – SIPOC do projeto a ser simulado ......................................................................... 46

Figura 4.2 – IDEF-SIM operações básicas ............................................................................... 47

Figura 4.3 - IDEF-SIM revestimento do produto ..................................................................... 48

Figura 4.4 – IDEF-SIM operações intermediárias ................................................................... 50

Figura 4.5 – IDEF-SIM operações intermediárias (Continuação) ............................................ 51

Figura 4.6 – IDEF-SIM das operações finais ........................................................................... 52

Figura 4.7 - Leiaute da fábrica.................................................................................................. 53

Figura 4.8 – Análise de Outliers para o tamanho de lote do Produto 1.................................... 54

Figura 4.9 – Análise de dispersão do tamanho de lote para o Produto 1.................................. 55

Figura 4.10 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 1 .......... 55

Figura 4.11 - Análise II da distribuição de ajuste para o tamanho de lote do Produto 1 .......... 56

Figura 4.12 - Análise III da distribuição de ajuste para o tamanho de lote do Produto 1 ........ 56

Figura 4.13 - Análise IV da distribuição de ajuste para o tamanho de lote do Produto 1 ........ 56

Figura 4.14 – Gráfico da Transformada de Johnson para o Produto 1 ..................................... 59

Figura 4.15 - Análise de Outliers para o intervalo de chegada dos lotes de produção do

Produto 1 .................................................................................................................................. 60

Figura 4.16 - Análise de Dispersão para o intervalo de chegada dos lotes de produção do

Produto 1 .................................................................................................................................. 60

Figura 4.17 – Gráfico do ajuste da distribuição Beta aos dados da amostra do intervalo de

chegada dos lotes de produção do Produto 1 ............................................................................ 60

Figura 4.18 – Resultado do p-value para o teste de ajuste entre a distribuição Beta e a amostra

dos dados do intervalo de chegada dos lotes de produção do Produto 1 .................................. 61

Figura 4.19 – Modelo computacional em 3D ........................................................................... 67

Figura 4.20 – Período de warm-up do modelo computacional ................................................ 68

Figura 4.21 – Regra de decisão de entrada de entidade na Operação 1 ProModel® ................ 70

Figura 4.22 – Leiaute celular proposto ..................................................................................... 74

Figura 4.23A – Quadro combinado da relação homem com a operação 20 e 24 ..................... 75

Figura 4.24 – Comparação da movimentação do produto antes do novo leiaute e com o novo

leiaute ....................................................................................................................................... 78

Figura 4.25 – Mapeamento do estado atual .............................................................................. 79

Figura 4.26 – Mapeamento do estado futuro ............................................................................ 80

Figura 4.27 – IDEF-SIM do fluxo do produto para o novo leiaute .......................................... 81

Figura 4.28 - IDEF-SIM do fluxo do produto para o novo leiaute (continuação) .................... 81

Figura 4.29 - IDEF-SIM do fluxo do produto para o novo leiaute (continuação) .................... 81

Figura 5.1 – Tela de gerenciamento dos locais no software ProModel® .................................. 87

Figura A.1 – Análise de Outliers para o tamanho de lote do Produto 2 ................................... 97

Figura A.2 – Análise de dispersão do tamanha de lote para o Produto 2 ................................. 97

Figura A.3 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 2 ........... 98

Figura A.4 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 2 .......... 98

Figura A.5 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 2 ......... 99

Figura A.6 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 2......... 99

Figura A.7 – Análise de Outliers para o tamanho de lote do Produto 3 ................................. 100

Figura A.8 – Análise de dispersão do tamanha de lote para o Produto 3 ............................... 100

Figura A.9 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 3 ......... 101

Figura A.10 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 3 ...... 101

Figura A.11 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 3 ..... 102

Figura A.12 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 3..... 102

Figura A.13 – Análise do Outliers do Produto 4 .................................................................... 103

Figura A.14 – Análise de dispersão do tamanha de lote para o Produto 4 ............................. 103

Figura A.15 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 4 ....... 104




Figura A.19 – Análise de Outliers do Produto 5 .................................................................... 106





















Figura A.40 – Análise de dispersão do Produto 9 .................................................................. 116





Figura B.1 – Análise de Outliers para o intervalo de chegada entre lotes de produção do

Produto 2 ................................................................................................................................ 119

Figura B.2 – Análise de dispersão para o intervalo de chegada dos lotes de produção do

Produto 2. ............................................................................................................................... 119

Figura B.3 – Gráfico do ajuste da distribuição Logística aos dados da amostra do intervalo de

chegada dos lotes de produção do Produto 2 .......................................................................... 120

Figura B.4 – Resultado do p-value para o teste de ajuste entre a distribuição Logística e a

amostra dos dados do intervalo de chegada dos lotes de produção do Produto 1 .................. 120


Produto 3 ................................................................................................................................ 121

Figura B.6 – Análise da dispersão para o intervalo de chegada dos lotes de produção do

Produto 3 ................................................................................................................................ 121

Figura B.7 – Gráfico do ajuste da distribuição Beta aos dados da amostra d o intervalo de

chegada dos lotes de produção do Produto 3 .......................................................................... 122


amostra dos dados do intervalo de chegada dos lotes de produção do Produto 3 .................. 122


Produto 4 ................................................................................................................................ 123


Produto 4 ................................................................................................................................ 123

Figura B.11 – Análise I da distribuição de ajuste para o intervalo de chegada dos lotes de

produção do Produto 4 ............................................................................................................ 124

Figura B. 12 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de



Produto 5 ................................................................................................................................ 125


Produto 5 ................................................................................................................................ 125






Produto 6 ................................................................................................................................ 127


Produto 6. ............................................................................................................................... 127



Figura B.20 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de



Produto 7 ................................................................................................................................ 129


Produto 7. ............................................................................................................................... 129






Produto 9 ................................................................................................................................ 131


Produto 9. ............................................................................................................................... 131





LISTA DE TABELAS

Tabela 2.1 – Fatores de impacto no lead-time e estoque .......................................................... 28

Tabela 2.2 – Símbolos do VSM ............................................................................................... 32

Tabela 2.3 – Comparação entre o leiaute original e o novo leiaute .......................................... 33

Tabela 3.1 – Elementos e símbolos utilizados na técnica IDEF-SIM. ..................................... 39

Tabela 4.1 – Fluxo da Família A e B ........................................................................................ 43

Tabela 4.2 – Comparação do volume produzido entre as duas Famílias ................................. 44

Tabela 4.3 – Curva A do volume de produção da Família A ................................................... 44

Tabela 4.4 - Exemplo de tabela para cálculo de tempos padrões ............................................. 53

Tabela 4.5 – Parâmetros das distribuições calculadas para a variação do tamanho de lote de

produção ................................................................................................................................... 57

Tabela 4.6 – Transformada de Johnson para o Produto 1 ........................................................ 58

Tabela 4.7 – Parâmetros das distribuições calculadas para a variação na chegada dos lotes de

produção ................................................................................................................................... 61

Tabela 4.8A – Distribuições ajustadas aos indicadores MTBF e MTTR das máquinas

programadas.............................................................................................................................. 62

Tabela 4.9A – Tempos de setup das operações ........................................................................ 63

Tabela 4.10 – Horários dos turnos e almoço. ........................................................................... 65

Tabela 4.11A – Tempos de processamento (em min) do produto por processo ...................... 65

Tabela 4.12 – Amostra-piloto com 20 réplicas ........................................................................ 69

Tabela 4.13 – Produção total durantes os 7 meses simulados por réplica realizada ................ 71

Tabela 4.14 - Porcentagem do tempo que as operações ficavam ocupadas com os produtos .. 72

Tabela 4.15 - Porcentagem do tempo que as operações ficavam ocupadas com os 9 produtos

.................................................................................................................................................. 73

Tabela 4.16 – Utilização dos colaboradores das operações 20 e 24 ......................................... 74

Tabela 4.17 – Ganhos potenciais obtidos com o modelo simulado ......................................... 77

Tabela 4.18 – Ganhos potenciais obtidos com o VSM ............................................................ 78

Tabela 4.19 – Comparação entre os ganhos potenciais identificados pela simulação e o VSM

.................................................................................................................................................. 82

Tabela 4.20 – Comparação com os ganhos reais obtidos ......................................................... 82

Tabela 4.21 – Comparação entre a quantidade de máquinas necessárias com o modelo

determinístico e o modelo validado .......................................................................................... 83

Tabela 4.22 - Comparação entre a quantidade de máquinas necessárias com o modelo

estocástico sem aleatoriedade e o modelo validado ................................................................. 84

LISTA DE ABREVIATURAS

SED Simulação a Eventos Discretos

ERP Enterprise Resource Planning

MTBF Mean Time Between Failures

MTTR Mean Time To Repair

SIPOC Supplier Input Process Output Customer

VSM Value Stream Mapping

TPM Total Productive Maintenance

Sumário

1. Introdução ....................................................................................................................... 17

1.1. Contextualização ..................................................................................................... 17

1.2. Justificativa e motivação da pesquisa ................................................................... 17

1.3. Problema ................................................................................................................. 18

1.4. Objetivo ................................................................................................................... 19

1.5. Condições de contorno da pesquisa ...................................................................... 20

1.6. Estrutura da dissertação ........................................................................................ 20

2. Revisão Bibliográfica ...................................................................................................... 22

2.1. Considerações iniciais ............................................................................................ 22

2.2. Simulação a eventos discretos ................................................................................ 23

2.2.1. Definições ......................................................................................................... 23

2.2.2. Projeto de Simulação ........................................................................................ 25

2.2.3. Aplicações ........................................................................................................ 27

2.3. Leiaute ..................................................................................................................... 29

2.3.1. Tipos de leiaute ................................................................................................. 29

2.3.2. Lean e Leiaute Celular ...................................................................................... 31

2.3.3. Simulação de Leiaute........................................................................................ 32

2.4. Considerações finais ............................................................................................... 34

3. Método de Pesquisa ........................................................................................................ 35

3.1. Considerações Iniciais ............................................................................................ 35

3.2. Método de pesquisa quantitativo: modelagem e simulação ................................ 35

3.3. Etapas de uma pesquisa de modelagem e simulação ........................................... 37

4. Condução da Pesquisa .................................................................................................... 42

4.1. Considerações iniciais ............................................................................................ 42

4.2. Concepção ............................................................................................................... 42

4.2.1. Objetivos e definição do sistema ...................................................................... 42

4.2.2. Construção e validação do modelo conceitual ................................................. 46

4.2.3. Modelagem dos dados de entrada ..................................................................... 51

4.3. Implementação ........................................................................................................ 67

4.3.1. Construção do modelo computacional ............................................................. 67

4.3.2. Verificação e validação do modelo computacional .......................................... 70

4.4. Análise ..................................................................................................................... 72

4.4.1. Definição do projeto e execução dos cenários.................................................. 72

4.4.2. Análise estatística e conclusões ........................................................................ 74

4.5. Comparação entre os resultados ........................................................................... 82

4.6. Implantação ............................................................................................................. 84

5. Conclusão ........................................................................................................................ 86

5.1. Considerações Iniciais ............................................................................................ 86

5.2. Conclusões gerais e contribuições ......................................................................... 86

5.3. Verificação do objetivo principal .......................................................................... 87

5.4. Verificação dos objetivos específicos .................................................................... 88

5.5. Sugestões para trabalhos futuros .......................................................................... 89

REFERÊNCIAS BIBLIOGRÁFICAS ................................................................................. 90

Anexo A – Análise do Tamanho de Lote dos Produtos a serem simulados ....................... 97

Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos ............................. 119

Capítulo 1 – Introdução 17

1. Introdução

1.1. Contextualização

Não basta uma empresa preocupar-se apenas com seus concorrentes locais ou próximos;

ela precisa estar atenta para os concorrentes regionais ou até mesmo os internacionais. Isso

criou maior preocupação e cuidado com a forma como as empresas produzem ou servem seus

produtos. Os processos de fabricação devem, então, serem revisados visando sua

racionalização. A regra de ouro em um processo produtivo é reduzir desperdícios, eliminar

todo tipo de trabalho que não agrega valor ao produto. A produção precisa ser mais enxuta,

produzir o necessário no tempo correto para atender ao desejo do cliente (Nylund e

Andersson, 2010).

O presente trabalho foi realizado em uma empresa de autopeças que fornece seus

produtos para as mais diversas montadoras localizadas no Brasil e também no exterior. No

mercado interno essa empresa não possui concorrente instalado, pois só existe ela como

fabricante no país.

No entanto, existem conjuntos conhecidos por completely knock-down, ou seja,

conjuntos de determinada parte do motor que chegam ao país montados, contendo peças de

seus concorrentes do exterior. Além disso, essa empresa também concorre com outras

empresas no mercado externo, exportando seus produtos.

Por isso, ela tem todo o interesse de reduzir seu custo de produção, aumentando sua

produtividade e reduzindo seu refugo e atendendo seu cliente de maneira mais rápida

reduzindo seu lead time.

1.2. Justificativa e motivação da pesquisa

Porém, não foi esse o cenário divulgado pelo Ministério do Desenvolvimento, Indústria

e Comércio Exterior. Por exemplo, o valor adicionado a preços básicos, que é a diferença

entre o valor bruto de produção e o preço do produto no mercado, sofreu uma retração de

21,4% no setor de peças e acessórios para veículos automotores entre os anos de 2008 e 2009.

Isso representa uma redução na margem de lucro do setor, e nenhuma empresa sobrevive sem

lucro.

No mesmo período, a taxa de produtividade média na indústria brasileira reduziu 2,9% e

entre os anos de 2008 e 2009, o que contribuiu para no ano de 2009 a utilização média da

capacidade instalada no setor metalúrgico ter sido de 75%.


Por fim, a balança comercial brasileira do setor automotivo no ano de 2009 foi de US$ -

2.346.404 mil, demonstrando que o produto brasileiro é pouco competitivo no mercado

externo, pois mais produtos foram importados do que exportados.

De maneira geral, os indicadores não apresentam um cenário positivo para a indústria

brasileira, principalmente para a área metalúrgica liga ao setor de peças e acessórios para

veículos. Por um lado, é uma oportunidade para que sejam realizadas melhorias no setor, por

outro é preocupante, pois o setor industrial empregava 9.775.575 trabalhadores no ano de

2009, 230.213 somente na indústria metalúrgica.

1.3. Problema

Buscando uma evolução que contribuísse para uma melhora nesse cenário, a empresa

em questão investiu em um projeto para a mudança do seu leiaute de fabricação. Com esse

novo leiaute a empresa esperava reduzir seu índice de refugo, a movimentação do produto

durante sua fabricação, o custo de produto e aumentar a sua produtividade.

Para tanto, foi utilizada a técnica SED (simulação a eventos discretos) para criar um

modelo computacional da empresa, e assim, dimensionar a quantidade de máquinas

necessárias para atender a demanda do cliente. Além disso, foi feita uma revisão na literatura

sobre tipos de leiaute e propor aquele que fosse mais adequado para atingir os objetivos

esperados.

A Figura 1.1 apresenta a quantidade de artigos publicados nos últimos cinco anos sobre

a SED.

Figura 1.1 – Quantidade de artigos publicados sobre a SED

Fonte: Web of Knowledge

Qu

anti

dad

e d

e A

rtig

os

Pu

bli

cad

os

Ano de Publicação


Pela Figura 1.1 pode-se notar que em média foram publicados 450 artigos por ano

sobre o tema, o que demonstra o interesse em realizar trabalhos sobre essa técnica.

A Figura 1.2 apresenta a quantidade de artigos publicados nos últimos cinco anos

sobre trabalhos envolvendo a SED e a criação de leiaute.

Figura 1.2 – Quantidade de artigos publicados sobre a utilização da SED e a criação de leiaute

Fonte: Web of Knowledge

Pela Figura 1.2 nota-se que poucos artigos foram publicados nos últimos anos sobre a

junção dos dois temas, o que demonstra a possibilidade de se pesquisar mais sobre essa

interação para melhor compreender como eles podem se ajudar.

1.4. Objetivo

O objetivo desse trabalho é avaliar se os relatórios obtidos como resposta de um modelo

da SED pode ajudar na criação de uma proposta de leiaute para uma empresa do setor de

autopeças. Com a proposta e implantação do novo leiaute a empresa espera obter como

resultados: redução do refugo, redução do lead time, redução de mão de obra, aumento de

produtividade gerando uma redução no custo da peça.

Portanto, o objetivo principal deste trabalho é:

Projetar um leiaute celular por meio da SED;

O motivo de buscar um leiaute celular deve-se ao fato do fluxo do material ser

simplificado. Além disso, Hameri (2011) obteve como resultado da criação de um leiaute

celular uma redução de 40% na distância percorrida pelo produto ao longo do processo de

produção e 35% a menos de retrabalho. Esses são indicadores que as empresas buscam

reduzir para aumentarem suas margens de lucro sobre o preço do produto.

Qu

anti

dad

e d

e A

rtig

os

Pu

bli

cad

os

Ano de Publicação


A principal razão para se utilizar a SED é a necessidade de modelar processos que

possuem variações e são correlacionadas elevando a complexidade do objeto de estudo

(BANKS et al. 2010; ROBINSON et al., 2012). No caso do objeto estudado, existem diversos

fatores que interligados impactam na resposta do sistema, mas eles serão citados mais à

frente.

Como objetivos específicos dessa pesquisa, tem-se:

Descrever como foi a aceitação da SED pelos tomadores de decisão da empresa;

Comparar os resultados esperados (redução de lead time e mão de obra, aumento

de produtividade) utilizando-se o mapeamento VSM e os resultados reais obtidos.

O primeiro objetivo específico visa complementar a literatura, uma vez que nos artigos

de Gen, Zhang e Lin Lin (2009), Shyshou, Gribkovskaia e Barceló (2010), Hameri (2011),

Renna e Ambrico (2011), e Sharda e Akiya (2012), não é citado como os gestores das áreas

aceitaram os resultados da simulação para a implantação do projeto.

O segundo objetivo específico visa avaliar a afirmação feita por Abdulmalek e Rajgopal

(2007) que uma das dificuldades em implantar a filosofia do lean manufacturing nas

empresas é pela dificuldade em quantificar os ganhos que serão alcançados ao final do

projeto. Sendo assim, ao final do trabalho será possível avaliar se o VSM (uma das

ferramentas do lean manufacturing) aplica-se como meio de identificar os ganhos potenciais

do projeto lean.

1.5. Condições de contorno da pesquisa

O modelo de simulação e os resultados apresentados a seguir se aplicará a empresas

com leiaute funcional que queiram adaptá-lo a um leiaute celular. Dessa forma, o trabalho não

abordará questões para otimização do espaço na montagem do leiaute nem mesmo a criação

de outro tipo de leiaute existente na literatura.

Isso porque segundo Krishnan et al. (2012) o leiaute celular é reconhecido por

proporcionar alta eficiência operacional.

1.6. Estrutura da dissertação

A presente dissertação está estruturada em cinco capítulos. O primeiro, já apresentado,

contextualiza o trabalho de forma geral, além de mostrar sua relevância, seus objetivos gerais

e específicos, além da condição de contorno da pesquisa.


O Capítulo 2 apresenta a revisão bibliográfica que embasa todo o trabalho. Dessa

forma, ele apresenta artigos recentes que discutem sobre SED, tanto a parte de concepção e

criação do modelo como áreas de aplicações práticas. Em um segundo momento são

apresentados os mais diversos tipos de leiaute, focando mais especificamente no leiaute

celular, que foi o implementado na empresa. Por fim, são apresentados exemplos práticos da

utilização da SED para a simulação e obtenção de leiaute.

O Capítulo 3 apresenta o método de pesquisa Modelagem e Simulação que foi

utilizado como guia de estrutura do trabalho. O capítulo aborda conceitos do método de

pesquisa, suas etapas, envolvem assim, as partes do projeto de modelagem e simulação. Por

fim, é citada a classificação deste trabalho segundo Bertrand e Fransoo (2002).

O Capítulo 4 trata do objeto de estudo. Nesse capítulo é criada uma contextualização da

empresa, segmento de mercado e alguns indicadores principais. De maneira mais ampla é

comentado sobre as dificuldades enfrentadas e o interesse para a criação desse novo leiaute.

Toda a parte de concepção com o modelo conceitual, e coleta de dados (fluxo do produto,

recursos envolvidos na produção), posteriormente a fase de implementação e construção do

modelo computacional, sua verificação e validação e por fim a etapa de análise e criação de

cenários é abordada nesse capítulo.

O Capítulo 5 discute, por fim, os objetivos descritos no item 1.1, os resultados obtidos e

a conclusão dos mesmos.

Capítulo 2 – Revisão Bibliográfica 22

2. Revisão Bibliográfica

2.1. Considerações iniciais

Buscando uma melhora na eficiência produtiva para melhorar seu posicionamento em

relação aos seus concorrentes, as organizações começaram a utilizar uma técnica militar,

nascida na 2ª Guerra Mundial, conhecida como Pesquisa Operacional. Para Hillier e

Lieberman (2010) a Pesquisa Operacional é uma ciência aplicada a problemas que envolvem

como conduzir e coordenar as operações em uma organização, ou seja, uma resolução práticas

para problemas reais.

A Pesquisa Operacional trata da modelagem matemática de fenômenos estáticos ou

dinâmicos, um problema do tipo estático é denominado determinístico, pois não existe

variação em seus resultados. Neste problema, todos os componentes são conhecidos a priori e

nenhuma aleatoriedade em sua ocorrência é admitida. Essa modelagem de fenômenos

determinísticos deu origem a Simulação Computacional (PHILLIPS, RAVINDRAN e

SOLBERG, 1976).

Para Banks et al. (2010) a SED é a criação e a observação de uma história de um

sistema real para gerar inferências referentes a ele.

A simulação computacional permite, assim, estudar as dinâmicas de um processo e seus

efeitos. Infinitos cenários podem ser criados e suas respostas analisadas para auxiliar na

tomada de decisão e, portanto, fornecer informações mais precisas e fieis de como o sistema

iria reagir com tal modificação.

A vantagem dessa operação é que o software de simulação computacional procura

repetir o mesmo comportamento que o processo real teria nas mesmas condições. O modelo

de simulação computacional é utilizado, particularmente, como uma ferramenta para obter-se

respostas a sentenças do tipo: “o que ocorre se...”. (CHWIF e MEDINA, 2010).

Outro ponto importante a ser estudado na melhoria de um processo produtivo é o seu

leiaute. De acordo com Krajewski, Ritzman e Malhotra (2009) existem quatro tipos básicos de

leiaute: por processo, por produto, por célula e de posição fixa. Segundo Slack, Chambers e

Johnston (2010) mudanças no leiaute podem afetar os custos e a eficiência da operação.

Portanto, nada mais natural de utilizar a simulação computacional para testar diferentes

leiautes, e escolher aquele que traga melhores benefícios para a empresa. Jerbi, Chtourou, e

Maalej (2010) alegam que uma vez o modelo de simulação desenvolvido e validado

(representando o sistema real), ele pode ser usado pelos tomadores de decisão para prever


qualquer tipo de combinação dentro do escopo da pesquisa inicialmente definido. Ou seja, o

modelo de simulação pode servir como ferramenta para escolher o leiaute mais apropriado

para o objeto de estudo.

O mercado como se apresenta atualmente, globalizado e diversificado, gerou uma

necessidade de adaptação das empresas em âmbito mundial. Dessa forma, o dinamismo

requerido é muito mais intenso que outrora. Portanto, as empresas de manufatura, bem como

as empresas do setor automotivo precisam responder às mudanças de demanda, volume de

produção e variação no mix de produção de maneira muito rápida.

Isso tudo para minimizar o custo de armazenamento de produto, tempo total de

produção, minimizar investimentos em novos equipamentos, melhorar a eficiência na

utilização dos espaços, prover satisfação e segurança aos funcionários, flexibilidade para

realocações e operações, além de facilitar o processo de manufatura (HASAN, SARKIS e

SHANKAR, 2012).

A técnica de modelagem e simulação serve como ferramenta para análise e tomada de

decisão justamente quando se visa um ganho no processo.

2.2. Simulação a eventos discretos

2.2.1. Definições

De acordo com Chwif e Medina (2010) existem três tipos de modelos de simulação: a

simulação de Monte Carlo, a simulação contínua e a SED.

Segundo Mooney (1997) a simulação de Monte Carlo utiliza-se de um gerador de

números aleatórios para simular sistemas onde o tempo é desconsiderado como uma variável

do objeto de estudo.

Na simulação contínua e na SED o tempo é uma variável que influencia no sistema. No

entanto, o que difere a simulação contínua da SED é que na simulação contínua o estado do

modelo muda continuamente com o tempo (LAW, 2007). Por exemplo, o efeito de

resfriamento ou aquecimento de um objeto é dado gradativamente com o tempo.

A SED estuda sistemas que mudam seu estado em períodos determinados no tempo. Por

exemplo, um processo de fabricação que trabalha uma matéria prima para dar forma ao

produto desejado. A matéria prima está bruta antes de passar pelo primeiro processo de

fabricação, porém, após o tempo de ciclo da operação a matéria prima é transformada.

O tipo de modelagem e simulação que será realizada na dissertação é a de eventos

discretos. Esse tipo de modelagem e simulação tem sido muito utilizado como ferramenta


auxiliar para a tomada de decisões. Sua principal característica, que desperta o interesse pela

técnica, é trabalhar com sistemas complexos e permitir seu comportamento dinâmico (LAW e

KELTON, 1991).

Montevechi et al. (2007) disseram que simulação é a transferência do sistema real para

um ambiente controlado, possibilitando seu estudo, sem envolver riscos físicos e/ou altos

custos.

Essas diversas condições que podem ser estudadas visam analisar o aumento de

produtividade e qualidade, aquisição de máquina, mudança de leiautes, alteração nos

parâmetros de um processo de fabricação, ineficiência em movimentação, etc.

Chwif e Medina (2010) comentam sobre algumas aplicações da modelagem e SED:

estudar o número de postos de check-in necessários em aeroportos, estipular o número de

caixas automáticos necessários no atendimento ao cliente, determinar a política de estocagem

em centro de distribuição, avaliar o número de postos de trabalho em call centers,

dimensionar a quantidade de ambulância necessária em um hospital, verificar os tempos de

espera em restaurantes, etc.

Nessas mais diversas aplicações, existem vários artigos escritos por pesquisadores

mostrando a utilização da modelagem e SED. Confirmando, assim, a importância da SED e o

espaço que esta vem ganhando nas empresas.

Montevechi et al. (2007) apresentam em seu artigo a utilização da simulação como meio

de analisar o processo de fabricação em uma indústria automotiva. O trabalho visou estudar os

efeitos das mais diversas variáveis do processo e as suas interações. Os resultados

apresentados pelo trabalho permitiram que a empresa expandisse sua capacidade diária de

fabricação.

Torga (2007) discute em sua dissertação a utilização da modelagem e simulação para o

cálculo de cartões kanbans necessários em um sistema de fabricação. Como o kanban auxilia

na programação de produção, um ajuste fino em sua utilização produz um ganho no

gerenciamento de estoque, na capacidade de produção e na necessidade de compra de matéria

prima.

Machado (2006) estudou os impactos de uma melhoria na cadeia logística de petróleo e

derivados da empresa PETROBRAS. O estudo foi feito desde a chegada dos óleos a terminais

marítimos e terrestres, passando pelo transporte por dutos, campanhas de refino, até a

transferência de derivados aos pontos de venda ou exportação.

De acordo com Garrido (2009) a simulação é uma ferramenta poderosa e bem provida

para desenhar e otimizar sistemas de manufaturas dinâmicas com validação lógica e


verificação suportando decisões críticas.

Ryan e Heavey (2006) apontam a simulação como uma das técnicas de pesquisa mais

utilizadas devido, principalmente, à sua versatilidade, flexibilidade e poder de análise.

Assim, torna-se evidente a importância da SED nos dias atuais. Por outro lado, essa

técnica deve respeitar alguns procedimentos e etapas para a sua elaboração, que serão

apresentados no item 2.2.2.

Segundo Bloomfield et al. (2012) o fato de a SED simular o comportamento de sistemas

sem que ele exista fisicamente reduz drasticamente o custo de desenvolvimento desse sistema.

2.2.2. Projeto de Simulação

Como dito anteriormente, os projetos de simulação apresentam uma estrutura a ser

seguida.

Montevechi et al. (2010) apresentam a Figura 2.1 como sequência de passos a ser

respeitada em um projeto de modelagem e simulação. Para Patel, Ashby e Ma (2002) a

metodologia de análise utilizando a SED já foi estabelecida, mas existe um ponto importante

no início do projeto que é fazer as perguntas certas e manter seu foco, que seria o ponto 1.1 da

Figura 2.1.

Analisando a Figura 2.1 pode-se afirmar que existem três grandes etapas para o

desenvolvimento da técnica modelagem e simulação: concepção, implementação e análise.

Na parte de concepção o pesquisador começa a adquirir conhecimento para entender o

sistema a ser modelado, e assim, definir os objetivos do trabalho. Inicia-se então a construção

do modelo conceitual, definindo hipóteses e seu grau de detalhamento. Em paralelo, o

pesquisador começa a recolher os dados que serão necessários para programar o software de

simulação.

O modelo conceitual pode ser representado de diversas maneiras e apresenta um papel

importante dentro de uma das etapas da SED (MONTEVECHI et al., 2008).

Os trabalhos de Johansson e Kaiser (2002), Heilala et al. (2010) e Löfgren e Tillman

(2011) apresentam fluxogramas para construção do modelo computacional. Ismail et al.

(2011) criam seu modelo conceitual utilizando-se a UML, outra técnica de mapeamento.

No entanto, nenhuma dessas técnicas de mapeamento foi desenvolvida especificamente

para a construção do modelo conceitual. Por isso, Leal (2008) desenvolveu a técnica IDEF-

SIM.


Figura 2.1 – Sequência de passos de um projeto de simulação.

Fonte: Montevechi et al. (2010)

Essa técnica se comunica mais facilmente com o modelo computacional por representar

o sistema da mesma forma que os elementos são chamados dentro do software de simulação.

Outra parte importante ainda na etapa de concepção é da obtenção dos dados. Esses

dados podem ser determinísticos ou estocásticos.

Sprenger e Mönch (2012) apresentam no seu trabalho a diferença nos resultados obtidos

quando se usa dados determinísticos e estocásticos. Os autores ainda ressaltam a importância

da SED por possibilitar utilizar dados estocásticos como entrada para seus modelos.

Ahmed e Alkhamis (2009) utilizaram dados estocásticos para avaliarem o sistema de

1.1 Objetivos e

definição do sistema

3.4 Conclusões e

recomendações

1.2 Construção do

modelo conceitual

1.3 Validação do

modelo

conceitual

1.5 Modelagem

dos dados de

entrada

2.1 Construção do

modelo

computacional

Validado?

Modelo

conceitual

Modelo

computacional

2.2 Verificação

do modelo

computacional

2.3 Validação do

modelo

computacional

3.1 Definição do

projeto

experimental

3.2 Execução dos

experimentos

3.3 Análise

estatística

Validado?

Verificado?

N

N S

N

CONCEPÇÃO

IMPLEMENTAÇÃO

ANÁLISE

1.4

Documentação do

modelo

conceitualS

Tempo, custo,

porcentagens,

capacidades, etc.

Modelo

operacional

S


atendimento em um hospital no Kuwait e obtiveram um aumento de produtividade de 28% e

uma redução no tempo de fila para atendimento em 40%.

Em seguida, o modelo conceitual é “traduzido” em uma linguagem que o software de

simulação possa entender, ou seja, começa nessa etapa a programação do sistema.

Segundo Tako e Robinson (2010) a etapa da SED que os programadores mais

empregam seus tempos em um projeto de simulação é na construção do modelo

computacional. Além disso, no seu trabalho os autores comparam o tempo gasto pelos

programadores em softwares de simulação diferentes.

Uma vez obtido o modelo computacional, esse deve ser validado por pessoas

experientes no processo e verificado pelo programador os comandos utilizados na tradução do

modelo conceitual em um modelo computacional.

Segundo Pegden, Shannon e Sadowski (1995) o processo de construção do modelo real

serve para conduzir experimentos com o proposito de entender o comportamento do sistema e

avaliar as estratégias de operação do sistema.

O software escolhido para a construção do modelo computacional deste trabalho foi o

ProModel®. Para Harrell, Ghosh e Bawden (2003) ele é uma ferramenta de modelagem e

simulação com capacidade de criar diversos tipos de manufatura e sistemas de serviço.

Ainda de acordo com os autores, manufaturas com sistemas de job shop, esteiras, linhas

de transferências, produção em massa, linha de montagem, sistemas de manufatura flexíveis,

pontes rolantes, sistema just in time, kanbans podem ser modelados no ProModel®.

O modelo computacional terminado deve ser ainda verificado e validado. Kleijnen

(1995), Sargent (2000) e Robinson e Brooks (2010) propõem em seus trabalhos técnicas de

verificação e validação do modelo computacional.

Por fim, o modelo computacional validado e verificado dá origem ao modelo

operacional que está apto a ser experimentado e seus resultados analisados para o melhor

entendimento do sistema.

No trabalho de Hwang e Lambert (2008) eles testam diversos cenários possíveis

alterando o número de mesas, garçons e cozinheiros de um restaurante para obter um sistema

melhor que o atual gerando mais satisfação aos clientes.

2.2.3. Aplicações

Segundo Sandanayake, Oduoza e Proverbs (2008) a importância da utilização da SED

na manufatura vem aumentando nas últimas décadas. Ainda segundo os autores Moon e

Phatak (2005) a integração de um modelo de simulação com um programa do tipo ERP


(Enterprise Resource Planning) da empresa fornece atualização imediata dos dados,

possibilitando uma precisão maior nos resultados da programação.

Esse fato pode ser comprovado com a quantidade de aplicações encontradas na

literatura. Nesta parte do trabalho serão apresentados algumas dessas aplicações e seus

resultados gerados.

Kumar e Phrommathed (2006) utilizaram a SED para avaliar o processo de corte de

papéis em uma indústria da área de celulose. Para isso eles avaliaram um cenário atual onde a

empresa apenas cortava papéis de tamanho e densidade iguais e um cenário proposto onde

seria considerado apenas o tamanho do papel. Ao final da pesquisa eles puderam afirmar que

o cenário proposto era mais produtivo e reduziria em 5,5% o custo do produto.

Abdulmalek e Rajgopal (2007) desenvolveram um modelo para uma empresa de aço

com o intuito de analisar o impacto do sistema de produção (empurrado ou puxado), tempo de

setup e TPM no lead-time e estoque da empresa. A Tabela 2.1 apresenta os fatores de

impacto nesses dois indicadores.

Lead-Time Estoque

Sistema de Produção 0,000 0,000

TPM 0,000 0,000

Redução Setup 0,815 0,815

Sistema de Produção + TPM 0,000 0,000

Sistema de Produção + Redução de Setup 0,632 0,632

TPM + Redução Setup 0,783 0,783

Sistema de Produção + TPM + Redução

Setup 0,815 0,815

Tabela 2.1 – Fatores de impacto no lead-time e estoque

Fonte: Abdulmalek e Rajgopal (2007)

Todos os fatores com valores menores que 0,050 são significativos, ou seja, o sistema

de produção, TPM, sistema de produção + TPM influenciam no lead-time e estoque.

Shyshou, Gribkovskaia e Barceló (2010) avaliam, empregando a SED, o custo de

manter a frota de navios petroleiros sabendo-se que as operações de uma base na Noruega são

voláteis.

Kulak et. al (2011) desenvolveram um modelo de simulação que identificou o gargalo

de um porto na Turquia, propondo ajustes futuros que poderiam ser feitos, além de mostrar

precisamente onde os investimentos poderiam ser aplicados para melhorar a performance do

terminal.


Mobini, Sowlati e Sokhansanj (2011) utilizaram a SED em seu trabalho para avaliar a

eficiência do suprimento de matéria prima para uma usina termoelétrica, utilizando três

sistemas de colheita diferentes.

Sharda e Akiya (2012) apresentam em seu trabalho a SED como ferramenta para

avaliar diferentes politicas de estoque em diferentes produtos e o impacto que seria gerado no

custo da empresa química DOW.

Segundo Zhu, Hen e Teow (2012) a SED está sendo amplamente utilizada em

hospitais. Além disso, a SED proveu mais recursos para criar um modelo que fosse

compatível com a realidade da UTI. No objeto estudado e que gerou o artigo, foi estudado o

número ideal de camas na UTI para atender a demanda variável de clientes.

2.3. Leiaute

2.3.1. Tipos de leiaute

Segundo Slack, Chambers e Johnston (2010) existem quatro tipos de leiautes: posição

fixa, funcional, celular e o de produto.

Leiaute de posição fixa: o produto é estático e quem se movimenta é recurso

utilizado como: material, informação e operadores. Exemplo: produção de

navio, avião, cirurgia em geral.

Leiaute funcional: nesse caso o produto se movimenta conforme necessário, já

os recursos ficam alocados em um mesmo lugar. Exemplo: máquinas de

usinagem agrupadas, máquinas de soldagem agrupadas.

Leiaute celular: todos os recursos necessários estão próximos, o produto entra

bruto e sai acabado na célula. Exemplo: máquinas de usinagem e soldagem

agrupadas em uma mesma área (chamada de célula).

Leiaute de produto: o produto flui em uma linha que está presente, em ordem,

todos os recursos a serem utilizados na sua fabricação. Exemplo: linha de

montagem automotiva.

Sendo assim, cada um desses leiautes apresentam vantagens e desvantagens. Por

exemplo, no caso do leiaute de posição fixa as vantagens são: mão-de-obra envolvida

altamente qualificada e motivada, ordem de produção mais fácil de ser administrada e com

estoques menores (WANG et al., 2005). Por outro lado, todos os recursos envolvidos no


processo produtivo devem ser disponibilizados no momento certo para evitar desperdícios

(QIN e HUANG, 2010).

Para Jithavech e Krishnan (2010), Altuntas e Selim (2012) o leiaute funcional

apresenta vantagens dos recursos de fabricação estarem agrupados, permitindo maior

flexibilidade em aceitar os diversos fluxos produtivos, reduzindo o custo de manutenção do

material. Em contra partida, as criticas existentes a esse tipo de leiaute são a baixa

produtividade e a dificuldade em programar a produção (GEIGER et al., 1997).

Segundo Askin e Estrada (2007) o leiaute celular busca ter o rendimento do leiaute de

produto e a agilidade do leiaute funcional, propicia a redução de estoques intermediários e do

tempo de preparação da máquina. Ideal para empresas que possuem diversidade de produtos

por aumentar sua flexibilidade, reduzir lead-time e facilitar o controle de produção. Todavia,

apresenta desvantagens como complexidade em sua elaboração e produção restrita a um tipo

de família de produto (SATOGLU e SURESH, 2009).

Por fim, o leiaute de produto apresenta vantagens como: grande produtividade,

controle de produção simplificado, baixo custo de fabricação por unidade e de estoque

intermediário (YAMAMOTO, QUDEIRI e JAMALI, 2008 e SILVA e CARDOZA, 2010).

Suas desvantagens são baixa flexibilidade de produção, alto investimento inicial para

aquisição de maquinário e qualquer problema na linha acarreta em grandes perdas

(ALTUGER e CHASSAPIS, 2010, SLACK, CHAMBERS e JOHNSTON, 2010).

Sendo assim, muitas pesquisas têm sido realizadas para estudar e avaliar o melhor

leiaute de uma determinada realidade produtiva. Sobretudo, pesquisas integrando a

modelagem e simulação com a possibilidade de testar os mais variados tipos de leiaute e

disposição de máquinas para melhorar o processo produtivo de forma mais simples e com

maior precisão.

Por exemplo, Jerbi, Chtourou e Maalej (2010) realizaram um trabalho usando a SED

para criar um modelo matemático capaz de avaliar qual leiaute, funcional ou celular, é o mais

apropriado para o contexto da empresa a ser avaliada.

Yazici (2006) escreveu um artigo descrevendo as possibilidades do uso da simulação

para avaliar os tipos de leiaute mais adequados a uma empresa. O modelo simulado serviu

como material didático para os alunos aprenderem as diferenças no lead time e estoques

finais, para cada tipo de leiaute simulado.

Jahangirian et al. (2010) confirmam em seu artigo, por meio de uma vasta revisão na

literatura, a possibilidade de utilizar a modelagem e simulação para criar projetos de alteração

de leiaute.


Jithavech e Krishnan (2010) em seu estudo comentam a dificuldade em determinar um

tipo de leiaute conforme o tamanho do problema e complexidade aumentam. Para Hasan,

Sarkis e Shankar (2012) o planejamento do leiaute tem uma importância fundamental para a

operação da empresa.

De acordo com Caron, Marchet e Perego (2000) uma decisão mal feita sobre o tipo de

leiaute pode levar a um aumento drástico no tempo de movimentação do material.

De acordo com o estudo de Tompkins et al. (2010) o custo do produto pode ser

reduzido de 10 a 30% somente com a adequação do leiaute. Para Canen e Williamson (1996)

encontrar o leiaute adequado para a empresa melhoraria a performance dos seus resultados.

2.3.2. Lean e Leiaute Celular

Segundo Abdulmalek e Rajgopal (2007) o Lean Manufacturing originou-se na Toyota

junto com o seu Sistema Toyota de Produção e várias técnicas são associadas a esse sistema

como o TPM, SMED e o leiaute celular. Ainda segundo os autores, a filosofia Lean

Manufacturing é uma iniciativa que muitas empresas dos EUA vem tentando implementar

para continuarem competitivos no mercado global.

Womack e Jones (2004) apresentam uma forma de mapeamento de desperdícios

(VSM) amplamente utilizado pelo Lean Manufacturing, que pode incentivar na alteração de

leiaute da empresa. Os principais símbolos utilizados para criar esse mapeamento são

apresentados na Tabela 2.2.

Mahdavi, Shirazi e Paydar (2008) descrevem no seu trabalho que para montar um

leiaute celular de sucesso deve-se identificar famílias de produtos, ou seja, similaridades no

processo de fabricação de diferentes produtos.

Süer et al. (2010) realizaram um trabalho adaptando parte da empresa para leiaute

celular e com as máquinas que sobraram eles montaram um leiaute hibrido que absorveria a

variação na demanda sem impactar a nova célula criada. Renna e Ambrico (2011) também

apresentam em seu trabalho a ideia de células fragmentadas justamente para combater uma

desvantagem do leiaute celular, que é o impacto da variação de demanda para a família, ou

falhas dentro da célula.

De acordo com Ghotboddini, Rabbani e Raihmian (2011) o leiaute celular reduz o

custo do produto além de aumentar a flexibilidade do sistema adaptando-se aos pedidos de

lotes menores atuais.


Símbolo Nome e Função

Caixa de processo - equivale a uma área do

fluxo.

Caixa de dados – utilizada para registrar

informações relativas a processos de

produção, departamentos, clientes etc.

Estoque – identifica a quantidade e tempo da

peça no estoque.

Seta - representa o movimentado antes que o

processo seguinte necessite.

Fontes externas – serve para mostrar clientes,

fornecedores e processos de produção

externos.

Tabela 2.2 – Símbolos do VSM

Fonte: Rother e Shook (2003)

Segundo Renna e Ambrico (2011) as principais vantagens do leiaute celular é que o

estoque em processo e o lead-time são reduzidos, o que melhora a resposta para o mercado,

tempo de setup, custo com ferramental, área utilizada, movimentação reduzida e planejamento

da produção facilitado.

2.3.3. Simulação de Leiaute

Banks et al. (2005) destacam ainda a possibilidade de utilização da simulação como

ferramenta para se definir leiautes em ambientes fabris, como a proposta deste trabalho.

Baykasoğlu e Göçken (2010) apresentam em seu trabalho o uso da SED junto com a

técnica Planejamento de Experimentos para avaliar o ganho de produtividade sobre o leiaute

funcional ao criar células virtuais. A ideia de células virtuais é manter o leiaute como está, no

entanto, deve-se garantir que famílias de um mesmo produto passem por determinadas

máquinas.

Jerbi, Chtourou, e Maalej (2010) utilizam a SED e o método de Taguchi para avaliar

os impactos do tempo de setup, tempo de transferência, tempo de processamento, frequência

de chegada, tamanho de lote e regra de sequenciamento das filas no programa para o leiaute

funcional e o celular.


Azadeh et al. (2011) emprega a SED para avaliar os resultados obtidos (tempo de fila,

utilização das máquinas e tempo no sistema) permutando 24 formações diferentes de leiaute

em um processo de injeção. A melhor configuração do leiaute foi obtida pela técnica de fuzzy

simulation-fuzzy data envelopment analysis.

Renna e Ambrico (2011) utilizam a SED para comparar o leiaute celular clássico com

outros dois tipos de leiaute, o fragmento de células (mais de uma célula igual) e a “última”

célula (uma célula para cada produto e uma última célula que pode produzir qualquer

produto).

Os indicadores utilizados na comparação foram o tempo de ciclo, WIP e taxa de

utilização das máquinas. Para condições sem variação na demanda do cliente, o leiaute celular

clássico se mostrou melhor, no entanto, quando foi inserido um cenário mais atual, com

variação da demanda, o leiaute da última célula foi melhor.

Kurkin e Šimon (2011) utilizaram a SED para propor um novo leiaute para duas linhas

de produção da empresa (linha Daimler e VW). O objetivo principal era reduzir o espaço

utilizado com essas duas linhas. Para os autores, a principal vantagem de utilizar a SED em

simulação de leiautes é tentar diversos arranjos no programa, sem necessidade de movimentar

as máquinas na vida real. No momento em que a melhor variante dos leiautes pesquisados for

encontrada pela SED é que os trabalhos poderão começar. Os resultados alcançados são

apresentados na Tabela 2.3.

Leiaute Original

(%) Novo Leiaute

(%) Diferença

(%)

Área ocupada (m2) 100 69,4 30,6

Distância entre operações (m) 100 83,33 16,67

Intensidade de ruído (dB) 100 87,35 12,65

Número de operadores 100 84,61 13,39

Número de peças produzidas 100 107,09 7,09

Tabela 2.3 – Comparação entre o leiaute original e o novo leiaute

Fonte: Kurkin e Šimon (2011)

Thammatutto e Charoensiriwath (2011) utilizaram em seu trabalho a SED juntamente

com o Planejamento de Experimentos para testar a configuração de seis propostas de leiautes

celulares para uma empresa de manufatura.

Boucherie, Hans e Hartmann (2012) em sua pesquisa, avaliam a proposta de um

leiaute hospitalar empregando a SED.


2.4. Considerações finais

Nessa seção 2 da dissertação foi descrito os temas sobre a SED, as etapas de seus

projetos e aplicações práticas. Além disso, foi abordado o tema de leiaute, o leiaute celular

mais especificamente e a utilização da SED como ferramenta para auxiliar nos projetos de

leiaute.

Tudo isso, com o intuito de facilitar a compreensão do objeto de estudo que será

apresentado na seção 4.

Capítulo 3 – Método de Pesquisa 35

3. Método de Pesquisa

3.1. Considerações Iniciais

A primeira parte desse capítulo trata sobre a escolha do método de pesquisa quantitativa

em Engenharia de Produção. Em seguida, serão abordadas as sequências das etapas da

modelagem e simulação. Por fim, será comentada a utilização do método de pesquisa para o

objeto estudado.

3.2. Método de pesquisa quantitativo: modelagem e

simulação

Segundo Fleury (2010) a Engenharia de Produção trata do projeto, aperfeiçoamento e

implantação de sistemas integrados de pessoas, materiais, informações, equipamentos e

energia para a produção de bens e serviços, de maneira econômica, respeitando as condições

sociais, culturais, éticas e ambientais.

No entanto, para se gerar conhecimento científico na área de Engenharia de Produção

existem certas etapas a serem respeitadas e abordas. A Figura 3.1 elucida de forma clara

como realizar uma pesquisa, e assim, gerar conhecimento científico dentro da Engenharia de

Produção.

Figura 3.1 - Ciclo de produção de novos conhecimentos

Fonte: Fleury (2010)

Pela análise da Figura 3.1 pode-se notar que umas das primeiras etapas a ser

desenvolvida na pesquisa é a escolha do método da pesquisa.


Segundo Morabito e Pureza (2010) modelos quantitativos são modelos abstratos que

podem ser descritos em linguagem computacional utilizando, por exemplo, a simulação para

analisar o impacto de diferentes ações possíveis no sistema.

Portanto, o presente trabalho adotará o método quantitativo em Engenharia de Produção

para o seu desenvolvimento. De acordo com Bertrand e Fransoo (2002) uma pesquisa

quantitativa serve para construir modelos que explicam completamente ou parte do

comportamento encontrado na vida real.

O termo quantitativo refere-se ao fato das funções estudadas na pesquisa variarem de

forma específica quando ocorrer uma mudança específica nas variáveis das funções

(MORABITO e PUREZA, 2010).

Como o objeto de pesquisa (tratado no item 1.1) é um sistema de manufatura moderno,

com diversas variáveis independentes, sua análise é complexa. Sendo assim, para a solução

desse problema foi adotada a simulação computacional.

A simulação computacional obtém dados que servem em uma pesquisa quantitativa, por

isso, o método quantitativo escolhido para a pesquisa foi a modelagem e simulação. Segundo

Miguel (2007) essa era uma das abordagens mais utilizadas em Engenharia de Produção.

A simulação computacional serve para manipular as variáveis independentes (x) e

predizer as reações no sistema real (MORABITO e PUREZA, 2010), ou seja, as respostas

obtidas pela simulação podem ser transpostas para o mundo real sem haver necessidade de

alterar o real.

Os mais diversos valores para as variáveis independentes e cenários podem ser testados

sem qualquer impacto no sistema real. Sendo essa uma das grandes vantagens da simulação

computacional (BANKS et al., 2010).

Segundo Bertrand e Fransoo (2002) o método quantitativo modelagem e simulação

pode ser dividido em quatro tipos diferentes: empírico descritivo, axiomático descritivo,

empírico normativo e axiomático normativo. Suas principais características são:

Empírica descritiva: o modelo criado descreve relações causais que podem existir na

realidade (resulta na compreensão de algo real);

Axiomática descritiva: interesse principal em analisar um modelo (normalmente

esse modelo é encontrado na literatura) e gerar conhecimento sobre o mesmo;

Empírica normativa: objetiva criar uma maneira para melhorar um sistema real

corrente;


Axiomática normativa: preocupada em desenvolver o conhecimento já existente na

literatura.

Como a finalidade da pesquisa é utilizar o modelo de simulação para analisar um

sistema real, e ela passa por todas as etapas apresentadas na Figura 2.1, o método definido

para a pesquisa foi o método quantitativo modelagem e simulação do tipo empírico

normativo.

3.3. Etapas de uma pesquisa de modelagem e simulação

De acordo com Chwif e Medina (2010) o desenvolvimento de um modelo de simulação

passa por três grandes etapas: concepção ou formulação do problema, implementação e por

fim análise dos resultados do modelo. As Figuras 3.2, 3.3, 3.4 e 2.1 mostram a visão proposta

por Law e Kelton (1991), Banks (1998), Chwif e Medina (2010) e Montevechi et al. (2010)

que apesar de terem 19 anos de diferença entre eles, apresentam estruturas muito parecidas e

também divididas nessas três grandes áreas.

Figura 3.2 - Passos para o estudo da simulação de Law e Kelton

Fonte: Law e Kelton (1991)


Figura 3.3 - Passos para o estudo da simulação de Banks

Fonte: Banks (1998)

Figura 3.4 – Etapas de um projeto de simulação

Fonte: Chwif e Medina (2010)


As Figuras 3.2, 3.3, 3.4 e 2.1 são de grande importância para orientar o pesquisador nas

etapas a serem seguidas no processo. No entanto, como a Figura 2.1 é uma das mais atuais e

com uma estrutura mais definida, será ela que norteará os passos do presente estudo.

A primeira etapa (concepção) é onde ocorre maior aprendizado, o pesquisador está

descobrindo o objeto de estudo através da construção do objetivo do trabalho, a definição e o

escopo do projeto.

Em seguida, para a construção do passo 1.2 já existe a necessidade de reuniões entre os

especialistas para definir o nível de detalhamento do sistema a ser simulado para então ser

representado em forma de desenho o sistema a ser estudado. Essa construção do modelo

conceitual em forma de desenho pode ser representada por diversas técnicas como o

Integrated Definition methods - Simulation – IDEF-SIM (MONTEVECHI et al., 2010)

apresentado na Tabela 3.1.

Elementos Simbologia Técnica de origem

Entidade

IDEF3 (Transição do modo

descritivo)

Função IDEF0

Fluxo da entidade IDEF0 e IDEF3

Recurso IDEF0

Controle IDEF0

Regras para fluxo paralelo

e/ou alternativo

Regra E

Regra OU

Regra E/OU

IDEF3

Movimento Fluxograma

Explicação IDEF0 e IDEF3

Entrada de fluxo no sistema

Fim do sistema

Conexão com outra figura

Tabela 3.1 – Elementos e símbolos utilizados na técnica IDEF-SIM.

Fonte: Montevechi et al., 2010

&

X

O


Após a construção do modelo conceitual, este deve ser valido por especialistas e

verificar se o modelo representa de forma fiel o sistema real.

Uma vez o modelo validado, pode-se passar para a 2ª parte do projeto de simulação, a

implementação. Assim, o modelo conceitual deve ser programado em um software de

simulação e em seguida deve ser validado para comprovar que os dados de entrada no

software correspondem ao sistema real. Além disso, o modelo deve ser verificado, ou seja, ser

inspecionado para garantir que as lógicas utilizadas na programação do modelo foram bem

utilizadas.

Por fim, a fase de análise. Nessa última etapa, com o modelo já validado e verificado, a

execução dos experimentos ganha espaço. Vale ressaltar que no caso desta pesquisa a palavra

cenário será utilizada no lugar de experimento. Isso porque experimento traz a ideia de algo

planejado, enquanto na verdade a simulação foi feita ao acaso, retirando as máquinas

desnecessárias a cada rodada e avaliando o seu impacto no volume final de produção. O

modelo computacional começa então a trabalhar para o pesquisador, para então, responder as

perguntas da pesquisa.

No caso da dissertação, a mesma estrutura de passo a passo foi seguida. Primeiramente

foram construídos os modelos conceituais, que foram validados pelos engenheiros e

supervisores encarregados do processo.

Foram montados quatro modelos conceituais no total. Todos eles foram entregues ao

chefe da área para que fossem arquivados nos documentos da empresa e pudessem ser

consultados posteriormente.

Os dados de entrada foram todos coletados antes de iniciar a criação do modelo

computacional. Os dados necessários para a criação do modelo foram: leiaute da fábrica,

refugo dos produtos, histórico das ordens de produção tanto para obter tamanho de lotes

quanto frequência na demanda do cliente, tempos padrões das operações, tempos de setup,

indicadores chaves da manutenção mean time between failures (MTBF) e mean time to repair

(MTTR) e horário dos turnos.

Com todos os dados reunidos, iniciou-se a construção do modelo computacional. Ao

final da construção, ainda foi gasto cerca de um mês para adequação e correto funcionamento

do modelo.

Nessa etapa o modelo passou por uma análise prévia dos tomadores de decisão da

empresa, que questionaram sobre a SED, sua real importância e funcionalidade.


Após essa análise, os responsáveis pela empresa continuaram incrédulos com a técnica,

mas devido à urgência de modificação do leiaute para que os trabalhos de redução de refugo

fossem mais efetivos, eles optaram por continuar com o projeto.

O modelo computacional passou então pelas etapas de verificação e validação. Uma vez

o modelo validado, iniciou-se a etapa de análise.

A primeira definição dentro dessa etapa era para os cenários irem reduzindo os locais

máquinas (recursos), até manter somente aquelas necessárias para a produção do volume

demandado pelo cliente.

Assim foram simulados vários cenários e a cada um deles eram retiradas as máquinas

desnecessárias, ou seja, que eram pouco ou nada utilizadas. Por fim, analisando

estatisticamente cada cenário, obteve-se a quantidade ideal de máquinas para montar a célula.

Apesar de ser citado que foram realizados alguns cenários até a obtenção daquele que

forneceu a quantidade de máquinas que seriam utilizadas, a seção 4 irá apresentar apenas o

cenário final já com o número de máquina exato para a modificação do leiaute.

A célula foi então proposta, priorizando a proximidade entre as operações sequenciais.

Essa proposta foi mais uma vez apresentada para os tomadores de decisão da empresa, mas

dessa vez com o modelo computacional 3D concluído. Foi notável a importância do modelo

3D para a melhor compreensão e aceitação da célula utilizando-se desse artifício.

Por fim, decidiu-se então criar a célula com os recursos dimensionados pela SED.

Capítulo 4 – Condução da Pesquisa 42

4. Condução da Pesquisa

4.1. Considerações iniciais

Este capítulo se propõe a apresentar o objeto de estudo e o método utilizado para

avaliação e alteração do leiaute da empresa. A empresa estudada é uma empresa do setor

automotivo, instalada no Sul do estado de Minas Gerais. Ela faz arte de uma multinacional de

origem alemã com aproximadamente 100 plantas em quatro continentes, oito centros de

pesquisa e desenvolvimento e cerca de 47 mil colaboradores. Somente essa planta produz

cerca de 351 milhões de peças/ano, empregando algo em torno de 3.000 colaboradores,

movimentando centenas de milhões de reais.

No entanto, essa empresa apresentava um refugo médio para determinado tipo de

produto de 38%, representando uma perda de milhares de reais para a unidade. Acreditava-se

que parte desse refugo era devido ao leiaute funcional apresentado, pois como foi tratado no

capítulo 2.3 sobre os diferentes tipos de leiaute, no leiaute funcional não existe um foco em

determinado produto.

Todos os produtos podem passar por qualquer máquina que esteja disponível naquele

bloco de máquinas, dessa forma, o colaborador não se torna especializado em um tipo de

produto. Como as características dos processos de fabricação são complexas e manuais,

alterar o leiaute funcional para o celular reduziria os tipos de produtos que passariam pelo

novo leiaute. Os gerentes acreditavam que esse fator proporcionaria um conhecimento maior

sobre o produto aos colaboradores, o que auxiliaria na redução do refugo.

Portanto, a maneira escolhida para realizar um estudo de alteração de leiaute foi

utilizando a SED. Os itens 4.2, 4.3 e 4.4 irão tratar sobre o processo inicial de criação do

modelo conceitual, do modelo computacional, e o processo de análise e alteração de leiaute

respectivamente.

4.2. Concepção

4.2.1. Objetivos e definição do sistema

Primeiramente, foi analisado o fluxo de operação do produto. Existiam duas famílias,

cada uma delas com uma variação pequena no fluxo. O fluxo representado pela Tabela 4.1

apresenta o fluxo das duas famílias e a diferença entre eles.


Ordem da Operação Família A Família B

1ª Operação 1 Operação 1















16ª Operação 24

Tabela 4.1 – Fluxo da Família A e B

Apesar de serem apenas duas normas definindo os fluxos das duas famílias, a

complexidade do estudo era um pouco maior em função da gama de produtos existentes, sua

variação na demanda do cliente e no mix de produção.

Existiam 271 itens cadastrados para a família A e B, que correspondiam à produção de

180 mil peças por mês em média, mais de dois milhões de itens produzidos no ano de 2011.

Nesse mesmo ano o refugo médio do produto estava em 34%, ou seja, 700 mil peças foram

descartadas durante o ano, prejudicando a produtividade da fábrica e elevando o custo de

produção.

A próxima etapa do trabalho foi analisar o volume de produção das duas famílias de

produtos. Em seis meses de produção, tinham sido fabricadas 290 ordens de pedido das duas

famílias, sendo 86 itens diferentes. No geral 242 ordens pertenciam a Família A e 48 a

Família B, representando 64 produtos da Família A e 22 da Família B.

Esses números de ordem produzidas podem ser representados em volume de acordo

com a Tabela 4.2.


Família Peças Porcentagem

Família A 1.204.583 95,6%

Família B 54.853 4,4%

Total 1.259.436 100%

Tabela 4.2 – Comparação do volume produzido entre as duas Famílias

Portanto, foi decidido que todo o estudo seria feito para organizar um leiaute que

contemplasse o fluxo da Família A.

No entanto, era necessário verificar a curva A dos produtos com maior volume da

família. Realizando o estudo para entender o comportamento de produção da Família A, pode-

se definir a Tabela 4.3.

Tipo Volume Porcentagem Acumulado

Produto 1 262.913 21,8% 21,8%

Produto 2 228.755 19,0% 40,8%

Produto 3 167.110 13,9% 54,7%

Produto 4 122.472 10,2% 64,9%

Produto 5 76.768 6,4% 71,2%

Produto 6 66.262 5,5% 76,7%

Produto 7 62.811 5,2% 81,9%

Produto 8 24.156 2,0% 83,9%

Produto 9 20.156 1,7% 85,6%

Tabela 4.3 – Curva A do volume de produção da Família A

Pela análise da Tabela 4.3, pode-se concluir que apenas nove produtos correspondem

a mais de 80% do volume de produção da família, ou seja, os outros 55 itens existentes

possuem uma demanda muito baixa do cliente, não sendo interessante que ocupem os

recursos do novo leiaute a ser definido.

Acreditava-se que com a criação de uma linha dedicada para esses produtos, os

colaboradores ficariam especializados nas características técnicas e teriam maior domínio

sobre as máquinas que operavam. Além disso, com a criação de um local específico para essa

tecnologia, a atuação das áreas suportes como qualidade e engenharia de processos seriam

mais eficientes.

No entanto, para criar a linha era necessária uma ferramenta que auxiliasse na tomada

de decisão dos gestores da empresa, pois esses avaliariam o retorno potencial do projeto.

Na empresa estudada existia um cenário que dificultava o cálculo de balanceamento da

célula para avaliar a quantidade de máquina e colaboradores que seriam envolvidos no

processo. Em função da quantidade de produtos envolvidos, a variação no tamanho do lote de


produção (restrição mínima de 500 peças) e no mix de programação impactavam diretamente

no volume produzido.

Somado a isso, as operações apresentavam tempos de setup de mais de 1h, além de

intervenções constantes da manutenção, gerando uma redução na capacidade de produção das

máquinas.

Por isso, a SED foi adotada como ferramenta auxiliar a tomada de decisão.

Seguindo então a estrutura apresentada no item três como método do trabalho, a

primeira etapa para iniciar o projeto de simulação é a definição do escopo e objetivo do

sistema.

Foi utilizado o Guia do Usuário (ProModel®, 2011) para orientar o planejamento do

trabalho, sendo definida como primeira etapa a definição do objetivo que foram os objetivos

apresentados no item 1.1 da dissertação.

Algumas perguntas iniciais, descritas no Guia do Usuário (ProModel®, 2011), foram

feitas para auxiliar na definição do objetivo, por exemplo: o motivo de utilizar a simulação,

quem utilizará o modelo, a quem será apresentado os resultados do modelo, quais informações

são esperadas do modelo, qual a importância da decisão que será feita com os resultados do

modelo.

Assim, pode-se dizer no final que o motivo de utilizar a simulação era obter resultados

mais precisos, por considerar variações no volume de produção e detalhes como variação no

tempo de setup. De acordo com Potter, Yang e Lalwani (2007) as informações geradas ao

final de um projeto de simulação são precisas e devem ser destacadas como um diferencial da

técnica.

Todas essas variações e interações entre fatores seriam muito difícil levar em

consideração nos cálculos manuais, ou seja, sem a utilização da SED. Para Aleisa, Al-Ahmad

e Taha (2011) sem os resultados da simulação para o estudo de uma expansão da rede de

tratamento de esgoto mais de dezenas de milhares de dólares seriam gastos sem necessidade.

O modelo seria utilizado apenas pelo programador que no final do projeto apresentaria

os resultados obtidos para o grupo de gestão da empresa. Eles avaliariam os relatórios finais

para que pudessem estudar a viabilidade do projeto e tomar à decisão de criar ou não a célula

dedicada às duas famílias de produto.

Portanto, as saídas esperadas pelo modelo seriam a quantidade de máquinas

necessárias para que o sistema rodasse de forma adequada (capacidade instalada igual à

demanda do cliente).


A Figura 4.1 apresenta a técnica SIPOC (Supplier Input Process Output Customer)

que resume as entradas e saídas esperadas no processo a ser simulado. Ela serviu como forma

de registrar as respostas das perguntas realizadas na definição do objetivo da simulação.

Figura 4.1 – SIPOC do projeto a ser simulado

4.2.2. Construção e validação do modelo conceitual

Dando sequência a Figura 2.1 de Montevechi et al. (2010) a próxima etapa seria a

criação do modelo conceitual. Para tanto foi utilizada a técnica do IDEF-SIM como

mapeamento das atividades pertencentes ao processo produtivo e os recursos envolvidos, mas

antes de iniciar o mapeamento foi feito um levantamento para verificar o volume de produção

para cada uma das duas famílias (A e B) de produto.

A relação de produção entre a família A e B era de 92% e 8% respectivamente, como

o fluxo produtivo não alterava muito entre elas, decidiu-se realizar todo o estudo para a

família A. Dessa forma, iniciou-se a primeira parte do mapeamento conceitual.

A primeira parte são processos de fabricação ainda de desbaste, antes da deposição de

um material para cobrir e aumentar a vida útil do produto.

Os produtos dessa Família A chegam no cais da empresa, os colaboradores da área

disponibilizam-no na parte de estoque da primeira operação de usinagem (chamada de

máquina 1). Na máquina 1, um colaborador trabalha com duas máquinas. O colaborador 1

opera a máquina 1 e assim que termina o lote de produção disponibiliza o produto para a

próxima operação. O operador 2 trabalha com duas máquinas iguais, 2.A e 2.B, e assim que

termina sua operação disponibiliza o lote no estoque da máquina 3. Os operadores 3, 4 e 5 das

máquinas 4.A, 4.B e 4.C respectivamente buscam o produto no estoque 3 para realizar uma

preparação intermediária (Operação 3) antes de iniciar sua atividade de agregação de valor e

disponibilizar o lote no estoque 4 para a operação 5. Nessa operação existem três máquinas

que realizam a mesma operação e três operadores, um para cada máquina. Por fim, o

colaborador 9 busca o lote ao final da operação 5, realiza a operação 6 e disponibiliza no

Fornecedor

• Empresa

Entradas

• Tempos de ciclo

• Tamanho do lote

•Volume de Produção

• Setup

• Tempo de manutenção

Processo

• Programação dos dados

• Simulação de cenários

Saída

•Quantidade de máquinas

•Volume produzido

Cliente

• Empresa


estoque 6 antes de iniciar as atividades que preparam o produto para receber o tratamento

químico.

As etapas descritas anteriormente foram validades pelo engenheiro de processo e o

encarregado da produção responsáveis pela área. As atividades e recursos foram

representados pelo mapeamento em IDEF-SIM e podem ser observadas na Figura 4.2.

Figura 4.2 – IDEF-SIM operações básicas

Na etapa seguinte são identificadas as operações por onde o produto passa para

receber a cobertura que lhe garantirá maior vida útil.


Primeiramente, o produto fica aguardando no estoque até que algum dos colaboradores

10, 11 ou 12 esteja livre e venham buscá-lo. Eles são responsáveis pela junção do produto

com cerca de outros 300 produtos do mesmo lote de produção (Operação 7). Ao terminar a

operação (8) de montagem, o colaborador realiza uma limpeza da superfície do produto e o

disponibiliza para a operação subsequente. O operador 13 é responsável por depositar uma

película protetora no produto (Operação 9) e deixá-lo no estoque durante o tempo necessário

para a sua secagem. O produto após seco segue para uma operação química (Operação 10)

realizada pelo colaborador 14 e só então o produto segue para a operação de deposição da

cobertura (Operação 11) pelo colaborador 15.

Após algum tempo o colaborador 15 retira o produto da deposição e o encaminha para

o operador 16 realizar mais um banho químico e desmontar a junção feita por alguns dos

colaboradores 10,11 ou 12 (Operação 12). Por fim, o colaborador 16 disponibiliza o lote no

estoque da inspeção final do setor. A inspeção final (Operação 13) é a última operação da área

de deposição de cobertura, sendo realizada pelo colaborador 17, que ao terminar a inspeção

disponibiliza o lote para a próxima área de produção.

As etapas descritas anteriormente foram validadas pelo engenheiro de processo e o



Figura 4.3 - IDEF-SIM revestimento do produto


Nesta 2a

parte do processo produtivo as operações são ainda operações de desbaste,

que ainda não exige um controle dimensional rigoroso.

O colaborador 18 movimenta o produto da parte de revestimento para essa 2a parte de

fabricação. A primeira operação serve apenas como polimento ao produto, e é realizada pelo

colaborador 18. Ao terminar sua operação ele disponibiliza o lote para o estoque da operação

15. Qualquer um dos quatro colaboradores (19, 20, 21 ou 22) pode buscar o produto no

estoque antes de iniciar a operação 15.

Outros seis colaboradores (23, 24, 25, 26, 27 ou 28) podem buscar o lote no estoque

12 para iniciar a operação 16. Em seguida, o produto passa pela operação 17, podendo ser

executada em qualquer uma das duas máquinas, cada colaborador opera uma máquina. Após

a operação 17, o produto segue para a operação 18, com sete máquinas disponíveis, e por fim

segue para a operação 19, a última operação dessa 2 a

parte produtiva.

As etapas descritas acima foram validades pelo engenheiro de processo e o


representados pelo mapeamento em IDEF-SIM e podem ser observadas na Figura 4.4 e 4.5.

Nesta última etapa do processo produtivo o produto passa por operações finais, ou

seja, de acabamento, e consequentemente as tolerância para as medidas do produto também

são menores.

A primeira atividade realizada por qualquer um dos colaboradores 37, 38 ou 39 é

buscar o lote no estoque e iniciar sua operação 20 em uma das cinco máquinas. O produto

segue para a operação 21 a qual um colaborador opera uma máquina.

Posteriormente o produto segue para as operações 22 e 23 que são realizadas por um

único colaborador 42. Por fim, o produto segue para a operação 24, a qual um colaborador

opera quatro máquinas e o conjunto trabalha em sequência, ou seja, a máquina 24.AB termina

a operação iniciada pela máquina 24.AA.

Existe ainda um setor de inspeção final, mas como tal setor não poderia ser separado

para a montagem da célula ele não foi considerado no mapeamento nem inserido no modelo

computacional.

As etapas descritas acima foram validades pelo engenheiro de processo e o




Figura 4.4 – IDEF-SIM operações intermediárias


Figura 4.5 – IDEF-SIM operações intermediárias (Continuação)

Vale ressaltar que todos os mapeamentos foram arquivados digitalmente e estão salvos

em pastas da própria empresa.

Finalizada a construção do modelo conceitual, o trabalho avançou para a parte de

coleta de dados, ainda na etapa de concepção.

4.2.3. Modelagem dos dados de entrada

Mais uma vez, como material de consulta para orientação na construção do trabalho

foi utilizado o Guia do Usuário (ProModel®, 2011).

O material apresenta como dados apropriados para uso os tempos padrões existentes,

leiaute da fábrica, previsão de venda do mercado, relatórios da manutenção. Todos esses

pontos forneceram dados importantes para a criação do modelo computacional, mas foram

necessários outros dados não citados como: tempo de setup, variação no lote de produção e

variação na chegada dos diferentes produtos da mesma Família A.


O primeiro levantamento realizado foi com relação ao leiaute e à movimentação e

distância entre as operações, isso porque todo o modelo computacional foi criado levando em

consideração as distâncias reais percorridas pelos colaboradores na movimentação do lote de

produção.

Figura 4.6 – IDEF-SIM das operações finais

A movimentação do produto está demarcada sobre o leiaute da fábrica na Figura 4.7.

As distâncias não foram contabilizadas em função das retas traçadas em vermelho, elas foram

marcadas somente para facilitar o entendimento de como o produto se desloca pela produção.

As distâncias programadas foram as calculadas levando em consideração a movimentação

pelos corredores permitidos do prédio.

Os tempos padrões foram baseados no banco de dados de tempos padrões utilizados

pela empresa. Esses mesmos dados são utilizados para alimentar o sistema ERP que calcula o


tempo mínimo e máximo de produção para atender à data limite de entrega estabelecida pelo

cliente, bem como seu custo de produção.

Um exemplo das tabelas de tempos padrões utilizadas pode ser observada na Tabela

4.4.

DESCRIÇÃO HORA

TIP

O D

E M

AT

ER

IAL

E D

IME

NS

ÃO

0,120

0,130

0,140

0,140

0,170

0,140

0,160

1,180

SET - UP HORA/LOTE: 0,25 %IMPRODUTIVIDADE: 14

Tabela 4.4 - Exemplo de tabela para cálculo de tempos padrões

Os tempos de setup de máquina também foram obtidos pela consulta da tabela de

tempos padrões da operação. Voltando na Tabela 4.4 pode-se observar no final da tabela o

item SET-UP HORA/LOTE que faz referência ao tempo de setup da operação.

Figura 4.7 - Leiaute da fábrica

CAMINHÃO

RE

TÍF

ICA

D

E

PE

R

FI

L

3770

4

PA

INE

L

AR

MA

RIO

PAINEL

377

41 1

36

6

900

57

3

37

703

40

057

BA

NC

AD

A

AR

MA

RIO

28

88

9

AR

MA

RIO

BA

NC

AD

A

90

069

BA

NC

AD

A

BA

NC

AD

A

90

25

78

AR

MA

RIO

AR

MA

RIO

0676

90

040

33

50

14

RAMAL DE EMERG.

RE

TÍF

ICA

L

A

TE

RA

L

4

30760

ARMARIO DE EMERG.

MA

CA

90

011

3

900776

900477

PO

ST

O L

UB

RIF

.

CARRINHO

ELIM

INA

DO

R D

E N

EV

OA

9001

01

MANUTENÇÃO

17574

19180

2109

1730

0 8235

3071

2509

2123

2512

RE

TIF

. TO

PO

AC

AB

AD

A

3074

7625

5510

43651399

RE

TIF

. TO

PO

BR

UT

A

4142

5758

2920

8

16074

25128

28757

2163

ES

CA

DA

25

16

17299

2110

2125

30706

3730

7

0133

6992

19

692

14903

2887

0

3751

1980

8

35265

35313

C16

35990

1841

0

900555

900555

2255

38560

Corredor

Corredor

Co

rred

or

Cor

red

orC

orre

dor

Cor

redo

r

Cor

redo

rC

orre

dor

Cor

redo

r

Cor

redo

r

BP 2674

BP 37738

BP

023

7

BP9691

BP

90 0

557

Ban

cad

a de

Vis

ual

CENTRAL

TELEFON.

WC

RECEPÇÃO

EM

PA

FEMININO

WC

LAB. QUIMICO

PR

EP

AR

AÇÃ

O

LA

BO

RA

TÓ

RIO

ME

TA

LO

GRÁ

FIC

OIM

PR

.IM

PR

.

ARM.

IMPRESSORAMESA

AR COND.

SERTEC

AR COND.

CAFÉ

ARM.

AR COND.

MESA

MICTÓRIO

IMPR.ARM.

ARM.

AR COND.

SALA DE

COMUNICAÇÃO

INSPEÇÃO F

I

NAL CO

M

COB

E

RTURA

FO

SF

AT

IZAÇÃ

O

RACK'S

SUP. P/ CINZEIRO

ESTANHAGEM /

NI

Q

UEL AÇÃO

SUPORTE P/ ARVORESLIXO

TANQUE

RETIFICADOR

RETIFICADOR

RETIFICADOR

COM CHAPA "XADREX"

FECHAMENTO DO PISO

SUP. P/ CINZEIROTQ. D

E RE

VERSÃO TQ . DE ESPERANeutr alizaçaõ

MACA

RACK'S

SUB-E

S

TAÇÃO

RACK'S

BP 25737

ÁGUA AGUA

RACK'S

REVERSÃO C

H

ANNEL

BP

76

61

FECHAMENTO DO PISO

COM CHAPA "XADREX"

CROMAÇÃOCOM CHAPA "XADREX"

FECHAMENTO DO PISO

TQ. SEP ARADOR

TQ. AUX.

BP

90

0121

RACK'S DE ESPERA S/ GANCHO

PRAT. PRAT.PRAT. PRAT.

SUB-E

S

TAÇÃO

MACA

DE

PL

AC

AG

EM

28831

900

205

BP

186

35

BP 35041

32777

900482

2171

2525

3850

289

49

1732169

3849

2105

4172

22231

PR

AT

ELE

IRA

9001103

30

76

1089

PR

AT

ELE

IRA

8972

42

19

211

7

3851

4144

7597

23

37

1

TQ

PR

AT

ELE

IRA

28

93

5

PR

OJE

TO

R

REG.FERR.

140

0

30

59

28880

900086

422

0

43

35

4231

006

9

35

475

15

33

6

REG.FERR.

30

59

28880

900086

2168

42

20 4335

4231

35

47

5

15

33

6

TQ

PR

AT

ELE

IRA

2136

2170

3981

0167

3807

197

55 35548

5945

34

059

34

21

2

34213

3801

TA

10

0

PRATELEIRA

PE900213

14902

28

935

PR

OJ

ET

OR

901

123

90

060

7

23372

31700

902343

30717

32443

Pin

tura

Cor

redo

r

BP3916

BP

901127

BP

901128

BP

42

49

BP2730

BP26133

BP

4770

BP0002

BP

240

45

BP

1537

5

BP

3556

BP14900

BP14896

BP 1789

BP23336

ME

TR

OL

OG

IA

MESA

SALA M

A

NUTENÇÃO

DE

INSTRUMENTOS

PRATELEIRA

INSTRUMENTOS P

/

CA

L

I BRAÇÃO

DESE NPENO DE GRANITO

BP 3974

AR

MA

RIO

B ANCADA

MESA DE

CALIBRAÇÃO

PIA

ME

SA

BE

B.

GUICHE

MESAMESA

HALL

ME SA

ARMARIO

AR

MA

RIO

MESA DE

LAPIDAÇÃO E

CALIBRAÇÃO

ME

SA

DE

CA

LIB

RAÇÃ

O

SA

LA

DE

BL

OC

O

PA

DRÃ

O

IMP

R.

AR

MA

RIO

MESA

ARMARIO ARMARIO

ME

SA

AR

MA

RIO

AR

MA

RIO

MESA

AR

MA

RIO

AR

MA

RIO

MESA

IMP

R.

MNT

Corredor

UH

PAINEL

PR

AT

ELE

IRA 3615

34053

2478 BP

18318

375

94

0171

377

13

209

PAINEL

UH

350

42

TF

V

375

93

3775

8

PAINEL

3615

2

DM

UH

Corredor

Cor

redo

rC

orre

dor

317

02 35

507

4143

4217

7601

3820

34126

Escov

C 2

7

2122

4229

324

42

25

7

3500

7

37

75

3985

4448

0053

3075

1392

900554

35071

140

2

29926

35888

ECOTEC

WC FEMININO

WC MASCULINO

PAINEL E

L

ÉT .

ARM ARM.

EXTINTOR

PRETEJAMENTO

PRAT.PRAT.

AR

M

34911

TA-300

900884

1364

90

07

38 042

3

900514

8301

3808

34057

5471

20453

4232

14603

00

30

37

87

21663359

7

3167

39

48

13302

4218

38562

167

35036

4

35036

902489

50

40

05

8

pro

jeto

r

287

25

BP

401

00

BP

21

16

18410

900297

90

0

18

97

8

12

63

4

14

51

8

19

89

1

16

07

5

89

63

69

56

19

89

2

30

50

7

361

51

BP

13

64

2

12

63

4

14

51

8

C55

19

89

2

30

50

7

RE

FO

RM

A

RE

FO

RM

A

VISUALVISUAL

VISUAL VISUAL

FORNO

PAINEL

37

096

PAINEL

PA

INE

L

32281

BP35089

BP

1930

8

BP 30568

PR

AX

AIR

PR

AX

AIR

21944

ME

TA

LIZ

AT

ION

BP 9 00646

PRAXAIR

BP 13049

PR

AX

AIR

PRA XAIR

PR

AX

AIR

38749

15

63

4

BP

2839

9

BP35108 RETIFICA DE PERFIL

BP

90

257

9

BP13049

90

18

63

METALIZATION

BP

90

0646

PR

AX

AIR

ARMARIO

902546

902406

Corredor

Cor

redo

r

PAINEL PO

BP 31127

TQ

MATÉRIA P

R

I MA

ESTOQUE DE

BP 15300

Corredor

Co

rredor

BP 2508

BP 35107

34

92

5

U.H

U.H

U.H

U.H

RE

TÍF

ICA

P

E

RF

IL ME

T

AL

IZ

ADO

PALITEIRO

BP

901

51

8

BA

NC

AD

A

BP 2

138

BP 2

0013

BP

00

17

BA

NC

AD

A

Lavadora

Eisa ire

INSP . DE LUZ

32834

PROJ.

RETRO-

MA

CA

90

003

RE

TÍF

ICA

L

A

TE

RA

L ME

T

AL

IZAD

O

PALITEIRO

BP

18

81

2

BA

NC

AD

A

BP 4

0103

BP 35164

BP

001

8

U.H

PR

AT

EL

EIR

AP

RA

TE

LE

IRA

PR

AT

EL

EIR

AP

RA

TE

LE

IRA

BA

NC

AD

A

28

724

MA

NU

T.

M

I

NI-FÁ

B

RI

CA

BA

NC

AD

A

Cor

red

or

SA

MP

TA

NK

SA

MP

TA

NK

26556

PR

AT

.

900117

900574

900402

35035

900476

T.Q.

900775

24586

28485

32602

PR

AT

.

26555

PR

AT

.P

RA

T.

PR

AT

.P

RA

T.

28484

32596

26557

BP

3802

CK

S

Cor

redo

r

Em

bal

age

m

visual 100%

BP900207

BP

9005

57

BP

90

263

2

2167

6555

15362

cabine de luz

Usinagem

Ban

cad

a de

Vis

ual

Ban

cada

de

Mo

nt. d

e M

ola

s

4352

4372

PinturaBancada de Visual

417

1

Ba

nca

da

CARE

28

724

EXAUSTOR

BP

-900

135

267

6 809

267

6 809

X

C214330218

C 454330616

C 464330616

C 44CC 4330616

C 43CC 4330616

C 224330218

C 774330265

C 204330616

INSP. F.4330617

C 154330610

C 144330601

C104330601

BP 19807

150

489

VISUAL

VISUAL

4330609

4320034

4330272

4330253

ADM4332015

C274330601

C134330601

C384330601

C784330610

C794330610

C164330601

C394330601

R.L.4330251

R.P.4330250

R.TRP.4330252

R.TRP.4330252

INSP. F.4330259

LASER4330259

ADM4320016

R.TRA.M4330347R.L.M

4330346

C 84330605

C554330612/613

RT.BR4330604

RT.AC.4330604

PRET.4330267

4330241

4330344RET. CIL.

MC2364330250 R.P.M

4330345

R.M4330614

R.M4330614

C544330621

R.M4330614

R.M4330614

C554330611

C554330242

C564330242

Q.FER.4320060

FERROX

4320031METROLOGIA

CROMAÇÃO

Mestrecomp.

AR

MA

RIO

PRAT.

90

292

3

ARM.

ARM.

901015

9010

14

902

972

902976

122 1

90163

7

9026

13

380

7

C76CC 4330219

x

Ba

nca

da

3776

C 424330616

902554

FORNO

Passi vação

CENTRAL

MESA

CEP

CEP

903054

CEP

CEP

98

0589U

H

MO

NTA

GE

M

ME

SA

SUP. P/ CINZEIRO

SUPORTE P/ ARVORESLIXO

RACK'SPRAT.

RAMPA

RAMPA

LIX

O

ARM.

AR

M.

AR

M.

AR

M.

ARM.ARM.ARM.

RAMPA

4473

BP 35190

AR

M.

ACABAMENTO

FILETAMENTOACABAMENTO

FILETAMENTO

PA

INE

L

38399

Pin

tura

Lum

iná

ria

CEP

8975

902615

5471

8281 5796

3942

1136

TFV

31287

SE

CA

DO

R

312

87

385

61

37714

37

592

C 234330218

CE

P

Corredor

325

983

259

7

28485

24586

BP

x

OBERLIN

37705

4194

34058

980199

902522

14722

902210

Secador

0058

13638

3807

37

74

Re

t.To

p B

r

x

14518

x

x

34

97

7

Re

t.To

p A

C

13639

Rebaixos

980199

148

89

PA

INE

L

Pin

tura

3ª Fase

Insp. Final

Fo

lga

Laser

Bancada de Visual

2ª Fase

1ª Fase

PALETEPALETE

PA

PE

LÃ

O

Bancada

Secador

375

93

3775

8

ALMOXARIFADO M

A

NUTENÇÃO

SALA D

E

RE

C

UPERAÇÃO

ELETRÔNICA

MNT4320119

MECÂNICA

HÉLIO

05

0203

06

08

16

09

17

10

18

11

1920

12

21

13

22

1415

2324

3637

25

38

26

39

2728

4041

2930

4243

3132

4445

3334

4647

35

49

6162

50

63

51

64

5253

6566

5455

6768

5657

6970

5859

71

76 75

79

74 73

78 77

72

PANO

07

48

60

81 80

903061TFV

ARMARIO

AR

MA

RIO

BP

90

010

2

7623

30717

BOMBEAMENTO

4330294

7623

30717

762

3

3071

7

Area = 85517553.1049

LABORATÓRIO

DE

CALIBRAÇÃO

LABORATÓRIO D

E

AM

O

S T RAS

4320337

L. AMOSTRA

CORREDOR

STUDIO

ESPECIAIS

SALA DE

MEDIDAS

ARQUIVO T

É

CNI CO

MA

NU

T.

AR

CO

ND

IC.

DEPÓSITO

VE

RIF

ICAÇÃ

O

FIN

AL

QUAL.4320032

28

711

190

54

350

67

200

76

447

6

4235

193

33

900

48390

048

3

28722

2173

18658

900797

0051

36153

35457 35362

C 264330615

9027

90

37/364330266

902

863

TF

V TANQUE

2358

91

90

3009

4230

30

77

421

6

447

6

00

73

398

6

39

84

01

49

9007

96

36149

980338

35361

191

12

4265

237 TF

V

TM

E

TM

E

19531

67

38

563

900307

900

299

67

3856

3

C 094330603

C 184330615

30717

PE

BP 900001

37

59

5

37595

3774

C 1

6

/ Re t ífica de

top

o

CA

RE

veri

fica

rlib

era

do

ES

TO

QU

E D

E

AN

É

IS

MON

I

TO

RAM

EN

TO

006

9

PAINEL

PAINEL

PAINEL

PAINEL

AGUARDANDO

INSPEÇÃO F

I

NAL

C

/

FOLG

A

P RONT

A

AR

MÁ

RIO

P

A

RA

ES

T

OQ

UE

DE

PAPE

L

ÃO

ME

SA

AR

M.

AR

M.

AR

M.

17330

PE

BP 900001

151251

ARM.

Ba

nca

da

SA

LA

DO

FO

RM

AR

E

UH

MO

NT

AG

EM

ME

SA

BP 902579

BP 13049

35485

MESA

361

56

P.E

P.E

36155

U.H

U.H

ME

SA

/

PR

AT

EL

EIR

A

35485

TF

VTANQUE

CÉ

LU

LA

N

O

VA

TF

VTANQUE

CÉ

LU

LA

N

O

VA

CEP

30717

823

5

BO

MB

A

DE

AL

TA

PR

ES

SÃ

O

BANCADA

PA

LIT

EIR

O

DE

SE

NG

RA

XA

NT

E

BO

MB

AD

EAL

TA

PR

ES

SÃ

O

BO

MB

AD

EAL

TA

PR

ES

SÃ

O

29944

19588

C.A

.R.E

ARM.

PAINEL

MIC

RO

MMC - 100

BP 242

TF

V TANQUE

FOLGA4330259

PA

INE

L

PAINELPAINEL

Ban

cad

a de

Vis

ual

Ba

nca

da d

e V

isua

l

Ba

nca

da d

e V

isua

lB

anca

da d

e V

isua

l

BP

305

3

IMPRESSORA

CARE

CONTROLE FINAL (MONITORAMENTO)

MA

CA

VISUALBANCADA

FE

RR

AM

EN

TA

L

BANCADA ME

DIÇÃO

BANCADA M

E

DI ÇÃO

02 04

BANCADA

MA

CA

IMPRESSORA

MONT.4330295

OBERLIN

BANCADA BANCADA BANCADA MESA

MEDIÇÃ

OU.H

U.H

KG-2

KG-2

KG-2

KG-2

TE

ST

E D

E R

ISC

O

OLE

AD

OR

A

OLE

AD

OR

A

90

08

33

BP O128

BP 28139

ME

SA PINTURA

ARMARIO

PA

PE

LÃ

O

PALETE PALETE PALETE

CARRINHOS TRANSPORTE DE MOLAS

PR

OJE

TO

R

35

48

5

ME

SA

36156

P.E

P.E

361

55

U.H

U.H

MESA /

PRATELEIRA 35485

ARM.

SE

CA

DO

R

0069

Ta

nqu

e d

e

óle

o

Car rinho de

sa ída

Carrinho de

entrada

Car rinho de

entrada

Retífica

trapezoidal

C 25

Lav

ad

ora

Eis

aire

BP 14722

976

9

447

44

0102

0066

BP 17329

BP 8208

AR

M.

PARTILEIRA

28812

LIXMENTO CRUZADO

C 174330229

BP 172

BP 3819

PRATELEIRA PRATELEIRA

PRATELEIRA

PRATELEIRA

BA

NC

AD

A

4330263

ARM.

ARM.ARM.

BP 3983

BP 12812

BP 12811

BP 32775

BP 34059

BP 13638

BP 15638

BP 2145

BP 18510

BP

213

9

BP 1394Reb. Interrompido

BP 3752

BP 35362

BP 4264

BP 19927

BP 34938

BP

44

75

BP 980224

BP 36149

BP 35515

BP 901125

BP 900296

BP

213

9


Nesta etapa, se avaliou o tamanho do lote de produção de cada um dos 9 itens e o

intervalo entre a produção de um mesmo item. Dos artigos analisados e citados nesta

dissertação, nenhum tratou sobre avaliar o tamanho do lote e o intervalo de demanda do

cliente.

Iniciou-se o estudo pelo Produto 1, que corresponderá a 25,5% do volume de produção

do novo leiaute. O mesmo histórico utilizado para avaliar o volume de produção da família foi

utilizado para a distribuição que melhor se ajustava ao tamanho do lote.

A Figura 4.8 apresenta um diagrama box-plot para identificação dos outliers na

amostragem para tamanho de lote do Produto 1. De acordo com Chwif e Medina (2010) o

procedimento mais correto ao se identificar um outlier é retirá-lo da amostra, mas nem sempre

isso deve acontecer, pois, em alguns casos, trata-se de um valor característico do sistema.

Como se trata de um estudo para tamanho de lotes de produção, o outlier não será descartado

uma vez que os tamanhos de lote variam muito de acordo com a necessidade do cliente,

portanto, lotes menores de 5.000 peças são coerentes com o sistema simulado.

Figura 4.8 – Análise de Outliers para o tamanho de lote do Produto 1

A Figura 4.9 apresenta um gráfico de correlação do tamanho de lote para o produto 1.

A análise de dispersão serve para identificar se a amostra representa uma sequência de valores

independentes. De acordo com Chwif e Medina (2010) os dados não apresentam correlação

quando os pontos tendem a se dispersar de modo aleatório pelo gráfico, comportamento esse

observado na Figura 4.9.


Figura 4.9 – Análise de dispersão do tamanho de lote para o Produto 1

Por fim, os dados da amostragem de tamanho de lote para o Produto 1 passaram por

alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados

melhor se ajustavam. As Figuras 4.10, 4.11, 4.12 e 4.13 mostram ao todo 16 tipos diferentes

de distribuição e o resultado do p-value para cada uma delas. Segundo Montgomery e Runger

(2009), o valor p-value é o menor nível de significância que conduz a rejeição da hipótese

nula (neste caso a amostra sendo igual à distribuição de probabilidade testada). O nível de

significância adotado foi de =0,05, ou seja, valores maiores do que o modelo é adequado

para representar a distribuição da amostra.

Figura 4.10 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 1


Figura 4.11 - Análise II da distribuição de ajuste para o tamanho de lote do Produto 1

Figura 4.12 - Análise III da distribuição de ajuste para o tamanho de lote do Produto 1

Figura 4.13 - Análise IV da distribuição de ajuste para o tamanho de lote do Produto 1


Conforme apresentado pelas Figuras de 4.10 a 4.13, o maior p-values encontrado foi

para a distribuição Transformada de Johnson. Será essa a distribuição adotada para

representar os dados da amostra.

A mesma sequência de análise foi feita para os outros oito produtos a serem simulados

e está localizada na sessão de Anexo I desta dissertação.

Com os resultados obtidos dos melhores ajustes estatísticos, foi utilizado o software

Stat::Fit v2 para calcular os devidos parâmetros de cada distribuição a serem programadas

no modelo computacional. Os parâmetros obtidos são apresentados na Tabela 4.5.

Produto Distribuição Parâmetros

Produto 1 Transformada de Johnson 4.81e+003+3.98e+003*(1./(1.+EXP(-

(N(0.,1.)-1.75)/1.37)))

Produto 2 Normal N(7.07e+003, 495)


(N(0.,1.)-1.14)/1.19)))


(N(0.,1.)-0.825)/0.926)))


(N(0.,1.)-0.251)/1.53)))


(N(0.,1.)-1.09)/1.89)))

Produto 7 Lognormal 2.13e+003+L(2.79e+003, 1.64e+003)

Produto 8 - 4.377

Produto 9 Normal N(2.53e+003, 843)

Tabela 4.5 – Parâmetros das distribuições calculadas para a variação do tamanho de lote de

produção

Segundo Banks (1998) as distribuições Normal, Weibull, Lognormal, Johnson, Beta,

Logística e Exponencial são as mais comuns em simulação.

Somente com o intuito de demonstração, a Transformada de Johnson para o Produto 1

será calculada. Segundo Johnson e Kitchen (1971) a Equação 1 representa o cálculo para criar

o gráfico da curva da Transformada de Johnson.

( )

√ ( )

((

)( (

)) )

(1)

onde:

;


Para os dados estudados, tem-se:

min= 5.005

λ= 3.461,87

γ= 1,29

δ= 0,84

Assim, substituindo os valores possíveis de x em

, pode-se encontrar os

valores de f(x) e consequentemente a curva da distribuição (Tabela 4.6).

x= y= f(x)=

5005 0 0

5007 0,000577722 6,91057E-07

5070 0,018775979 0,000663655

5135 0,037551959 0,000957554

5200 0,056327938 0,001020695

5265 0,075103918 0,000998505

5273 0,077414808 0,000992948

5330 0,093879897 0,000944336

5395 0,112655877 0,000879581

5510 0,145874917 0,000763964

5525 0,150207836 0,000749571

5574 0,164362036 0,000704132

5590 0,168983815 0,000689845

5687 0,197003354 0,000609219

5720 0,206535774 0,000584094

5755 0,216645917 0,000558667

5785 0,225311753 0,000537837

5838 0,240621398 0,000503101

6045 0,300415671 0,000389358

6110 0,319191651 0,0003597

6160 0,333634712 0,000338533

6175 0,33796763 0,000332443

6267 0,364542863 0,000297501

6305 0,375519589 0,000284188

6370 0,394295569 0,000262783

6500 0,431847527 0,00022457

6508 0,434158417 0,000222399

6760 0,506951445 0,000162871

Tabela 4.6 – Transformada de Johnson para o Produto 1

Com os dados da Tabela 4.6, pode-se montar o gráfico da distribuição para a variação

do lote do Produto 1 (Figura 4.14).


Figura 4.14 – Gráfico da Transformada de Johnson para o Produto 1

Ao término do estudo para determinar as distribuições com melhores ajustes para o

tamanho do lote de produção dos itens, iniciou-se o estudo para determinar o intervalo de

produção dos nove itens, ou seja, encontrar as distribuições com melhor ajuste para a

frequência de chegada do produtos na produção.

A Figura 4.15 apresenta um diagrama box-plot para identificação dos outliers no

intervalo de chegada do lote de produção do Produto 1. O intervalo de chegada é determinado

pela demanda do cliente e o lead time programado para o produto no sistema. De acordo com

o diagrama foi encontrado um outlier, mas como já descrito para o caso do tamanho de lote,

um outlier pode ou não ser retirado da amostra. Neste caso, adotou-se manter o valor 23.040

minutos na amostra.

A Figura 4.16 apresenta um gráfico de correlação do intervalo médio entre as

chegadas dos lotes de produção do Produto 1. A análise de dispersão serve para identificar se

a amostra representa uma sequência de valores independentes, como apresentado na Figura

4.16, pois os valores não apresentam uma tendência na dispersão dos pontos.

Por fim, os dados da amostragem do intervalo de chegada dos lotes de produção do

Produto 1 passaram por alguns Testes de Aderência para verificar a qual distribuição de

probabilidade os dados melhor se ajustavam. As Figuras 4.17 e 4.18 mostram o resultado

final da análise, apontando a distribuição Beta com o melhor ajuste para a amostra dos dados

do Produto 1. A Figura 4.17 mostra o ajuste da distribuição Beta aos dados da amostra. Já a

Figura 4.28 apresenta um p-value para o teste de 0,113, maior do que o α adotado de 0,05.

1900ral

1900ral

1900ral

1900ral

1900ral

1900ral

1900ral

1900ral 1900ral 1900ral 1900ral 1900ral 1900ral

F(x)

y=

Transformada de Johnson para o Produto 1


Figura 4.15 - Análise de Outliers para o intervalo de chegada dos lotes de produção do

Produto 1

Figura 4.16 - Análise de Dispersão para o intervalo de chegada dos lotes de produção do

Produto 1

Figura 4.17 – Gráfico do ajuste da distribuição Beta aos dados da amostra do intervalo de

chegada dos lotes de produção do Produto 1


Figura 4.18 – Resultado do p-value para o teste de ajuste entre a distribuição Beta e a amostra

dos dados do intervalo de chegada dos lotes de produção do Produto 1

A mesma sequência de análise foi feita para os outros oito produtos a serem simulados

e está localizada na sessão de Anexo II desta dissertação.

Com os resultados obtidos dos melhores ajustes estatísticos, foi utilizado o software

Stat::Fit v2 para calcular os devidos parâmetros de cada distribuição a serem programadas

no modelo computacional. Os parâmetros obtidos são apresentados na Tabela 4.7.

Produto Distribuição Parâmetros

Produto 1 Beta B(1.3, 26.9, 0., 1.14e+005)

Produto 2 Logística 7.05e+003-549*LN((1./U(0.5,0.5))-

1.)

Produto 3 Beta B(1.52, 22.5, -897, 6.01e+004)

Produto 4 Weibull W(1., 4.4e+003)

Produto 5 Lognormal -462+L(8.54e+003, 1.46e+004)

Produto 6 Exponencial E(1.2e+004)

Produto 7 Beta B(0.722, 1.99, 231, 6.29e+004)

Produto 8 - 39.360

Produto 9 Beta B(1.44, 1.46, 1.12e+003, 4.19e+003)

Tabela 4.7 – Parâmetros das distribuições calculadas para a variação na chegada dos

lotes de produção

Em seguida, foram estudados os dados de MTBF e MTTR. As distribuições

encontradas para cada uma das máquinas são apresentadas na Tabela 4.8. Elas foram

calculadas da mesma maneira que foi realizada para o tamanho de lote de produção e variação

na chegada do lote. Por esse motivo, optou-se em não demostrar mais uma vez a sistemática

de cálculo. No caso das operações que não obtiveram ajuste em qualquer distribuição,

utilizou-se a média dos valores históricos para MTBF e MTTR.


Máquina MTBF (min) MTTR (min)

Operação 1 331200 60

Operação 2A B(0.88, 2.22, 0., 6.24e+004) N(66.6, 24.6)

Operação 2B B(0.141, 0.248, 1.38e+003,

4.57e+004)

B(2.28, 6.02e+004, 30.,

1.75e+006)

Operação 4A 47000 70

Operação 4B 50218 86

Operação 4C 25497 82

Operação 5A B(0.213, 0.242, 1.62e+003,

5.34e+004)

B(0.264, 1.45, 1.62e+003,

1.95e+005)

Operação 5B B(0.548, 0.95, 1.44e+003,

2.03e+004)

B(1.07, 4.2, 29., 405)

Operação 5C 5.+E(7.36e+003) B(1.32, 2.55, 15., 190)

Operação 14 25.+E(7.63e+003) N(72.5, 26.)

Operação 15A 63.+E(6.74e+003) 27.+E(44.1)

Operação 15B 2.+E(1.56e+004) 15.+W(1.7, 69.7)

Operação 15C 1.2e+003+E(1.99e+004) B(1.52, 3.47, 30., 305)

Operação 15D 46275.93 45+E(57.6)

Operação 16A 87.+E(1.05e+004) 30.+E(61.7)

Operação 16B 2.96e+003+E(1.64e+004) 40.+W(2.05, 44.9)

Operação 16C 54857.65 37.+E(75.6)

Operação 16D 82.+E(2.84e+004) N(106, 32.9)

Operação 16E 77743 98

Operação 16F 102+E(2.86e+004) N(58.7, 27.9)

Operação 16G 76.+E(1.34e+004) 55.+W(1.24, 69.5)

Operação 16H 49585.32 86.16

Operação 16I 56.+E(3.96e+004) 58.+E(9.3)

Operação 16J 331200 77

Operação 16L 44723 76

Operação 16M 818+E(7.27e+003) 30.+L(91.9, 103)

Operação 16N 179+E(1.8e+004) 30.+E(45.5)

Operação 16O 32923.16 68

Operação 16P 24648 94

Operação 16Q 355+E(1.38e+004) 30.+W(1.79, 68.5)

Operação 17A 20660 55.4


Operação 18A 68115.09762 150.87

Operação 18B 900+E(2.93e+004) 55.+E(42.3)

Operação 18C 12055 20.+E(51.7)

Operação 18D 56.+E(3.92e+004) 60.+E(48.5)

Operação 18E 1.+E(1.46e+004) 40.+L(34.1, 23.2)

Operação 18F 47631 62

Operação 18G 1.18e+003+E(1.77e+004) N(75.2, 23.1)

Operação 19A 32373.33 30.+E(81.7)

Operação 19B 222+E(1.83e+004) N(104, 41.5)

Operação 19C E(9.07e+003) B(1.28, 1.69, 22., 180)

Tabela 4.8A – Distribuições ajustadas aos indicadores MTBF e MTTR das máquinas

programadas


Operação 19D L(9.5e+003, 8.26e+003) 29.+W(1.23, 84.3)

Operação 20A E(1.19e+004) 30.+L(30.8, 22.9)


Operação 20C 84736 79

Operação 20D 110400 60

Operação 20E 0 0

Operação 21A 1.43e+003+E(4.05e+004) 40.+E(44.3)

Operação 21B 7.5e+003+E(3.31e+004) 54.+E(22.2)

Operação 22 5.+E(1.22e+004) 30.+E(51.6)

Operação 24AA T(69., 69., 6.23e+004) 60

Operação 24AB T(1.04e+003, 1.04e+003,

1.04e+005)

U(90., 50.)

Operação 24BA 1+W(0.3, 164) N(65.2, 21.3)

Operação 24BB 32294 90

Operação 24CA 1.22e+003+E(2.08e+004) N(69., 25.5)

Operação 24CB 1.3e+003+E(3.5e+004) 30+E(78.4)

Operação 24DA 8986 U(72.5, 32.5)

Operação 24DB 1.6e+003+E(1.76e+004) 30+W(2.03, 48.3)

Tabela 4.8 B – Distribuições ajustadas aos indicadores MTBF e MTTR das máquinas

programadas

Além dos tempos de manutenção das máquinas, foram programados os tempo de setup

das operações. Cada tempo de setup foi programado como total, ou seja, não foi considerado

no modelo os tempos de aproveitamento quando produtos de dimensões próximas passam

pela máquina em sequência. A Tabela 4.9 apresenta os tempos (em min) utilizados em cada

operação. Os tempos são determinísticos, pois é assim que o sistema de ERP contabiliza o

tempo de setup na disponibilidade da máquina e para realizar a programação da fábrica.

Máquina Setup (min)

Operação 1 18

Operação 2A 15

Operação 2B 15

Operação 4A 18

Operação 4B 18

Operação 4C 18

Operação 5A 15

Operação 5B 15

Operação 5C 15

Operação 14 15

Operação 15A 15

Operação 15B 15

Operação 15C 15

Operação 15D 15

Tabela 4.9A – Tempos de setup das operações


Operação 16A 27

Operação 16B 27

Operação 16C 27

Operação 16D 27

Operação 16E 27

Operação 16F 27

Operação 16G 27

Operação 16H 27

Operação 16I 27

Operação 16J 27

Operação 16L 27

Operação 16M 27

Operação 16N 27

Operação 16O 27

Operação 16P 27

Operação 16Q 27

Operação 17A 15

Operação 17B 15

Operação 18A 60

Operação 18B 60

Operação 18C 60

Operação 18D 60

Operação 18E 60

Operação 18F 60

Operação 18G 60

Operação 19A 15

Operação 19B 15

Operação 19C 15

Operação 19D 15

Operação 20A 18

Operação 20B 18

Operação 20C 18

Operação 20D 18

Operação 20E 18

Operação 21A 18

Operação 21B 18

Operação 22 5

Operação 24AA 60

Operação 24AB 60

Operação 24BA 60

Operação 24BB 60

Operação 24CA 60

Operação 24CB 60

Operação 24DA 60

Operação 24DB 60

Tabela 4.9B – Tempos de setup das operações


Outro dado coletado foi respectivo ao horário de trabalho (turno) e horário de almoço

ou intervalos durante o turno, pois os colaboradores a serem inseridos seguiriam essas

divisões de turno. Além disso, foram programados no modelo as distância reais percorridas

pelos colaboradores entre seus postos de trabalho, mas essas distâncias não serão

apresentadas. A Tabela 4.10 apresenta as divisões dos turnos.

Turno Horário de

entrada

Horário de

saída

Horário de início da

refeição

Horário de termino da

refeição

1º 6h 14h 24min 10h 11h

2º 14h 24min 22h 50min 19h 20h

3º 22h 50min 6h 2h 3h

Tabela 4.10 – Horários dos turnos e almoço.

Por fim, foi construída uma matriz com os tempos de processamento de cada produto

por tipo de máquina. Os tempos de produtos diferentes variam de acordo com a máquina

dependendo das dimensões do produto. Todos os tempos utilizados são apresentados na

Tabela 4.11.

Máquinas Produto

1

Produto

2

Produto

3

Produto

4

Produto

5

Produto

6

Produto

7

Produto

8

Produto

9

Operação 1 - - 0.0390 0.0583 0.0396 0.0833 0.0048 0.0595 0.8333

Operação

2A 0.1195 0.1190 0.0260 0.0258 0.0257 0.0526 0.0258 0.0526 0.0525

Operação

2B 0.1195 0.1190 0.0260 0.0258 0.0257 0.0526 0.0258 0.0526 0.0525

Operação

4A 0.0815 - - 0.1360 0.1088 0.1848 0.1360 0.1848 0.1848

Operação

4B 0.0815 - - 0.1360 0.1088 0.1848 0.1360 0.1848 0.1848

Operação

4C 0.0815 - - 0.1360 0.1088 0.1848 0.1360 0.1848 0.1848

Operação

5A 0.0400 0.0400 0.0258 0.0200 0.0401 0.0399 0.0400 0.0400 0.0400

Operação

5B 0.0400 0.0400 0.0258 0.0200 0.0401 0.0399 0.0400 0.0400 0.0400

Operação

5C 0.0400 0.0400 0.0258 0.0200 0.0401 0.0399 0.0400 0.0400 0.0400

Operação

14 - - - 0.2539 0.0708 0.1220 0.0950 0.1222 0.1220

Operação

15A 0.0400 0.0400 - 0.0199 0.0230 0.0399 0.0341 0.0420 0.0400

Operação

15B 0.0400 0.0400 - 0.0199 0.0230 0.0399 0.0341 0.0420 0.0400

Operação

15C 0.0400 0.0400 - 0.0199 0.0230 0.0399 0.0341 0.0420 0.0400

Operação

15D 0.0400 0.0400 - 0.0199 0.0230 0.0399 0.0341 0.0420 0.0400

Operação

16A 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16B 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Tabela 4.11A – Tempos de processamento (em min) do produto por processo


Operação

16C 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16D 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16E 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16F 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16G 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16H 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16I 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16J 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16L 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16M 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16N 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16O 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16P 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

16Q 0.0410 - - 0.0681 0.0549 0.0822 0.0685 0.0822 0.0821

Operação

17A 0.0140 0.0140 0.0119 0.0283 0.0283 0.0210 0.0283 0.0211 0.0425

Operação

17B 0.0140 0.0140 0.0119 0.0283 0.0283 0.0210 0.0283 0.0211 0.0425

Operação

18A 0.1770 0.2300 - 0.2941 0.2359 0.3539 0.2950 0.3540 0.3540

Operação

18B 0.1770 0.2300 - 0.2941 0.2359 0.3539 0.2950 0.3540 0.3540

Operação

18C 0.1770 0.2300 - 0.2941 0.2359 0.3539 0.2950 0.3540 0.3540

Operação

18D 0.1770 0.2300 - 0.2941 0.2359 0.3539 0.2950 0.3540 0.3540

Operação

18E 0.1770 0.2300 - 0.2941 0.2359 0.3539 0.2950 0.3540 0.3540

Operação

18F 0.1770 0.2300 - 0.2941 0.2359 0.3539 0.2950 0.3540 0.3540

Operação

18G 0.1770 0.2300 - 0.2941 0.2359 0.3539 0.2950 0.3540 0.3540

Operação

19A 0.0400 0.0400 0.0400 0.0199 0.0230 0.0399 0.0400 0.0420 0.0400

Operação

19B 0.0400 0.0400 0.0400 0.0199 0.0230 0.0399 0.0400 0.0420 0.0400

Operação

19C 0.0400 0.0400 0.0400 0.0199 0.0230 0.0399 0.0400 0.0420 0.0400

Operação

19D 0.0400 0.0400 0.0400 0.0199 0.0230 0.0399 0.0400 0.0420 0.0400

Operação

20A 0.0160 0.0205 - 0.0267 0.0535 0.0482 0.0333 0.0966 0.0483

Operação

20B 0.0160 0.0205 - 0.0267 0.0535 0.0482 0.0333 0.0966 0.0483

Operação

20C 0.0160 0.0205 - 0.0267 0.0535 0.0482 0.0333 0.0966 0.0483

Operação

20D 0.0160 0.0205 - 0.0267 0.0535 0.0482 0.0333 0.0966 0.0483

Tabela 4.11B – Tempos de processamento (em min) do produto por processo


Operação

20E 0.0160 0.0205 - 0.0267 0.0535 0.0482 0.0333 0.0966 0.0483

Operação

21A 0.0410 0.0719 0.0736 0.0680 0.0547 0.1105 0.0803 0.0822 0.1105

Operação

21B 0.0410 0.0719 0.0736 0.0680 0.0547 0.1105 0.0803 0.0822 0.1105

Operação

22 - - - 0.0660 0.0530 0.0795 0.0662 0.0795 0.0745

Operação

24AA - - - 0.4573 0.4583 0.5688 0.4583 0.5689 0.5688

Operação

24AB - - - 0.4573 0.4583 0.5688 0.4583 0.5689 0.5688

Operação

24BA - - - 0.4573 0.4583 0.5688 0.4583 0.5689 0.5688

Operação

24BB - - - 0.4573 0.4583 0.5688 0.4583 0.5689 0.5688

Operação

24CA - - - 0.4573 0.4583 0.5688 0.4583 0.5689 0.5688

Operação

24CB - - - 0.4573 0.4583 0.5688 0.4583 0.5689 0.5688

Operação

24DA - - - 0.4573 0.4583 0.5688 0.4583 0.5689 0.5688

Operação

24DB - - - 0.4573 0.4583 0.5688 0.4583 0.5689 0.5688

Tabela 4.11C – Tempos de processamento (em min) do produto por processo

Encerra-se aqui a etapa de concepção dentro do método de pesquisa utilizado.

4.3. Implementação

4.3.1. Construção do modelo computacional

Uma vez que os dados utilizados para construção do modelo computacional foram

levantados, iniciou-se a sua programação no ProModel®.

Com os dados apresentados foi construído o modelo computacional apresentado pela

Figura 4.19.

Figura 4.19 – Modelo computacional em 3D


O modelo computacional foi verificado pelos engenheiros de processo e pelo chefe da

área para realizar a sua verificação. Na programação do modelo foram utilizadas mais de 600

linhas de processo, 90 locais, nove entidades com fluxos diferentes e 44 operadores.

O modelo 3D foi criado para auxiliar na compreensão da simulação, pois o fator visual

é importante na aceitação dos resultados. Para Chen e Huang (2013) o modelo 3D facilita o

entendimento de maneira intuitiva pelos tomadores de decisão.

Antes de realizar a etapa de validação do modelo computacional foi necessário definir

o período de warm-up do sistema e o número de réplicas a serem executadas. Isso porque o

warm-up serve como um intervalo de tempo que o sistema atinge seu regime normal de

trabalho, sem que sejam coletados dados para o relatório final da simulação. Assim, todas as

máquinas iniciam a simulação com seus estoques cheios, os produtos já competem por

recursos disponíveis, tornando o modelo mais real.

Outro ponto importante é a definição do número de replicações do modelo, pois como

existem dados estocásticos, eles só são sorteados a cada réplica.

A Figura 4.20 apresenta a variação da produção em função do número de réplicas do

modelo e a quantidade de dias utilizados como warm-up.

Figura 4.20 – Período de warm-up do modelo computacional

Analisando a Figura 4.20 apenas do ponto de vista do período de warm-up, pode-se

notar que a partir de 90 dias a variação dentro do mesmo número de réplicas não foi

significativo. Portanto, o período de warm-up selecionado foi de 90 dias.

Uma vez o modelo verificado, foram realizados inicialmente 20 replicações (amostra-

piloto) durante um período de sete meses de trabalho. Para determinar o número de réplicas

do modelo, foi utilizada a Equação 2 apresentada por Goldsman (1992).

√

√ (2)

800000,0

1600000,0

1900ral 1900ral 1900ral 1900ral

Vo

lum

e p

rod

uzi

do

no

pe

río

do

(p

eça

s)

Dias de warm-up

Peças produzidas X Período de warm-up

Replicação 1

Replicação 2

Replicação 3


Tomando b como a média dos valores obtidos pela simulação, define-se b como o

número de amostras, e como 1 menos o nível de confiança esperado (no caso 95%). Tem-se

ainda S o desvio padrão da amostra simulada.

Portanto, era necessário simular a amostra-piloto para obter a média dos valores

simulados e seu desvio padrão. Foram então simuladas 20 réplicas, apresentando o volume

total produzido em peças, na Tabela 4.12.

Tabela 4.12 – Amostra-piloto com 20 réplicas

Utilizando-se da Equação 2, para um valor de α igual a 5% e para b igual a 20, tem-se

que t = 2,09, pela Tabela V do Apêndice A (Montgomery e Runger, 2009).

√

Como a precisão dos dados simulados está menor que a precisão dos dados reais

(130.209), não é necessário calcular o número de amostras, pois 20 réplicas se mostrou

suficiente.

Sendo assim, o intervalo de confiança da média simulada é:

Simulado

1.610.970

1.589.462

1.516.574

1.508.457

1.455.840

1.660.566

1.557.205

1.461.332

1.666.595

1.647.105

1.451.233

1.790.102

1.556.782

1.744.347

1.633.570

1.750.660

1.593.216

1.586.126

1.242.207

1.568.256

Média= 1.579.530

Desvio padrão= 124.270


Como haveria 20 réplicas, sete dos nove produtos passam pela operação 1, e todos os

sete produtos estavam disponíveis no estoque da operação antes do inicio da simulação,

decidiu-se alterar a regra de entrada da operação (Figura 4.21).

O padrão selecionado pelo software é a regra de entrada o primeiro produto que entra

na fila, é o primeiro produto que sai para a máquina. Ao alterar essa regra de entrada para

aleatório, a cada réplica realizada pela simulação era alterada a sequência de saída do estoque

da máquina, e consequentemente a entrada das peças na operação.

Sendo assim, a cada replicação, existia uma variação no mix de produção. Por

exemplo, na primeira réplica seria produzido o produto na seguinte ordem: primeiro o produto

1 depois o 2, 3, 4, 5, 6, 7... na segunda réplica já seria primeiro o produto 2, depois o 6, 7, 1,

novamente o 1, depois o 4, novamente o 4... Esse fator deixou o modelo mais próximo do

real, gerando um impacto diferente na utilização das máquinas e no lead time de fabricação

dos produtos, o que possivelmente ajudou na sua validação.

Figura 4.21 – Regra de decisão de entrada de entidade na Operação 1 ProModel®

Por fim, os resultados obtidos pelas 20 réplicas deveriam ser validados comparando-os

com os dados do sistema real.

4.3.2. Verificação e validação do modelo computacional

Os valores da produção obtida com as 20 réplicas e a quantidade real produzida no

sistema são apresentados na Tabela 4.13.

Pela Equação 3 de Kleijnen (1995), pode-se validar o modelo computacional

estatisticamente.

√

(3)


Tomando s como a média dos valores obtidos pela simulação, e como a média dos

valores reais r, define-se n como o número de amostras, e como 1 menos o nível de

confiança esperado (no caso 95%). Tem-se ainda Ss o desvio padrão da amostra simulada e Sr

o desvio padrão da amostra real.

Para um valor de α igual a 5% e para n igual a 20, tem-se que t = 2,02, pela Tabela V

do Apêndice A (MONTGOMERY e RUNGER, 2009).

Tabela 4.13 – Produção total durantes os 7 meses simulados por réplica realizada

Portanto, substituindo os valores na Equação 1, tem-se os resultados das Equações 2 e

3, respectivamente:

√

√

√

√

Simulado Real

1.610.970 1.498.690

1.589.462 1.532.421

1.516.574 1.541.830

1.508.457 1.545.967

1.455.840 1.539.023

1.660.566 1.618.830

1.557.205 1.578.740

1.461.332 1.518.384

1.666.595 1.604.584

1.647.105 1.425.544

1.451.233 1.537.091

1.790.102 1.589.768

1.556.782 1.582.445

1.744.347 1.549.650

1.633.570 1.668.973

1.750.660 1.483.111

1.593.216 1.565.362

1.586.126 1.628.540

1.242.207 1.509.636

1.568.256 1.596.469

Média= 1.579.530 1.555.753

Desvio padrão= 124.270 55.790


De acordo com Chwif e Medina (2010) se o intervalo contiver o valor zero, então se

pode afirmar que para o nível de confiança adotado o modelo está validado. Como resultado

da aplicação da Equação 2, obteve-se um intervalo de valores que contém 0 (-37.751, 85.305),

desta forma, o modelo pode ser considerado validado estatisticamente.

Além da validação estatística, foi realiza a validação face to face sugerida por Sargent

(2000), pois o modelo foi apresentado para os especialistas do processo que avaliaram os

modelos conceituais e os resultados operacionais da simulação.

Encerra-se aqui a etapa de implementação segundo o método de pesquisa adotado.

4.4. Análise

Inicia-se, por fim, a última etapa do método de pesquisa empregado no trabalho.

4.4.1. Definição do projeto e execução dos cenários

Sendo assim, os relatórios obtidos pela simulação puderam ser avaliados. Dentre as

análises obtidas, a mais interessante para o objetivo do trabalho avaliava a utilização das

máquinas no modelo computacional, apresentado pela Tabela 4.14.

Ocupação das Máquinas (%) Limite de Ocupação (%)

Operação 1 29,3 100






Operação 16 31,3 1600


Operação 18 175,1 700





Operação 24A 97,3 400

Operação 24B 97,3 400

Tabela 4.14 - Porcentagem do tempo que as operações ficavam ocupadas com os produtos

Analisando a Tabela 4.14 pode-se concluir quais máquinas seriam necessárias para a

produção dos nove produtos. Dessa forma, partindo para a etapa de análise da simulação e

criação de cenários para auxiliar na tomada de decisão, foram retiradas do modelo

computacional as máquinas que não eram necessárias: uma máquina da operação 2, duas


máquinas da operação 4, duas máquinas da operação 5, três máquinas da operação 15, quinze

máquinas da operação 16, uma máquina da operação 17, cinco máquinas da operação 18, duas

máquinas da operação 19, quatro máquinas da operação 20, uma máquina da operação 21, três

máquinas da operação 24A e 24B.

Ao reduzir o número de máquinas, pode-se concluir de antemão que a movimentação

do produto reduziria, pois a área a ser ocupada pela célula seria menor.

Os resultados obtidos com a simulação, que representa as alterações citadas

anteriormente, são apresentados pela Tabela 4.15.

Analisando os resultados da Tabela 4.15 pode-se concluir que todas as máquinas

suportam a demanda do cliente, apesar das máquinas que realizam as operações 24AA e

24AB ficarem quase 97,3% do tempo utilizadas, ou seja, elas terão que ter pouca intervenção

de manutenção para não comprometer a entrega dos produtos. Como são máquinas de alto

valor decidiu-se por criar a célula com apenas duas máquinas presentes e caso alguma delas

apresentassem problemas, o produto terá que sair da célula e realizar a operação em umas das

outras 20 máquinas presentes na empresa, mas que ficavam alocadas em outras áreas.

Operação % Utilização

Operação 1 29,3

Operação 2A 47,4

Operação 4A 59,6

Operação 5A 32,1

Operação 14 67,5

Operação 15A 24,8

Operação 16A 31,3

Operação 17A 22,6

Operação 18A 94,5

Operação 18B 80,6

Operação 19A 35,4

Operação 20A 19,8

Operação 21A 66,0

Operação 22 25,2

Operação 24AA 97,3

Operação 24AB 97,3

Tabela 4.15 - Porcentagem do tempo que as operações ficavam ocupadas com os 9 produtos

A tomada de decisão foi facilitada com a utilização da SED. Os gerentes tiveram mais

segurança e conforto para dimensionar e comparar a quantidade de máquinas necessárias para

atender à demanda do cliente. No entanto, as operações 1, 2A, 4A e 5A representavam juntas

1,1% do refugo geral da família. Sendo assim, preferiu-se não movimentar essas operações

para a nova célula, não comprometendo a produtividade da fábrica.


4.4.2. Análise estatística e conclusões

O leiaute celular proposto é apresentado na Figura 4.24.

Figura 4.22 – Leiaute celular proposto

Nesse momento, houve necessidade de avaliar a possibilidade de um mesmo

colaborador operar a máquina da operação 20 juntamente com as máquinas da operação

24AA e 24AB. Isso porque normalmente um colaborador opera duas máquinas da operação

20 e um mesmo colaborador opera duas máquinas da operação 24AA e duas máquinas da

operação 24AB.

Para avaliar o cenário proposto, foram utilizados os resultados oriundos da simulação

(Tabela 4.16), mas também foi construído um quadro combinado, também conhecido como

Diagrama Homem x Máquina (Figura 4.23).

Colaborador Utilização (%)

37 34,5

43 42,7

Tabela 4.16 – Utilização dos colaboradores das operações 20 e 24

Pela análise da Tabela 4.16 pode-se afirmar que apenas um colaborador consegue

operar as três máquinas.

Analisando o gráfico gerado pelos dados inseridos na Figura 4.23, pode-se perceber

que existe um intervalo de espera ao final do segundo ciclo da operação 20 e início do

segundo ciclo das operações 24AA e 24AB de 743s (12min).


Assim, conclui-se que existe tempo hábil de um mesmo colaborador operar a máquina

da operação 20 e operação 24AA e 24AB, o que garantirá mais produtividade para a célula e

menor custo do produto. Vale ressaltar que apesar do quadro combinado ser estático sua

resposta validou a hipótese de um colaborador operar as três máquinas, assim como a

simulação o fez.

No entanto, antes de realizar a movimentação, foi necessário identificar os ganhos

potenciais com o projeto. Para tanto, foram utilizados os indicadores de quantidade de mão de

obra, movimentação total realizada pelo produto, produtividade, lead time e o tempo de

agregação de valor.

Todos esses indicadores foram obtidos analisando os relatórios do último modelo

simulado, e são apresentados na Tabela 4.17.

Figura 4.23A – Quadro combinado da relação homem com a operação 20 e 24


Figura 4.23B – Quadro combinado da relação homem com a operação 20 e 24


Indicadores Leiaute Antigo Novo Leiaute Ganho Geral %

Distância (m) 9

921

2

272

6

649

7

70,5%

Mão de obra necessária

(colaboradores nos três turnos)

1

45

1

38

2

7

1

16,0%

Produtividade (peças/ homem/dia) 2

234

2

265

3

31

1

13,2%

Lead Time (dias) 3

32

2

29

7

3

2

9,4%

Tempo de Processamento/Lead Time 0

0,0066

0

0,0072

0

0,0006

2

10,0%

Tabela 4.17 – Ganhos potenciais obtidos com o modelo simulado

Outra forma de obter os mesmo indicadores seria realizar o mapeamento do estado

atual e criar o mapeamento do estado futuro (de acordo com a proposta de leiaute

apresentada), utilizando a ferramenta VSM, muito difundida pelo Lean Manufacturing.

Utilizando-se esta ferramenta, foi possível identificar os desperdícios atuais, e

quantificar os ganhos potenciais com a alteração do leiaute. O intuito de obter os mesmos

indicadores com o mapeamento VSM foi de comparar os ganhos potenciais identificados por

uma ferramenta dinâmica (SED) e estática (VSM).

A Figura 4.25 apresenta o VSM do estado atual. Como o leiaute é funcional, os nove

produtos concorrem pelos mesmos recursos contra diversos outros produtos que são

fabricados mensalmente. Esse fato corrobora e muito para o aumento dos seus estoques

intermediários e consequentemente seu lead time.

Ao final do estudo, o que atraia maior atenção é a relação entre o tempo de agregação

de valor (tempo das operações) e o tempo de fila do produto de 0,7%, ou seja, o tempo pelo

qual o cliente está disposto a pagar é muito menor que o tempo que o produto passa na

fábrica.

A Figura 4.26 apresenta o VSM do estado futuro. Nota-se que apenas parte do leiaute

foi alterada, no entanto, a redução do lead time esperado era de quatro dias. Com essa

redução, a relação entre o tempo de agregação de valor e o tempo de fila do produto seria de

0,7%, ou seja, uma melhora no valor agregado do produto.

Assim, tem-se a Tabela 4.18 que resume a expectativa de ganhos gerados,

confrontando o VSM do estado atual com o futuro, para o projeto.

Esses ganhos potenciais serviram para validar economicamente a implantação do

projeto.


Indicadores Leiaute Antigo Novo Leiaute Ganho Geral %

Distância (m) 9

921

2

280

6

641

7

70%

Mão de obra necessária (colaboradores

nos três turnos)

1

45

1

39

2

6

1

13%


234

2

270

3

36

1

15%

Lead Time (dias) 3

32

2

25

7

7

2

22%


0,0066

0

0,0084

0

0,0018

2

21%

Tabela 4.18 – Ganhos potenciais obtidos com o VSM

A Figura 4.24 apresenta em vermelho a nova movimentação dos produtos após a

criação da célula e em amarelo a movimentação anterior a criação da célula.

Figura 4.24 – Comparação da movimentação do produto antes do novo leiaute e com o novo

leiaute

As Figuras 4.27, 4.28 e 4.29 apresentam o IDEF-SIM final para o novo leiaute. Como

a primeira etapa de produção não foi alterada, o mapeamento mostrará a partir da segunda

fase de fabricação.

© MAHLE

Movimentação anterior a célula

Movimentação com a nova célula


Figura 4.25 – Mapeamento do estado atual


Figura 4.26 – Mapeamento do estado futuro


Figura 4.27 – IDEF-SIM do fluxo do produto para o novo leiaute

Figura 4.28 - IDEF-SIM do fluxo do produto para o novo leiaute (continuação)

Figura 4.29 - IDEF-SIM do fluxo do produto para o novo leiaute (continuação)


4.5. Comparação entre os resultados

Neste item, serão comparados os resultados apresentados entre cada uma das

ferramentas e o ganho real obtido com o novo leiaute.

A Tabela 4.19 apresenta a diferença entre os resultados esperados pelo leiaute

simulado e o leiaute construído pelo VSM do estado futuro.

No entanto, com mais de um ano de implantação do projeto, os ganhos reais obtidos

foram resumidos na Tabela 4.20, gerando uma economia no ano para a empresa de

aproximadamente R$240 mil (sem considerar a redução do refugo).

Indicadores Leiaute Simulado Leiaute VSM futuro Diferença %

Distância (m) 9

272

2

280

7

3,0%

Mão de obra necessária

(colaboradores nos três turnos)

1

38

1

39

1

2,5%


265

2

270

1

1,9%

Lead Time (dias) 3

29

2

25

2

16,0%


0,0072

0

0,0084

2

14,3%

Tabela 4.19 – Comparação entre os ganhos potenciais identificados pela simulação e o VSM

Indicadores Leiaute Simulado Leiaute VSM

futuro Leiaute Real

Distância (m) 9

272 280

2

270

Mão de obra necessária (colaboradores

nos três turnos)

1

38 39

1

36


265 270

2

292

Lead Time (dias) 3

29 25

2

24


0,0072 0,0084

0

0,0088

Tabela 4.20 – Comparação com os ganhos reais obtidos

Analisando a Tabela 4.20 nota-se que houveram pequenas divergências entre os

ganhos esperados e os ganhos reais obtidos, ou seja, as duas técnicas (a simulação e o

mapeamento VSM) serviram como uma maneira de mensurar os ganhos possíveis de um

projeto antes da sua execução.


Aproveitando este item de comparação, serão apresentados nas próximas tabelas, a

quantidade de máquinas que seriam dimensionadas para a nova célula sem o uso da SED e

sem alterar a regra de entrada na Operação 1 para aleatório.

A Tabela 4.21 apresenta a quantidade de máquinas que seriam necessárias caso não

fosse utilizada a SED, ou seja, um modelo totalmente determinístico. Esse modelo é

hipotético e não foi validado. Ele representa como era dimensionada uma célula na empresa

sem o uso da SED.

Analisando a Tabela 4.21 nota-se que com o modelo determinístico seria necessário

alocar uma máquina a mais da operação 4, uma máquina a mais da operação 18, e duas

máquinas a mais para as operações 24AA e 24BB. Algumas delas custam mais de um milhão

de reais, caso a SED não fosse utilizada, provavelmente o projeto não teria sido implementado

em função do investimento que seria feito para se adquirir essas máquinas.

Como algumas dessas máquinas são gargalos na empresa, a célula ficando

superdimensionada faltaria recurso para o restante das famílias que continuariam a passar no

leiaute funcional. Para sanar essa falta de recursos, seria necessário adquirir mais máquinas, o

que pelo modelo validado se mostra desnecessário.

Operação

Modelo Determinístico

(% Utilização)

Modelo Validado

(% Utilização)

Operação 1 45,7 29,3


Operação 4 110,2 59,6


Operação 14 90,8 67,5

Operação 15 39,5 24,8

Operação 16 51,7 31,3

Operação 17 31,0 22,6

Operação 18 273,6 175,1

Operação 19 50,1 35,4

Operação 20 34,2 19,8

Operação 21 99,1 66,0

Operação 22 52,0 25,2

Operação 24AA 216,5 97,3

Operação 24AB 234,4 97,3

Tabela 4.21 – Comparação entre a quantidade de máquinas necessárias com o modelo

determinístico e o modelo validado

Portanto, a SED evitou um investimento desnecessário para a empresa.

A Tabela 4.22 apresenta a quantidade de máquinas que seriam necessárias caso a SED

fosse utilizada, no entanto, a regra de saída do estoque para entrar na primeira máquina fosse


o padrão. Esse modelo é hipotético e não foi validado, nele não há alteração na sequência de

produção nas 20 réplicas realizadas.

Operação

Modelo Estocástico com regra de

entrada padrão na Operação 1

(% Utilização)

Modelo

Validado

(% Utilização)


Operação 2A 37,1 47,4



Operação 14 49,1 67,5




Operação 18A 129,7 175,1




Operação 22 18,4 25,2

Operação 24AA 74,1 97,3

Operação 24AB 74,2 97,3

Tabela 4.22 - Comparação entre a quantidade de máquinas necessárias com o modelo

estocástico sem aleatoriedade e o modelo validado

Analisando a Tabela 4.22 nota-se que sem criar à aleatoriedade de entrada dos

produtos na primeira operação as ocupações das máquinas seriam menores, o que levaria os

gestores a imaginar uma maior ociosidade das máquinas.

No entanto, os resultados não mostram uma grande diferença que resultaria em

dimensionar a célula de maneira equivocada, porém ao se alterar a regra de entrada da

primeira máquina o modelo ficou mais próximo do real.

4.6. Implantação

Uma vez o projeto validado, restava apenas à alteração física do leiaute. Toda a

alteração do leiaute levou cerca de dois meses.

Muitas áreas suportes foram envolvidas. No caso da empresa em questão, toda

alteração de leiaute é realizado por uma empresa terceirizada. Essa empresa é responsável por

abrir um seguro para as máquinas que serão movimentadas, dessa forma, se algo acontecer

durante o percurso garante-se que haverá um reembolso no valor da máquina.

Além disso, existe a necessidade da compra de material para iluminação do posto de

trabalho, tubulação para exaustão dos cavacos gerados nas operações de usinagem e para a


ligação com os tanques dos fluídos lubrificantes, e ainda mangueiras para instalação de ar

comprimido.

Foi preciso comprar computadores para aproximar os pontos de apontamento de

produção. Máquinas portáteis que exercem a função de secar o produto quando esse segue de

uma operação que utilizou fluído lubrificante para uma que não o utiliza.

Por isso que ao final de todo projeto que contempla alteração de leiaute deve-se deixar

um período superior a um mês para a aquisição de matérias e abertura de seguro para a

movimentação das máquinas.

Assim que os materiais chegaram à planta, foi preenchido um documento para fluxo

interno de aprovação dos gerentes e áreas responsáveis como segurança e meio ambiente.

Com o intuito de não atrapalhar a produção da empresa, decidiu-se movimentar as máquinas

durante o final de semana que não haveria trabalho.

Por fim, com as máquinas nos seus devidos lugares, elas foram testadas e validadas

pelos mecânicos da empresa. Após sua validação, elas puderam ser iniciadas pelos

colaboradores, já dispostas na configuração proposta para o novo leiaute.

Capítulo 5 – Conclusão 86

5. Conclusão

5.1. Considerações Iniciais

Esta parte de conclusão irá encerrar a dissertação tratando dos principais resultados

obtidos com o trabalho, bem como apresentar a verificação dos objetivos específicos citados

no item 1.1, além de sugerir oportunidades para trabalhos futuros.

5.2. Conclusões gerais e contribuições

O presente trabalho serviu para demonstrar como a SED pode ser utilizada como fonte

de dados para a criação de uma proposta de leiaute. Uma vez que os dados utilizados para

programar o modelo foram tratados, todas as etapas de verificação e validação seguidas

inicia-se a etapa de análise.

Esse é a etapa mais importante para a definição do leiaute, porém, pode ser a etapa

mais breve do trabalho dependendo da quantidade de cenários a serem estudados.

Este trabalho confirmou as expectativas geradas pela revisão bibliográfica que citavam

a SED como ferramenta propícia para a criação de leiautes.

Além disso, o leiaute celular se mostrou mais vantajoso, para a realidade dessa

empresa, que o leiaute funcional. Uma vez que melhorou o desempenho nas questões de

produtividade e lead-time. Pontos esses que foram apontados como vantagens para esse tipo

de leiaute.

O tempo gasto em cada uma das etapas da Figura 3.5 proposta por Montevechi et al.

(2010) foram respectivamente, 30%, 40% e 30%. O tempo maior foi gasto na construção do

modelo computacional. Isso porque a quantidade de linha de comandos (600) tornou o

modelo muito extenso. Além disso, foi necessário aprender comandos como criar variáveis

com as distribuições características do tamanho de lote e frequência de chegada das peças e

programar essas variáveis dentro da lei de chegada de cada entidade.

Outro ponto que foi necessário aprender para tornar o modelo mais real era à questão

de como impactar a produção do modelo computacional alternando o mix de produção. Esse

impacto pode ser gerado alterando a regra de entrada do local Operação 1.

As outras duas etapas ocuparam o mesmo tempo, que foi a de concepção, com toda a

parte de análise dos dados e criação do modelo conceitual. Mais a etapa de análise, que foi

analisado a quantidade de máquinas que deveriam permanecer no sistema.

O novo leiaute contribuiu diretamente para a redução do refugo da família, hoje em

torno de 23%. Isso só foi possível porque com a criação da célula o perímetro de atuação das


áreas suportes, engenharia da qualidade e engenharia de processo, foram restringidas a ela. Os

colaboradores foram selecionados de maneira diferenciada e ficaram mais especializados no

produto.

Portanto, a expectativa de redução de refugo com a alteração do leiaute foi alcançada.

5.3. Verificação do objetivo principal

1. Projetar um leiaute celular por meio da SED;

A SED se mostrou totalmente eficaz como ferramenta para auxiliar um projeto de

novo leiaute sendo ele um leiaute celular. Como os dados utilizados podem ser estocásticos,

os resultados apresentados em seus relatórios são muito mais confiáveis do que os cálculos

comumente realizados para dimensionamento de recursos.

Os relatórios apresentados pelo programa ProModel®

são bem dinâmicos e de fácil

compreensão. A maneira como a quantidade do recurso pode ser alterada também é bem

facilitada, algo extremamente importante quando se está testando a quantidade de recursos

que deverá ser disponibilizada para produzir a demanda de produtos solicitada.

A Figura 5.1 apresenta a tela do ProModel®

para gestão dos locais, caso seja

necessário alterar sua quantidade, basta alterar o valor da unidade do local que o modelo é

automaticamente atualizado para a nova realidade, sem precisar ter que reprogramar a rota do

produto.

Figura 5.1 – Tela de gerenciamento dos locais no software ProModel®

No entanto, a SED não trabalha na proposta de leiaute de maneira automática, quem

deve fazer os ajustes de capacidade, recursos disponíveis e configuração do novo leiaute é o

programador que está analisando os resultados.

Nesse ponto, a reconfiguração do leiaute já não é tão simples, pois todas as redes de

caminho devem ser modificadas com os novos valores das distâncias. Caso haja necessidade

de modificar muitos caminhos, dependendo do tamanho do leiaute, o trabalho será muito mais

complicado que alterar o número de máquinas.


5.4. Verificação dos objetivos específicos

Esta parte da dissertação concluí os objetivos específicos apresentados no item 1.1.

2. Descrever como foi a aceitação da SED pelos tomadores de decisão da empresa;

Normalmente o dimensionamento da quantidade de máquinas a serem movimentadas

para o novo leiaute seria feito somente com dados determinísticos. As variações nos tamanhos

do lote do produto, o intervalo entre os pedidos do cliente, quebra de máquina, número de

setup seriam todos calculados considerando apenas seus valores médios.

Os tempos de deslocamento entre uma operação e outra não são considerados nos

tempos padrões, e uma vez que o leiaute original da empresa é funcional, grandes distâncias

são percorridas pelos produtos, como os 921m para a família estudada. Outro fator que não

seria levado em consideração é a entrada aleatória gerada na primeira máquina, o que tornou o

modelo simulado muito mais próximo da realidade.

Apesar da preocupação com a qualidade do modelo criado, somente o chefe da

produção aceitava a SED sem receios. Em muitas reuniões para mostrar a evolução do

trabalho, o responsável pelo projeto era questionado sobre as impressões e vantagens na

utilização da SED.

Portanto, pode ser notado que pessoas que não conheciam a SED tinham receios em

como o programa funcionava em sua lógica. Por outro lado, pessoas que conheciam a SED,

mesmo que superficialmente, acreditavam no potencial da ferramenta para resultar em dados

mais precisos.

Assim sendo, quanto maior o número de pessoas que conhecem a SED dentro da

empresa, mais fácil será seu convencimento em aceitar projetos com os seus dados.

3. Comparar os resultados esperados (redução de lead time e mão de obra, aumento

de produtividade) utilizando-se o mapeamento VSM e os resultados reais obtidos.

O mapeamento VSM serviu para a empresa como meio de validar a viabilidade do

projeto. Cada movimentação de máquina envolve seguro, periféricos como tubulações,

conexões, gerando um custo de aproximadamente R$2.500 por máquina.

Assim, era necessário mostrar economicamente que o projeto seria rentável. Pela

análise dos ganhos potenciais demonstrados, ao confrontar o VSM do estado futuro com o

VSM do estado atual, o projeto se mostrou viável.

No entanto, como o mapeamento era algo estático, do qual todos os dados utilizados

eram determinísticos, ao comparar os ganhos potenciais por ele demonstrado com os ganhos


reais obtidos a ferramenta se mostrou uma ótima opção para fazer projeções dos ganhos que

serão obtidos com os projetos.

5.5. Sugestões para trabalhos futuros

Com o término da dissertação, nota-se a possibilidade de trabalhos futuros:

Comparar indicadores obtidos com a simulação do novo leiaute com os

indicadores reais da nova célula;

Criar o modelo de simulação utilizando o leiaute da empresa para manter a

escala e avaliar possíveis alterações nos resultados;

Utilizar a programação simplificada para avaliar a redução no tempo da

simulação;

Realizar um estudo para criar o diagrama homem x máquina de todas as

operações para utilizar o comando USE do ProModel®

avaliar a quantidade de

mão de obra.

Referências Bibliográficas 90

REFERÊNCIAS BIBLIOGRÁFICAS

ABDULMALEK, F.A.; RAJGOPAL, J. Analyzing the benefits of lean manufacturing and

value stream mapping via simulation: A process sector case study. International Journal of

Production Economics, v.107, n.1, p.223-236, 2007.

ALEISA, E.; AL-AHMAD, M.; TAHA, A.M. Design and management of a sewage pit

through discrete-event simulation. Simulation: Transactions of the Society of Modeling and

Simulation International, v.87, n.11, p.989-1001, 2011.

ALTUGER, G., CHASSAPIS, C. Manual assembly line operator scheduling using

hierarchical preference aggregation. In: Proceedings of the Winter Simulation Conference,

Baltimore, MD, USA, 2010.

ALTUNTAS, S.; SELIM, H. Facility layout using weighted association rule-based data

mining algorithms: Evaluation with simulation. Expert Systems with Applications, v.39, n.1,

p.3-13, 2012.

ASKIN, R.G.; ESTRADA, S. Investigation of Cellular Manufacturing Practices, in

Handbook of Cellular Manufacturing Systems. Hoboken: John Wiley & Sons, 2007, 762p.

AZADEH, A.; MOGHADDAM, M.; ASADZADEH, S.M.; NEGAHBAN, A. An integrated

fuzzy simulation-fuzzy data envelopment analysis algorithm for job-shop layout optimization:

The case of injection process with ambiguous data. European Journal of Operational

Research, v.214, n.3 , p.768-779, 2011.

BANKS, J.; CARSON II, J. S.; NELSON, B. L.; NICOL, D. M. Discrete-event Simulation.

4th

. ed. New Jersey: Prentice-Hall, 2005.

BANKS, J. Handbook of simulation. New York: Wiley-Interscience, 2008, 849p.

BANKS, J.; CARSON II, J.S.; NELSON, B.L.; NICOL, D.M. Discrete-event system

simulation. New Jersey: Pearson, 2010, 622p.

BAYKASOĞLU, A.; GÖÇKEN, M. Capability-based distributed layout and its simulation

based analyses. Journal of Intelligent Manufacturing, v.21, n.4, p.471-485, 2010.

BERTRAND, J. W. M.; FRANSOO, J. C. Modelling and Simulation: operations management

research methodologies using quantitative modeling. International Journal of Operations &

Production Management, v.22, n.2, p.241-264, 2002.

BLOOMFIELD, R.; MAZHARI, E.; HAWKINS, J.; SON, Y.J. Interoperability of

manufacturing applications using the Core Manufacturing Simulation Data (CMSD) standard

information model. Computer & Industrial Engineering, v.62, n.4, p.1065-1079, 2012.

BOUCHERIE, R.J.; HANS, E.W.; HARTMANN, T. Health care logistics and space:

accounting for the physical build environment. In: Proceedings of the Winter Simulation

Conference, Berlim, Alemanha, 2012.


CANEN, A.G.; WILLIAMSON, G.H. Facilities Emerald Article : Facility leiaute overview :

towards competitive advantage Facility layout overview : towards competitive advantage.

Facilities, v.14, n.10, p.5-10, 1996.

CARON, F.; MARCHET, G.; PEREGO, A. Integrated Manufacturing Systems Emerald

Article : Layout design in manual picking systems : a simulation approach Layout design in

manual picking systems : a simulation approach. Integrated Manufacturing Systems, v.11,

n.2, p.94-104, 2000.

CHEN, H.M.; HUANG, P.H. 3D AR-based modeling for discrete-event simulation of

transport operations in construction. Automation in Construction, v.33, p.123-136, 2013.

CHWIF, L.; MEDINA, A.C. Modelagem e Simulação a eventos Discretos: Teoria e

Aplicações. São Paulo: Bravarte, 2010, 309p.

FLEURY, A. Planejamento do projeto de pesquisa e definição do modelo teórico. In:

CAUCHICK MIGUEL, P.A. Metodologia de pesquisa em engenharia de produção e gestão

de operações. Rio de Janeiro: CAMPUS, 2010, 226p.

GARRIDO, J.M. Object oriented simulation: a modeling and programming perspective.

Boston: Springer-Verlag, 2009, 431p.

GEIGER, C.D.; HASE, R.; TAKOUDIS, C.G.; UZSOY, R. Alternative facility layouts for

semiconductor wafer fabrication facilities. IEEE Components, Packaging, and Manufacturing

Technology Society, v.20, n.2, p.152–163, 1997.

GEN, M.; LIN, L.; ZHANG, H. Evolutionary techniques for optimization problems in

integrated manufacturing system: State-of-the-art-survey. Computer & Industrial

Engeneering, v.56, n.3 , p. 779-808, 2009.

GHOTBODDINI, M.M.; RABBANI, M.; RAHIMIAN, H. A comprehencisve dynamics cell

formation design: Bender’s decomposition approach. Expert Systems with Applications, v.38,

n.3, p.2478-2488, 2011.

GOLDMANS, D. Simulation output analysis. In: Proceedings of the Winter Simulation

Conference, Arlington, VA, USA, 1992.

HAMERI, A.P. Production flow analysis - Cases from manufacturing and service industry.

International Journal of Production Economics, v.129, n.2, p.233-241, 2011.

HARREL, C.; GHOSH, B.K.; BAWDEN, R. Simulation using ProModel. London: McGraw-

Hill, 2003, 752p.

HASAN, M.A.; SARKIS, J.; SHANKAR, R. Agility and production flow layouts: An

analytical decision analysis. Computer & Industrial Engineering, v.62, n.4, p.898-907, 2012.


HEILALA, J.; MONTONEN, J.; JÄRVINEN, P.; KIVIKUNNAS, S.; MAANTILA, M.;

SILLANPÄÄ, J.; JOKINEN, T. Developping simulation-based decision support systems for

customer-driven manufacturing operation planning. In: Proceedings of the Winter Simulation

Conference, Baltimore, MD, USA, 2010.

HILLIER, F.S.; LIEBERMAN, G.J. Introdução à pesquisa operacional. Porto Alegre: Mc

Graw Hill bookman, 2010, 828p.

HWANG, J.; LAMBERT, C.U. The interaction of major resources and their influence on

waiting times in a multi-stage restaurant. International Journal of Hospitality Management,

v.27, n.4 , p.541-551, 2008.

ISMAIL, H.S.; TEY, V.S.; WANG, L.; POOLTON, J. A UML approach for the design of

reconfigurable manufacturing simulation models. In: International Conference on Industrial

Engineering and Engineering Management, Cidade de Singapura, Singapura, 2011.

JAHANGIRIAN, M.; ELBADI, T.; NASEER, A.; STERGIOULAS L.K.; YOUNG, T. A

Review Simulation in manufacturing and business. European Journal of Operational

Research, v.203, n.1, p.1-13, 2010.

JERBI, A.; CHTOUROU, H.; MAALEJ, A.Y. Comparing functional and cellular layouts

using simulation and Taguchi method. Journal of Manufacturing Technology Management, v.

21, n. 5, p. 529-538, 2010.

JITHAVECH, I; KRISHNAN, K.K. A simulation-based approach for risk assessment of

facility layout designs under stochastic product demands. The International Journal of

Advanced Manufacturing Technology, v.49, n.1-4, p.27-40, 2010.

JOHANSON, B.; KAISER, J. Turno lost production into profit – discrete event simulation

applied on resetting performance in manufacturing systems. In: Winter Simulation

Conference, Proceedings... San Diego, CA, USA, 2002.

JOHNSON, N.L.; KITCHEN, J.O. Some notes on tables to facilitate fitting SB curves.

Biometrika, v.58, n.1, p.223–226, 1971.

KLEIJNEN, J.P.C. Verification and validation of simulation models. European Journal of

Operational Research, v.82, p.145-162, 1995.

KRAJEWSKI, L.; RITZMAN, L; MALHOTRA, M. Administração de Produção e

Operações. São Paulo: Prentice Hall, 2009, 615p.

KRISHNAN, K.K.; MIRZAEI, S.; VENKATASAMY, V.; PILLAI, V.M. A comprehensive

approach to facility layout design and cell formation. The International Journal of Advanced

Manufacturing Technology, v.59, n.5-8, p.737-753, 2012.

KULAK, O.; POLAT, O.; GUJJULA, R.; GÜNTHER, H.O. Strategies for improving a long-

established terminal’s performance: a simulation study of a Turkish container terminal.

Flexible Services and Manufacturing Journal, p.1-25, 2011.


KUMAR, S.; PHROMMATHED, P. Improving a manufacturing process by mapping and

simulation of critical operations. Journal of Manufacturing Technology Management, v.17,

n.1, p.104-132, 2006.

KURKIN, O.; ŠIMON, M. Optimization of Layout Using Discrete Event Simulation. IBIMA

Business Review Journal, v.2011, p.1-10, 2011.

LAW, A.M. Simulation modeling & analysis. New York: McGraw-Hill, 2007, 768p.

LAW, A.M.; KELTON, W.D. Simulation modeling & analysis. Singapore: McGraw-Hill,

1991, 759p.

LEAL, F. Análise do efeito interativo de falhas em processos de manufatura através de

projetos de experimentos simulados. 2008. 237 f. Tese de Doutorado em Engenharia

Mecânica - Universidade Estadual Paulista, Guaratinguetá, SP, 2008.

LÖFGREN, B.; TILLMAN, A.M. Relating manufacturing system configuration to life-cycle

environmental performance: discrete-event simulation supplemented with LCA. Journal of

Cleaner Production, v.19, n.17-18, p.2015-2024, 2011.

MACHADO, D.V.C. Inserção da Simulação Computacional no Planejamento Hierárquico

de Cadeias de Suprimento das Organizações. Dissertação de Mestrado em Engenharia de

Produção, UFRJ, Rio de Janeiro/RJ, 2006, 120p.

MAHDAVI, I; SHIRAZI, B.; PAYDAR, M.M. A flow matrix-based heuristic algorithm for

cell formation and layout design in cellular manufacturing system. The International Journal

of Advanced Manufacturing Technology, v.39, n.9-10, p.943-953, 2008.

MINISTÉRIO DO DESENVOLVIMENTO, INDÚSTRIA E COMÉRCIO EXTERIOR.

Desenvolvimento da Produção – Estatísticas – Anuário Estatístico. Disponível em:

http://www.mdic.gov.br/sitio/interna/interna.php?area=2&menu=1479. Acesso em:

21/02/2011

MOBINI, M.; SOWLATI, T.; SOKHANSANJ, S. Forest biomass supply logistics for a power

plant using the discrete-event simulation approach. Applied Energy, v.88, n.4 , p.1241-1250,

2011.

MONTEVECHI, J.A.B.; COSTA, R.F.S.; MARINS, F.F.; LEAL, F.; PINHO, A.F.;

MARINS, F.A.S.; JESUS, J.T. Combined use of modeling techniques for the development of

the conceptual model in simulation projects. In: Proceedings of the Winter Simulation

Conference, Miami, FL, USA, 2008.

MONTEVECHI, J.A.B.; PINHO, A.F. de; LEAL, F.; MARINS, F.A.S. Application of design

of experiments on the simulation of a process in an automotive industry. In: Proceedings of

the Winter Simulation Conference, Washington, D.C., USA, 2007.

MONTEVECHI, J.A.B.; PINHO, A.F. de; LEAL, F.; COSTA, R.F.S.; Oliveira, M.L.M.

Conceptual modeling simulation projects by mean adapted IDEF: an application in a brazilian

http://www.mdic.gov.br/sitio/interna/interna.php?area=2&menu=1479


tech company. In: Proceedings of the Winter Simulation Conference, Baltimore, MD, USA,

2010.

MONTGOMERY, D.C.; RUNGER, G.C. Estatística aplicada e probabilidade para

engenheiros. Rio de Janeiro: LTC, 2009, 490p.

MOON, Y.B.; PHATAK, D. Enhancing ERP system’s functionality with discrete event

simulation. Industrial Management & Data System, v.105, n.9, p.1206-1224, 2005.

MOONEY, C.Z. Monte Carlo Simulation. Thousand Oaks: SAGE Publications, 1997, 103p.

MORABITO, R.; PUREZA, V. Modelagem e simulação. In: CAUCHICK MIGUEL, P.A.

Metodologia de pesquisa em engenharia de produção e gestão de operações. Rio de Janeiro:

CAMPUS, 2010, 226p.

NYLUND, H.; ANDERSSON, P.H. Simulation of service-oriented and distributed

manufacturing systems. Robotics and computer-integrated manufacturing, v. 26, n. 6, p. 622-

628, 2010.

PATEL, V.; ASHBY, J.; MA, J. Discrete event simulation in automotive final process system.

In: Winter Simulation Conference, Proceedings... San Diego, CA, USA, 2002.

PEGDEN, C.D.; SHANNON, R.E.; SADOWSKI, R.P. Introduction to simulation using

SIMAN. New York: McGraw-Hill, 1995, 636p.

PHILLIPS, D.T.; RAVINDRAN, A.; SOLBERG, J. Operations research: principles and

practice. New York: John Wiley & Sons, 1976, 585p.

POTTER, A.; YANG, B.; LALWANI, C. A simulation study of dispatch bay performance in

the steel processing industry. European Journal of Operational Research, v.179, n.2, p.567-

578, 2007.

PROMODEL. User guide. USA: ProModel Corporation, 2011, 645p.

QIN, W.; HUANG, G. Q. A two-level genetic algorithm for scheduling in assembly islands

with fixed-position layouts. Journal of Systems Science and Systems Engineering, v.19, n.2,

p.150–161, 2010.

RENNA, P.; AMBRICO, M. Evaluation of cellular manufacturing configurations in dynamic

conditions using simulation. The International Journal of Advanced Manufacturing

Technology, v.56, n.9-12, p.1235-1251, 2011.

RYAN, J.; HEAVEY, C. Process modeling for simulation. Computers in Industry, v.57, n.5,

p.437-450, 2006.

ROBINSON, S.; BROOKS, R.J. Independent verification and validation of an industrial

simulation model. Simulation,v.86, n.7, p.405-416, 2010.


ROBINSON, S.; RADNOR, Z.J.; BURGESS, N.; WORTHINGTON, C. SimLean: Utilising

simulation in the implementation of lean in healthcare. European Journal of Operational

Research, v.219, n.1, p.188-197, 2012.

ROTHER, M.; SHOOK, J. Aprendendo a enxergar. São Paulo: Lean Institute Brasil, 2003,

102p.

SANDANAYAKE, Y.G.; ODUOZA, C.F.; PROVERBS, D.G. A systematic modeling and

simulation approach for JIT performance optimization. Robotics and Computer-Integrated

Manufacturing, v.24, n.6, p.735-743, 2008.

SARGENT, R.G. Verification, validation and accreditation of simulation models. In:

Proceedings of the 2000 Winter Simulation Conference, Orlando, FL, USA, 2000.

SATOGLU, S.I.; SURESH, N.C. A goal-programming approach for design of hybrid cellular

manufacturing system in dual resource constrained environments. Computers & Industrial

Engineering, v.56, n. 2, p.560-575, 2009.

SHARDA, B.; AKIYA, N. Selecting make-to-stock and postponement policies for different

products in a chemical plant: A case study discrete event simulation. International Journal

Production Economics, v.136, n.1 , p.161-171, 2012.

SHYSHOU, A.; GRIBKOVSKAIA, I.; BARCELO, J. A simulation study of the fleet sizing

problem arising in offshore anchor handling operations. European Journal of Operational

Research, v.209, n.1 , p. 230-240, 2010.

SILVA, A.L.; CARDOZA, E. Critical analysis of layout concepts: functional layout, cell

layout, product layout, modular layout, fractal layout, small factory layout. In: International

Conference on Industrial Engineering and Operations Management, São Carlos, SP, Brazil,

2010.

SLACK, N; CHAMBERS, S.; JOHNSTON, R. Operations Management. Harlow: Prentice

Hall, 2010, 686p.

SPRENGER, R.; MÖNCH, L. A methodology to solve large-scale cooperative transportation

planning problems. European Journal of Operational Research, v.223, n.3 , p.626-636, 2012.

SÜER, G.A.; HUANG, J.; MADDISETTY, S. Design of dedicated, shared and remainder

cells in a probabilistic demand environment. International Journal of Production Research,

v.48, n.19, p.5613-5646, 2010,

TAKO, A.A.; ROBINSON, S. Model development in discrete-event simulation and system

dynamics: An empirical study of expert modellers. European Journal of Operational

Research, v.207, n.2, p.784-794, 2010.


THAMMATUTTO, C.; CHAROENSIRIWATH, C. Improving production efficiency through

lean flexible cellular manufacturing simulation. In: International Conference on Quality and

Reliability, Banguecoque, Tailândia, 2011.

TOMPKINS, J.A.; WHITE, J.A.; BOZER, Y.A.; TANCHOCO, J.M.A. Facilities Planning.

New York: John Wiley, 2010, 864p.

TORGA, B.L.M. Modelagem, simulação e otimização em sistemas puxados de manufatura.

2007. 139 f. Dissertação de Mestrado em Engenharia de Produção - Universidade Federal de

Itajubá, Itajubá, MG, 2007.

ZHU, Z.; HEN, B.H.; TEOW, K.L.; Estimating ICU bed capacity using discrete event

simulation. International Journal of Health Care Quality Assurance, v.25, n.2, p.134-144,

2012.

YAMAMOTO, H.; QUDEIRI, J.A.; JAMALI, M.A. Concurrent production engineering

system for buffer size and flexible transfer line layout design. Journal of Systems Science and

Systems Engineering, v.17, n.2, p.187-203, 2008.

YAZICI, H.J. Simulation modeling of a facility layout in operations management classes.

Simulation & Gaming, v.37, n.73, p.73-78, 2006.

WANG, Q.; OWEN, G.W.; MILEHAM, A. R. Comparison between fixed- and walking-

worker assembly lines. Journal of Engineering Manufacture, v.219, n.11, p.845-848, 2005.

WEB OF KNOWLEDGE. Product Access – Web of Knowledge. Disponível em:

http://wokinfo.com. Acesso em: 13/11/2013

WOMACK, J.P.; JONES, D.T. A mentalidade enxuta nas empresas Lean Thinking. Rio de

Janeiro: Campus, 2004, 408p.

http://wokinfo.com/

Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 97

Anexo A – Análise do Tamanho de Lote dos Produtos a

serem simulados

A Figura A.1 apresenta o diagrama box-plot para o Produto 2, que corresponde a

22,2% do que será produzido no novo leiaute. Os outliers identificados não foram retirados da

amostra por caracterizarem lotes de produção menores, fato esse muito comum para atender

as necessidades do cliente.

Figura A.1 – Análise de Outliers para o tamanho de lote do Produto 2

A Figura A.2 apresenta um diagrama de correlação. Pela análise do diagrama, os

valores estão dispersos de maneira aleatória.

Figura A.2 – Análise de dispersão do tamanha de lote para o Produto 2




melhor se ajustavam. As Figuras A.3, A.4, A.5 e A.6 mostram ao todo 16 tipos diferentes de

distribuição e o resultado do p-value para cada uma delas.

Figura A.3 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 2

Figura A.4 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 2


Figura A.5 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 2

Figura A.6 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 2

Conforme apresentado pelas Figuras de A.3 a A.6, o único teste de aderência com p-

value maior do que 0,05 foi para a Distribuição Normal. Será essa a distribuição adotada para

representar os dados da amostra de tamanho de lote do Produto 2.


16,2% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na

amostra.


Figura A.7 – Análise de Outliers para o tamanho de lote do Produto 3






melhor se ajustavam. As Figuras A.9, A.10, A.11 e A.12 mostram ao todo 16 tipos diferentes

de distribuição e o resultado do p-value para cada uma delas.




Conforme apresentado pelas Figuras de A.9 a A.12, o teste de aderência com maior p-

value foi o da Transformada de Johnson. Será essa a distribuição adotada para representar os

dados da amostra de tamanho de lote do Produto 3.


11,9% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na

amostra.


Figura A.13 – Análise do Outliers do Produto 4




Por fim, os dados da amostragem de tamanho de lote para o Produto 4

passaram por alguns Testes de Aderência para verificar a qual distribuição de probabilidade

os dados melhor se ajustavam. As Figuras A.15, A.16, A.17 e A.18 mostram ao todo 16 tipos

diferentes de distribuição e o resultado do p-value para cada uma delas.




Conforme apresentado pelas Figuras de A.15 a A.18, o teste de aderência com maior

p-value foi o da Transformada de Johnson. Será essa a distribuição adotada para representar

os dados da amostra de tamanho de lote do Produto 4.


7,4% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na amostra.


Figura A.19 – Análise de Outliers do Produto 5












p-value foi o da Transformada Box-Cox. No entanto, como o software ProModel®

não aceita

esse tipo de distribuição, a Transformada de Johnson (com segundo maior p-value) que será

essa a distribuição adotada para representar os dados da amostra de tamanho de lote do

Produto 5.









p-value foi o da Transformada de Johnson. Será essa a distribuição adotada para representar

os dados da amostra de tamanho de lote do Produto 6.









p-value foi a Lognormal. Será essa a distribuição adotada para representar os dados da

amostra de tamanho de lote do Produto 7.








Como no caso do Produto 8 a quantidade de amostra é reduzida, não foi realizado teste

de aderência para descobrir a melhor distribuição que prevê o comportamento da amostra.

Dessa forma, será utilizada a média dos valores do tamanho de lote.







Figura A.40 – Análise de dispersão do Produto 9



melhor se ajustavam. As Figuras A.41, A.42, A.43 e A.44 mostram ao todo 14 tipos

diferentes de distribuição e o resultado do p-value para cada uma delas.





p-value foi o da distribuição Normal. Será essa a distribuição adotada para representar os

dados da amostra de tamanho de lote do Produto 9.

Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 119

Anexo B – Análise do Intervalo de Chegada dos Lotes dos

Produtos

A Figura B.1 apresenta o diagrama box-plot para o Produto 2, os outliers

identificados não foram retirados da amostra por caracterizarem frequências de chegada

possíveis de acontecer, fato esse muito comum para atender as necessidades do cliente.


Produto 2

A Figura B.2 apresenta um diagrama de correlação. Pela análise do diagrama, os



Produto 2.




melhor se ajustavam. As Figuras B.3 e B.4 mostram o resultado final da análise, apontando a

distribuição Logística com o melhor ajuste para a amostra dos dados do Produto 2. Na Figura

B.3 fica claro o ajuste da distribuição Logística aos dados da amostra, já na Figura B.4

apresenta um p-value para o teste de 0,199, maior do que o α adotado de 0,05.

Figura B.3 – Gráfico do ajuste da distribuição Logística aos dados da amostra do intervalo de



amostra dos dados do intervalo de chegada dos lotes de produção do Produto 1



possíveis de acontecer.



Produto 3



Figura B.6 – Análise da dispersão para o intervalo de chegada dos lotes de produção do

Produto 3



melhor se ajustavam. As Figuras B.7 e B.8 mostram o resultado final da análise, apontando a

distribuição Beta com o melhor ajuste para a amostra dos dados do Produto 3. Na Figura B.7

fica claro o ajuste da distribuição Beta aos dados da amostra, já na Figura B.8 apresenta um

p-value para o teste de 0,182, maior do que o α adotado de 0,05.


Figura B.7 – Gráfico do ajuste da distribuição Beta aos dados da amostra d o intervalo de



amostra dos dados do intervalo de chegada dos lotes de produção do Produto 3






Produto 4




Produto 4



melhor se ajustavam. As Figuras B.11 e B.12 mostram o resultado final da análise, apontando

a distribuição Weibull com o melhor ajuste para a amostra dos dados do Produto 4. Na


Figura B.11 fica claro o ajuste da distribuição Weibull aos dados da amostra, já na Figura

B.12 apresenta um p-value para o teste de 0,247, maior do que o α adotado de 0,05.


produção do Produto 4








Produto 5




Produto 5




a distribuição Lognormal com o melhor ajuste para a amostra dos dados do Produto 5. Na

Figura B.15 fica claro o ajuste da distribuição Lognormal aos dados da amostra, já na Figura

B.16 apresenta um p-value para o teste de 0,441, maior do que o α adotado de 0,05.



Produto 6




Produto 6.




a distribuição Exponencial com o melhor ajuste para a amostra dos dados do Produto 6. Na

Figura B.19 fica claro o ajuste da distribuição Exponencial aos dados da amostra, já na

Figura B.20 apresenta um p-value para o teste de 0,758, maior do que o α adotado de 0,05.




Figura B.20 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de


A Figura B.21 apresenta o diagrama box-plot para o Produto 7, não foram

identificados outliers na amostra.



Produto 7




Produto 7.




a distribuição Beta com o melhor ajuste para a amostra dos dados do Produto 7. Na Figura

B.23 fica claro o ajuste da distribuição Exponencial aos dados da amostra, já na Figura B.24







Como no caso do Produto 8 a quantidade de amostra é reduzida, não foi analisado o

diagrama de box-plot, análise de dispersão e teste de aderência para descobrir a melhor

distribuição que prevê o comportamento da amostra. Dessa forma, será criada no simulador os

diferentes tempos de chegada dos lotes do Produto 8.

A Figura B.25 apresenta o diagrama box-plot para o Produto 9, não foram

identificados outliers na amostra.



Produto 9




Produto 9.




a distribuição Beta com o melhor ajuste para a amostra dos dados do Produto 9. Na Figura

B.27 fica claro o ajuste da distribuição Exponencial aos dados da amostra, já na Figura B.28


UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS …saturno.unifei.edu.br/bim/0043603.pdf ·...

Documents

Transcript of UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS …saturno.unifei.edu.br/bim/0043603.pdf ·...