UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS …saturno.unifei.edu.br/bim/0043603.pdf ·...
Transcript of 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.
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.16 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 4 ...... 104
Figura A.17 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 4 ..... 105
Figura A.18 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 4..... 105
Figura A.19 – Análise de Outliers do Produto 5 .................................................................... 106
Figura A.20 – Análise de dispersão do tamanha de lote para o Produto 5 ............................. 106
Figura A.21 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 5 ....... 107
Figura A.22 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 5 ...... 107
Figura A.23 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 5 ..... 108
Figura A.24 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 5..... 108
Figura A.25 – Análise de Outliers do Produto 6 .................................................................... 109
Figura A.26 – Análise de dispersão do tamanha de lote para o Produto 6 ............................. 109
Figura A.27 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 6 ....... 110
Figura A.28 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 6 ...... 110
Figura A.29 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 6 ..... 111
Figura A.30 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 6..... 111
Figura A.31 – Análise de Outliers do Produto 7 .................................................................... 112
Figura A.32 – Análise de dispersão do tamanha de lote para o Produto 7 ............................. 112
Figura A.33 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 7 ....... 113
Figura A.34 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 7 ...... 113
Figura A.35 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 7 ..... 114
Figura A.36 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 7..... 114
Figura A.37 – Análise de Outliers do Produto 8 .................................................................... 115
Figura A.38 – Análise de dispersão do tamanha de lote para o Produto 8 ............................. 115
Figura A.39 – Análise de Outliers do Produto 9 .................................................................... 116
Figura A.40 – Análise de dispersão do Produto 9 .................................................................. 116
Figura A.41 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 9 ....... 117
Figura A.42 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 9 ...... 117
Figura A.43 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 9 ..... 118
Figura A.44 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 9..... 118
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
Figura B.5 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
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
Figura B.8 – 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 3 .................. 122
Figura B.9 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 4 ................................................................................................................................ 123
Figura B.10 – Análise de dispersão para o intervalo de chegada dos lotes de produção do
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
produção do Produto 4 ............................................................................................................ 124
Figura B.13 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 5 ................................................................................................................................ 125
Figura B.14 – Análise de dispersão para o intervalo de chegada dos lotes de produção do
Produto 5 ................................................................................................................................ 125
Figura B.15 – Análise I da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 5 ............................................................................................................ 126
Figura B. 16 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 5 ............................................................................................................ 126
Figura B.17 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 6 ................................................................................................................................ 127
Figura B.18 – Análise de dispersão para o intervalo de chegada dos lotes de produção do
Produto 6. ............................................................................................................................... 127
Figura B.19 – Análise I da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 6 ............................................................................................................ 128
Figura B.20 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 6 ............................................................................................................ 128
Figura B.21 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 7 ................................................................................................................................ 129
Figura B.22 – Análise de dispersão para o intervalo de chegada dos lotes de produção do
Produto 7. ............................................................................................................................... 129
Figura B.23 – Análise I da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 7 ............................................................................................................ 130
Figura B. 24 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 7 ............................................................................................................ 130
Figura B.25 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 9 ................................................................................................................................ 131
Figura B.26 – Análise de dispersão para o intervalo de chegada dos lotes de produção do
Produto 9. ............................................................................................................................... 131
Figura B.27 – Análise I da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 9 ............................................................................................................ 132
Figura B. 28 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 9 ............................................................................................................ 132
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%.
Capítulo 1 – Introdução 18
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
Capítulo 1 – Introdução 19
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
Capítulo 1 – Introdução 20
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.
Capítulo 1 – Introdução 21
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
Capítulo 2 – Revisão Bibliográfica 23
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
Capítulo 2 – Revisão Bibliográfica 24
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
Capítulo 2 – Revisão Bibliográfica 25
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.
Capítulo 2 – Revisão Bibliográfica 26
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
Capítulo 2 – Revisão Bibliográfica 27
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
Capítulo 2 – Revisão Bibliográfica 28
(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.
Capítulo 2 – Revisão Bibliográfica 29
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
Capítulo 2 – Revisão Bibliográfica 30
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.
Capítulo 2 – Revisão Bibliográfica 31
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.
Capítulo 2 – Revisão Bibliográfica 32
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.
Capítulo 2 – Revisão Bibliográfica 33
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.
Capítulo 2 – Revisão Bibliográfica 34
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.
Capítulo 3 – Método de Pesquisa 36
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;
Capítulo 3 – Método de Pesquisa 37
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)
Capítulo 3 – Método de Pesquisa 38
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)
Capítulo 3 – Método de Pesquisa 39
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
Capítulo 3 – Método de Pesquisa 40
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.
Capítulo 3 – Método de Pesquisa 41
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.
Capítulo 4 – Condução da Pesquisa 43
Ordem da Operação Família A Família B
1ª Operação 1 Operação 1
2ª Operação 2 Operação 2
3ª Operação 4 Operação 4
4ª Operação 5 Operação 5
5ª Operação 11 Operação 11
6ª Operação 14 Operação 100
7ª Operação 15 Operação 14
8ª Operação 16 Operação 15
9ª Operação 17 Operação 16
10ª Operação 18 Operação 17
11ª Operação 19 Operação 18
12ª Operação 20 Operação 19
13ª Operação 21 Operação 20
14ª Operação 22 Operação 21
15ª Operação 24 Operação 22
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.
Capítulo 4 – Condução da Pesquisa 44
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
Capítulo 4 – Condução da Pesquisa 45
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).
Capítulo 4 – Condução da Pesquisa 46
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
Capítulo 4 – Condução da Pesquisa 47
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.
Capítulo 4 – Condução da Pesquisa 48
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
encarregado da produção responsáveis pela área. As atividades e recursos foram
representados pelo mapeamento em IDEF-SIM e podem ser observadas na Figura 4.3.
Figura 4.3 - IDEF-SIM revestimento do produto
Capítulo 4 – Condução da Pesquisa 49
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
encarregado da produção responsáveis pela área. As atividades e recursos foram
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
encarregado da produção responsáveis pela área. As atividades e recursos foram
representados pelo mapeamento em IDEF-SIM e podem ser observadas na Figura 4.6.
Capítulo 4 – Condução da Pesquisa 51
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.
Capítulo 4 – Condução da Pesquisa 52
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
Capítulo 4 – Condução da Pesquisa 53
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
Capítulo 4 – Condução da Pesquisa 54
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.
Capítulo 4 – Condução da Pesquisa 55
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
Capítulo 4 – Condução da Pesquisa 56
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
Capítulo 4 – Condução da Pesquisa 57
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)
Produto 3 Transformada de Johnson 3.23e+003+4.75e+003*(1./(1.+EXP(-
(N(0.,1.)-1.14)/1.19)))
Produto 4 Transformada de Johnson 2.3e+003+4.04e+003*(1./(1.+EXP(-
(N(0.,1.)-0.825)/0.926)))
Produto 5 Transformada de Johnson 1.8e+003+2.88e+003*(1./(1.+EXP(-
(N(0.,1.)-0.251)/1.53)))
Produto 6 Transformada de Johnson 4.49e+003+2.73e+003*(1./(1.+EXP(-
(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:
;
Capítulo 4 – Condução da Pesquisa 58
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).
Capítulo 4 – Condução da Pesquisa 59
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
Capítulo 4 – Condução da Pesquisa 60
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
Capítulo 4 – Condução da Pesquisa 61
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.
Capítulo 4 – Condução da Pesquisa 62
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 17B 30359 90
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
Capítulo 4 – Condução da Pesquisa 63
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 20B 46211 64
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
Capítulo 4 – Condução da Pesquisa 64
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
Capítulo 4 – Condução da Pesquisa 65
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
Capítulo 4 – Condução da Pesquisa 66
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
Capítulo 4 – Condução da Pesquisa 67
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
Capítulo 4 – Condução da Pesquisa 68
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
Capítulo 4 – Condução da Pesquisa 69
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
Capítulo 4 – Condução da Pesquisa 70
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)
Capítulo 4 – Condução da Pesquisa 71
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
Capítulo 4 – Condução da Pesquisa 72
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 2 47,4 200
Operação 4 59,6 300
Operação 5 32,1 300
Operação 14 67,5 100
Operação 15 24,8 400
Operação 16 31,3 1600
Operação 17 22,6 200
Operação 18 175,1 700
Operação 19 35,4 300
Operação 20 19,8 500
Operação 21 66,0 200
Operação 22 25,2 100
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
Capítulo 4 – Condução da Pesquisa 73
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.
Capítulo 4 – Condução da Pesquisa 74
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).
Capítulo 4 – Condução da Pesquisa 75
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
Capítulo 4 – Condução da Pesquisa 76
Figura 4.23B – Quadro combinado da relação homem com a operação 20 e 24
Capítulo 4 – Condução da Pesquisa 77
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.
Capítulo 4 – Condução da Pesquisa 78
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%
Produtividade (peças/ homem/dia) 2
234
2
270
3
36
1
15%
Lead Time (dias) 3
32
2
25
7
7
2
22%
Tempo de Processamento/Lead Time 0
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
Capítulo 4 – Condução da Pesquisa 81
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)
Capítulo 4 – Condução da Pesquisa 82
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%
Produtividade (peças/ homem/dia) 2
265
2
270
1
1,9%
Lead Time (dias) 3
29
2
25
2
16,0%
Tempo de Processamento/Lead Time 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
Produtividade (peças/ homem/dia) 2
265 270
2
292
Lead Time (dias) 3
29 25
2
24
Tempo de Processamento/Lead Time 0
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.
Capítulo 4 – Condução da Pesquisa 83
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 2 84,2 47,4
Operação 4 110,2 59,6
Operação 5 46,2 32,1
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
Capítulo 4 – Condução da Pesquisa 84
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 1 27,1 29,3
Operação 2A 37,1 47,4
Operação 4A 46,3 59,6
Operação 5A 25,1 32,1
Operação 14 49,1 67,5
Operação 15A 19,8 24,8
Operação 16A 22,9 31,3
Operação 17A 17,2 22,6
Operação 18A 129,7 175,1
Operação 19A 26,6 35,4
Operação 20A 14,7 19,8
Operação 21A 49,0 66,0
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
Capítulo 4 – Condução da Pesquisa 85
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
Capítulo 5 – Conclusão 87
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.
Capítulo 5 – Conclusão 88
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
Capítulo 5 – Conclusão 89
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.
Referências Bibliográficas 91
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.
Referências Bibliográficas 92
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.
Referências Bibliográficas 93
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
Referências Bibliográficas 94
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.
Referências Bibliográficas 95
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.
Referências Bibliográficas 96
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.
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
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 98
Por fim, os dados da amostragem de tamanho de lote para o Produto 2 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
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
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 99
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.
A Figura A.7 apresenta o diagrama box-plot para o Produto 3, que corresponde a
16,2% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na
amostra.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 100
Figura A.7 – Análise de Outliers para o tamanho de lote do Produto 3
A Figura A.8 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura A.8 – Análise de dispersão do tamanha de lote para o Produto 3
Por fim, os dados da amostragem de tamanho de lote para o Produto 3 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
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.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 101
Figura A.9 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 3
Figura A.10 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 3
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 102
Figura A.11 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 3
Figura A.12 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 3
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.
A Figura A.13 apresenta o diagrama box-plot para o Produto 4, que corresponde a
11,9% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na
amostra.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 103
Figura A.13 – Análise do Outliers do Produto 4
A Figura A.14 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura A.14 – Análise de dispersão do tamanha de lote para o 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.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 104
Figura A.15 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 4
Figura A.16 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 4
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 105
Figura A.17 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 4
Figura A.18 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 4
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.
A Figura A.19 apresenta o diagrama box-plot para o Produto 5, que corresponde a
7,4% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na amostra.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 106
Figura A.19 – Análise de Outliers do Produto 5
A Figura A.20 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura A.20 – Análise de dispersão do tamanha de lote para o Produto 5
Por fim, os dados da amostragem de tamanho de lote para o Produto 5 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
melhor se ajustavam. As Figuras A.21, A.22, A.23 e A.24 mostram ao todo 16 tipos diferentes
de distribuição e o resultado do p-value para cada uma delas.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 107
Figura A.21 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 5
Figura A.22 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 5
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 108
Figura A.23 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 5
Figura A.24 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 5
Conforme apresentado pelas Figuras de A.21 a A.24, o teste de aderência com maior
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.
A Figura A.25 apresenta o diagrama box-plot para o Produto 6, que corresponde a
6,4% 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.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 109
Figura A.25 – Análise de Outliers do Produto 6
A Figura A.26 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura A.26 – Análise de dispersão do tamanha de lote para o Produto 6
Por fim, os dados da amostragem de tamanho de lote para o Produto 6 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
melhor se ajustavam. As Figuras A.27, A.28, A.29 e A.30 mostram ao todo 16 tipos diferentes
de distribuição e o resultado do p-value para cada uma delas.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 110
Figura A.27 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 6
Figura A.28 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 6
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 111
Figura A.29 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 6
Figura A.30 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 6
Conforme apresentado pelas Figuras de A.27 a A.30, 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 6.
A Figura A.31 apresenta o diagrama box-plot para o Produto 7, que corresponde a
6,1% 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.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 112
Figura A.31 – Análise de Outliers do Produto 7
A Figura A.32 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura A.32 – Análise de dispersão do tamanha de lote para o Produto 7
Por fim, os dados da amostragem de tamanho de lote para o Produto 7 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
melhor se ajustavam. As Figuras A.33, A.34, A.35 e A.36 mostram ao todo 14 tipos diferentes
de distribuição e o resultado do p-value para cada uma delas.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 113
Figura A.33 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 7
Figura A.34 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 7
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 114
Figura A.35 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 7
Figura A.36 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 7
Conforme apresentado pelas Figuras de A.33 a A.36, o teste de aderência com maior
p-value foi a Lognormal. Será essa a distribuição adotada para representar os dados da
amostra de tamanho de lote do Produto 7.
A Figura A.37 apresenta o diagrama box-plot para o Produto 8, que corresponde a
2,3% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na amostra.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 115
Figura A.37 – Análise de Outliers do Produto 8
A Figura A.38 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura A.38 – Análise de dispersão do tamanha de lote para o Produto 8
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.
A Figura A.39 apresenta o diagrama box-plot para o Produto 9, que corresponde a
2,0% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na amostra.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 116
Figura A.39 – Análise de Outliers do Produto 9
A Figura A.40 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura A.40 – Análise de dispersão do Produto 9
Por fim, os dados da amostragem de tamanho de lote para o Produto 9 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
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.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 117
Figura A.41 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 9
Figura A.42 – Análise II da distribuição de ajuste para o tamanho de lote do Produto 9
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados 118
Figura A.43 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 9
Figura A.44 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 9
Conforme apresentado pelas Figuras de A.41 a A.44, o teste de aderência com maior
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.
Figura B.1 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 2
A Figura B.2 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura B.2 – Análise de dispersão para o intervalo de chegada dos lotes de produção do
Produto 2.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 120
Por fim, os dados da amostragem de tamanho de lote para o Produto 2 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
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
chegada dos lotes de produção do Produto 2
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
A Figura B.5 apresenta o diagrama box-plot para o Produto 3, os outliers
identificados não foram retirados da amostra por caracterizarem frequências de chegada
possíveis de acontecer.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 121
Figura B.5 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 3
A Figura B.6 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura B.6 – Análise da dispersão para o intervalo de chegada dos lotes de produção do
Produto 3
Por fim, os dados da amostragem de tamanho de lote para o Produto 3 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
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.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 122
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
Figura B.8 – 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 3
A Figura B.9 apresenta o diagrama box-plot para o Produto 4, os outliers
identificados não foram retirados da amostra por caracterizarem frequências de chegada
possíveis de acontecer.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 123
Figura B.9 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 4
A Figura B.10 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura B.10 – Análise de dispersão para o intervalo de chegada dos lotes de produção 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 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
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 124
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.
Figura B.11 – Análise I da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 4
Figura B. 12 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 4
A Figura B.13 apresenta o diagrama box-plot para o Produto 5, os outliers
identificados não foram retirados da amostra por caracterizarem frequências de chegada
possíveis de acontecer.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 125
Figura B.13 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 5
A Figura B.14 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura B.14 – Análise de dispersão para o intervalo de chegada dos lotes de produção do
Produto 5
Por fim, os dados da amostragem de tamanho de lote para o Produto 5 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
melhor se ajustavam. As Figuras B.15 e B.16 mostram o resultado final da análise, apontando
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.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 126
Figura B.15 – Análise I da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 5
Figura B. 16 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 5
A Figura B.17 apresenta o diagrama box-plot para o Produto 6, os outliers
identificados não foram retirados da amostra por caracterizarem frequências de chegada
possíveis de acontecer.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 127
Figura B.17 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 6
A Figura B.18 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura B.18 – Análise de dispersão para o intervalo de chegada dos lotes de produção do
Produto 6.
Por fim, os dados da amostragem de tamanho de lote para o Produto 6 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
melhor se ajustavam. As Figuras B.19 e B.20 mostram o resultado final da análise, apontando
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.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 128
Figura B.19 – Análise I da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 6
Figura B.20 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 6
A Figura B.21 apresenta o diagrama box-plot para o Produto 7, não foram
identificados outliers na amostra.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 129
Figura B.21 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 7
A Figura B.22 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura B.22 – Análise de dispersão para o intervalo de chegada dos lotes de produção do
Produto 7.
Por fim, os dados da amostragem de tamanho de lote para o Produto 7 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
melhor se ajustavam. As Figuras B.23 e B.24 mostram o resultado final da análise, apontando
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
apresenta um p-value para o teste de 0,758, maior do que o α adotado de 0,05.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 130
Figura B.23 – Análise I da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 7
Figura B. 24 – Análise II da distribuição de ajuste para o intervalo de chegada dos lotes de
produção do Produto 7
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.
Anexo B – Análise do Intervalo de Chegada dos Lotes dos Produtos 131
Figura B.25 – Análise de Outliers para o intervalo de chegada entre lotes de produção do
Produto 9
A Figura B.26 apresenta um diagrama de correlação. Pela análise do diagrama, os
valores estão dispersos de maneira aleatória.
Figura B.26 – Análise de dispersão para o intervalo de chegada dos lotes de produção do
Produto 9.
Por fim, os dados da amostragem de tamanho de lote para o Produto 9 passaram por
alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados
melhor se ajustavam. As Figuras B.27 e B.28 mostram o resultado final da análise, apontando
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
apresenta um p-value para o teste de 0,758, maior do que o α adotado de 0,05.