APLICAÇÃO DE SISTEMAS FATORIAIS PARA MELHORIA DA AUTONOMAÇÃO DE …abepro.org.br/biblioteca/enegep2013_TN_STO_177_007_22529.pdf · 2016-08-11 · APLICAÇÃO DE SISTEMAS FATORIAIS

APLICAÇÃO DE SISTEMAS FATORIAIS

PARA MELHORIA DA AUTONOMAÇÃO

DE PROCESSOS E OPERAÇÕES

Andre Luis Korzenowski (UNISINOS )

[email protected]

Gabriel Vidor (UCS )

[email protected]

Liane Werner (UFRGS )

[email protected]

Leticia Ramos Berr (UFRGS )

[email protected]

O objetivo deste estudo é aplicar Operação Evolucionária (EVOP)

para exemplificar como a simplificação de um projeto fatorial de

análise de superfície de resposta pode auxiliar no processo de

implantação da autonomação em ambientes de transsformação física

de materiais, utilizando o conhecimento do operador na melhoria e

organização do processo e das operações. O modelo foi aplicado em

um conjunto de dados de um estudo sobre a carbonatação do concreto

com sílica ativa na construção civil. O processo de implantação é

descrito através de um roteiro que mostra a evolução da melhoria da

operação no exemplo de estudo. Os resultados mostram que o método

EVOP, apesar de possuir aplicação mais simplificada, apresentou

sensibilidade suficiente com relação ao grau de detalhamento e

precisão, complementado pela facilidade de uso necessária ao setor

produtivo, representando real aplicabilidade em sistemas de

autonomação.

Palavras-chaves: Análise de superfície de resposta, EVOP.

autonomação, melhoria

XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos

Salvador, BA, Brasil, 08 a 11 de outubro de 2013.



2

1 Introdução

Tradicionalmente um dos problemas da organização da produção está em como utilizar o

conhecimento do operador na melhoria e organização do processo e das operações (Liker,

2004). Estudos como os de Karim e Zaman (2013), Plebani (2009), Saurin et al (2008) e

Xiaobo e Ohno (2000) ilustram a dificuldade em transferir para os operadores a

responsabilidade em gerir e controlar os seus processos e operações. Pelos estudos é possível

observar que independemente do contexto (manufatura de componentes, construção civil,

linhas de montagem, operações em laboratórios) a busca pela implementação da autonomação

gera dificuldades e insegurança sobre os operadores e os implementadores.

Essas dificuldades e inseguranças despontam do conceito de autonomação, originalmente

evocado por Ohno (1997), que entende que a máquina é dotada de inteligência humana e,

portanto, é facultado ao operador ou à máquina a autonomia de parar o processamento sempre

que for detectada qualquer anormalidade. Olhando isto sob a perspectiva empresarial a

interrupção do processo é contraditória as metas de manufatura de uma organização

(KLIPPEL, 2007). Dessa forma, parar o processo é uma medida reativa a perda, enquanto que

medidas pró-ativas são mais indicadas para o controle de perdas (SAURIN et al, 2012).

Este panorama sugere que métodos de controle onde a autonomia dos operadores seja

valorizada e acompanhada de ferramentas de controle, merece análise. Alternativamente,

experimentos este estudo abordará a questão da autonomação combinada a experimentos

fatoriais. Os experimentos fatoriais são aqueles que duas ou mais séries de tratamentos

(fatores) são aplicadas simultaneamente no mesmo experimento. Os níveis dos fatores são

combinados entre si para formar uma relação de tratamentos a serem avaliados num mesmo

experimento, conduzido de acordo com um delineamento experimental adequado às

condições de uniformidade das unidades experimentais. A interação entre os fatores é a mais

importante situação a ser verificada, e sendo essa significativa o desdobramento dos fatores

torna-se necessário. Entretanto, assim como no caso uni-variado quantitativo, no caso bi-

variado com duas variáveis quantitativas utiliza-se análise de regressão múltipla para obter-se

a estimativa do ponto de máxima eficiência relativa.



3

Segundo Juran (1974), o objetivo geral na experimentação é identificar quais as variáveis são

mais importantes para um determinado processo. Sendo as variáveis mais importantes

conhecidas, a questão é entender como essas variáveis interferem no processo. Caso elas

sejam quantitativas, Juran (1974) indica que a resposta será dada através da investigação de

superfície de resposta, que aplica a técnica de Análise de Superfície de Resposta (ASR). De

acordo com Montgomery (2004) o objetivo da ASR é otimizar a resposta associada aos

fatores do experimento. Além disso, essas alterações podem ser efetuadas na linha produtiva,

visto que no chão de fábrica podem-se buscar pequenas e planejadas alterações nas condições

de operação (JURAN, 1974). O conjunto de procedimentos adotados para gerar essas

modificações no chão de fábrica é denominado Operação Evolucionária (EVOP) e consiste na

simplificação da ASR.

Sob este contexto o objetivo deste estudo é aplicar EVOP em um conjunto de dados de um

estudo sobre a carbonatação do concreto com sílica ativa na construção civil, e verificar como

ferramentas de ASR podem auxiliar no processo de implementação da autonomação em

ambientes de transformação física de materiais.

2 Fundamentação teórica

Superfície de resposta, segundo Montgomery (2001, 2004) é uma coleção de técnicas

matemáticas e estatísticas que são usadas para modelar e analisar problemas em que a

resposta de interesse é influenciada por vários fatores quantitativos e cujo objetivo é otimizar

a resposta. Assim, supondo que uma dada experimentação é conduzida com dois fatores (x1 e

x2) e uma variável de resposta (y) é observada, tem-se que:

(1)

onde: ε representa o ruído ou resíduo observado na resposta y. Se for definido que a resposta

esperada é , então a superfície representada por

(2)

é denominada superfície de resposta.

Usualmente a superfície de resposta é representada através de gráficos 3-D, onde é plotado

contra os níveis x1 e x2. A representação através de curvas de nível também é muito usual.

Na maior parte dos problemas, segundo Montgomery (2001), a relação entre os fatores e a

resposta não é conhecido e, então, uma aproximação razoável da função que relaciona y e o



4

conjunto de variáveis independentes deve ser obtida. Assim, uma função de ordem mais baixa

deve ser modelada (uma função linear das variáveis independentes) e esta é representada por

(3)

sendo: os coeficientes do modelo de regressão e k é o número de variáveis independentes

no modelo.

A partir de uma aproximação razoável, em que os níveis das variáveis independentes

encontram-se próximos do ponto de ótimo, uma modelagem de maior ordem deve ser

efetuada, principalmente se pode ser observada uma curvatura na superfície. Assim, um

modelo de segunda ordem deve ser ajustado e este modelo é representado por

(4)

e segundo Montgomery (2001) praticamente todos os problemas podem ser resolvidos pelos

modelos de primeira e segunda ordem apresentados nas equações 3 e 4.

É importante ressaltar que este é um procedimento sequencial. Assim, a cada resultado obtido

com o ajuste de um modelo, as variáveis independentes devem ser ajustadas em seus níveis a

fim de que o sistema caminhe na direção do ponto de resposta ótima (ponto de máxima

eficiência relativa). Assim, um novo experimento fatorial deve ser efetuado com os níveis dos

fatores atualizados a fim de apurar, a cada nova etapa, a resposta.

Quanto ao planejamento do experimento, o mais comum é a utilização de delineamentos do

tipo 2k, adicionado de 1 a 3 repetições no ponto central para estimativa do erro experimental

(MONTGOMERY, 2001; JURAN, 1974). Um dos projetos de experimentos mais comuns é o

delineamento composto central estrela, apresentado na Tabela 1 e Figura 1.

Tabela 1 - Delineamento composto central estrela com 3 repetições no ponto central

Repetições x1 x2

1 -1,000 -1,000

2 -1,000 1,000

3 1,000 -1,000

4 1,000 1,000

5 1,414 0,000

6 -1,414 0,000

7 0,000 1,414

8 0,000 -1,414

9 0,000 0,000

10 0,000 0,000

11 0,000 0,000



5

A Tabela 1 apresenta as variáveis codificadas cujos valores são obtidos através dos valores

mínimos e máximos das variáveis observadas. Note que as repetições 5, 6, 7 e 8 exigem a

execução de unidades amostrais além dos limites usuais de operação do sistema. Estas

unidades amostrais são obtidas, no projeto, pela rotação do quadrado formado pelas

observações 1, 2, 3 e 4 em 45 graus, conforme pode ser visualizado na Figura 1.

Figura 1 - Delineamento composto central estrela

A análise deste tipo de projeto experimental leva em consideração a existência de fatores

significativos tanto no modelo de primeira quanto no modelo de segunda ordem. De fato, uma

vez que o modelo de segunda ordem tenha apresentado fatores significativos, a vizinhança do

ponto ótimo foi encontrada e este já poderá ser identificado. Entretanto, uma vez que o

modelo de segunda ordem não foi significativo, deslocamentos no sentido da máxima

inclinação do modelo de primeira ordem devem ser efetuados.

A identificação da direção, bem como a própria análise dos resultados envolvem alta

complexidade matemática e estatística. Assim, em projetos que envolvam a otimização de

processos, é comum a contratação de especialistas para utilização destas ferramentas, o que

gera aumento nos custos da qualidade. Uma estratégia simples, e que pode ser implantada

pela gerência, foi proposta por George Box, na década de 60. A operação evolucionária, do

inglês evolutionary operation (EVOP) é um método de monitoramento dos parâmetros

variáveis de um processo que não necessita da parada da produção para ser realizado, que tem

o mínimo envolvimento da engenharia, podendo ser conduzido inclusive pela equipe

operacional.

Frequentemente o EVOP é utilizado em operações de processos de larga escala permitindo

assim que informações sobre os parâmetros monitorados auxiliem na melhoria do processo,

resultando desta forma em melhoria contínua do produto.



6

EVOP é um método de monitoramento e melhoria contínua de processos cujo objetivo é

mover as condições operacionais na direção do ótimo. Para sua elaboração alguns quesitos

básicos de delineamento de experimentos são utilizados. Juran (1974) e Montgomery (2004)

apresentam o método EVOP construído a partir do delineamento composto central quadrado

utilizado em ASR e apresentado na Figura 2.

Figura 2 - Delineamento composto central quadrado

Como o EVOP é uma simplificação do ASR, o objetivo é a construção de uma superfície

simplificada (possível de ser compreendida no chão de fábrica) onde se busca a otimização da

função apresentada na equação (1). Portanto, é importante ressaltar que apenas pequenas

alterações nos níveis dos parâmetros podem ser introduzidas. Pequenas para que não ocorram

perturbações sérias na qualidade do produto, mas grandes o suficiente para que eventualmente

se descubram melhorias potenciais no desempenho do processo.

As respostas observadas (yi) na Figura 2 são obtidas e os efeitos principais podem ser

calculados através das expressões (5) e (6). O efeito da interação pode ser obtido através da

expressão (7).

Dessa maneira calculam-se os efeitos de x1, x2 e sua interação, substituindo as observações

individuais yi nas equações (5), (6) e (7) pelas médias das n observações em cada ponto.

efeito (5)

efeito (6)

interação (7)



7

Pode-se observar um efeito significante das variáveis ou de sua interação sobre a variável

reposta y. Quando isso ocorre, deve-se tomar a decisão de mudar as condições básicas de

operação a fim de melhorar o resultado do processo. Em geral, utiliza-se o ponto central como

estimativa do erro experimental, visando testar a significância dos efeitos através de um teste

F, como o da análise de variância. Tendo as condições detectadas e melhoradas, conclui-se

uma fase e inicia-se uma nova fase através de um novo ciclo.

EVOP pode também ser utilizado para o monitoramento do processo devido a flutuações que

possam ocorrer em torno do ótimo previamente identificado em uma ASR. A vantagem deste

método é que seus resultados, de qualquer modo, convergem com menor precisão para os

resultados obtidos na ASR, porém com maior simplicidade.

Segundo Juran (1974), sendo conservador, a evolução deve ser contínua, mantendo na fase

seguinte, pontos já utilizados na fase anterior. A figura 3 apresenta alguns exemplos de

movimentação da fase antiga para a nova fase sob este aspecto. A figura 3(a) apresenta um

movimento de troca de fase, tendendo a uma melhor resposta, para um maior uso ou

quantidade da variável independente B e um menor uso ou quantidade da variável

independente A, no entanto utilizando os valores de ponto central (1) e superior esquerdo (5)

da fase antiga.

Figura 3 - Possíveis relações da fase antiga para nova fase do EVOP

Fonte: JURAN, 1974.

3 Metodologia

Este trabalho utilizou o projeto de experimentos utilizado por Possan et al., 2006 que avaliou

as variáveis de resposta de carbonatação e resistência à compressão axial do concreto com

limites máximos e mínimos no experimento. No estudo em questão foi utilizado a ASR sobre

dados oriundos dos experimentos de Kulakowski (2002). Dessa forma, aplicar-se-á nos



8

resultados obtidos na primeira etapa da ASR o método EVOP, e assim sucessivamente até que

se encontrem ou não discrepâncias entre os resultados da ASR e os do EVOP.

No estudo em questão foram adotados 5 níveis para as variáveis: relação água/aglomerante e

teor de adição de sílica ativa. Na aplicação do EVOP utilizou-se, inicialmente, apenas os

níveis intermediários de cada variável mais o ponto central, construindo assim um

delineamento composto central quadrado (2²) ao invés do delineamento 25 utilizado no estudo

original de Possan et al., 2006. Esta aplicação limitou-se em avaliar as respostas somente da

profundidade de carbonatação, pois não é foco desse trabalho à avaliação da relação entre

carbonatação e resistência à compressão do concreto, mas sim a validade do método

estatístico.

Os níveis das variáveis podem ser visualizados junto com os resultados na Tabela 2. Além

disso, os resultados foram avaliados em diferentes períodos de tempo (idade do concreto),

sendo eles 7, 28, 63 e 98 dias. Efetuou-se a avaliação a partir dos dados de 98 dias de resposta

de carbonatação, pois esta foi uma das idades do concreto analisadas com a ASR por Possan

et al. (2006).

Tabela 2 - Profundidade de carbonatação observada (mm) em 98 dias

Sílica Ativa

(%)

Relação Água/Aglomerante

0,30 0,35 0,45 0,60 0,80

0 0,06-0,00 0,58-0,00 16,50-16,30

5 0,14-0,00 3,29-3,85

10 0,07-0,00 0,68-0,00 19,30-18,40

15 0,18-0,00 4,13-5,17

20 0,09-0,00 0,90-0,00 25,40-27,00

X,XX-X,XX – Resultados do primeiro e segundo corpo de prova respectivamente

Fonte: Possan et al., 2006.

Neste estudo, foram moldados dois corpos de prova de cada betonada os quais foram

utilizados como ciclos dentro de uma mesma fase do EVOP. Quanto à mudança de fase,

utilizaram-se os mesmos dados a fim de identificar o caminho percorrido pelo EVOP e por

fim, comparar com a superfície de resposta obtida por Possan et al. (2006).

Note que um ciclo não é suficiente para detectar mudanças no processo e se não são

identificados efeitos significativos entre 5 a 8 ciclos, isto é um forte indício de que estes

efeitos não estão presentes na faixa investigada do processo. Isto quer dizer que o processo

pode já estar no ponto ótimo destes fatores.



9

A aplicação do método EVOP foi efetuada com auxílio de planilhas eletrônicas do

Microsoft® Office Excel e as mesmas podem ser solicitadas aos autores.

4 Resultados

A Tabela 2 apresentou os resultados obtidos nas duas betonadas do estudo efetuado por

Possan et al. (2006) que serão utilizados nesta simulação. Foram então utilizados os resultados

obtidos no primeiro corpo de prova como sendo o observado no primeiro ciclo do EVOP e os

resultados do segundo corpo de prova como os observados no segundo ciclo. Para efeito de

análise, considerou-se a relação água/aglomerante como fator 1 e sílica ativa (%) como fator

2.

Para o primeiro ciclo da fase 1, foram considerados os níveis de fatores conforme a Tabela 3,

cujas respostas observadas yi constam na Tabela 2 (primeiro corpo de prova).

Tabela 3. Níveis dos fatores para fase 1 do EVOP

Respostas Relação Água/Aglomerante

(Fator 1)

Sílica Ativa

(Fator 2)

y1=0,68 0,45 10

y2=0,18 0,35 15

y3=3,29 0,60 5

y4=4,13 0,60 15

y5=0,14 0,35 5

A Figura 4 apresenta os resultados do ciclo da fase 1 do EVOP simulado. Nesta etapa, são

calculados somente os efeitos dos fatores, não sendo possível estimar a variabilidade entre

ciclos, o que definirá a significância dos fatores e de sua interação.

Figura 4. Aplicação do EVOP (Ciclo1 – Fase 1)

Cycle: n= 1 Phase 1

Response: Yield Date:

Operation Conditions 1 2 3 4 5

i. Previus cycle sum - - - - - Previus sum S= -

ii. Previus cycle average - - - - - Previus average S= -

iii. New observations 0,68 0,18 3,29 4,13 0,14 New S = range * f5xn -

iv. Differences [ii - iii] - - - - - Range of iv = -

v. New sums [i + iii] 0,68 0,18 3,29 4,13 0,14 New sum S= -

vi. New averages [ v / n ] 0,68 0,18 3,29 4,13 0,14 New average S = new sum S / n-1 -

Factor 1 effect: 1/2(y3+y4-y2-y5) 3,55 For new average: 2/raiz(n)S -

Factor 2 effect: 1/2(y3+y5-y2-y4) -0,44 For new effects: 2/raiz(n)S -

Interaction effect: 1/2(y2+y3-y4-y5) -0,40

Change-in-main-effect: 1/2(y2+y3+y4+y5-4y1) 2,51 For change in mean: 1.78/raiz(n)S -

EVOP Calculation Sheet

Calculation of Effects Calculations of Error Limits

Calculation of Averages

20/06/2008

Calculation of Standart Deviation



10

No ciclo 2, os resultados do segundo corpo de prova apresentados na Tabela 2 são lançados

como “novas observações” na linha iii da Figura 5. Neste ciclo torna-se possível estimar a

variabilidade entre as observações dos ciclos e calcular os limites de erro. No caso de algum

efeito calculado através das equações (5) a (7) ser maior do que o erro estimado, deve-se

tomar a decisão de alterar as condições de produção. Pode-se observar na Figura 5 que o

efeito 1 observado é significativo, pois seu resultado é maior do que os limites de erro

calculados (4,03 > 0,73).

Figura 5. Aplicação do EVOP (Ciclo2 – Fase 1)

Cycle: n= 2 Phase 1



i. Previus cycle sum 0,68 0,18 3,29 4,13 0,14 Previus sum S= -

ii. Previus cycle average 0,68 0,18 3,29 4,13 0,14 Previus average S= -

iii. New observations 0,00 0,00 3,85 5,17 0,00 New S = range * f5xn 0,52

iv. Differences [ii - iii] 0,68 0,18 -0,56 -1,04 0,14 Range of iv = 1,72

v. New sums [i + iii] 0,68 0,18 7,14 9,30 0,14 New sum S= 0,52

vi. New averages [ v / n ] 0,34 0,09 3,57 4,65 0,07 New average S = new sum S / n-1 0,52

Factor 1 effect: 1/2(y3+y4-y2-y5) 4,03 For new average: 2/raiz(n)S 0,73

Factor 2 effect: 1/2(y3+y5-y2-y4) -0,55 For new effects: 2/raiz(n)S 0,73


Change-in-main-effect: 1/2(y2+y3+y4+y5-4y1) 3,51 For change in mean: 1.78/raiz(n)S 0,65



20/06/2008

Calculation of Averages Calculation of Standart Deviation

Ressalta-se que os efeitos do fator 2, assim como o efeito da interação, são números negativos

e se, em módulo fossem maiores do que os limites do erro calculados, também configurariam

a significância destes fatores. O fato de se ter fatores significativos implica que o processo

não está operando em condições ótimas e deve ser alterado. Decide-se então pela alteração

das condições de operação, concluindo-se a primeira fase e ingressando na segunda fase do

EVOP.

Observa-se ainda na Figura 5 (Ciclo 2 – Fase 1) que a menor média entre os tratamentos

(Linha vi. da figura) refere-se ao tratamento 5. No caso da profundidade de carbonatação,

quanto menor for esta profundidade, melhor será a durabilidade do concreto. Deste modo, a

direção de movimentação do EVOP deve seguir no sentido de abandonar o tratamento de

maior média, deslocando-se, neste caso, diagonalmente para cima à esquerda sobre os valores

da Tabela 2, como exibido na Figura 3(a).

Na segunda fase, o procedimento se repete, não sendo possível tomar decisões a partir

primeiro ciclo. Pode-se dizer que o primeiro ciclo é apenas coleta de dados, pois análises são



11

possíveis de ser efetuadas somente a partir do segundo ciclo de cada fase, quando pode-se

determinar estimativas de variabilidade. As Figuras 6 e 7 apresentam os ciclos 1 e 2 da fase 2

do EVOP a partir dos dados da Tabela 2, deslocando-se no sentido definido no ciclo 2 da fase

1.

Figura 6. Aplicação do EVOP (Ciclo 1 – Fase 2)

Cycle: n= 1 Phase 2



i. Previus cycle sum - - - - - Previus sum S= -

ii. Previus cycle average - - - - - Previus average S= -

iii. New observations 0,14 0,07 0,58 0,68 0,06 New S = range * f5xn -

iv. Differences [ii - iii] - - - - - Range of iv = -

v. New sums [i + iii] 0,14 0,07 0,58 0,68 0,06 New sum S= -

vi. New averages [ v / n ] 0,14 0,07 0,58 0,68 0,06 New average S = new sum S / n-1 -

Factor 1 effect: 1/2(y3+y4-y2-y5) 0,57 For new average: 2/raiz(n)S -

Factor 2 effect: 1/2(y3+y5-y2-y4) -0,06 For new effects: 2/raiz(n)S -


Change-in-main-effect: 1/2(y2+y3+y4+y5-4y1) 0,42 For change in mean: 1.78/raiz(n)S -



Calculation of Averages

20/06/2008

Calculation of Standart Deviation

Figura 7. Aplicação do EVOP (Ciclo 2 – Fase 2)

Cycle: n= 2 Phase 2



i. Previus cycle sum 0,14 0,07 0,58 0,68 0,06 Previus sum S= -

ii. Previus cycle average 0,14 0,07 0,58 0,68 0,06 Previus average S= -

iii. New observations 0,00 0,00 0,00 0,00 0,00 New S = range * f5xn 0,19

iv. Differences [ii - iii] 0,14 0,07 0,58 0,68 0,06 Range of iv = 0,62

v. New sums [i + iii] 0,14 0,07 0,58 0,68 0,06 New sum S= 0,19

vi. New averages [ v / n ] 0,07 0,04 0,29 0,34 0,03 New average S = new sum S / n-1 0,19

Factor 1 effect: 1/2(y3+y4-y2-y5) 0,28 For new average: 2/raiz(n)S 0,26

Factor 2 effect: 1/2(y3+y5-y2-y4) -0,03 For new effects: 2/raiz(n)S 0,26


Change-in-main-effect: 1/2(y2+y3+y4+y5-4y1) 0,21 For change in mean: 1.78/raiz(n)S 0,23



20/06/2008

Calculation of Averages Calculation of Standart Deviation

Observa-se no ciclo 2 da fase 2 que o efeito do fator 1 é novamente significativo, devido ao

efeito calculado ser maior do que o limite do erro calculado (0,28 > 0,26). Logo, pode-se

considerar o final desta fase e a direção da evolução deve ser efetuada considerando os

menores valores médios dos tratamentos. Neste caso observa-se que a menor média refere-se

novamente ao tratamento 5. Deste modo, a direção a ser seguida é similar a da fase anterior.

No estudo efetuado por Possan et al.(2006) os resultados observados na ASR são

apresentados na Figura 8. Observa-se que para menores níveis de sílica ativa e menores



12

valores de água/aglomerante a superfície de resposta tende a medida de zero milímetro de

profundidade de carbonatação.

Figura 8. Superfície de resposta para profundidade de carbonatação (mm) em função da relação a/agl e teor de

sílica ativa para 98 dias de exposição ao CO2

Fonte: Possan et al, 2006

5 Considerações finais

A importância da utilização do EVOP está na busca contínua de melhorias, mesmo com o

processo de produção em andamento. Sua simplicidade de utilização e a qualidade das

informações obtidas com seu emprego são importantes, visto que permitem resultados

similares aos da implantação de ASR, porém com custos significativamente menores.

Do mesmo modo que na ASR, o exemplo de aplicação do método EVOP mostrou que este é

capaz de direcionar o aprimoramento do processo, através de resultados melhores na variável

de resposta. Destaca-se que uma terceira fase não pode ser avaliada devido à falta de

continuidade de observações do estudo original, que não atingiu o ponto ótimo. O último ciclo

da fase 2, já indicava a necessidade de nova mudança de fase, apontando o mesmo sentido de

evolução. No caso do exemplo, é preciso atentar que devem ser considerados os valores

práticos mínimos dos fatores considerados. Um exemplo é a redução da relação de água e

aglomerante, que possui uma limitação prática na mistura dos materiais.

Pode-se considerar que o método EVOP, apesar de possuir aplicação mais simplificada,

apresentou sensibilidade suficiente com relação ao grau de detalhamento e precisão,

complementado pela facilidade de uso necessária ao setor produtivo.

Quanto a questão da viabilização da autonomação com as técnicas de experimentos, verifica-

se uma real aplicabilidade. As técnicas de experimentos atuam de forma preventiva,

detectando o erro ou uma falha, como mostrado no caso anterior. Dessa forma, será



13

garantindo que operador ou máquina interrompa o processo sob a justificativa de adequação

ou melhoria, comprovada diretamente com dados do processo. Sob essa lógica, é possível

assumir que aspectos culturais que imporiam a parada da operação ou do processo, passariam

ao segundo plano.

Espera-se que novos estudos sejam realizados, a fim de justificar essa proposição inicial,

permitindo dessa forma um desenvolvimento detalhado de como seria a readequação da

autonomação em sistemas de produção que seguem o modelo Toyota de produção.

6 Referências

AZHARUL KARIM, A., ZAMAN, K. A methodology for effective implementation of lean strategies and its

performance evaluation in manufacturing organizations. Business Process Management Journal, v.19, n.1,

p.169-196, 2013.

JURAN, J. M. Quality control handbook. New York: McGraw-Hill Inc, 3 ed., 1974.

KLIPPEL, A. F. Implementação da gestão enxuta em empresas de mineração a partir de um modelo de gestão

integrada: uma perspectiva de sinergia entre a engenharia de minas e a engenharia de produção. Tese de

Doutorado. Universidade Federal do Rio Grande do Sul, 2007.

KULAKOWSKI, M. P. Contribuição ao estudo da carbonatação em concretos e argamassas compostos

com adição de sílica ativa. 2002. (Tese em engenharia) – Curso de Pós Graduação em engenharia de Minas,

Metalúrgica e de Materiais, Universidade Federal do Rio Grande do Sul. Porto Alegre, 2002.

LIKER, J. K. The Toyota Way. McGraw-Hill Education (India) Pvt Limited, p.97-163, 2004.

MONTGOMERY, D. C. Design and analysis of experiments. New York: John Wiley & Sons, Inc., 5 ed., 2001.

MONTGOMERY, D. C. Introdução ao Controle Estatístico da Qualidade. Rio de Janeiro: Livros Técnicos e

Científicos Editora S.A., 4 ed. 2004.

OHNO, T. O Sistema Toyota da Produção: além da produção em larga escala. Porto Alegre: Bookman, p.63-

87, 1997.

PLEBANI, M. Does POCT reduce the risk of error in laboratory testing? Clinica Chimica Acta, v.404, n.6,

p.59-64, 2009.

POSSAN, E. et al. Emprego da metodologia de superfície de resposta no estudo da carbonatação do concreto

com sílica ativa. CBC2006 Congresso Brasileiro do Concreto, anais. Rio de Janeiro-RJ.



14

SAURIN, T. A., FORMOSO, C. T., CAMBRAIA, F. B. An analysis of construction safety best practices from a

cognitive systems engineering perspective. Safety Science, v.46, n.8, p.1169-1183, 2008.

SAURIN, T. A., RIBEIRO, J. L., VIDOR, G. A framework for assessing poka-yoke devices. Journal of

Manufacturing Systems, v.31, n.3, p.358-366, 2012.

XIAOBOA, Z., OHNO, K. Properties of a sequencing problem for a mixed model assembly line with conveyor

stoppages. European Journal of Operational Research, v.123, n.1, p.560-570, 2000.

Documents

APLICAÇÃO DE SISTEMAS FATORIAIS PARA MELHORIA DA AUTONOMAÇÃO DE …abepro.org.br/biblioteca/enegep2013_TN_STO_177_007_22529.pdf · 2016-08-11 · APLICAÇÃO DE SISTEMAS FATORIAIS