IMPORTÂNCIA E APLICABILIDADE DA ABORDAGEM MULTIVARIADA NA … › biblioteca › TN_STO_226_316_33223.pdf · 2017-10-24 · quantidades de dados (big data) armazenados na nuvem

IMPORTÂNCIA E APLICABILIDADE DA

ABORDAGEM MULTIVARIADA NA INDÚSTRIA

4.0

DANIEL AYUB (UFPR)

[email protected]

DANIEL LUCAS DA SILVEIRA SOUZA (UFPR)

[email protected]

MARCOS AUGUSTO MENDES MARQUES (UFPR)

[email protected]

Um dos grandes desafios das organizações é a integração das novas

tecnologias ao ambiente industrial atual. Essa transição proposta, e em

andamento, pelo conceito da Indústria 4.0, gerou uma ruptura dos métodos

tradicionais, sendo este um dos grandes paradigmas vivenciados pelas

empresas nesta nova era globalizada, onde se lidam com grandes

quantidades de dados (big data) armazenados na nuvem. Atrelado a esse

conceito, a busca pela gestão e melhoria dos processos continua sendo de

suma importância para manutenção da competitividade de uma indústria. A

prática do Controle Estatístico de Processo (CEP) em conjunto com a Análise

Multivariada viabiliza excelentes resultados para este novo mundo digital e

totalmente informatizado. Com as tecnologias da Indústria do Futuro sendo

aplicadas em todo o fluxo de processo, é possível coletar dados on-line de

dispositivos e equipamentos automatizados e enviá-los para banco de dados,

onde em módulos específicos passarão por análises multivariadas e

retornarão para o processo de forma automática, com soluções para

erradicação das anomalias causadoras de variabilidades no processo. Desta

forma, o intuito deste artigo é ilustrar a evolução da indústria, suas novas

tecnologias, e a importância e aplicabilidade da abordagem multivariada por

meio de um exemplo na indústria 4.0.

Palavras-chave: Indústria 4.0, Big Data, Análise Multivariada, Controle

Estatístico de Processo Multivariado.

XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens

avançadas de produção”

Joinville, SC, Brasil, 10 a 13 de outubro de 2017.




2

1. Introdução

Um dos objetivos das organizações de níveis mundiais de bens de consumo e bens de capital

é, no mínimo, a manutenção da sua participação no mercado. Isto se torna viável por meio da

constante melhoria da qualidade de seus produtos, processos e pela consolidação das

tecnologias industriais de máquinas e equipamentos atreladas ao ambiente tecnológico atual.

Neste âmbito, o conceito de indústria 4.0 propõe novos desafios na modelagem de sistemas de

controle de processos, tais como a inclusão de novas tecnologias de interação entre homem e

máquina, colaboração entre todas as entidades do sistema e maior autonomia no fornecimento

de serviços e produtos. Para isto ser possível, um grande conjunto de dados referentes ao

processo como um todo, devem estar disponíveis e com fácil acesso por toda essa cadeia

(nuvem), sendo este, o cenário ideal para aplicação de métodos de análises estatísticas

multivariadas voltadas ao controle estatístico do processo.

2. Justificativa

A quarta revolução industrial, chamada de indústria 4.0, é considerada o futuro paradigma da

produção. A integração das máquinas ao ser humano é realizada por meio de novas

tecnologias, que devem fornecer produtos e serviços confiáveis de forma autônoma. Nesta

nova forma, é necessária uma ruptura dos métodos tradicionais de concepção e análise de

sistemas de informação e de controle, e por consequência, novos métodos de modelagem de

sistemas devem ser considerados para potencializar tal estrutura e permitir o trabalho destas

novas tecnologias de forma integrada. (KOLBERG; ZÜHLKE, 2015).

O controle de qualidade online ou na linha de produção é parte essencial do processo de

construção de produtos confiáveis e de qualidade superior. Os esforços no controle de

qualidade online envolvem todo o sistema de manufatura de um produto, e, neste ponto, são

utilizadas as técnicas que monitoram a produção, que medem a qualidade de saída do produto,

que fornecem sinais de problemas em potencial e que permitem a ação corretiva direta.

“A qualidade tornou-se um dos mais importantes fatores de decisão dos consumidores na

seleção de produtos e serviços que competem entre si. Consequentemente, compreender e




3

melhorar a qualidade é um fator-chave que conduz ao sucesso, crescimento e a uma melhor

posição de competitividade de um negócio”. (MONTGOMERY, 2009).

O controle estatístico do processo é usualmente o método preferido para controlar qualidade,

porque a qualidade está sendo “construída” no processo em vez de ser inspecionada no final.

(SLACK et al., 1997). Assim, o Controle Estatístico do Processo (CEP) é uma metodologia

que potencialmente permite conhecer o processo, manter o mesmo em estado de controle

estatístico e melhorar a capacidade do mesmo, onde tudo se resume à redução de variabilidade

do processo. (SCHISSATTI, 1998).

Pela quantidade e disponibilidade de informações contidas na “nuvem”, oriundas do advento

da indústria 4.0, tem-se o cenário ideal para o estudo da aplicação de métodos de controle

estatístico de processos (CEP) em conjunto com métodos de análise estatística multivariada,

definindo assim um ramo da engenharia da qualidade denominado de controle estatístico de

processo multivariado.

Muitos artigos e livros já ressaltam a necessidade da utilização do monitoramento e controle

de processos multivariados, pois, na prática, a maioria desses cenários envolvem mais de duas

características e parâmetros relacionados. Uma das ferramentas utilizadas no CEP é o gráfico

de controle, e Montgomery (2009) afirma que embora possa se aplicar gráficos de controle

para cada característica funcional de um produto ou serviço individualmente, observam-se

que os mesmos são constituídos de um conjunto características funcionais relacionadas, ou

seja, observando-se e analisando-se essas características de forma isolada pode-se chegar a

interpretações e conclusões erradas de um processo.

Assim, este artigo, tem o intuito de evidenciar a aplicabilidade e importância do CEP

multivariado em um ambiente de indústria 4.0. Atualmente, a quantidade de artigos sobre o

tema é restrita. Na Alemanha, onde surgiu o conceito da indústria 4.0, os trabalhos publicados

possuem pouco foco para o tema proposto.

3. A evolução da indústria

O conceito de Indústria 4.0 ainda é relativamente recente. A necessidade das organizações em

se tornarem competitivas fez com que ao decorrer da história buscassem alternativas em




4

relação à qualidade e produtividade, assim transformando-se e evoluindo, tanto no âmbito

tecnológico, quanto no de processos.

No âmbito tecnológico, pode-se observar na Figura 1, as quatro revoluções industriais.

Figura 1 – Gerações industriais

(Fonte: Ferdinad-Steinbeis-Institut, 2016)

Inicialmente, no fim do século 18, deu-se origem a utilização da máquina a vapor para

aplicação industrial, tal tecnologia proporcionou a mecanização das fábricas. No começo do

século 20, a base energética mudou para eletricidade, e trouxe como benefícios a produção em

massa. Entre as décadas de 1970 e 2000, ocorreu a terceira revolução industrial, sendo

caracterizada pelo aparecimento dos primeiros equipamentos e maquinários

computadorizados, capazes de desempenhar suas atividades por meio de lógicas programadas.

Isto foi possível, graças à crescente aplicação da eletrônica e da tecnologia da informação nos

processos de produção para automatizá-los. Atualmente, na considerada quarta revolução

industrial, a utilização de sistemas físico-cibernéticos vem crescendo dentro de diversas




5

organizações, não somente no setor produtivo, mas também no setor de serviços.

(SNIDERMAN et al, 2016).

Em relação às melhorias estratégicas e de processos, entre as décadas de 60 e 80, tais

indústrias tiraram muito proveito do pioneirismo de metodologias de trabalho, como o

Sistema Toyota de Produção (STP) e de suas técnicas derivadas. Estas empresas também

experimentaram a terceirização, a qual trouxe inúmeros benefícios para as mesmas, porém,

ainda não suficientes para atingir os objetivos de seus negócios. Nesta mesma década, as

organizações experimentaram o deslocamento de suas fábricas dos centros industriais de seus

países, transferindo os seus setores produtivos de massa e mais básicos para países

emergentes e de terceiro mundo, isto devido aos baixos custos de mão-de-obra e incentivos

fiscais oferecidos em troca de empregos. Ao passar dos anos, com a disseminação e

viabilidade financeira na aquisição de novas tecnologias, somado aos aumentos dos salários,

fretes e tributos nestes locais, as vantagens do deslocamento começaram a diminuir e os

benefícios da Indústria 4.0 transpareceram de forma a serem mais efetivos e lucrativos para

tais organizações. (MCKINSEY DIGITAL, 2015).

3.1. A indústria do futuro

A influência da Indústria 4.0 na operação das fábricas é altamente inovadora, com

modificações significativas na execução de praticamente todos os processos da cadeia

produtiva. O planejamento de materiais e de produção, como é feito atualmente com base em

previsões e históricos, poderá ser alimentado por informações on-line de planos e processos

de produção, armazéns e expedições. Mesmo sendo altamente inovadora, a Indústria 4.0

permite que metodologias já consagradas mundialmente, como o Sistema Toyota de

Produção, possa ser utilizada como base deste novo conceito de sistema de produção.

(BAUERNHANSL; HOMPEL; VOGEL-HEUSER, 2014).




6

Figura 2 – O processo produtivo da indústria do futuro

(Fonte: os autores, 2017)

Atualmente, como o ilustrado na Figura 2, além do ambiente altamente personalizado das

indústrias, o grau elevado de automação também é uma consequência da introdução de um

sistema de informações robusto e de comunicação via redes industriais. Neste universo existe

uma sincronia entre toda a cadeia de valor, desde as ordens de produção, necessidade de

materiais em sincronia com fornecedores, equipamentos que se tornam inteligentes e

altamente automatizados, chegando até a entrega dos produtos aos clientes. (SPATH;

GANSCHAR; GERLACH; HAMMERLE; KRAUSE; SCHLUND, 2013).

Na indústria 4.0, a tecnologia aplicada na cadeia de suprimentos também ajuda a influenciar

positivamente os processos de produção. Toda a cadeia de valor é mapeada, possíveis

simulações de inventário, logística e transporte são realizadas de forma precisa, além do

histórico de uso de produtos e consumo de insumos e materiais. (WAN; CAI; ZHOU, 2015).




7

Nesta concepção de monitoramento do chão de fábrica, os sistemas permitem feedback

automático e on-line das condições de produção, via relatórios informatizados e por

equipamentos como smartphones e tablets. Neste ambiente, os funcionários possuiriam

equipamentos e dispositivos portáteis do tipo smart que também estariam conectados e

integrados à rede das empresas. Isto geraria um ambiente extremamente dinâmico para os

funcionários auxiliando-os na identificação e retroalimentação de todas as situações possíveis

ocorridas na área de trabalho. (SCHUH; GARTZEN; RODENHAUSER; MARKS, 2015).

3.2. Tecnologias para a indústria do futuro

As indústrias de transformação buscam acima de tudo a qualidade de seus produtos, e para

que isso seja possível, os processos devem estar sob controle. Com o passar do tempo,

desenvolveram-se inúmeras técnicas no campo da engenharia da qualidade com este objetivo.

O desejo das empresas em aumentar a complexidade dos produtos, diminuir seu tempo de

desenvolvimento e tornar seus preços mais competitivos tornam de alta importância as

atividades de controle de processo. Uma das características da Indústria 4.0 são os produtos

inteligentes, que vem com informações e dados detalhados sobre a realização e sequência das

operações a serem feitas sobre eles. Todos esses dados e informações são transferidos para a

máquina de forma automática e são apresentadas com as melhores interfaces de visualização

possível. As interfaces homem-máquina, com cada vez maiores tecnologias, apresentam

informações de forma mais atraente e sucinta, reduzindo assim as possibilidades de

cometimento de erros durante o processo de produção. (SCHUH; GARTZEN;

RODENHAUSER; MARKS, 2015).

Uma das bases tecnológicas para a indústria do futuro, o Identificador de Radiofrequência

(RFID) é um sistema capaz de armazenar dados a partir de campos eletromagnéticos com um

decodificador responsável por transmitir informações para um sistema integrado. O sistema

de RFID é um dos mais utilizados no conceito da Indústria 4.0, pois permite a detecção

automática dos processos, por meio da leitura dos respectivos dados e informações contidas

nas etiquetas RFID que nada mais são do que sensores inteligentes. (NICOLETTI, 2013).




8

Outra tecnologia utilizada é definida como a Internet das coisas (IoT). A IoT é o conceito de

conexão entre variados objetos, ferramentas, equipamentos e ambientes dentro de uma

organização. Tal conexão ocorre a partir da integração do mundo físico com o cibernético

através de sensores inteligentes (RFID). O resultado disto seria uma rede conectada, que

possibilita transmissão de informações de máquina para máquina ou de máquina para

operador de maneira fluida e imediata. (SNIDERMAN, 2016).

Assim, pode-se notar que a Internet das Coisas (IoT) se mostra como um dos alicerces da

Indústria 4.0, visto que a partir das informações obtidas da produção, a alta gerência tornar-se-

á capaz de tomar atitudes estratégicas em relação a organização. (SNIDERMAN, 2016).

Neste cenário, a Internet das Coisas auxilia na integração dos diferentes tipos de processos,

fazendo a compilação das informações geradas por diferentes tipos de máquinas ou processos.

De posse de todas estas informações, a análise avançada dos dados combina todos os fatores

críticos do negócio, desde seu plano diretor até a realização dos fluxos do processo, através da

computação de tendências significativas e relacionamentos dos dados disponíveis.

(NICOLETTI, 2013).

Contudo, o resultado da aplicação do conceito de Internet das Coisas em uma organização é

um complexo número de dados condensados dentro de um sistema, conhecido como Big Data

(YIN, 2015). Segundo Yin (2015), em um exemplo de uma empresa produtora de bens de

consumo, uma única máquina poderia produzir cerca de 5.000 amostras de informação a cada

33 milissegundos, resultando num total de aproximadamente 4 trilhões de amostras por ano.

Toda essa massa de dados está disponível na chamada “Nuvem” que é definida como uma

arquitetura de distribuição de informações que tem como maior objetivo prover de maneira

segura, rápida e conveniente, a armazenagem de dados, assim como outras funções

relacionadas à rede (HASHIZUME et al, 2013).




9

4. Análise multivariada

“A estatística clássica fixou-se no estudo de um único caráter (ou variável) medida num

conjunto pequeno de indivíduos. Desenvolveu as noções de estimativa e de testes fundada em

hipóteses muito restritivas. Entretanto, na prática, os indivíduos observados são

frequentemente caracterizados por um grande número de caracteres (ou variáveis)”.

(BOUROUCHE; SAPORTA, 1982).

A análise multivariada é amplamente utilizada em diversos ramos de pesquisas, e isto se deve

às relações existentes entre as variáveis e a importância das informações contidas em seus

dados. A análise multivariada é utilizada nos casos onde os dados de um ou mais objetos de

interesse são obtidos por medidas simultâneas ou por diversas variáveis de interesse, como

acontece com frequência na produção de um bem de consumo, pois o mesmo necessita atingir

mais de um valor nominal de projeto para ser produzido com uma confiabilidade pré-

determinada. Sendo assim, qualquer amostra (processo) que possua duas ou mais variáveis

(parâmetros) de interesse pode ser considerada multivariada.

“Alguns autores estabelecem que o propósito da análise multivariada é medir, explicar e

prever o grau de relacionamento entre as variáveis estatísticas (combinação ponderada de

variáveis). Deste modo, o caráter multivariado consiste nas múltiplas variáveis estatísticas

(combinações múltiplas de variáveis) e não apenas no número de variáveis e observações”.

(HAIR JR. et al, 2005)

De acordo com Jonhson e Wichern (1998), verificam-se que os principais objetivos da

investigação científica onde os métodos multivariados são empregados com mais naturalidade

são:

a) Redução de dados ou simplificação estrutural;

b) Classificação e agrupamento;

c) Investigação de dependência entre variáveis;

d) Predição;

e) Teste e construção de hipóteses.




10

Como exemplo de aplicação da análise multivariada, pode-se citar a construção de gráficos de

controle multivariados, visto que as características funcionais que compõem um produto

possuem relação entre si e influenciam diretamente na qualidade do mesmo.

4.1. Controle estatístico do processo

O controle estatístico do processo é um conjunto de ferramentas desenvolvidas para o

monitoramento e controle de processos, objetivando a melhoria da produtividade e qualidade

dos produtos e serviços.

Quando se atinge o controle estatístico do processo, listam-se algumas vantagens como: a

fração de itens defeituosos permanece constante na média, os custos e índices de qualidade

são previsíveis e maximiza-se a produtividade para o sistema corrente. Assim, o CEP gera

informações por meio das suas ferramentas para auxiliar na tomada de decisão.

Uma das ferramentas utilizada no CEP é o gráfico de controle. Pode-se citar muitas razões

para a utilização do gráfico de controle, tais como: redução de desperdício de insumos,

redução de retrabalho, aumento da produtividade e da capacidade de produção, diminuição de

custos, impedimento de ajustes desnecessários no processo, prevenção da produção de itens

defeituosos, fornecimento de informações sobre o valor de importantes parâmetros do

processo e sua estabilidade no tempo. Assim, pode-se realizar um diagnóstico do processo e

implementar mudanças de tal forma a otimizá-lo.

Com o advento de processos mais complexos e a crescente geração de informações difundidas

pelo conceito de indústria 4.0, cria-se o cenário ideal para aplicação do CEP multivariado e

mais especificamente o gráfico de controle multivariado.

4.2. Aplicabilidade na indústria 4.0

Com o advento tecnológico atual e devido à grande quantidade de dados (big data) existentes,

se faz necessário a utilização de métodos para processar e analisar tais dados, de forma a

realimentar os processos produtivos, sendo este o cenário ideal para aplicabilidade de uma das

ferramentas de CEP.




11

De acordo com Sondagem Especial – Indústria 4.0 (2016) em uma pesquisa feita com 2225

empresas brasileiras, sendo 910 pequenas, 815 médias e 500 grandes empresas, observou-se

que na data em que foi feita a pesquisa, uma pequena porcentagem das empresas usava a

tecnologia de coleta, processamento e análise de grandes quantidades de dados focadas em

produto. “As tecnologias focadas em produto também são pouco utilizadas: 9% das empresas

coletam, processam e analisam grandes quantidades de dados (big data), 6% utilizam serviços

em nuvem associados a produtos e 4% incorporam serviços digitais nos produtos (internet das

coisas ou product service systems).” (SONDAGEM ESPECIAL – INDÚSTRIA 4.0, 2016)

Com o uso de todas as tecnologias, técnicas e metodologias apresentadas nas seções

anteriores, ilustrou-se neste artigo a aplicação do CEP Multivariado de forma automatizada na

Indústria 4.0.

Atualmente, em muitas empresas, utilizam-se módulos de rede e sensores inteligentes em

equipamentos, tornando possível captar sinais de vários pontos do mesmo. Tais sinais são

transformados em pulsos que são transmitidos de forma eficaz via redes otimizadas. Essas

redes enviam esses pulsos para sistemas de CLP (Comando Lógicos Programáveis) e IHM

(Interface Homem-Máquina), transformando-os em dados que são integrados a um sistema de

controle de supervisão e aquisição de dados, chamado de SCADA (Supervisory Control and

Data Acquisition). O sistema SCADA envia os dados adquiridos de forma eficiente ao MES

(Manufacturing Execution System) que pode ser definido simplificadamente como um sistema

de controle e monitoramento de todas as etapas do processo de produção em tempo real. Tal

sistema integra os seus dados e informações com um software de ERP (Entreprise Resource

Planning), o qual é o responsável por todas as operações e informações gerenciais e

processuais de uma organização. Todo esse processo gera uma grande quantidade de dados

que fica armazenado na nuvem (cloud). Tal fluxo e armazenamento de dados está ilustrado na

figura 3.

Figura 3 – Sistema de transmissão de dados da Industria 4.0




12

(Fonte: Adaptado Baffuff, 2017)

Na indústria do futuro, conforme ilustrado na Figura 3 entende-se que a cadeia produtiva

sofrerá a mínima intervenção humana. O sistema se auto alimentará com os parâmetros

necessários para a otimização de todo o sistema, e, quando preciso, por meio do seu banco de

dados (big data) buscará informações necessárias para a correção do processo. Neste ponto, se

aplica os gráficos de controle multivariados, uma das ferramentas do CEP multivariado, com

o intuito de se efetuar um diagnóstico do processo. De acordo com o diagnóstico, o próprio

sistema implementa mudanças online, evitando-se desperdícios, paradas por ajustes manuais

desnecessários fornecendo informações importantes dos parâmetros do processo no tempo.

A ideia chave é que o sistema aprenda com os erros do passado e armazene em seu banco de

dados diversas possibilidades de autocorreção por meio de análises multivariadas quando o

processo sair dos padrões ou apresentar variabilidades relevantes. A figura 4 ilustra uma visão

geral do processo de uma indústria do futuro com aplicação de análises multivariadas, onde o

CEP multivariado é um dos ramos da mesma.

Figura 4 – Visão Geral da Indústria do Futuro com Aplicação de Análises Multivariadas




13

(Fonte: os autores, 2017)

Olhando de forma mais detalhada para o CEP Multivariado visando entender melhor o

conceito da fábrica inteligente, pegou-se como exemplo as máquinas, que após o processo de

retroalimentação “aprendem” e se tornam autônomas.

Quando um processo de fabricação é realizado pela primeira vez o operador realiza o Setup do

equipamento, regulando a máquina e seus parâmetros de produção. Durante o processo podem

ocorrer anomalias que são responsáveis pela variabilidade excessiva do mesmo, reduzindo a

sua capacidade e gerando perdas para a produção.

Como já mencionado, na indústria 4.0, essas variabilidades são identificadas e registradas por

sensores inteligentes, monitorados e controlados por sistemas de supervisão (SCADA), de

gerenciamento da produção (MES) e de gestão das operações da empresa (ERP). Em cada

uma dessas etapas os dados são enviados a um grande banco de dados que fica armazenado na

nuvem. Neste banco de dados, realizam-se as análises de CEP multivariados. Após finalizadas




14

as análises, o sistema é retroalimentado, sendo os seus resultados armazenados em outros

módulos dentro da própria nuvem (Big Data). Os resultados dessas análises são informações

relevantes para os processos futuros de produção, pois no caso de ocorrer alguma anomalia, o

sistema, antes de qualquer outra ação, buscará informações de alguma anomalia correlata a

alguma já registrada. Caso a encontre, procederá aos ajustes necessários automaticamente e

sem a interferência do operador. Assim, a máquina “aprendeu” com situações ocorridas e

informadas.

Todo o fluxo do processo descrito está ilustrado na figura 5, e uma das bases para tornar isto

viável é o RTO (Real-Time Optimization), um sistema de controle que busca otimizar o

desempenho do processo em tempo real.

Figura 5 – Fluxo do RTO

(Fonte: Adaptado Francio S. L. B. Silva, 2016)

5. Considerações Finais

O conceito de indústria 4.0 está intimamente relacionado com a internet das coisas, a

conectividade e a grande quantidade de dados gerados e armazenados na nuvem, sendo este o

ambiente ideal para uso de métodos de análises multivariados. Essa afirmativa é confirmada

pela pesquisa realizada por Sondagem Especial – Indústria 4.0 (2016). Em sua pesquisa,

realizada com 2225 empresas nacionais, 15% das mesmas, consideram que a coleta,

processamento e análise de grandes quantidades de dados (big data) são importantes para se

manterem competitivas no mercado, e ainda, observou-se que do total pesquisado, 39% não




15

sabiam responder. Desta forma, de acordo com a pesquisa, verifica-se que além de se ter um

ambiente propício, torna-se importante para a manutenção da competitividade o uso de

métodos de análises multivariados.

Nas seções anteriores, demonstrou-se apenas umas das possibilidades de aplicação desses

métodos, mais precisamente os gráficos de controle multivariados que representam somente

uma parcela das metodologias de abordagens multivariadas que podem ser usadas. Ainda

nesse contexto, pode-se citar outras abordagens multivariadas, tais como a análise fatorial,

análise de discriminante e análise de agrupamentos. A idealização do uso desses métodos é de

processar, analisar, classificar, encontrar padrões e hierarquizar os dados mais relevantes

contidos na nuvem para tomada de decisões, tanto no nível de produção quanto em nível de

criação de um portfólio.

O intuito deste artigo é ilustrar o uso e importância do CEP multivariado integrado ao

conceito da indústria 4.0 vislumbrando o aproveitamento do volume de informações geradas

na cadeia produtiva, e assim, extrair-se dados para melhoria da capacidade e eficiência da

produção. Como consequência deste processo, consegue-se produtos e serviços mais

confiáveis e de maior qualidade. Outra aplicação, além da melhoria do processo, é de se

utilizar os parâmetros gerados pelos gráficos de controle como forma das máquinas

“aprenderem” e se tornarem autônomas na manutenção da capacidade do processo.

6. Referências Bibliográficas

BALLUFF. Indústria 4.0 :competência concentrada para automação industrial. 2017. Disponível em:

<http://www.balluff.com/local/br/solutions-and-technologies/industry-40/> Acesso em: 28 abr. 2017.

BAUERNHANSL, Thomas, HOMPEL, Michael ten e VOGEL-HEUSER, Birgit. Industrie 4.0 in Pmduktion,

Automatisierung und Logistik :Anwendung, Technohgien, Migration. Wiesbaden: Spiingei Vieiweg, 2014.

BOUROUCHE, J. M.; SAPORTA, G. Análise de dados. Tradução: Marcus Penchel. Rio de Janeiro: Zahar

Editores, 1982. 115 p. Tradução de: L´analyse des données.

HAIR JR., Joseph F. et al. Análise Multivariada de Dados. 5. ed. Tradução: Adonai Schlup Sant’Anna e

Anselmo Chaves Neto. Porto Alegre: Bookman, 2005. Tradução de: Multivariate Data Analysis.

HASHIZUME, Keiko, ROSADO, David G., FERNÁNDEZ-MEDINA, Eduardo, FERNANDEZ, Eduardo B. An

analysis of security issues for cloud computing. Journal of Internet Services and Applications, fev, 2013.

INDICADORES CNI – CONFEDERAÇÃO NACIONAL DA INDÚSTRIA. Sondagem Especial : Indústria

4.0. Brasília, ano 17, abr. 2016. Disponível em:

<http://www.portaldaindustria.com.br/relacoesdotrabalho/media/publicacao/chamadas/SondEspecial_Industria4.

0_Abril2016.pdf> Acesso em: 04 maio 2017.




16

MCKINSEY & COMPANY. Industry 4.0: how to navigate digitization of the manufacturing sector. McKinsey

Digital, p.13. 2015.

JOHNSON, Richard A., WICHERN, Dean W. Applied multivariate statiscal analysis. 2º Edition. Prentice

Hall Internacional, Inc.

JOHNSON, Richard A., WICHERN, Dean W. Applied Multivariate Statistical Analysis. 4. ed. New Jersey:

Prentice Hall, 1998.

KOLBERG, Dennis, ZÜHLKE, Detlef. Lean automation enabled by industry 4.0 technologies. IFAC-

PapersOnLrne, 48(3), 1870-1875, 2015.

MONTGOMERY, Douglas C. Introdução ao controle estatístico de qualidade. Rio de Janeiro: LTC – Livros

Técnicos e Científicos Editora S.A., 2009.

NICOLETTI , Bernardo. Lean and automate manufacturing and logistics: advances in production

management systems. Sustainable production and service supply chains. Springer Berlin Heidelberg. p. 278-

285. 2013.

SILVA, S. L. B. Francio. Indústria 4.0 : estado da arte. Simpósio Internacional: Indústria 4.0 – Paraná e Baden-

Wurttemberg, Curitiba, 28 nov. 2016.

SLACK, Nigel, CHAMBERS, Stuart, JOHNSTON, Robert. Administração da Produção. São Paulo: Editora

Atlas, 1997.

SCHISSATTI, Márcio Luiz. Uma metodologia de implantação de cartas de Shewarth para o controle de

processos. Florianópolis. Dissertação (Mestrado em Engenharia de Produção). UFSC, 1998.

SCHUH, Gunther, GARTZEN, Thomas, RODENHAUSER, Timon e MARKS, Alexander. Promoting work-

based Learning through industry 4.0. Procedia CIRP, 32, 82-87, 2015.

SNIDERMAN, Brenna, MAHTO, Monika, COTTELEER, Mark. Industry 4.0 and manufacturing

ecosystems: Exploring the world of connected enterprises. Deloitte University Press, fev. 2016.

SPATH, Dieter, GANSCHAR, Oliver, GERLACH, Stefan, HAMMERLE, Moritz, KRAUSE, Tobias e

SCHLUND, Sebastian. Produktionsarbeit der Zukunjt : Industrie 4.0. Stuttgait: Fiaunhofei Veilag, 2013.

WAN, Jiafu, CAI, Hu e ZHOU, Keliang. Industrie 4.0: Enabling technologies. International Conference on

Intelgent Computing and Internet of Things (ICIT). IEEE, p. 135-140, Harbin, China, 2015.

YIN, Shen e KAYNAK, Okyay. Big data for modern industry: Challenges and Trends. Preceedings of the

IEEE. vol 103, n. 2, fev 2015.

Documents

IMPORTÂNCIA E APLICABILIDADE DA ABORDAGEM MULTIVARIADA NA … › biblioteca › TN_STO_226_316_33223.pdf · 2017-10-24 · quantidades de dados (big data) armazenados na nuvem