TCC GB6S Eng Prod 06 12 13 - Final para Graficalyceumonline.usf.edu.br/salavirtual/documentos/2602.pdf · universidade sÃo francisco curso de engenharia de produção jonathan felipe

UNIVERSIDADE SÃO FRANCISCO

Curso de Engenharia de Produção

JONATHAN FELIPE MATHEUS TATIANE VERIDICO RODRIGUES

YANN BARROS DE TOLEDO FERRARI

GREEN BELT: PROJETO PARA MELHORIA DO DESEMPENHO DA QUALIDADE E

PERFORMANCE DE PRODUÇÃO

Campinas 2013

JONATHAN FELIPE MATHEUS – R.A. 004200900225 TATIANE VERIDICO RODRIGUES – R.A. 004200900072

YANN BARROS DE TOLEDO FERRARI – R.A. 004200900100



Monografia apresentada ao Curso de Engenharia de Produção da Universidade São Francisco, como requisito parcial para obtenção do título de Bacharel em Engenharia de Produção. Orientador : Prof. Ms. Helton Salles de Oliveira

Campinas 2013

JONATHAN FELIPE MATHEUS TATIANE VERIDICO RODRIGUES

YANN BARROS DE TOLEDO FERRARI



Monografia apresentada, defendida e aprovada pelo Programa de Graduação em Engenharia de Produção da Universidade São Francisco, como requisito parcial para obtenção do título de Bacharel em Engenharia de Produção. Área de Concentração: Industrial Data de Aprovação: ___/___/____

Banca Examinadora:

Prof. Ms. Helton Salles de Oliveira (Orientador)

Universidade São Francisco

Prof. Dr. Emílio Gruneberg Boog (Examinador)


Prof. Dr. Robisom Damasceno Calado (Examinador)


Aos professores deste país pelo idealismo, confiança e coragem, e aos nossos pais pela dedicação e amor.

"Seja a mudança que você quer ver no mundo". Mahatma Gandhi

RESUMO

Esta monografia demonstra como a metodologia e o conceito Seis Sigma pode ser

aplicado na área de manufatura de uma indústria automotiva. O Seis sigma é uma

metodologia que utiliza um conjunto de ferramentas da qualidade automotiva e ferramentas

de estatística aplicadas seguindo uma seqüência cronológica de projeto – conhecida como

DMAIC. É uma sistemática voltada para solução de problemas crônicos e melhoria de

processos e que com o auxilio da estatística, pode ser comprovada através de fatos e

dados. O que será apresentado no decorrer do trabalho será a aplicação na prática do

conceito Seis Sigma na melhoria do desempenho da qualidade e performance de uma linha

de produção, visando a redução de desperdícios, melhora da qualidade e,

conseqüentemente, aumento da competitividade da empresa no mercado. Essa linha de

produção consiste no processo de montagem de uma válvula pedal de freio que é utilizada

em caminhões e ônibus para acionamento pneumático do sistema de freio de veículos

comerciais pesados. O resultado encontrado pela aplicação desta metodologia foi uma

redução no desperdício por conta de reprovação de peças ocasionado por sistema de

medição não confiável e problemas relacionados a qualidade de peças e componentes

comprados. Foi utilizado o software minitab versão 16 para criação e análise de dados e

gráficos.

Palavras-chave: Seis Sigma, Estatística e Melhoria.

ABSTRACT

This monograph demonstrates how the methodology and concept Six Sigma can be

applied in the area of manufacturing an automotive industry. Six Sigma is a methodology that

uses a set of quality automotive tools and statistical tools applied following a chronological

sequence of project - known as DMAIC . It is a systematic solution facing chronic problems

and improving processes and with the help of statistics, can be proven through facts and

data . What is presented in this work will be the practical application of the concept in Six

Sigma performance improvement of quality and performance of a production line, in order to

reduce waste, improve quality and consequently increase the competitiveness of company in

the market. This production line is in the process of assembling a pedal brake valve that is

used in trucks and buses for pneumatic actuation of the brake system of heavy commercial

vehicles. The results found by the application of this methodology was a reduction in waste

because of disapproval caused by unreliable measurement and problems related to quality of

purchased components and spare parts system. Minitab version 16 software for creating and

analyzing data and graphs were used.

Keywords: Six Sigma, Statistics and Improvement.

SUMÁRIO

1 INTRODUÇÃO.............................................................................................................. 10

1.1 CONTEXTUALIZAÇÃO........................................................................................... 10

1.1.1 Empresa.......................................................................................................... 11

1.2 OBJETIVOS............................................................................................................ 11

1.3 JUSTIFICATIVA...................................................................................................... 12

2 REVISÃO BIBLIOGRÁFICA.............................. ........................................................... 13

2.1 QUALIDADE ........................................................................................................... 13

2.1.1 Eras da Qualidade........................................................................................... 14

2.2 FERRAMENTAS DA QUALIDADE.......................................................................... 16

2.2.1 Fluxograma ..................................................................................................... 17

2.2.2 Folha de Verificação........................................................................................ 18

2.2.3 Gráfico de Pareto ............................................................................................ 19

2.2.4 Diagrama de causa e efeito ............................................................................. 20

2.2.5 Gráfico de Tendência ...................................................................................... 20

2.2.6 Histograma...................................................................................................... 21

2.2.7 Cartas de Controle .......................................................................................... 21

2.2.8 Gráficos de Dispersão ..................................................................................... 22

2.2.9 Ferramentas da Qualidade na Indústria Automotiva ........................................ 22

2.2.9.1 MSA (Measurement Systems Analysis) ......................................................... 23

2.2.9.2 CEP (Controle Estatístico do Processo)......................................................... 25

2.2.9.3 FMEA (Failure Mode and Effect Analysis) ...................................................... 26

2.2.9.4 Os 5 Porquês ................................................................................................. 26

2.2.9.5 5W2H............................................................................................................. 27

2.3 SEIS SIGMA........................................................................................................... 27

2.4 RTY (ROLLED THROUGHPUT YIELD).................................................................. 36

2.5 POKA YOKES......................................................................................................... 37

2.6 MINITAB ................................................................................................................. 38

3 METODOLOGIA ........................................ ................................................................... 39

3.1 CONTRATO DE PROJETO .................................................................................... 39

3.2 DEFINIR (D) ........................................................................................................... 40

3.3 MEDIR (M).............................................................................................................. 42

3.4 ANALISAR (A) ........................................................................................................ 43

3.5 IMPLEMENTAR (I).................................................................................................. 44

3.6 CONTROLAR (C) ................................................................................................... 44

4 RESULTADOS......................................... ..................................................................... 45

4.1 CONTRATO DE PROJETO .................................................................................... 45

4.2 DEFINIR (D) ........................................................................................................... 47

4.3 MEDIR (M).............................................................................................................. 48

4.4 ANALISAR (A) ........................................................................................................ 53

4.5 IMPLEMENTAR (I).................................................................................................. 56

4.6 CONTROLAR (C) ................................................................................................... 63

5 CONCLUSÃO .......................................... ..................................................................... 64

REFERÊNCIAS BIBLIOGRÁFICAS......................... ........................................................... 66

10

1 INTRODUÇÃO

1.1 Contextualização

A competitividade que está presente no mundo atual dos negócios leva as Indústrias de

diversos setores a buscarem as mais diferentes e criativas soluções para aumentarem o seu

diferencial perante o mercado. Diante de um cenário agressivo, que pode ser comparado

com uma “Selva”, surgiram muitos conceitos e métodos para solução de problemas e

redução de desperdício. O que começou como um conjunto de ferramentas da qualidade

evoluiu para uma poderosa caixa de ferramentas chamada de Six Sigma. O nome Six Sigma

está totalmente ligado a redução de variação que é a principal causa dos desperdícios e

problemas que as empresas enfrentam e muitas vezes estão ocultas. As ferramentas dentro

do Six Sigma podem ser aplicadas para os mais diferentes tipos de problemas, desde

aqueles aparentemente mais simples e que podem facilmente ser medidos até aqueles que

nos levam a trabalhosas análises gráficas e desenvolvimento de experimentos, um trabalho

totalmente ligado a pesquisa porém aplicado na prática.

O grande desafio que as empresas enfrentam é o de transformar questões reais e

problemas que incomodam no dia a dia em números, que posteriormente serão levados ao

campo estatístico, onde serão analisados, decifrados, solucionados e em seguida trazidos

para o mundo real em forma de ações de melhoria, correção, prevenção e controle.

A estatística nem sempre é entendida pelos Engenheiros e Administradores que estão

no mercado, muitas vezes em posições de liderança. Normalmente o entendimento de

estatística fica limitado a controles produtivos diários ou simples gráficos para comparação

de resultados contra metas propostas. Isso muitas vezes cria uma dificuldade para as

empresas em solucionar questões que aparentemente são do dia a dia, ou variações

declaradas por muitos como “inerentes ao processo” e que demandam investimento. O Seis

Sigma trabalha nesse campo para mostrar que a estatística e a pesquisa, de forma aplicada

e prática, trazem um resultado extremamente positivo para a empresa, que pode ser

decisivo para se manter competitiva no mercado e que valoriza o diferencial do profissional

especializado nessa metodologia.

11

1.1.1 Empresa

A empresa WABCO Sistema de Freios Veiculares dispõe de uma única planta de

manufatura na América do Sul e um centro de Distribuição e sua Matriz Mundial de

Engenharia encontra-se na Alemanha e a sede de negócio na Bélgica. A unidade de

Sumaré desenvolve atividades para o eixo de mercado automotivo pesado, através da

fabricação de componentes para o sistema de frenagem e controle de caminhões e ônibus.

A empresa está divida em unidade de valor ou Value Stream. Esse conceito foi aplicado

para a empresa WABCO devido a sua organização matricial corporativa que dispõe de um

Vice Presidente para cada tipo de produto correspondente a uma unidade de negócio ou

Business Unit. Na WABCO America do Sul os produtos são manufaturados conforme as

seguintes divisões: C&B (Compressor and Brake ou Compressores e Freios) e VDC/TRAM

(Vehicles Dynamic Controls and Trailer System Aftermarket ou Controles Dinâmicos de

Veículos e Sistemas para Carretas no Mercado de Reposição). Dentro da organização de

VDC/TRAM são fabricadas as famílias de Válvulas, onde estão incluídas as válvulas Freio

de Mão e Válvulas Pedal de Freio.

1.1.2 Caracterização do Problema

Excesso de rejeição de Válvulas Pedal de Freio devido a vazamento de ar acima da

especificação de produto na bancada de teste final afetando o rendimento – yield – da

unidade de valores VDC/TRAM.

1.2 Objetivos

Este presente trabalho tem como objetivo executar um projeto utilizando as

ferramentas e metodologias Seis Sigma para reduzir variação no processo de manufatura

de Válvulas Pedal de Freio. Através desse trabalho, será demonstrada a importância de

trabalhar um problema sistêmico dentro do universo estatístico e trazer dele uma solução

prática e eficaz.

12

1.3 Justificativa

Utilizando a ferramenta Seis Sigma é possível, de forma precisa, definir o problema e

medir, garantindo que o processo está refletindo a realidade e priorizar os esforços naquilo

que vai trazer o resultado com maior eficácia. Essa medição é seguida por uma analise

crítica que leva à implementação de ações de correção e melhorias e permitem que o

processo seja controlado ao longo do tempo, trazendo nesse caso um benefício para a

empresa em formato de redução de desperdício.

13

2 REVISÃO BIBLIOGRÁFICA

2.1 QUALIDADE

Desde muito tempo atrás, se um artesão fosse questionado sobre o que é qualidade,

suas respostas, assim como a de muitos outros profissionais da área em épocas distintas,

seriam bastante diversas. Como esses trabalhadores dominavam todo o processo produtivo

de seus produtos, desde a concepção do projeto ao pós-vendas, e estavam muito mais

próximos de seus clientes e suas exigências (necessidades), por isso precisavam ter muito

cuidado com a qualidade e/ou repercussão de seus produtos, pois isso acontecia através da

opinião de seus clientes pela comunidade nos tempos antigos. Os conceitos de

confiabilidade, conformidade, tolerância e especificação não eram abordados naquela

época. Apesar de atender as necessidades do cliente e acompanhar todo o processo

produtivo de seus produtos, o artesão ainda não pensava em importantes fatores que

chegariam a compor o conceito da qualidade (Carvalho et al., 2012).

Esse conceito de trabalho artesanal permaneceu até o final século XIX, onde até a

maior montadora de automóveis da época, a Panhard e Levassor (P&L), utilizavam esse

conceito não montando seus carros iguais. Por conta disso, era bastante comum que

ocorresse o chamado “susto dimensional”, quando um produto, no caso o veículo, poderia

diferir de outro fabricado sob o mesmo projeto, no quesito dimensional, devido aos ajustes

das peças, feitos pelos artesãos.

A revolução industrial veio para mudar o conceito de trabalho artesanal e trouxe

consigo uma nova ordem produtiva, a padronização e a produção em larga escala. Surge

também a função de um inspetor de qualidade do produto, áreas como a metrologia,

sistema de medidas e especificações. Em meados de 1920, o conceito da qualidade

progrediu após o surgimento dos gráficos de controle e o ciclo PDCA que já direcionaria as

atividades de análise e solução de problemas. Desde então, novos conceitos foram

nascendo e evoluindo e com isso a qualidade sempre galgava mais espaço nas indústrias.

No período pós-guerra, quando o Japão se recuperava do período traumático, Deming e

Juran, dois nomes respeitáveis na formação da qualidade estiveram no Japão influenciando

a criação do modelo de qualidade e produtividade japonês. E tempos depois, segundo

Carvalho et. al (2012), o modelo japonês esbanjava êxito, mencionando já naquela época a

aferição dos defeitos em parte por milhão, enquanto no Ocidente, as métricas eram ainda

expostas em porcentagens.

14

2.1.1 Eras da Qualidade

Na figura 1 é apresentado alguns detalhes das principais mudanças no ponto de

vista da qualidade, onde essas mudanças são interpretadas em quatro fases ou eras, onde

pode-se evidenciar evoluções.

A fase ou era da inspeção (ou controle do produto), corresponde a um enfoque de

verificação da uniformidade do produto final e segregação das unidades não conformes,

mas não da geração de qualidade. A inspeção formalizada só passou a ter importância após

a adoção dos processos de produção em massa, principalmente quando Taylor deu maior

importância a esse processo de separar as atividades próprias de fabricação e transferiu-o

para outro setor com profissionais especializados na tarefa, se tornando, posteriormente,

parte crucial do controle de qualidade (TERBOUL, 1991).

Muitas vezes a responsabilidade pela qualidade dos produtos que vão para os

clientes estava sob a responsabilidade desses setores ou departamentos de inspeção. No

entanto, essa tarefa era limitada não cabendo ao setor responsável por ela a solução dos

problemas (RODRIGUES E AMORIM, 1995).

Já na era do controle estatístico da qualidade (ou controle do processo), onde se

segue a premissa de garantir a uniformidade do produto com menos inspeção, e com um

enfoque preventivo visando o acompanhamento e controle de variáveis do processo que

podem influir na qualidade final do produto. Sendo algo inconcebível e impraticável a

Figura 1 – Evolução do Conceito de Qualidade

Fonte: Adaptado de Checchia, (1992).

15

inspeção da totalidade dos produtos por motivos técnicos, econômicos e de prazo, o sistema

de amostragem passou a ser adotado com técnicas específicas e com maior confiabilidade

propiciando grande avanço nos processos de qualidade (GARVIN, 1992).

O controle de processo fundamentou o desenvolvimento das técnicas de controle

estatístico da qualidade, organizando as etapas que compõem um processo (fluxo, tarefas,

insumos, produtos gerados, atividades) podendo assim obter informações sistematizadas e

perceber os pontos críticos e oportunidades de melhoria para os processos. As

metodologias associadas ao controle da qualidade ganham forças com o envolvimento das

áreas produtivas e de projeto alavancando cada vez mais a qualidade dos processos

(RIBEIRO, 2008).

A era de garantia da qualidade se sustenta em programas e sistemas, que envolvem

todos os departamentos associados à cadeia de produção, direta ou indiretamente, no

sentido de haver um planejamento da qualidade a fim de impedir falhas e garantir a

uniformidade e conformidade do produto final. Empresas que, por exemplo, implantaram um

sistema de gestão da qualidade baseado nas normas da série ISO 9000, encontram se,

provavelmente, nessa fase evolutiva em relação a qualidade (Mello et. al, 2009).

Diversos debates rodeavam o real significado da qualidade e qual era o nível

suficiente para alcançá-la, principalmente pelo fato de não existirem estudos estimando

quanto aos custos que implicavam sua implementação nas empresas. Nesse contexto

Joseph M. Juran, em 1951, publica o Quality Control Handbook que se tornou referência no

tema, pois a obra apresenta elementos de investimento para se ter qualidade, levando em

consideração o início do projeto até a fase final do ciclo de vida de um produto, abrangendo

assistência, perdas, descarte, retrabalho, refugo e devoluções (MORAES; JUNIOR, 2012).

Também na década de 1950 Deming e Juran (estatísticos especialistas em

qualidade), discípulos de Walter A. Shewhart que desenvolveu o Gráfico de Controle de

Processo, foram convidados para capacitar líderes industriais japoneses. O objetivo era

ajudar a reconstrução industrial do país após a 2ª guerra mundial, e essa contribuição foi

muito expressiva em todo Japão. Em 1954 Juran, ainda no Japão, introduziu uma nova era

no controle de qualidade tirando o foco apenas dos aspectos tecnológicos das fábricas para

uma preocupação global e holística, abarcando toda a organização e todos os aspectos de

seu gerenciamento (MAXIMIANO, 2000).

Na era de Gestão da Qualidade Total de acordo com Campos (1992),

[...] o controle da qualidade total é um novo modelo gerencial centrado no

controle do processo, tendo como meta à satisfação das necessidades das

pessoas. O objetivo mais importante deste “controle” é garantir a qualidade

do “seu produto” (seja ele qual for) para o seu cliente externo ou interno.

16

Para Campos (2004), Qualidade Total são todas aquelas dimensões que afetam a

satisfação das necessidades dos consumidores e, por conseqüência a sobrevivência da

organização. Os modelos e processos intimamente ligados a gestão da qualidade total

permitem o contínuo e incessante aprimoramento das empresas, que a todo o momento são

impelidas a alterar seus procedimentos e sistemáticas na tentativa de atingir maiores níveis

de competitividade de mercado. Para Deming (apud CAMPOS, 2004) é fato bem conhecido

por uma seleta minoria que “a produtividade é aumentada pela melhoria da qualidade”.

A existência de colaboradores qualificados para produzir qualidade, treinados e

capacitados para realizar suas funções da melhor maneira possível é o real controle de

Qualidade Total, Campos (1992) diz que a principal meta de uma organização pode ser

atingida pela prática do Controle da Qualidade Total, por ter as seguintes características

básicas:

• Orientação pelo cliente;

• Qualidade em primeiro lugar;

• Ação orientada por prioridades;

• Controle de processos;

• Respeito pelo empregado como ser humano;

• Comprometimento da alta direção.

2.2 Ferramentas da Qualidade

Ferramentas da Qualidade são técnicas que são utilizadas para definir, mensurar,

analisar e propor soluções para problemas que ocorrem e interferem no desempenho dos

processos de trabalho (LINS, 1993).

Estas ferramentas foram estruturadas com base nos conceitos e práticas existentes

na década de 50 e, após isso, estas tem se mostrado muito importantes para os sistemas de

gestão, sendo um conjunto de ferramentas estatísticas úteis para a melhoria dos processos,

produtos e serviços.

As ferramentas básicas são a essência da engenharia da qualidade. O seu uso pode

representar, entre outros aspectos, um ponto inicial para a melhoria no ambiente de trabalho

e para a redução de custos operacionais, além de auxiliar o profissional na análise de

solução de problemas.

As ferramentas básicas da Qualidade se dividem em:

17

• Fluxograma;

• Folha de Verificação;

• Gráfico de Pareto;

• Diagrama de Causa e Efeito;

• Gráfico de Tendências

• Histograma;

• Carta de Controle;

• Gráfico de Dispersão

2.2.1 Fluxograma

O Fluxograma tem como objetivo identificar o caminho real e ideal para um produto

ou serviço para identificar os desvios. É uma ilustração seqüencial de todas as etapas de

um processo, mostrando como cada uma é relacionada. Utiliza símbolos facilmente

reconhecidos para demonstrar os diferentes tipos de operações em um processo, ver

exemplo na figura 2. (RODRIGUES, 2010).

18

,

2.2.2 Folha de Verificação

A folha de verificação é um quadro para o lançamento do número de acontecimentos

de um determinado evento. A sua aplicação está relacionada com a observação de

fenômenos. Observa-se a quantidade de ocorrências de um problema ou de um evento e

anota-se na folha a sua freqüência (LINS, 1993).

Figura 2 – Fluxograma

Fonte: Pinho; Leal; Montevechi; Almeida (2007).

19

2.2.3 Gráfico de Pareto

O Diagrama de Pareto tem como objetivo mostrar o quão importante são as

condições, a fim de: escolher o ponto de início para solução do problema; identificar qual a

causa básica do problema e monitorar o sucesso. Vilfredo Pareto foi um economista italiano

que descobriu que a riqueza não era distribuída de maneira uniforme. Ele formulou que

aproximadamente 20% da população detinham 80% da riqueza criando uma condição de

distribuição desigual. Os Diagramas de Pareto podem ser usados para identificar o

problema mais importante através do uso de diferentes critérios de medição, como

frequência ou custo, ver exemplo na figura 3 (GROVE, 1996).

Figura 3 – Gráfico de Pareto

Fonte: Mothé; Correa; Castro; Caetano (2005)

20

2.2.4 Diagrama de causa e efeito

O Diagrama de causa e efeito ou espinha de peixe tem como finalidade analisar e

indicar todas as possíveis causas de uma condição estabelecida ou um problema

específico. Este diagrama foi criado para representar a relação entre o efeito e todas as

possibilidades de causa que podem contribuir para esse efeito. Conhecido também como

Diagrama de Ishikawa, foi desenvolvido por Kaoru Ishikawa, da Universidade de Tóquio, em

1943, onde foi utilizado para demonstrar para o grupo de engenheiros da Kawasaki Steel

Works como vários fatores podem ser ordenados e relacionados, ver exemplo na figura 4

(RODRIGUES, 2010).

2.2.5 Gráfico de Tendência

É um gráfico em coordenadas cartesianas, que descreve o comportamento de uma

variável ao longo do tempo ou em função de outra variável de referência. A sua aplicação é

a identificação de tendências de comportamento, favorecendo a identificação de eventos ou

o entendimento do problema em estudo (LINS, 1993).

Figura 4 – Diagrama de Ishikawa

Fonte: Soares; Koscianki (2005)

21

2.2.6 Histograma

É um gráfico de barras verticais que apresenta valores de uma determinada

característica, agrupados por faixas. É adequado para identificar o comportamento típico de

uma característica. Um histograma demonstra o valor central de uma característica

produzida pelo seu processo, a forma e o tamanho da dispersão nos dois lados deste valor

central. A forma e o tamanho da dispersão facilita a identificação de outra forma de fontes

ocultas de variação. Os dados utilizados para construir um histograma podem ser usados

para determinar a capacidade de um processo de produzir uma saída que sempre fique

dentro dos limites de especificação, ver exemplo na figura 5. (GROVE, 1996).

2.2.7 Cartas de Controle

Para um processo ser colocado sob controle, é necessário analisar todos os desvios

significativos de comportamento que venham a ocorrer ao mesmo tempo, descobrir suas

Figura 5 – Histograma

Fonte: Silva, Guimarães; Tavares (2003)

22

causas e resolvê-las sempre que possível. Com a Carta de Controle é possível observar o

comportamento do processo e documentar a sua variabilidade. Sabendo o instante em que

um certo desvio foi identificado, é possível utilizar as demais ferramentas para estudar as

suas causas e corrigí-las, utilizando o Controle Estatístico de Processos (CEP), ver exemplo

da figura 6 (LINS, 1993).

2.2.8 Gráficos de Dispersão

Possibilita a visualização da correlação entre duas grandezas. A correlação poderá:

• Inexistir;

• Caracterizar-se como uma correlação linear (ao longo de uma reta);

• Caracterizar-se como uma correlação não linear (ao longo de uma curva);

• Caracterizar outras distribuições (LINS, 1993).

2.2.9 Ferramentas da Qualidade na Indústria Automot iva

Existem ferramentas da qualidade utilizadas nas indústrias baseadas em normas, tal

como a ISO TS 16949 que é uma norma automotiva para Gestão Integrada da Qualidade.

Dentro destas ferramentas específicas, chamadas quality tools, pode-se observar as

Figura 6 – Carta de Controle

Fonte: Milan; Fernandes (2002)

23

seguintes ferramentas da qualidade voltadas para controles e estudos estatísticos dos

processos de fabricação:

2.2.9.1 MSA (Measurement Systems Analysis)

Segundo o Manual de MSA da ISO TS: 16949 (2010), Sistema de Medição é um

conjunto de operações, procedimentos, meios de medição e outros equipamentos, software

e mão de obra usados para atribuir um número à característica a ser medida, ou seja, todos

os fatores do processo usados para obter as medidas.

A Análise do Sistema de Medição consiste em um estudo que serve para avaliar se o

sistema de medição de uma determinada característica pode prover uma medida confiável.

Para avaliar os fatores que influenciam no sistema de medição, faz-se necessário o uso do

diagrama de Ishikawa. Estes fatores são importantes para indicar quais passos deverão ser

seguidos para a execução do estudo.

Segundo Silva (2002), apesar das diferenças que são possíveis, existem algumas

propriedades estatísticas que todos os sistemas devem ter:

• O sistema de medição deve estar sob controle estatístico de processo, o que

significa que a variação no sistema é resultante somente à causas comuns e não

à causas especiais;

• A variabilidade do sistema de medição deve ser pequena se comparada com a

variabilidade do processo de fabricação;

• A variabilidade do sistema de medição deve ser pequena quando comparada

com os limites de especificação;

• Os incrementos de medida devem ser pequenos em relação ao que for menor

entre a variabilidade do processo ou os limites de especificação.

O controle das variações dos resultados das medições é utilizado para estabelecer

as médias e desvios, acompanhamento da estabilidade no decorrer do tempo,

estabelecimento de previsibilidade e obtenção de coerência. O planejamento e

gerenciamento adequados do sistema de medição têm por finalidade, portanto, proporcionar

economia com os recursos de inspeção (instrumentos, dispositivos de controle, entre outros)

e até mesmo com o intervalo das inspeções.

Dentro do MSA, um dos principais fatores que influenciam o sistema de medição são

os próprios instrumentos. Com isto, é necessário que os instrumentos utilizados estejam

garantindo as medidas indicadas por eles. Para garantir as medidas indicadas pelos

24

instrumentos de medição, é realizada a calibração destes instrumentos. A calibração

consiste em um conjunto de operações que estabelece a relação entre os valores indicados

por um instrumento de medição e os valores das grandezas estabelecidos por padrões de

referência. Basicamente, calibração é a comparação do valor indicado pelo instrumento de

medição com um padrão de referência. A calibração dos instrumentos de medição é

necessária para atender normas da qualidade tais como ISO 9000 e ISO TS 16949

(KOBAYOSHI, 2012).

Segundo o Manual do MSA – 4º Edição, no MSA existe um método para estimar a

variabilidade do sistema de medição. Esta variabilidade é decomposta em:

• Repetitividade: variação das medidas encontradas por apenas um operador,

utilizando o mesmo instrumento de medição e método, ao medir diversas vezes uma

mesma grandeza da mesma peça (corpo de prova).

• Reprodutibilidade: variação das médias obtidas por mais de um operador utilizando o

mesmo instrumento de medição para medir diversas vezes uma mesma grandeza da

mesma peça (corpo de prova).

• R&R: é a soma das variações devido à falta de Repetitividade e Reprodutibilidade.

Uma vez que a soma das variações (R&R) é um valor estimado em porcentagem,

para um sistema de medição cujo propósito é analisar um processo, os critérios para análise

de aceitação do sistema de medição são definidos conforme tabela 1.

Tabela 1 – Critério de aceitação R&R

RR Decisão Comentários

Abaixo

de 10%

Sistema de

medição

geralmente

considerado

aceitável

Recomendável, especialmente útil quando tentamos ordenar ou

classificar peças ou quando for requerido um controle apertado do

processo.

Entre

10% e

30%

Poder ser

aceito para

algumas

aplicações

A decisão deve ser baseada primeiro, por exemplo, na importância

da aplicação da medição, custo do dispositivo de medição, custo do

retrabalho ou reparo. O sistema de medição deve ser aprovado pelo

cliente.

Acima

de 30%

Considerado

inaceitável

Todos os esforços devem ser tomados para melhorar o sistema de

medição. Esta condição pode ser resolvida pelo uso de uma

estratégia apropriada para a medição; por exemplo, utilizar a média

de diversas medições da mesma característica da mesma peça a

fim de reduzir a variabilidade da medida final.

Fonte: Portal Action – Estatcamp (2010)

25

2.2.9.2 CEP (Controle Estatístico do Processo)

O Controle Estatístico de Processo (CEP) pode ser descrito como um conjunto de

ferramentas para monitoramento on-line da qualidade. Com tais ferramentas, é possível

conseguir uma descrição com detalhes do comportamento do processo, identificando a

variabilidade e possibilitando o controle ao longo do tempo, por meio da coleta continuada

de dados e também da análise e bloqueio de possíveis causas especiais, que são

responsáveis pelas instabilidades dos processos. O Controle Estatístico de Processo

abrange a coleta, a análise e a interpretação de dados com a finalidade de resolver um

problema específico (PARANTHAMAN, 1990).

Logo, Controle Estatístico de Processo é uma técnica utilizada para processos de

produção, para auxiliar a detecção de problemas na manufatura de um produto, com o

intuito de diminuir desperdícios e retrabalhos, assim como aumentar a produtividade. O

aumento da produtividade é visado, em geral, por meio da padronização da produção, ou

seja, através da minimização das variações nas especificações dos produtos com operação

de modo estável.

Assim, a Estatística fornece subsídios da maneira a se coletar os dados e formalizar

um padrão a ser utilizado durante o acompanhamento do processo, permitindo que o este

seja capaz de apresentar repetitividade e capaz de operar com pouca variabilidade ao redor

da meta (parâmetro, medida padrão a ser perseguida, objetivada, alcançada).

O CEP é usado para monitorar e controlar a qualidade dos processos utilizando

como base a estatística para averiguação dos dados. Através destes dados, provenientes

dos processos, é possível utilizar gráficos estatísticos para verificar o comportamento dos

processos e utilizar estas informações para tomada de ações e decisões.

A principal idéia do CEP é aprimorar os processos de produção com menos

variabilidade proporcionando níveis melhores de qualidade nos resultados da manufatura. É

muito comum nas empresas que processos industriais não sejam otimizados, no sentido de

serem caracterizados por altos níveis de eficiência, todavia, dentro do CEP existem

ferramentas para monitorar o processo e, portanto, melhorá-lo. (PALADINI, 2002;

CARVALHO & PALADINI, 2005).

A eficácia da utilização do CEP tem base no seguinte conceito: se um processo

acontece sob condições conhecidas e estas são cuidadosamente mantidas, este processo

estará exposto apenas aos efeitos de Causas Comuns - que definem a posição e a

dispersão do processo, configurando-se por uma Distribuição Normal. Assim, sendo um

processo conhecido, é possível prever toda sua ocorrência (PINTON, 1997).

26

2.2.9.3 FMEA (Failure Mode and Effect Analysis)

Stamatis (2003) define FMEA (Failure Mode and Effect Analysis) como um método

de análise de produtos ou processos usado para identificar todos os possíveis modos

potenciais de falha e determinar o efeito de cada um sobre o desempenho do sistema

(produto ou processo), mediante um raciocínio basicamente dedutivo (não exige cálculos

sofisticados), confirmado por Zuffoletti (1997). É portanto, um método analítico padronizado

para detectar e eliminar problemas potenciais de forma sistemática e completa.

Basicamente é tido como um grupo sistemático de atividades, comprometidos com:

1. Reconhecer e avaliar o potencial de falha de um produto/processo e seus efeitos;

2. Identificar ações que podem eliminar ou reduzir as chances de uma falha potencial

ocorrer;

3. Documentar o processo.

O FMEA utiliza um formulário que serve como um roteiro para sua elaboração e uma

maneira de dispor e organizar os dados obtidos. A definição de cliente abordada pelo FMEA,

não é simplesmente o usuário final, mas toda a cadeia produtiva (desenvolvimento,

produção, vendas e logística). O FMEA é um documento vivo, sendo sempre atualizado com

as mudanças ocorridas ou com informações adicionais obtidas pela equipe que o

desenvolve.

2.2.9.4 Os 5 Porquês

A ferramenta 5 porquês é utilizada para encontrar a causa raiz de um problema com

base em um sequenciamento de perguntas (porquês), uma vez que um fator em potencial é

identificado para gerar o problema. Os 5 porquês consistem basicamente em uma

sequência de porquês no qual o primeiro porquê deve ser a resposta de porquê o fator em

potencial identificado previamente ocorreu e/ou existe, e a partir disso, os porquê

subsequentes devem seguir um entendimento sobre o porquê anterior, com detalhes

específicos e evidências que comprovem a veracidade das respostas de cada um. O último

porque deve resultar na causa raiz do problema (AOUDIA; TESTA, 2011).

27

2.2.9.5 5W2H

Segundo Aoudia & Testa (2011), a ferramenta 5W2H é utilizada para caracterizar um

problema, porém pode ser usada em outras aplicações. Esta ferramenta permite construir

uma base de informações simples, porém essenciais para identificar e caracterizar um

problema.

Através das respostas para as seguintes perguntas, o problema pode ser caracterizado:

• What (happend): Descrição do problema com informações claras e precisas

• When (was it detected): Tem como objetivo identificar o exato momento em que o

problema ocorreu e quando foi detectado.

• Where (was this detected): Local onde foi detectado, com detalhes de uma visão

macro do lugar até o local específico.

• Who (detected it): Quem e/ou o que detectou o problema.

• How (was this detected): A condição em que estava o problema e os meios utilizados

para detectar o problema.

• How many: Quantidade do problema (se for possível quantificar).

2.3 SEIS SIGMA

Na metade da década de 70 ocorreu uma crise dos combustíveis que acabou por ser

um precursor de algumas mudanças de conceito. A crise se deu devido aos americanos

necessitarem cada vez mais de veículos, ainda mais com o movimento feminista da época

que transformou radicalmente o conceito de lar e o numero de mulheres que trabalhavam

fora aumentava cada vez mais. O consumo de automóveis aumentou e conseqüentemente

o de combustíveis, porém os veículos norte americanos vorazes no consumo de

combustível foram perdendo espaço para os veículos importados, naquela ocasião os

japoneses, que eram muito mais econômicos em relação ao norte americano. Com o

aumento da utilização dos veículos japoneses, percebeu-se que não apenas eram mais

econômicos como também eram mais duráveis e confiáveis. Com isso vemos que houve

realmente uma mudança de percepção da qualidade dos produtos e serviços norte-

americanos e japoneses (ECKES, 2001).

Devido a crise de qualidade dos produtos americanos e o aumento da participação

dos produtos japoneses no mercado, o Departamento de Comercio Americano editou uma

28

medida para as empresas americanas anunciando a necessidade dos EUA irem além em

questão de qualidade em relação aos concorrentes japoneses. Diversas empresas

americanas foram até o Japão para analisar seus processos e métodos que levavam a uma

produtividade tão elevada e de qualidade, e o mercado norte-americano percebe alguns

detalhes que os diferenciam. Notaram diferenças nas práticas de inspeção que as empresas

americanas tinham como prática para a qualidade dos produtos fabricados que eram

realizadas somente ao final do processo de produção, já as empresas nipônicas possuíam

abordagens e atitudes diferentes em relação à qualidade, visando aprimorar os processos

de fabricação continuamente.

Durante toda a década de 80 houveram muitas tentativas de mudança no conceito

de qualidade nos EUA e apesar dos esforços bem intencionados, nada foi sustentável o

suficiente para se manter e dar resultados palpáveis. Os conceitos ensinados por W.

Edwards Deming aos japoneses e ferramentas como o Controle Estatístico do Processo,

eram cada vez mais usados e até divulgados pela mídia nacional, porém ainda sem grandes

resultados. Um movimento nacional americano em prol da qualidade surgiu afim de

incentivar as empresas a buscarem ferramentas e metodologias que possam melhorar seus

processo e produtos em busca de maior qualidade, e conseqüentemente a alavancarem

novamente o cenário econômico do país, e em troca existiam algumas premiações. Nada

disso foi suficiente para alavancar a qualidade dos produtos e processos norte-americanos.

Durante estudos sobre o conceito de variação de processo de Deming, o engenheiro

e estatístico Mikel Harry da empresa Motorola, percebeu que as variações dos processos,

obviamente quando medidas estatisticamente, significavam o desvio-padrão da média, e

representadas pela letra grega sigma, e já com o apoio do presidente da empresa Bob

Galvin, definiram uma meta de Seis Sigma em todas suas ações, o que representa “3,4

defeitos (algo que não atende à expectativa do cliente) por milhões de oportunidades –

praticamente, a perfeição” segundo Eckes (2001 p.20).

Depoimento de B. Galvin mostra o momento da concepção da metodologia seis

sigma:

“Muito antes de pensarmos no Seis Sigma, fizemos uma reunião

de executivos. Nessa ocasião Art Sundy, diretor da área de rádios

bidirecionais, declarou: ‘Nossa qualidade é nojenta’. Tínhamos 85% do

market share mundial e estávamos conseguindo um crescimento de dois

dígitos. A despeito disso, todos nós diretores levamos Sundy a sério.

Rapidamente percebemos que, se conseguíssemos controlar a variação

na produção, poderíamos fazer funcionar todas as peças e processos, e

alcançar um resultado final de 3,4 defeitos por milhão de oportunidades,

ou seja, um nível Seis Sigma. Nosso pessoal cunhou o termo e ele

‘pegou’. Era prático, pois as pessoas entendiam que, quando se

29

consegue controlar a variação, é possível obter resultados notáveis.”

(MANAGEMENT, 2006).

Pouco tempo depois outras empresas começaram a adotar esse conceito Seis

Sigma e obtiveram resultados notáveis, onde se destacou a empresa General Electric com

resultados impressionantes e que segundo Eckes (2001 p.21) “está ajudando a empresa a

conquistar uma posição como uma das corporações mais bem-sucedidas da historia”.

Focado no uso de técnicas estatísticas e com uma abordagem rigorosa, o seis sigma

visa entender as falhas no desempenho da produção para transformá-las em melhorias,

aperfeiçoando assim esses processos falhos. A maior meta do seis sigma é atingir uma

performance de classe mundial com foco nas necessidades dos clientes e na eliminação

das falhas (ECKES, 2001).

Com o auxilio de poderosas técnicas e ferramentas estatísticas o seis sigma foca em

reduzir os desperdícios através na diminuição da variabilidade dos processos. O conceito do

seis sigma busca a eliminação dos erros ou falhas, com o anseio de atingir 3,4 falhas em um

milhão de peças produzidas, ou seja, um desempenho de 99,9997% de eficiência.

(CORONADO e ANTONY, 2002).

Não só para melhoras de desempenho fabril ou para a satisfação do cliente em

receber menos peças defeituosas serve o seis sigma, segundo Coronado e Antony (2001)

em termos de negocio serve como uma estratégia de melhoria, pois com as reduções de

desperdícios e diminuição dos custos de qualidade se consegue aumentar as margens de

lucro da empresa e se vê uma melhora da eficiência e eficácia dos processos e operações

num geral. O seis sigma pode ser considerado como um programa que utiliza ferramentas

estatísticas para diminuir a variabilidade dos processos, diminuindo as falhas, mas além de

tudo isso serve para mudança do valor cultural da empresa, como uma filosofia de trabalho

intolerante a defeitos.

A analise da variação dos processos e a meta de seis sigma não foram as únicas

que permitiram realmente a redução da variação, melhoria dos processos e altos lucro, isso

tudo se derivou da metodologia do processo de melhoria, denominado, DMAIC (sigla do

inglês Define, Measure, Analyze, Improve e Control). Assim começou a ser usado o conceito

Seis Sigma, que em poucos anos se disseminou por todo o mundo devido tantos casos de

sucesso da aplicação da metodologia. (SANTOS; MARTINS, 2003)

O DMAIC é uma metodologia de resolução de problemas estruturada e amplamente

utilizada no mundo dos negócios de acordo com George et al. (2005), encoraja o

pensamento criativo e foi desenvolvido afim de reduzir os defeitos, encontrando suas causas

raízes e eliminando-as melhorando assim os processos. As letras DMAIC são uma sigla

para as cinco fases de melhoria do seis sigma, e se comportam em forma de ciclo, assim

30

como o ciclo PDCA, sendo a primeira fase Definir, a segunda Medir, a terceira Analisar, a

quarta Melhorar e a quinta Controlar, conforme figura 7.

Para Sheehy et al. (2002) cada projeto seis sigma deve completar as cinco fases em

ordem cronológica, definindo-as da seguinte maneira:

Definir: nessa fase as necessidades do cliente são apresentadas e os processos e

produtos a serem melhorados são identificados. Cria-se uma declaração do problema,

definindo o processo a ser melhorado, definindo os objetivos do projeto, identificando os

stakeholders (partes interessadas), identificando as necessidades dos clientes e definindo

os padrões de performance.

Medir: na segunda fase se determina o ponto de partida, também chamado de

baseline do projeto, a meta de desempenho do processo, define se as variáveis de entrada

e saída do processo e valida os sistemas de medição. É realizado o entendimento do

processo, validado o sistema de medição, determinado a capabilidade do processo e

finalizado os objetivos de performance.

Analisar: durante a fase de análise usam-se os dados para estabelecer as entradas

dos processos-chave que afetam as saídas do processo que esta sendo analisado. Neste

momento são identificadas as fontes de variação através de um mapa detalhado do

processo, brainstorming, diagrama de espinha de peixe, matriz de causa e efeito, FMEA,

CEP e MSA, além das causas potenciais por meio de análises gráficas, testes de hipóteses,

análise multi-vari e análise de correlação e regressão.

Figura 7 – Metodologia DMAIC Fonte: Autoria própria

DEFINIR

CONTROLAR

MELHORAR ANALISAR

MEDI

DEFINIR

CONTROLAR

MELHORAR ANALISAR

MEDIR

31

Melhorar: durante esta quarta fase são identificadas as melhorias para otimizar os

resultados e eliminar ou reduzir os defeitos e as variações. É identificado o x e se determina

a y=f(x) relacionando e validando estatisticamente as condições de operação do novo

processo. É determinada a relação da variação da y=f(x) através dos métodos de

experimentos planejados, análise de regressão ou ANOVA, são estabelecidas as tolerâncias

operacionais e confirmado os resultados, e com isso as melhorias são validadas.

Controlar: a ultima fase é documentada, monitorada e as responsabilidades são

atribuídas afim de sustentar os ganhos obtidos com as melhorias no processo. São

redefinidas as capabilidades do processo com a análise de capacidade e plano de controle

CEP, é realizado o controle do processo de melhoria e é completada a documentação do

projeto com a validação financeira, identificação de oportunidades de replicação dos

resultados do projeto em outros processos, é realizado o acompanhamento da conclusão do

projeto e uma reunião com o time, os stakeholders e clientes.

Como figuras fundamentais do seis sigma, os Champions, os Black Belts, os Green

Belts e os Master Black Belts, tem papel importante na organização para o desenvolvimento

dos projetos (HARRY e SCHROEDER, 2000).

Os champions são os líderes de nível executivo, selecionados para garantir que o

seis sigma esteja integrado à organização, é uma pessoa dedicada à gestão do seis sigma

no cotidiano, muitas vezes também chamado de líder do seis sigma (ou no inglês six sigma

leader).

Com alusão as artes marciais, os Black Belts ou faixas preta são os colaboradores

que trabalham aplicando os conceitos e as ferramentas do seis sigma em projetos de

grande porte, e sua formação depende de um treinamento intensivo em estatística e em

técnicas para solução de problemas. Eles normalmente atuam identificando em diferentes

processos, oportunidades a serem exploradas por meio de projetos.

Da mesma maneira que os Black Belts, os Green Belts ou faixas verde são

colaboradores em diferentes partes da organização que aplicam o seis sigma no seu dia-a-

dia, e sua formação envolve um treinamento um pouco menos intensivo que o dos Black

Belts, mesmo assim são líderes de projetos.

Já os Master Black Belts são indivíduos selecionados pela empresa para atuarem

como especialistas nos conceitos e ferramentas do seis sigma, coordenando a seleção de

projetos e treinamentos. Desempenham o papel de treinadores ou de consultor interno para

os projetos e dão suporte técnico a todos os envolvidos nos projetos quando necessário.

A letra Sigma (grafia do grego σ) para Campos (1999) é utilizada na estatística como

sendo uma medida de variação em torno da média de uma tolerância. Empresas com nível

de qualidade seis sigma podem ter apenas 3,4 defeitos em um milhão de peças produzidas,

e custos da não qualidade inferiores a 10% das vendas conforme tabela 2.

32

Tabela 2 – Escala da Qualidade Nível Sigma Defeitos por milhão Custo da não qualidade

6 3,4 Menos de 10% das vendas

5 233 10%-15% das vendas

4 6.210 15%-20% das vendas

3 66.807 20%-30% das vendas

2 308.537 30%-40% das vendas

1 690.000 -

Fonte: Adaptado da Revista EXAME, CAMPOS (1999).

Estatisticamente falando, de acordo com Behara et al. (1995), seis sigma (6σ)

expressa a ocorrência de 6 desvios-padrão entre a média e os limites de especificação

inferior (LIE) e superior (LSE). Um processo de nível seis sigma é quando podem ser

encontrados entre a média de uma distribuição e os limites estabelecidos pelo cliente

(limites de especificação) seis desvios-padrão, neste caso o processo apresentará somente

3,4 defeitos em um milhão de oportunidades, veja exemplo gráfico na figura 8.

DPMO ou defeito por milhão de oportunidade, segundo Sheehy et al. (2002) ajuda na

determinação da capacidade de um processo, além de permitir o cálculo de capacidade em

uma ou mais oportunidades, e se necessário até mesmo para toda a organização. O DPMO

nos mostra um valor que é dado pela soma da quantidade de defeitos divido pela soma do

total de oportunidades do defeito o ocorrer (ou seja, por exemplo, a quantidade total de

Figura 8 – Significado gráfico do Seis Sigma Fonte: Flemming (2008).

33

peças que foram produzidas, e que corriam o risco de sair com algum defeito), multiplicando

esse quociente por um milhão, mesmo conceito de calculo do PPM.

A capabilidade de um processo refere-se à capacidade que esse processo tem para

fazer constantemente um produto que atenda as especificações do cliente. Os índices de

capabilidade do processo medem o quanto a variação natural de um processo está em

relação aos seus limites de especificação, e são construídos com o objetivo de expressar a

capacidade mais desejada, com valores cada vez mais elevados, pois valores próximos ou

abaixo de zero indicam processos operando fora do alvo ou com alta variação (SHEEHY et

al., 2002).

A capabilidade do processo é vista através do Cp, Cpk, Pp e Ppk. O Cp e Cpk são

indicadores de curto prazo, dados pelo desvio padrão combinado, já o Pp e Ppk são índices

de longo prazo, dados pelo desvio padrão a longo prazo, tanto Cp e Pp, e Cpk e Ppk são

calculados da mesma maneira, tendo somente a extensão de curto ou longo prazo os

diferindo, conforme figura 9.

34

O Cp e Pp mostram a capabilidade do processo, ou seja a capacidade do processo

de produzir peças conforme uma especificação de engenharia ou cliente, e é um indicador

simples e direto desta capacidade do processo. O Cpk e Ppk são índices de capacidade do

processo, mostram a acomodação de Cp e/ou Pp para o efeito da distribuição não-centrada.

Exemplificando, o Cpk ou Ppk mede o quão perto você está do seu alvo e como você é

coerente em torno de sua performance média. Uma pessoa pode apresentar com uma

variação mínima, mas ele pode estar longe do seu alvo no sentido de um limite de

especificação, o que indica um menor Cpk ou Ppk, enquanto Cp ou Pp será elevado. Por

Figura 9 – Índices de Capabilidade (Equações dos cálculos: Cp, Cpk, Pp e Ppk)

Fonte: Adaptado de Sheehy et al. (2002).

35

outro lado, uma pessoa pode ser, em média, exatamente no alvo, mas a variação no

desempenho é elevada, mesmo assim ainda menor do que o intervalo de tolerância, ou

seja, o intervalo de especificação. Neste caso também Cpk ou Ppk será menor, mas Cp ou

Pp ser elevado. Cpk ou Ppk será maior somente quando o agrupamento sob o alvo está de

forma consistente com variação mínima (ver figura 10, interpretando estatisticamente o alvo

seria o limite de especificação do cliente ou engenharia e as tentativas de acerto ao alvo as

peças produzidas em um processo).

Outra ferramenta usual do seis sigma, é o Teste de hipótese. Segundo George et al.

(2005), o teste de hipóteses ajuda a determinar se realizarmos uma mudança na entrada do

processo alterará significativamente a saída deste processo, estatisticamente se conclui se

duas coisas são iguais ou se existem diferenças significativas nos processos. Com isso

podemos saber se o processo realmente teve uma mudança significativa ou se a mudança,

após as melhorias do projeto seis sigma, por exemplo, são apenas variações normais do

processo, ver exemplo da figura 11.

Figura 10 – Exemplo figurativo da Capabilidade de Processo

Fonte: Autoria própria

Processo centrado, porémdeslocado do objetivo

Processo dentro dosLimites de especificação,

porém disperso

Cenário desejado ou ideal:Processo dentro dos limitesde especificação e centrado

Cp altoCpk baixo

Cp baixoCpk alto

Cp altoCpk alto

Processo centrado, porémdeslocado do objetivo

Processo dentro dosLimites de especificação,

porém disperso

Cenário desejado ou ideal:Processo dentro dos limitesde especificação e centrado

Cp altoCpk baixo

Cp baixoCpk alto

Cp altoCpk alto

36

Para Sheehy et al. (2002) existe uma proporção que é convertida em uma probabilidade,

chamada de P-valor (ou P-valeu em inglês), que é comparado com os critérios de decisão, o

risco alfa. Por esse índice se pode analisar se um processo teve mudanças significativas ou

não. Infelizmente, uma decisão de uma hipótese nunca pode ser definida de forma

conclusiva como a decisão correta, pois todo o teste de hipótese apenas mostra qual é

mínimo risco de tomar uma decisão errada. De maneira interpretativa, quanto menor o

índice P-valor, mais evidente é a mudança de um patamar ou condição.

2.4 RTY (ROLLED THROUGHPUT YIELD)

Segundo Court (2002), RTY estima a probabilidade que uma unidade, serviço ou

produto físico, têm de passar por um processo livre de defeito. Está relativamente

relacionado a refugo, retrabalho, garantia e satisfação do cliente. Então, basicamente RTY é

a probabilidade de um processo produzir uma unidade sem defeitos. Trata-se do produto de

9

1

Range de Variação Normal do Processo

6

3


Real melhora de um Processo

Depois

Antes

Esta área não é uma melhora real do processo, é apenas parte de sua variação normal do processo

9

1


6

3


Real melhora de um Processo

Depois

Antes

Esta área não é uma melhora real do processo, é apenas parte de sua variação normal do processo

Figura 11 - Exemplo de Melhora Real de um Processo.

Fonte: Autoria própria.

37

rendimentos para cada passo do processo de todo o processo. Para qualquer processo, o

ideal é que o processo produza o seu produto sem defeitos e sem retrabalho.

A equação para cálculo do RTY é indicada na figura 12.

2.5 POKA YOKES

Os poka-yokes ou também conhecidos como dispositivos a prova de erros foram

concebidos por Shingo (1986). Este acreditava em mecanismos de controle de qualidade de

baixo custo. Shingo (1986) identificou que basicamente, três técnicas de inspeção

conduziam o controle de produtos: inspeção por julgamento, inspeção normativa e inspeção

na fonte. A inspeção por julgamento não permite que produtos defeituosos sejam entregues

aos clientes, porém não elimina completamente os defeitos. Na inspeção normativa há uma

investigação a respeito da origem dos defeitos, mas estes continuam até que a causa raiz

seja encontrada e os defeitos corrigidos. A inspeção na fonte atua nos erros ao longo do

processo evitando, assim, que estes erros se transformem em defeitos nos produtos.

(SHINGO, 1986). Assim, a inspeção na fonte é importante para evitar os defeitos; os poka-

yokes atuam com inspeção na fonte, não permitindo que se desenvolvam produtos ou

serviços com defeitos. Rodrigues (2010) ressalta que os poka-yokes são apresentados de

diversas formas, mas que os mais comuns são constituídos por sensores ou interruptores

que apontam atividade incorreta, gabaritos instalados em máquinas, contadores digitais para

verificar o número de atividades e até mesmo alguns simples checklists. A utilização dos

poka-yokes contribui para a diminuição da taxa de retrabalho e melhora dos processos

produtivos.

Figura 12, Equação do RTY

Fonte: Court (2002)

38

2.6 MINITAB

Segundo o manual do Minitab (2003), é uma ferramenta do Six Sigma, empregado

em todas as fases dos projetos. Trata-se de um software de gerenciamento de processos e

estatística com muitos recursos, capaz de calcular e gerar gráficos estatísticos e testes de

hipótese para validar amostras e processos com base em analise de amostragem.

39

3 METODOLOGIA

3.1 CONTRATO DE PROJETO

A constatação de um problema dentro de uma empresa Multinacional Automotiva seja

ela qual for requer pouco mais que apenas a percepção pessoal de um indivíduo, no caso, o

profissional da Engenharia de Produção. Isso se deve ao fato de os recursos serem

limitados e o nível de expectativa e produtividade ser elevado, o que nos leva a diferentes

metodologias de priorização de um problema, baseado em seu efeito para o cliente final

e/ou organização.

Para não haver desalinhamento entre os objetivos da organização e os objetivos

individuais de cada profissional, antes do início de qualquer investigação de problema cria-

se um Contrato de Projeto (Project Charter). O contrato de projeto é normalmente assinado

pelas figuras do líder do projeto, de seu líder imediato, de um mentor – que o guiará no

restante do projeto – e dos membros da equipe que irão participar.

O contrato do projeto inicia-se na aplicação da ferramenta 5W2H (5 Whys 2 hows). Ela

consiste em responder as seguintes perguntas:

Qual é o problema?

Por que isto é um problema?

Onde este problema foi detectado?

Quem detectou?

Quando foi detectado?

Como foi detectado este problema?

Quanto?

Com base nessas informações, é possível formular o contrato e estimar um objetivo

para o projeto. Uma vez finalizado o contrato de projeto, o mesmo é assinado e aprovado

pela alta liderança, juntamente com a aprovação de possíveis recursos necessários para

execução do projeto. Segue-se, então, para as etapas de solução de problema seguindo a

metodologia DMAIC.

40

3.2 DEFINIR (D)

A primeira etapa do processo DMAIC consiste no D, de Definir. Inicialmente, é

necessário definir um escopo para o projeto. Uma vez que o contrato de projeto está

finalizado e aprovado, parte-se para o escopo técnico do projeto. Isso inclui o verdadeiro

alvo do projeto e não o resultado, que deve ser tratado como conseqüência. Diz-se que

temos a função de um projeto dada por:

F(Resultado final) = (Resultado parcial 1 + Resultado parcial 2 + Resultado parcial n

+ ...)

Ao definir-se o escopo, esclarecem-se possíveis dúvidas e delimitam-se

determinadas áreas de atuação na qual o projeto visa uma melhora efetiva e quantitativa.

Faz-se analogia a um quadro, onde o projeto é a pintura (área em azul) e a moldura a área

(área em marrom) que demarca seu conteúdo, como mostrado na figura 13.

É muito importante que a definição do escopo seja realizada de forma clara pois isso

definirá o sucesso de um projeto e alinhará o nível de expectativa que a equipe de liderança

de uma empresa tem do resultado do projeto. Um escopo mal definido pode levar a

expectativas subestimadas ou, no pior dos casos, superestimadas que consequentemente

poderá acarretar conflito e insatisfação do cliente interno ou externo da organização.

Após a definição e validação do escopo do projeto, cria-se então o mapeamento

geral do processo. Esse mapeamento tem por função esclarecer a lógica de cada atividade

dentro de um processo produtivo. Usa-se a ferramenta de “diagramas de fluxo” para a

execução dessa etapa.

Reduce rework due torejection at EOL test benches

Improve FBV assembly line RTY by improving main

detractors

In frame(under scope)

Fora do

escopo do

projeto

Dentro do escopo do projeto

(frame)

Figura 13 – Escopo do projeto

Fonte: Autoria Própria.

41

Esse tipo de diagrama proporciona uma visão geral das etapas do processo

produtivo, o que auxilia o entendimento dos membros da equipe e de outras pessoas que

não estarão ligadas ao projeto, porém tem necessidade de entendimento.

Obviamente, trata-se de uma visão limitada e pouco esclarecedora dos detalhes do

processo, porém isso será mais explorado no diagrama de fluxo detalhado, que faz parte da

etapa M de Medir.

A sequência do diagrama de fluxo geral da etapa de definição do projeto é dada

através da definição das variáveis críticas para o resultado. Trata-se do calculo inicial de

desempenho de um processo, que pode ser feito por meio do cálculo do nível Sigma de um

processo ou também conhecido como capabilidade do processo.

A figura 14 contém um resumo do desempenho estatístico de um processo com

dados atributivos. Observamos a influência da variável “Característica” como sendo o

baseline desse indicador. Isso quer dizer, o estado atual em que o processo se encontra no

momento em que se decidiu realizar um projeto de melhoria.

Entradas

#Número de unidades processadas = Quantidade de peças testadas, por exemplo.

#Quantidade de oportunidades de defeito a cada unidade = 1 (no caso, define-se

apenas o critério atributivo de: peça aprovada ou peça rejeitada)

#Número de defeitos registrados = Número de peças que tiveram o defeito, ou que

foram rejeitadas, por exemplo.

#Sigma Shift = refere-se a uma constante de cálculo

Characteristic Under Study:

# of Units Processed 100Defect Opportunities / Unit 1

# Defects Recorded 5Sigma Shift 1.5

DPU 0.05 DPO 0.050000

DPMO 50,000 YIELD 95.0%

PROCESS SIGMA (with Shift) 3.15

Characteristic

SIGMA / DPMO CALCULATOR(Attribute Data)

v1.1

Figura 14 – Resumo do nível Sigma

Fonte: Autoria Própria

42

Saídas

DPU = Defeitos por unidade

DPO = Defeitos por oportunidades

DPMO = Defeitos por milhão de oportunidades (também conhecido por PPM)

Sigmas do Processo = Nível sigma do processo atual

3.3 MEDIR (M)

A segunda etapa de um projeto DMAIC é a etapa “Medir”. Durante essa etapa são

realizadas medições do estado atual de um processo, medições em variáveis críticas para o

resultado final, correlação entre causa e efeito e análise do sistema de medição.

O estado atual consiste na utilização de ferramentas estatísticas básicas como:

gráficos de Pareto, gráficos de controle, entre outros.

Para realização deste estudo foi utilizado o software Minitab 16 que nos auxilia a

compilar os dados e montar gráficos e testes de hipótese probabilísticos para a

quantificação da qualidade do sistema de medição.

O estudo deve ser realizado sempre utilizando aquilo que foi definido na etapa de

definição. Ou seja, os dados a serem analisados devem partir do período selecionado como

baseline para o projeto. Para o caso onde o resultado final depende de muitas variáveis

como por exemplo, famílias de produtos, sugere-se o estudo estatístico baseado no gráfico

de pareto.

Inicialmente deve ser feito um estudo correlacionando todas as variáveis de modo a

tabelar os valores que cada uma possui em termos de representatividade no resultado. Em

outras palavras, prioriza-se aquelas que são responsáveis pela maior parte de um resultado

final (técnica conhecida como 80-20 ou 60-40)

Com base nas informações coletadas do período que foi selecionado como base,

podem-se observar alguns pontos relevantes em termos da população geral em relação a

alguns subgrupos específicos e com isso selecionar e direcionar o foco das investigações,

testes e ações de melhorias para um determinado caminho.

Feito isso é possível criar um gráfico de Pareto, que nos dá uma visão clara de onde

estão concentradas as rejeições que estão impactando negativamente o processo.

Uma vez selecionado o subgrupo a ser focado, é necessário assegurar a leitura

correta do resultado. Isto é, garantir que aquilo que foi reprovado pelo “teste” do processo

realmente estava não-conforme e também que o que foi aprovado realmente estava

43

conforme especificação do cliente. Para avaliar isso, se faz necessário utilizar a ferramenta

de Análise do Sistema de Medição (Measurement System Analysis). Essa ferramenta

permite avaliar a capacidade que um sistema de medição tem de demonstrar o valor mais

próximo do real que uma medida possui.

A avaliação do sistema de medição fornece a garantia necessária para dar

continuidade no processo de Análise (A do DMAIC). Essa avaliação deve ser realizada

seguindo os passos abaixo:

1 – Fabricar 10 peças do subgrupo escolhido como sendo a variável mais impactante

no resultado final do projeto;

2 – Testar as 10 peças escolhidas e garantir que todas são consideradas

APROVADAS por um outro sistema de medições confiável

3 – Numerar cada uma das peças e separá-las para realizar os testes

4 – Preparar carta de coleta de dados considerando as peças em ordem aleatória

5 – Iniciar medição de 10 peças diferentes na sequência

6 – Repetir mais 10 medições nas mesmas peças, em outra ordem

7 – Repetir mais 10 medições uma última vez, em uma ordem diferentes das duas

vezes anteriores

8 – Utilizar software Minitab para compilar os dados coletados em um estudo de MSA

para característica de processo variável (ou seja, medidas, vazão, força, etc...)

9 – Avaliar os resultados do MSA e definir se o sistema de medição é confiável e

consequentemente aprová-lo ou atuar nos fatores de mão-de-obra, máquina, método e

material que podem estar influenciando no resultado medido pelo teste.

3.4 ANALISAR (A)

Durante a etapa “Analisar”, é feito uma avaliação para confirmar uma ou mais causas

raízes e causas contribuintes para a existência de um problema. O impacto de cada uma

delas também deve ser avaliado e é por esse motivo que usa-se a ferramenta de análise e

gestão de risco no mercado automotivo: o FMEA. Através do FMEA podem-se mapear,

dentro do escopo do projeto, os chamados modos de falhas e suas conseqüências para o

produto, cliente e usuário.

Mais especificamente em um projeto automotivo que visa a melhoria através da

redução de desperdício por qualidade (rejeições de peças) também deve ser feita uma

leitura de todos os dados que foram coletados e compilados no formato de gráfico de pareto.

44

Aqui especificamente faz-se a priorização dos subgrupos considerados principais detratores

de um determinado indicador, por exemplo: Qual família de peças rejeita mais e quanto isso

representa para a eficiência da produção, etc...

Outra importante atividade a ser cumprida durante a etapa de análise é a criação do

diagrama de causa e efeito para o surgimento do problema. Esse diagrama deve focar nos

6M (medição, material, máquina, método, mão de obra e meio ambiente) de forma a

identificar as causas raízes mais complexas de um problema e que somente aparecem após

a aplicação de algumas técnicas como a reprodução da falha ou aplicação da ferramenta

dos 5 Por quês.

3.5 IMPLEMENTAR (I)

Na fase de implementação, deve-se desenvolver potenciais soluções para os

problemas encontrados, novos mapas de processo, novos conceitos e fluxos de atividades,

criar soluções pilotos e plano de ações. O uso de soluções pilotos torna-se bastante comum,

pois através disso é possível montar alguns experimentos que, auxiliados de uma boa

ferramenta estatística, servem para direcionar as ações de melhoria. Afim de assegurar que

o resultado obtido é estatísticamente melhor do que o anterior, usa-se a ferramenta do teste

de hipótese, que é onde comparamos um processo com o outro pelo método de

comparação de amostras.

3.6 CONTROLAR (C)

A fase de controle é uma das fases mais importantes de qualquer projeto. É nesse

momento que garante-se a longevidade da melhoria, a manutenção do bom resultado que

foi obtido na fase de Implementação (I) e o desempenho do resultado ao longo tempo,

através de análise estatística.

Formas de controle a serem utilizadas: POKA YOKES, treinamento de mão de obra,

medições em intervalos definidos, manutenção preventiva, lições aprendidas e finalmente, a

transição de um projeto para um processo corrente.

45

4 RESULTADOS

4.1 CONTRATO DE PROJETO

O projeto selecionado contou com um formulário de contrato de projeto padrão

utilizado pela empresa WABCO Indústria e Comércio de Freios LTDA. O projeto: “Melhoria

do RTY da linha de válvula pedal” foi iniciado no dia 01/04/2013 e seu registro no sistema da

empresa é 19554. Conforme ferramenta 5W2H, a descrição do problema é:

Qual é o problema?

A linha de montagem de válvula pedal possui uma taxa de RTY muito baixa.

Por que isto é um problema?

Porque mais horas são perdidas executando retrabalho de peças

Onde este problema foi detectado?

Durante uma reunião diária de gerenciamento da rotina nível 3

Quem detectou?

Sr. Luis Gustavo Coltro – Coordenador de Produção do setor de Válvulas

Convencionais

Quando foi detectado?

Analisando o desempenho de RTY da linha nos três primeiros meses de 2013

Como foi detectado este problema?

Através do gerenciamento visual dos indicadores de qualidade e produção da

VDC/TRAM

Quanto?

Em fevereiro de 2013 foi registrado o valor mais baixo, 90% de RTY. Isso representa

aproximadamente R$28.000,00 / mês em desperdício.

46

Contrato completo do projeto exposto na figura 14.

Six Sigma Project - Charter and Project Commit ment Process Foot Brake Valve Assembly Line Project ID 19554Chartering Manager: Javier Pantoja Project Start Date 1-abr-13Project Leader (GB/BB) Yann Ferrari End Date ( estimated ) 1-mar-14Project Title:

Understand the problem (5W2H):

What is the problem?

Why is it a problem?

Where was it detected?

Who detected it?

When was it detected?

How was it detected?

How many? Or How much?Project Objective:

Benefit to the Customer Metric Actual Goal UnitRTY 90 98 %Eficiencia x x Prod/Backfsh

Expected financial Project ImpactR$ 28 0 K/yearR$ 5 0 K/year

R$ TBD K/yearProject Team Name Process/Function Necessary ResourcesMember

Yann Ferrari Six Sigma VDC/TRAMLuis Coltro PTLMarcos Pereira PELuiz Aprigio LLJonathan Matheus AuditorTatiane Rodrigues QMS

Expected Milestones Milestone due date25% 50% 75% 100%

Define Start: 01.04 End: 29.04.2013

Measure Start: 2.05 End: 16.06.2013

Analyse Start: 17.06 End: 17.07.2013

Improve Start: 18.07 End: 30.09.2013

Control Start: 01.10 End: 15.10.2013

On Time 2 Weeks delayMore than 2 weeks delay

Project Commitment and ApprovalName Process Date Signature

Chartering Manager Javier Pantoja

Team Leader Javier Pantoja

Green Belt \ Black Belt Yann Ferrari Proj. Mgmt.

Six Sigma Mentor João Hayashi Six Sigma

- Less backflushed hours due to low process efficiency (R$ 28K/year).- Rework (R$ 5k/year) valor- Cost Avoidance (R$ - TBD) valor

Improve line output, reducing risk of delivery and the risk of sending bad parts

-

Increase FBV line RTY to 98% according to site AOP 2013

VDC/TRAM Leader

VDC/TRAM Leader

FBV RTY Improvement

April / 2013

KPI's visual management

RTY = 90% ( Baseline FEB 2013)

The Foot Brake Valve assembly line has RTY below 98%

• Less backflushed hours due to low process efficiency (R$ 28K/year).

VDC/TRAM DRM 3

Luis Coltro

Figura 14 – Contrato do Projeto


47

4.2 DEFINIR (D)

O escopo definido para o projeto foi o aumento do nível de RTY da linha de montagem

FBV (foot brake valve – válvula pedal de freio) através da priorização dos principais

causadores de rejeição e retrabalho no posto de teste funcional da peça, onde 100% dos

produtos são testados conforme as especificações de vazamento, estanqueidade, curva de

acionamento e força. Utilizamos a figura da moldura para definir o escopo do projeto

conforme figura 15.

O mapeamento geral do processo foi realizado, conforme figura 16, e segue a lógica

que todas as peças seguem quando são produzidas e submetidas aos testes (OP 50A e

50B). Vale ressaltar que os dois testes são paralelos, ou seja, as peças podem ser testadas

tanto em um quanto no outro – e por esse motivo os critérios de ambos os testes seguem

com precisão as mesmas especificações.

Project Scope

•In and Out:



detractors


Out of frame(out of scope)

Improve all P/N RTY

Project Scope

•In and Out:



detractors


Out of frame(out of scope)

Improve all P/N RTY

Figura 15 – Definição do Escopo do projeto


48

4.3 MEDIR (M)

Após a realização do mapeamento, calculamos o nível sigma do processo atual,

definimos a função do projeto e as variáveis críticas para o resultado, conforme figura 17.

High Level Process Map

Op 30 Op 10 Op 40

Op 50A

Op 50B

Op 60

Op20 – Montar corpo superior da válvula onde posteriormente serámontado o pistão

Op30 – Montar corpo inferior da válvula fechando-a com a tampa e guia de descarga

Op10 – Montar pistão dentro do corpo superior da válvula

Op 20

Op40 – Fechamento da válvula, aplicação de torque na união do corpo inferior e superior da válvula

Op50A e B – Teste de acionamento e estanqueidade

Op60 – Acabamento final da válvula e embalagem

Figura 16 – Macro fluxo de processo


49

O nível sigma diagnosticado na linha no mês utilizado como base para cálculo (Abril

de 2013) é de 2,69 Sigmas – o que corresponde a aproximadamente 116755 PPM de

rejeições ou 88,3% de Rolled Throughput Yield (RTY).

A função definida para o RTY da linha FBV é:

F (RTY FBV) = (PN#4613152460 RTY).(PN#4613152470 RTY).(PN#4613152470

RTY).(PN#4613151210 RTY).(N) onde N = RTY individual de cada modelo de válvula pedal

produzida. Para descobrir quais as variáveis críticas para o processo, foi implantada na linha

durante o mês todo, nos dois turnos, uma carta de coleta de dados conforme tabela 3.

Figura 17 – nível Sigma e capabildade atuais


Variable “Y = Total Line RTY ” baselineperformance

• Process Capability: DPMO / Sigma Level



# Defects Recorded 1140Sigma Shift 1,5

DPU 0,12 DPO 0,116755

DPMO 116.755 YIELD 88,3%

PROCESS SIGMA (with Shift) 2,69

General FBV RTY April/2013


v1.1

F(Y) = (X¹,X²,X³,Xn…)

F(Total FBV RTY) = (PN #4613152460 RTY; PN #4613152470; PN #4613152480;…...Each FBV PN RTY)

Variable “Y = Total Line RTY ” baselineperformance





DPU 0,12 DPO 0,116755

DPMO 116.755 YIELD 88,3%


General FBV RTY April/2013


v1.1

F(Y) = (X¹,X²,X³,Xn…)

F(Total FBV RTY) = (PN #4613152460 RTY; PN #4613152470; PN #4613152480;…...Each FBV PN RTY)

50

Tabela 3 – Coleta de dados válvula pedal


50

51

Como resultado dessa coleta, observamos em Abril/2013 os seguintes valores,

conforme tabela 4.

Tabela 4 - Resumo da coleta de dados

Esses dados serviram como base para a criação de um gráfico que representa a

rejeição individual de cada Part Number (cada peça) que é o fundamental para analisarmos

na hora de escolher qual família de válvulas mais impacta negativamente no RTY, conforme

podemos observar na figura 18.

PN Produzido TP TR RTY4613150080 1161 74 93.6%4613150380 0 0 -4613150400 324 44 86.4%4613150570 8 6 25.0%4613151000 79 6 92.4%4613151210 844 87 89.7%4613151560 424 46 89.2%4613151570 66 5 92.4%4613151620 0 0 -4613151800 0 0 -4613152460 2177 211 90.3%4613152470 1664 212 87.3%4613152480 538 77 85.7%4613152500 37 25 32.4%4613152550 76 48 36.8%8845007010 224 29 87.1%8845031240 0 0 -

Geral VDC/TRAM


52

Como principal resultado dessa análise, podemos selecionar os modelos

4613152470, 4613152460 e 4613152480, através do pareto realizado no software Minitab.

Juntos eles representam quase 60% do total de rejeições de um mês e por se tratar da

mesma família de válvulas, elas são tecnicamente semelhantes. Dessa forma, as ações de

investigação e análise podem ser priorizadas e focadas nesses modelos.

Em seguida, realizamos novamente o calculo do valor sigma atual do processo,

dessa vez contemplando apenas a família de válvulas pedais 246, 247 e 248, conforme

figura 19.

Figura 18 – Nº Rejeições por P/N


TR 29 42212 211 87 77 74 48 46 44

Percent 3,3 4,824,4 24,3 10,0 8,9 8,5 5,5 5,3 5,1

Cum % 95,2 100,024,4 48,6 58,6 67,5 76,0 81,5 86,8 91,8

PN

Ot he r

8 84 50 07 01 0

4 61 31 50 40 0

4 61 31 51 56 0

4 61 31 52 55 0

4 61 31 50 08 0

4 61 31 52 48 0

4 61 31 51 21 0

4 61 31 52 46 0

4 61 31 52 47 0

900

800

700

600

500

400

300

200

100

0

100

80

60

40

20

0

TR

Percent

Pareto Chart of Individual Rejection

Mesma família de válvula = ~60% das rejeições

TR 29 42212 211 87 77 74 48 46 44

Percent 3,3 4,824,4 24,3 10,0 8,9 8,5 5,5 5,3 5,1

Cum % 95,2 100,024,4 48,6 58,6 67,5 76,0 81,5 86,8 91,8

PN

Ot he r

8 84 50 07 01 0

4 61 31 50 40 0

4 61 31 51 56 0

4 61 31 52 55 0

4 61 31 50 08 0

4 61 31 52 48 0

4 61 31 51 21 0

4 61 31 52 46 0

4 61 31 52 47 0

900

800

700

600

500

400

300

200

100

0

100

80

60

40

20

0

TR

Percent

Pareto Chart of Individual Rejection

Mesma família de válvula = ~60% das rejeições

53

4.4 ANALISAR (A)

Seguindo a seqüência lógica do fluxo DMAIC, a terceira etapa consiste na análise

dos dados levantados na coleta de dados e no gráfico de pareto onde foi possível “medir” o

tamanho do problema. Quando priorizamos as investigações de causa para focarmos em

uma única família de válvulas pedais estamos ao mesmo tempo tratando indiretamente de

todas as outras famílias de válvulas pedais. Isso ocorre porque independentemente do

modelo que está sendo produzido, o fluxo do processo é o mesmo, as bancadas de

montagem são as mesmas e as bancadas de teste também são as mesmas. As diferenças

entre as famílias de válvulas são muito pequenas e o que define o número da peça é

basicamente o suporte de fixação entre os diversos clientes que compram esse produto,

sendo que essa característica nada influencia no funcionamento da peça.

A priorização nos levou a observar atenciosamente o comportamento das rejeições

durante um período de 1 semana conforme podemos observar no gráfico da figura 20.

F(Total FBV RTY) = (PN #4613152460 RTY; PN #4613152470; PN #4613152480) – Corevariables in this process





DPU 0,10 DPO 0,102480

DPMO 102.480 YIELD 89,8%


246/247/248 FBV family


v1.1

Figura 19 – Nível Sigma / Capabilidade


54

Nesse momento fica evidente que a grande maioria das peças rejeitadas (> 90%)

foram diagnosticadas erroneamente com um vazamento de ar por um dos passos do teste

automático B.

Sempre que uma peça é rejeitada, ela passa por uma análise bastante rigorosa

pelos operadores em conjunto com o time da qualidade e, por se tratar de um complexo

conjunto de componentes montados, nunca é descartada sem que isso seja feito. Essa

análise consiste em desmontar a peça e buscar qualquer irregularidade de montagem,

componente ou contaminação que possa ter gerado o vazamento. Uma vez feita essa

analise, tudo fica registrado em um controle de qualidade e o resultado disso é, mais uma

vez, um pareto nos mostrando as principais causas de rejeição, conforme figura 21.

C2 26 24 14 6 6 5 2

Percent 31,3 28,9 16,9 7,2 7,2 6,0 2,4

Cum % 31,3 60,2 77,1 84,3 91,6 97,6 100,0

C1 OtherA passo 2B passo 2A passo 5A passo 3B passo 3B passo 8

90

80

70

60

50

40

30

20

10

0

100

80

60

40

20

0

C2

Percent

Pareto Chart of Rejections

Figura 20 – Pareto de rejeições por testes


55

Analisando o gráfico da figura 21, podemos observar que mais de 50% das rejeições

monitoradas durante um dia inteiro de produção se refere a um problema em um

componente de alumínio fundido chamado “Pistão 628”. A falha nesse pistão é que ele pode

gerar vazamento caso esteja com porosidade ou micro porosidade (sendo a primeira

detectável a olho nu e a segunda não). Outros 27% de rejeição estão ligadas a “NFF” (em

inglês: No Failure Found) ou seja, houve uma falha porém ao desmontar a peça, nada de

suspeito ou com defeito foi encontrado – o que nos direciona a trabalhar no teste.

Vale ressaltar que para o operador o teste está sempre certo, pois mede o

vazamento de ar por um sistema de diferencial de pressão altamente sofisticado.

Através desses resultados, o grupo pode partir para uma investigação de causa utilizando-

se da ferramenta “diagrama de causa e efeito” e o resultado foi conforme a figura 22.

C5 18 10 6 1 1 1

Percent 48,6 27,0 16,2 2,7 2,7 2,7

Cum % 48,6 75,7 91,9 94,6 97,3 100,0

C4

Ot h

e r

F al t a

n do

An e

l 80 0

4

Ca v

a co n o

Pi st ã

o

Re b

a rb a

na

Gu ia

N FF

P is t

ã o 6

2 8 tr o

c ad o

40

30

20

10

0

100

80

60

40

20

0

C5

Percent

Pareto Chart of Causes

Figura 21 – Pareto de causas de rejeições


56

4.5 IMPLEMENTAR (I)

Como resultado da analise do diagrama de causa e efeito, pudemos definir algumas

causas como sendo raízes para o problema do RTY.

1 - Pistão 628 com porosidades : Foi evidenciado que os pistões fundidos figura 23

e usinados do modelo 628 (componente interno da válvula pedal) possuem porosidades

visíveis e porosidades invisíveis, comprometendo a estanqueidade das válvulas pedais.

Causa raiz : Ferramental WABCO com a vida útil acima de sua capacidade projetada. Ação

Corretiva: Desenvolver novo ferramental de injeção junto ao fornecedor – ação em

andamento.

Figura 22 – Espinha de Peixe


Material

Mão de obra Método

Máquina / Medição

• Dureza da mola de borracha fora do especificado gerando rejeição sem defeito visível Shore A spec: 81+3-2

RTY

• Treinamento dos operadores

• MSA da bancada 50 B• Pistão 628 com porosidades

• Método de montagem

• MSA da bancada 50 A

MeioAmbiente

• Ambiente Controlado

Material

Mão de obra Método

Máquina / Medição

• Dureza da mola de borracha fora do especificado gerando rejeição sem defeito visível Shore A spec: 81+3-2

RTY

• Treinamento dos operadores

• MSA da bancada 50 B• Pistão 628 com porosidades

• Método de montagem

• MSA da bancada 50 A

MeioAmbiente

• Ambiente Controlado

57

2 - Dureza do anel de borracha fora do especificado : Foi evidenciado que a mola

de borracha (componente interno da válvula pedal) estava com a dureza acima do

especificado e consequentemente, o processo do fornecedor estava com um Cpk acima do

aceitável figura 24. Causa raiz : Investigado junto ao fornecedor e foi descoberta a existência

de um desvio de projeto aprovado na Europa para uma determinada aplicação porém como

não foi dado o retorno para o fornecedor o mesmo continuou produzindo sob esses critérios

até os dias de hoje (desvio datado de 2004). Ação Corretiva : Solicitar correção no processo

de fabricação da mola de borracha junto ao fornecedor (alterado parâmetro de quantidade

de pó de borracha) – ação concluída conforme figura 25.

Figura 23 – Pistão com Porosidade


58

8685848382818079

LSL USL

LSL 79

Target *

USL 84

Sample Mean 84,6444

Sample N 90

StDev (Within) 0,532911

StDev (O v erall) 0,671425

Process Data

Cp 1,56

CPL 3,53

CPU -0,40

Cpk -0,40

Pp 1,24

PPL 2,80

PPU -0,32

Ppk -0,32

Cpm *

O verall C apability

Potential (Within) C apability

PPM < LSL 0,00

PPM > USL 800000,00

PPM Total 800000,00

O bserv ed Performance

PPM < LSL 0,00

PPM > USL 886724,46

PPM Total 886724,46

Exp. Within Performance

PPM < LSL 0,00

PPM > USL 831426,09

PPM Total 831426,09

Exp. O v erall Performance

Within

Overall

Process Capability of C1

Figura 24 – Dureza da mola de borracha antes da melhoria


84,083,282,481,680,880,079,2

LSL USL

LSL 79

Target *

USL 84

Sample Mean 81,2056

Sample N 90

StDev (Within) 0,473145

StDev (O v erall) 0,608435

Process Data

C p 1,76

C PL 1,55

C PU 1,97

C pk 1,55

Pp 1,37

PPL 1,21

PPU 1,53

Ppk 1,21

C pm *

O verall C apability

Potential (Within) C apability

PPM < LSL 0,00

PPM > USL 0,00

PPM Total 0,00

O bserv ed Performance

PPM < LSL 1,57

PPM > USL 0,00

PPM Total 1,57

Exp. Within Performance

PPM < LSL 144,50

PPM > USL 2,19

PPM Total 146,69

Exp. O v erall Performance

Within

Overall

Process Capability of C2

Figura 25 – Dureza da mola de borracha depois da melhoria no fornecedor


59

3 - MSA (Measurement System Analisys) da bancada de teste 50 A : Foi

evidenciado que a bancada de teste op 50A não possui um MSA confiável, pois está

rejeitando peças boas. Causa raiz : Componente interno da bancada (válvula proporcional)

com problema – demonstrando 10 BAR de pressão no sistema interno da bancada porém

alimentando apenas com 9,8 BAR o que gera uma falsa leitura de vazamento pelo sistema

de diferencial de pressão. Ação Corretiva : Efetuar a compra de uma nova válvula

proporcional, realizar manutenção corretiva na bancada de testes e executar um segundo

estudo de MSA para validação do resultado – ação concluída, gage R&R passou de 48,79

para 6,06 – aprovado, conforme figura 26.

60

Figura 26 – Gage R&R antes e depois das ações na Bancada de Teste 50 A.


Antes

Part-to-PartReprodRepeatGage R&R

100

50

0

Pe

rce

nt

% Contribution

% Study Var

% Tolerance

10987654321

9,9

9,8

9,7

Amostra

10 9 8 7 6 5 4 3 2 1

0,2

0,1

0,0

Part

Sa

mp

le R

an

ge

_R=0,08

UC L=0,2059

LC L=0

10 9 8 7 6 5 4 3 2 1

9,90

9,85

9,80

9,75

Part

Sa

mp

le M

ea

n

__X=9,8363

UC L=9,9182

LC L=9,7545

Gage name:

Date of study :

Reported by :

Tolerance:

Misc:

Components of Variation

12c331 by Amostra

R Chart

XBar Chart

Gage R&R (ANOVA) for 12c331

Antes


100

50

0

Pe

rce

nt

% Contribution

% Study Var

% Tolerance

10987654321

9,9

9,8

9,7

Amostra

10 9 8 7 6 5 4 3 2 1

0,2

0,1

0,0

Part

Sa

mp

le R

an

ge

_R=0,08

UC L=0,2059

LC L=0

10 9 8 7 6 5 4 3 2 1

9,90

9,85

9,80

9,75

Part

Sa

mp

le M

ea

n

__X=9,8363

UC L=9,9182

LC L=9,7545

Gage name:

Date of study :

Reported by :

Tolerance:

Misc:


12c331 by Amostra

R Chart

XBar Chart



100

50

0

Pe

rce

nt

% Contribution

% Study Var

% Tolerance

10987654321

9,9

9,8

9,7

Amostra

10 9 8 7 6 5 4 3 2 1

0,2

0,1

0,0

Part

Sa

mp

le R

an

ge

_R=0,08

UC L=0,2059

LC L=0

10 9 8 7 6 5 4 3 2 1

9,90

9,85

9,80

9,75

Part

Sa

mp

le M

ea

n

__X=9,8363

UC L=9,9182

LC L=9,7545

Gage name:

Date of study :

Reported by :

Tolerance:

Misc:


12c331 by Amostra

R Chart

XBar Chart


Depois


100

50

0

Pe

rce

nt

% Contribution

% Study Var

% Tolerance

10987654321

9,96

9,94

9,92

9,90

Amostra

10 9 8 7 6 5 4 3 2 1

0,02

0,01

0,00

Part

Sa

mp

le R

an

ge

_R=0,01

UC L=0,02574

LC L=0

10 9 8 7 6 5 4 3 2 1

9,96

9,94

9,92

9,90

Part

Sa

mp

le M

ea

n

__X=9,91467

UC L=9,92490

LC L=9,90444

Gage name:

Date of study :

Reported by :

Tolerance:

Misc:


12c331-2 by Amostra

R Chart

XBar Chart

Gage R&R (ANOVA) for 12c331-2

Depois Depois


100

50

0

Pe

rce

nt

% Contribution

% Study Var

% Tolerance

10987654321

9,96

9,94

9,92

9,90

Amostra

10 9 8 7 6 5 4 3 2 1

0,02

0,01

0,00

Part

Sa

mp

le R

an

ge

_R=0,01

UC L=0,02574

LC L=0

10 9 8 7 6 5 4 3 2 1

9,96

9,94

9,92

9,90

Part

Sa

mp

le M

ea

n

__X=9,91467

UC L=9,92490

LC L=9,90444

Gage name:

Date of study :

Reported by :

Tolerance:

Misc:


12c331-2 by Amostra

R Chart

XBar Chart



100

50

0

Pe

rce

nt

% Contribution

% Study Var

% Tolerance

10987654321

9,96

9,94

9,92

9,90

Amostra

10 9 8 7 6 5 4 3 2 1

0,02

0,01

0,00

Part

Sa

mp

le R

an

ge

_R=0,01

UC L=0,02574

LC L=0

10 9 8 7 6 5 4 3 2 1

9,96

9,94

9,92

9,90

Part

Sa

mp

le M

ea

n

__X=9,91467

UC L=9,92490

LC L=9,90444

Gage name:

Date of study :

Reported by :

Tolerance:

Misc:


12c331-2 by Amostra

R Chart

XBar Chart


61

4 - MSA (Measurement System Analisys) da bancada de teste 50 B : Foi

evidenciado que a bancada de teste op 50B não possui um MSA confiável, pois também

está rejeitando peças boas (quantidade muito superior a bancada 50 B). Causa raiz :

Bancada sem calibração desde 2005 devido ao projeto da bancada ter sido feito na Polônia

e a não existência de um manual de como calibrar e realizar manutenção nos componentes

internos da bancada de testes. Ação Corretiva : Efetuar total desmontagem da bancada,

manutenção preventiva a partir de instruções do time da WABCO Polônia, atualização do

software que realiza medição e executar estudo de MSA para validação do resultado – Ação

concluída, gage R&R de 8,13 – aprovado, conforme figura 27.

62

Antes

- Bancada de teste descalibrada

- Sistema de medição não confiável(alto índice de reprova por conta do teste)

Antes

- Bancada de teste descalibrada

- Sistema de medição não confiável(alto índice de reprova por conta do teste)

Depois


75

50

25

0

Pe

rce

nt

% Contribution

% Study Var

% Tolerance

10987654321

1,5

1,2

0,9

0,6

A mostra

10 9 8 7 6 5 4 3 2 1

0,75

0,50

0,25

0,00

Part

Sa

mp

le R

an

ge

_R=0,34

UC L=0,8752

LC L=0

10 9 8 7 6 5 4 3 2 1

1,4

1,2

1,0

0,8

Par t

Sa

mp

le M

ea

n

__X=1,1287

UC L=1,4765

LC L=0,7808

Gage name:

Date of study :

Reported by :

Tolerance:

M isc:


Vazamento by A mostra

R Chart

XBar Chart

Gage R&R (ANOVA) for Vazamento

Depois Depois


75

50

25

0

Pe

rce

nt

% Contribution

% Study Var

% Tolerance

10987654321

1,5

1,2

0,9

0,6

A mostra

10 9 8 7 6 5 4 3 2 1

0,75

0,50

0,25

0,00

Part

Sa

mp

le R

an

ge

_R=0,34

UC L=0,8752

LC L=0

10 9 8 7 6 5 4 3 2 1

1,4

1,2

1,0

0,8

Par t

Sa

mp

le M

ea

n

__X=1,1287

UC L=1,4765

LC L=0,7808

Gage name:

Date of study :

Reported by :

Tolerance:

M isc:


Vazamento by A mostra

R Chart

XBar Chart

Gage R&R (ANOVA) for Vazamento

Figura 27 – Gage R&R depois das ações na Bancada de Teste 50 B.


63

4.6 CONTROLAR (C)

A etapa final consiste em controlar tudo aquilo que foi implementado como melhoria.

Ao validarmos as ações, passamos a observar o comportamento do nosso “Y” final, ou seja,

controlar e monitorar o indicador RTY na linha de válvulas pedais. Podemos observar esse

controle no gráfico da figura 28.

Observamos a evolução mês a mês, e com os dados de rejeição diários podemos

montar um teste de hipótese que mostra o resultado de P-valor = 0,000, conforme figura 29.

Isso significa que temos uma melhoria comprovada estatisticamente entre o processo

antes e depois das ações que foram implementadas.

Figura 29 – Teste de hipótese utilizando o software minitab


Sep/13Aug/13Jul/2013Jun/13May/2013Apr/2013

100,0%

95,0%

90,0%

85,0%

80,0%

75,0%

70,0%

Data

88,3%

92,5%92,1%

93,7% 94,3%94,6%

Boxplot of Apr/2013; May/2013; Jun/13; Jul/2013; Aug/13; Sep/13

Figura 28 – Gráfico de acompanhamento de RTY mensal


64

5 CONCLUSÃO

A proposta de aplicação da metodologia Seis Sigma foi a de resolver um problema,

uma situação real de forma estatística, bem como encontrar os fatores e variáveis chaves

para o surgimento do problema e depois trazer novamente para uma solução ou melhoria

real. Quando observado que uma melhoria foi executada ou que um problema foi resolvido,

é necessária uma comprovação. Para confirmar foi utilizado o método estatístico do teste de

hipótese. O objetivo principal de atingir um RTY acima de 94% foi atingido e comprovado

por esses meios de cálculo estatísticos que fazem do Seis Sigma uma poderosa ferramenta

/ conceito que agrega valor ao negócio e impacta positivamente, quando bem aplicado e

seguido em uma lógica correta.

A metodologia aplicada foi basicamente o DMAIC de maneira sequencial, utilizando

as ferramentas mais comuns que fazem parte do pacote Seis Sigma, mas não

necessariamente todas elas, afinal o que realmente interessa é o resultado obtido com este

trabalho.

O desafio de se iniciar um projeto como esse nos remete a gestão de projetos e ao

foco no resultado que um profissional Engenheiro de Produção precisa ter para contribuir

positivamente no desenvolvimento e na competitividade da organização onde ele está

inserido. É necessário ter perseverança, flexibilidade, foco no Cliente (seja ela a

organização ou um cliente externo) e acima de tudo: Paixão por melhoria contínua.

No início do projeto (RTY = 88,3%) a empresa WABCO desperdiçava

aproximadamente 44 horas semanais de mão de obra qualificada para a análise das

válvulas pedais com defeito e posterior remontagem das mesmas. Isso equivale a exatos R$

84.482,53 por ano em termos de custo de mão de obra direta para a empresa (sem contar

todos os demais custos “difíceis de se contabilizar” que estão envolvidos ao se retrabalhar

1100 peças por mês: Motivação, risco ao cliente, degradação do processo de montagem e

teste, entre muitos outros). Quando chegamos ao resultado esperado (RTY > 94%)

registramos um saving real em 2013 de R$29.872,00 e um saving previsto para 2014 de

R$45.490,60. Isso significa aproximadamente 54% de melhoria.

Por ser um trabalho de melhoria contínua é importante ressaltar que ela nunca pode

parar. Para o ano que vem o objetivo é que esta linha de válvulas pedais atinja o índice de

97%, reduzindo ainda mais o desperdício. Foi recomendado que este trabalho seja feito não

somente para uma única linha, mas sim para todas as linhas cujo resultado de RTY seja

abaixo da meta definida pela empresa de 97%. Uma pré-análise pode ser realizada

utilizando um gráfico de pareto para priorizar as linhas que mais impactam no resultado final

e, em seguida, aplicar os passos conforme este trabalho para reduzir as rejeições e

65

aumentar o rendimento de qualidade das linhas de produção seriadas de qualquer

segmento.

66

REFERÊNCIAS BIBLIOGRÁFICAS

ANTONY, J.; CORONADO, R. B. (2001). A strategy for survival. Manufacturing Engineer,

Dearborn, vol. 80. Nº 3, p. 119-121.

AOUDIA, H.; TESTA, Q. Perfect QRQC, The Basics. Ed Maxima, 2011.

BEHARA, R. S.; FONTENOT, G. F.; GRESHAM, A. “Customer satisfaction measurement

and analysis using six sigma”. International Journal of Quality & Reliability Management, p.9-

18, 1995.

CAMPOS, M. S. Em Busca do Padrão Seis Sigma. Revista EXAME, ed. 689, ano 32, n. 11,

2 de junho, 1999.

CAMPOS, V. F. Qualidade Total, Padronização de Empresas. Nova Lima, MG: INDG

Tecnologia e Serviços Ltda, 2004.

CAMPOS, V. F. TQC – Controle da Qualidade Total. Belo Horizonte: DG, 1992, 8ª Edição.

CARVALHO, M. M.; PALADINI, E. P. Gestão da qualidade: teoria e casos. Rio de Janeiro:

Editora Campus, 2005. 355p.

CARVALHO, M. M.; PALADINI, E.P. (Org.) Gestão da Qualidade: Teoria e Casos. Rio de

Janeiro: Editora Campus, 2012, 2ª Edição.

CORONADO, R. B.; ANTONY, J. (2002). Critical success factors for the successful

implementation of six sigma projects in organizations. The TQM Magazine, v. 14, n. 2, p. 92-

99.

COURT, E. Quality Engineering. Six Sigma Rolled Throughput Yield, Volume 14, Issue 2,

2002.

ECKES, G. A Revolução Seis Sigma. Rio de Janeiro, Campus, 2001, 4ª Edição.

67

GARVIN, D. A. Gerenciando a Qualidade: A Visão Estratégica e Competitiva, Qualitymark

Editora, Rio de Janeiro, 1992.

GEORGE, M. L.; ROWLANDS, D.; PRICE, M.; MAXEY, J. The lean six sigma pocket

toolbook a quick reference guide to 100 tools for improving process quality, speed, and

complexity. New York, McGraw-Hill, 2005.

GIOVANNI, M. Elementos do Sistema de Gestão de SMSQRS. Sistema de Gestão

Integrada, Volume 2, 2ºEdição, 2010.

GROOVE, J. The General Eletric Company. Playbook by GE Aircraft Engines Executive

Communication. Topic 6, 1996.

HARRY D.; SCHROEDER, R. Six Sigma: the breakthrough management strategy

revolutionizing the World’s Top Corporation. New York, Doubleday, 2000.

KOBAYOSHI, M. Calibração de instrumentos de medição: área mecânica dimensional. São

Paulo: SENAI-SP editora, 2012.

LINS, B. F. E. Ferramentas básicas da qualidade. Ciência da Informação, Brasília, v.22,n. 2,

maio/ago., 1993.

Manual do MSA – Measurement Sistems Analysis, Manual de Referência – 4º Edição, AIAG,

2010.

Manual Meet Minitab, Versão 14 para Windows by Minitab Inc, 2003, 2004.

MELLO, C. H. P.; SILVA, C. E. S.; TURRIONI, J. B.; SOUZA, L. G. M. ISO 9001:2008,

Sistema de Gestão da Qualidade para Operações de Produção e Serviços. São Paulo:

Atlas, 2009.

MORAES, L. G. S.; JUNIOR, E. P. L.. Os Custos da Qualidade e da Não Qualidade na

Produção. 2012.

MUNIZ, J.; MOELLMANN, A.H. Gestão da Qualidade: Histórico e Perspectivas Estratégicas.

MBA Pro UNESP, Guaratinguetá, 2010.

68

PALADINI, E. P. Avaliação estratégica da qualidade. São Paulo: Atlas; 2002. p.64-114. PARANTHAMAN, D. Controle de qualidade. São Paulo: McGraw- Hill Ltda; 1990. p.118-212. PINTON, D.H. Controle estatístico de processo. São Paulo, Rev IMES 1997; (40):35-8. RODRIGUES, M. V. Ações para a qualidade: gestão estratégica e integrada para a melhoria

dos processos na busca da qualidade e competitividade. 3. ed. Rio de Janeiro: Qualitymark,

2010.

RODRIGUES, M. V. C.; AMORIM, T. A. A. Uma investigação da qualidade nas organizações

brasileiras. Revista Brasileira de Administração Contemporânea, João Pessoa, v. 1, n. 9, p.

262-285, 1995.

SANTOS, B. A.; MARTINS, F. M., “A implementação dos projetos seis sigma contribuindo

para o direcionamento estratégico e para o aprimoramento do sistema de medição de

desempenho”, Revista Pesquisa e Desenvolvimento Engenharia de Produção, n.1, p. 1-14,

Dezembro de 2003.

SHEEHY, P.; NAVARRO, D.; SILVERS, R; KEYES, V.; DIXON; DEB & PICARD, D. The

Black Belt Memory Jogger: A Pocket Guide for Six Sigma Success. Salem-NH-USA:

GOAL/QPC, 2002, 1ª Edição.

SHINGO, S. Zero Quality Control: Source Inspection and the Poka Yoke System, 1986.

SOLEIMANNEJAD, F. Six Sigma, Basic Steps and Implementation. AuthorHouse, 2004, 1ª

Edição.

STAMATIS, D. H. Failure Mode Effect Analysis. FMEA from Theory to Execution, Second

Edition, 2003.

TEBOUL, J. Gerenciando a dinâmica da qualidade. Rio de Janeiro: Qualitymark, 1991.

SILVA, W. L. Experiência na implantação da rotina de análise de sistemas de medição em

uma indústria de auto peças. 2002. 22f. Artigo (2nd International Conference on Advanced

Measurement Techniques and Sensory Systems for Automotive Automotive Applications) -

Ancona, Itália. 2002.

69

ZUFFOLETTI, V. The General Eletric Company. Playbook by GE Power Systems Training

and Development. Topic 25, 1997.

FLEMMING, D. Seis Sigma. Potencialize seus ganhos. Disponível em

http://www.mbc.org.br/mbc/uploads/biblioteca/1207675282.0673A.pdf. Acesso em 11 de

outubro de 2013.

KOSCIANSKI, A.; SOARES, M. S. Qualidade de Software: Aprenda as metodologias e

técnicas mais modernas para o desenvolvimento de software. Disponível em:

http://www.martinsfontespaulista.com.br/anexos/produtos/capitulos/241804.pdf. Acesso em

12 de outubro de 2013.

LEÃO, D. MSA quarta edição: Análise dos Sistemas de Medição, Disponível em:

http://portalaction.com.br/content/msa-an%C3%A1lise-dos-sistema-de-

medi%C3%A7%C3%A3o Acesso em 10 de outubro de 2013.

LEÃO, D. MSA quarta edição: Análise dos Sistemas de Medição, Disponível em:

http://portalaction.com.br/content/24-repetitividade-e-reprodutibilidade. Acesso em 15 de

outubro de 2013.

MANAGEMENT, HSM, 2006, “Seis Sigma: Memórias do pioneiro”. Disponível em

www.minitabbrasil.com.br. Acesso em 03 de outubro de 2013.

MILAN, M.; FERNANDES, R. A. T. Qualidade das operações de preparo do solo por

controle estatístico de processo. Disponível em:

http://www.scielo.br/pdf/sa/v59n2/8919.pdf. Acesso em 12 de outubro de 2013.

MOTHÉ, C. G.; CORREA, D. Z.; CASTRO, B. C. S.; CAETANO, M. Otimização da produção

de Biodiesel a partir do óleo de mamona. Disponível em:

http://www.revistaanalytica.com.br/ed_anteriores/19/art01.pdf. Acesso em 09 de outubro de

2013.

PINHO, A. F.; LEAL, F.; MONTEVECHI, J. A. B.; ALMEIDA, D. A. Combinação entre as

técnicas de fluxograma e mapa de processo no mapeamento de um processo produtivo.

Disponível em: http://www.abepro.org.br/biblioteca/enegep2007_tr570434_9458.pdf.

Acesso em 10 de outubro de 2013.

70

RIBEIRO, O. Uso do modelo de cubo numa analise dos aspectos ergonômicos, de

produtividade e qualidade nos postos de trabalho manuais de solda a resistência numa

indústria de auto peças. UFPR,Curitiba, 2008. Disponível em

http://www.pgmec.ufpr.br/dissertacoes/dissertac ao_098_Oderli%20Ribeiro.pdf. Acesso em

20 de setembro de 2013.

SILVA, J. W.; GUIMARÃES, E. C.; TAVARES, M. Variabilidade temporal da precipitação

mensal e anual na estação climatológica de Uberaba-MG. Disponível em:

http://www.scielo.br/pdf/cagro/v27n3/a24v27n3.pdf. Acesso em 10 de outubro de 2013.

Documents

TCC GB6S Eng Prod 06 12 13 - Final para Graficalyceumonline.usf.edu.br/salavirtual/documentos/2602.pdf · universidade sÃo francisco curso de engenharia de produção jonathan felipe