universidade de sÃo paulo escola de engenharia de...

UNIVERSIDADE DE SÃO PAULO

ESCOLA DE ENGENHARIA DE LORENA

PEDRO VELLOSO

Correção de limites de especificação de uma envasadora para reduzir perdas no envase de produto líquido

Lorena

2015

PEDRO VELLOSO

Correção de limites de especificação de uma envasadora para reduzir perdas no envase de produto líquido

Monografia apresentada à Escola de

Engenharia de Lorena – Universidade de

São Paulo como requisito parcial para

obtenção do título de Engenheiro

Químico.

Orientadora: Prof. Dra. Liana Alvares

Rodrigues

Lorena

2015

AUTORIZO A REPRODUÇÃO E DIVULGAÇÃO TOTAL OU PARCIAL DESTE TRABALHO, POR QUALQUER MEIOCONVENCIONAL OU ELETRÔNICO, PARA FINS DE ESTUDO E PESQUISA, DESDE QUE CITADA A FONTE

Ficha catalográfica elaborada pelo Sistema Automatizadoda Escola de Engenharia de Lorena,

com os dados fornecidos pelo(a) autor(a)

Velloso, Pedro Correção de limites de especificação de umaenvasadora para reduzir perdas no envase de produtolíquido / Pedro Velloso; orientadora Liana AlvaresRodrigues. - Lorena, 2015. 54 p.

Monografia apresentada como requisito parcialpara a conclusão de Graduação do Curso de EngenhariaQuímica - Escola de Engenharia de Lorena daUniversidade de São Paulo. 2015Orientadora: Liana Alvares Rodrigues

1. Black belt. 2. Lean six sigma. 3. Melhoriacontínua. 4. Overfilling. I. Título. II. Rodrigues,Liana Alvares, orient.

Dedico este trabalho àquela que o tornou possível, minha mãe.

AGRADECIMENTO

Agradeço a todos aqueles que ajudaram muito ou pouco nesta monografia,Lívia, Yuri, Nicolas, Guilherme, Domingos, Graziella e em especial àquela que é a verdadeira orientadora deste trabalho, Liana.

“Não sabendo que era impossível, ele foi lá e fez.”

Jean Cocteau

RESUMO

VELLOSO, P. Correção de limites de especificação de uma envasadora para reduzir perdas no envase de produto líquido. 2015. 54 p. Monografia (TCC) – Escola de Engenharia de Lorena, Universidade de São Paulo, Lorena, 2015.

Neste trabalho foi feita a avaliação de uma oportunidade de melhoria envolvendo a redução de desperdícios no envase de um determinado produto líquido através do uso das ferramentas de Black Belt, Lean Six Sigma, determinando os novos limites de especificação para a envasadora. Para este fim, foi avaliado o funcionamento atual da envasadora e baseado nas informações obtidas, uma nova especificação de trabalho foi definida através de simulações via software Minitab 17. Esta sugestão foi submetida a testes em três lotes pilotos e foi averiguado a continuidade da estabilidade da envasadora operando com os novos limites de especificação, foi possível atingir o nível sigma de 5,14 para a especificação inferior.

Palavras-chave: Black Belt. Lean Six Sigma. Melhoria Contínua. Overfilling.

ABSTRACT

VELLOSO, P. Correction of the specification limits of a filling machine to reduce losses on liquid product's filling. 2015. 54 p. Monograph (TCC) – Escola de Engenharia de Lorena, Universidade de São Paulo, Lorena, 2015.

In this study, will be analysed an opportunity for improvement involving waste reduction in filling machine of a given liquid product using Black Belt tools, the Lean Six Sigma, defining the new specification limits for the filling machine. To achieve this objective, we measured the current work of the filling machine and based on the information obtained, a new specification was defined by simulation via the software Minitab 17. This suggestion was tested on three pilots batches and the machine presented the same stability during operation with the new specification limits, andit could reach the 5,14 level sigma.

Keywords: Black Belt. Lean Six Sigma. Continuous Improvement. Overfilling.

LISTA DE FIGURAS

Figura 1 – DMAIC versus DMADV. .......................................................................16

Figura 2 – Custo da má qualidade versus nível Sigma. ........................................17

Figura 3 – Erros por milhão de oportunidade versus nível Sigma.........................17

Figura 4 – Perdas em um sistema de valor...........................................................22

Figura 5 – Esquema de Pesquisa Ação. ...............................................................23

Figura 6 – Esquema reduzido de Pesquisa Ação. ................................................23

Figura 7 – Relação DMAIC, PDCA e Pesquisa-Ação. ..........................................24

Figura 8 – Box plot com comentários....................................................................28

Figura 9 – Sumário gráfico do processo. ..............................................................34

Figura 10 – Análise Sixpack antes do projeto. ......................................................34

Figura 11 – Análise do nível Sigma e da capabilidade do processo. ....................35

Figura 12 – Sumário gráfico do processo para o 1º lote. ......................................38

Figura 13 – Análise Sixpack para o Lote 01..........................................................38

Figura 14 – Análise do nível Sigma e da capabilidade do processo para o 1º lote.

..............................................................................................................................39


Figura 16 – Análise Sixpack.do Lote 02................................................................41


..............................................................................................................................42


Figura 19 – Teste de distribuição para o Lote 03. .................................................45

Figura 20 – Análise Sixpack para o Lote 03..........................................................45


..............................................................................................................................46

Figura 22 – Sumário gráfico do processo para os três lotes. ................................47

Figura 23 – Teste de distribuição para a análise completa. ..................................48

Figura 24 – Análise do nível Sigma e da capabilidade do processo modificado. ..48

Figura 25 – Teste de Igualdade de Variância. ......................................................49

Figura 26 – Comparação das médias por lotes.....................................................49

LISTA DE TABELAS

Tabela 1 – Defeitos por milhão de oportunidade por nível Sigma.........................16

Tabela 2 – Amostragem inicial. .............................................................................33

Tabela 3 – Amostragem 1º Lote............................................................................37

Tabela 4 – Amostragem 2º lote.............................................................................40

Tabela 5 – Amostragem 3º lote.............................................................................43

LISTA DE EQUAÇÕES

Equação 1 – Capabilidade do Processo. ..............................................................18

Equação 2 – Amostragem inicial...........................................................................18

Equação 3 – Amostragem 1º Lote. .......................................................................18

SUMÁRIO

1 INTRODUÇÃO...................................................................................................12

2 REVISÃO BIBLIOGRÁFICA..............................................................................14

3 METODOLOGIA ................................................................................................31

3.1 Método de Pesquisa .......................................................................................31

3.2 A Empresa ......................................................................................................31

3.3 O Processo do Produto...................................................................................31

4 RESULTADOS E DISCUSSÃO.........................................................................33

4.1 Lote 01 ............................................................................................................36

4.2 Lote 02 ............................................................................................................39

4.3 Lote 03 ............................................................................................................42

4.4 Análise completa.............................................................................................46

5 CONCLUSÃO....................................................................................................51

REFERÊNCIAS ....................................................................................................52

12

1 INTRODUÇÃO

O Brasil vive um momento singular, uma vez que as medidas tomadas pelos

governos federal, estadual e municipal fizeram com que a crise global, que

influencia a economia mundial desde 2008, não tivesse grande impacto no país a

curto prazo. A questão é que a longo prazo as medidas causaram uma retração da

economia e uma crise econômica e política sem expectativa de término neste ano

de 2015, e “para o conselheiro do Conselho Federal de Economia (Cofecon), Luiz

Alberto Machado, a economia só deve começar a se recuperar no ano que vem, e

o crescimento deve voltar a acontecer apenas em 2017” (POLATO; OLIVEIRA;

LAPORTA, 2015).

Neste cenário surge uma nova oportunidade de mudança de paradigmas, já

que as empresas, por questões de custo, não serão mais capazes de manter

setores da empresa funcionando como estavam, sendo em casos extremos, a

descontinuidade de setores inteiros, uma realidade. Uma política com redução de

custos e otimização de processos será a nova realidade em todos os negócios e

principalmente em grandes empresas, para que processos produtivos sejam mais

eficazes em número de produção e em custos.

A crise econômica torna imperativo minimizar prejuízos. A chave para atingir

esta meta é por aumento de lucro ou redução de desperdícios, sendo a segunda

opção a mais simples e passível de ser realizada por todos os tipos de comércios

e empresas.

Aumentar a eficiência de modo a compensar as quedas geradas pela crise e

recessão econômicas são as razões que têm feito o mercado buscar profissionais

Green Belts e Black Belts, já que são especialistas em Lean Six Sigma1, ou seja,

possuem o domínio de ferramentas para estabilizar processos, reduzindo defeitos

e eliminando os desperdícios envolvidos.

Neste cenário foi observado a possibilidade de economia na produção de um

produto líquido que será envasado em uma nova máquina envasadora líquida de

dois bicos, mais estável e confiável do que a anterior. A nova envasadora líquida

tem precisão de 3 mL, porém todas as especificações de envase da antiga

1 Nome dado a união das metodologias do Sistema de Produção Enxuta e do Seis Sigma

13

envasadora foram mantidas para a nova envasadora, pois nenhum estudo a

respeito da estabilidade de envase da máquina foi realizado.

Desta forma perde-se entre 15 e 20 mL por litro de produto envasado,

perdendo-se uma média de 900 L/ano por overfilling2. Uma vez que este mesmo

produto também possui uma apresentação de 100 mL feito a partir do mesmo lote

produtivo que a apresentação de 1L, perde-se cerca de 9000 unidades de 100 mL

ao ano, o que equivale a um pequeno lote comercial.

Este trabalho visa avaliar o comportamento da nova envasadora líquida,

utilizando a metodologia DMAIC3 e os princípios Lean Six Sigma, definindo novos

limites de especificação, reduzindo as perdas por overfilling com enchimento

desnecessário.

2 Enchimento acima do nível necessário3 D – Define M – Measure A – Analyse I – Improve C – Control

14

2 REVISÃO BIBLIOGRÁFICA

Six Sigma é uma implementação rigorosa, focada e altamente eficiente das

técnicas e princípios de qualidade comprovada. A metodologia teve sua origem na

fábrica da Motorola nos Estados Unidos em meados de 1980, sendo implementada

por Bob Galvin (PYZDEK; KELLER, 2011).

A partir da implementação dessa metodologia a Motorola tornou-se referência

em lucratividade e eficiência, ganhando inclusive premiações (PYZDEK; KELLER,

2011). Desde a sua descoberta o Six Sigma tem se disseminado e se adaptado a

todos os meios de produção, devido a sua alta versatilidade e eficiência. Mas seu

grande reconhecimento surgiu após a adoção pela General Electrics (GE) em 1996,

quando Jack Welck, o presidente da GE na época, propôs que toda a empresa

tivesse como objetivo a busca pelo nível de excelência 6 Sigma em toda a empresa:

Das linhas de produção a serviços prestados. Este foi o caso mais notório de

aplicação bem-sucedida da sistemática do Six Sigma, sendo hoje adotado como

modelo da metodologia (MARÇOLA, 2011).

Como Estrada (2012) cita em seu artigo, existem cinco principais

características que fazem com que o Six Sigma seja um excelente método para

minimizar perdas:“1. Foco no cliente: reconhecer oportunidades e eliminar problemas como definidas pelos clientes. 2. Variabilidade do processo é o mal: reconhece que a redução variação do processo melhora a capacidade para oferecer alta confiabilidade serviços de qualidade. 3. Mostre-me os números: requer decisões baseadas em dados e usa uma estrutura poderosa problema resolver. 4. Medi-la: usa um conjunto abrangente de qualidade ferramentas de medição. 5. Abordagem sustentável: proporciona benefícios em curso, quando fez parte da cultura corporativa através de faixa-preta e treinamento verdes programas cinto.” (ESTRADA, 2012).

Focada principalmente na redução de erros, desvios e falhas, a metodologia

aumenta a eficiência diminuindo os custos com retrabalhos, desperdícios e falta de

estabilidade em processos. E, com foco no cliente final, sua utilização é

rapidamente recompensada àqueles que a adotam (PYZDEK; KELLER, 2011).

Baseada na metodologia DMAIC, o Six Sigma tem uma rota clara no sentido

de se evitar que o projeto após finalizado volte ao estado inicial. A metodologia Six

Sigma já foi adaptada a tantos meios que hoje ela pode ser usada na indústria

15

alimentícia (RAO; THEJASWINI, 2013), de manufatura, de serviços e de produção

(TETTEH, 2014), sendo estes apenas exemplos de como a metodologia é versátil.

O DMAIC é definido como:“i) Definição do projeto de melhoria (D): claro estabelecimento do problema a partir dos dados base procurando-se relacioná-lo ao cliente, especificação da meta de desempenho a ser alcançada, montagem de um time de trabalho;ii) Medição do processo (M): medição do que está sendo estudado, avaliação da adequação da medida utilizada, elaboração do mapa do processo identificando suas entradas e saídas (tanto as desejadas como as indesejadas), coleta de dados para a avaliação dos pontos-chave direcionada por meio da matriz de causa e efeito;iii) Análise do processo (A): avaliação das possíveis causas e identificação das causas raízes por intermédio do FMEA e aplicação de ferramentas estatísticas;iv) Implantação da melhoria do processo (I): determinação da melhor forma de reduzir a variação identificada nas entradas, implantação da solução e confirmação da melhoria do processo;v) Controle do processo (C): estabelecimento de controles para se ter a certeza de que o problema não voltará, verificação da nova capacidade, manutenção dos processos de monitoramento e melhoria contínua”(PEREZ-WILSON, 2000).

Alguns projetos Six Sigma adotam a metodologia DMADV, muito similar com

a DMAIC, elas se diferem nas últimas duas etapas e no momento de seu uso. Essa

metodologia, trabalha da mesma maneira que o DMAIC até o fim da fase analisar.

A partir da análise, são propostos vários designs que otimizem seu processo, e

selecionado aquele que melhor cumpra com o objetivo do projeto. Depois de

definido o Design, ele deve ser verificado através de um teste piloto, e uma vez

confirmado, implementado e monitorado (BARRY, 2012).

Estas metodologias diferem segundo ao seu momento ideal de uso, segundo

a iSixSigma (c2015). A metodologia DMAIC é usada para um produto ou processo

que já existe na empresa, mas não é capaz de anteder as especificações internas

ou do cliente. Já o DMADV é utilizado para um produto ou processo que não existe

na empresa e será desenvolvido ou caso haja uma otimização previamente

realizada que ainda não cumpre com o nível de especificação estipulado. Essa

visão é confirmada por Pyzdek e Keller (2011) que reafirmam que o DMADV só

deve ser utilizado quando se trata do desenvolvimento de um novo produto ou um

novo serviço, ou um redesenho radical do processo em estudo.

A Figura 1 apresenta um fluxograma proposto por Pyzdek e Keller (2011) para

determinar quando realizar cada etapa e quando usar cada método:

16

Figura 1 – DMAIC versus DMADV.

Fonte: PYZDEK; KELLER (2011).

Mas porquê seis sigmas? O Sigma é a letra grega usado por estatísticos para representar o desvio padrão de uma amostra (PYZDEK, 2003). Quanto mais sigmas, menor o número de erro por milhão de oportunidades. Como Jannuzzi(2006) mostra, a maioria das empresas trabalha com níveis sigma entre 3 e 4, pois não adotam a metodologia Six Sigma. Esse ponto é reforçado por Pyzdek (2003)que complementa dizendo que “tradicionalmente, as empresas aceitavam níveis de desempenho de 3-Sigma ou 4-Sigma como normais, apesar de saberem que esses processos criam entre 6,2 mil e 67 mil problemas por milhão de oportunidades.” ATabela 1 mostra os defeitos por milhão de oportunidades em função do nível sigma.

Tabela 1 – Defeitos por milhão de oportunidade por nível Sigma.Nível Sigma Defeitos por milhão de oportunidade

1 Sigma 6900002 Sigma 3085373 Sigma 668074 Sigma 62105 Sigma 2336 Sigma 3,4


17

Na visão estatística, a origem e a essência da metodologia Six Sigma, pode ser

definida simplesmente como a obtenção de menos de 3,4 defeitos por milhão de

oportunidades, o que equivalente uma eficiência de 99,9997% (BAIRRÃO, 2010).

A Figura 2 apresenta em percentual o número de defeitos por nível sigma.

Figura 2 – Custo da má qualidade versus nível Sigma.


A Figura 3 apresenta a queda do número de erros por milhão de

oportunidades entre os níveis sigma três e quatro e meio:

Figura 3 – Erros por milhão de oportunidade versus nível Sigma.


A capabilidade é a origem da matemática envolvida no Six Sigma, pois é

através do cálculo de capabilidade que se estabelece a relação entre a performance

atual de um processo e suas especificações. Sendo através desses índices, que

são realizados a quantificação do potencial e da performance do processo (CHEN;

PEARN; LIN, 2003).

18

A capabilidade é usualmente dada de forma lateral (CPKs4 e CPK5i) baseada

no Limite de especificação inferior (LSL6) e no Limite de Especificação Superior

(USL7). Para seu cálculo é necessário conhecer a média do processo, seus limites

e o desvio padrão (SENVAR; TOZAN, 2010).

Para entender o cálculo usado para determinar os valores de CPK é primeiro

necessário definir a origem da capabilidade do processo, ou simplesmente CP.

Para seu cálculo é necessário conhecer apenas os limites de especificação e o

desvio padrão do processo. Conforme Equação 1 mostrada por Chen, Pearn e Lin

(2003):

= (1)

A partir dessa determinação é possível entender de onde surgem os cálculos

de CPK, pois eles dependem da média e do limite de especificação aos quais se

referem, como mostrado na Equação 2 e 3 (VANNMAN; ALBING, 2007):

= (2)

= (3)

Empresas que não adotam a metodologia Six Sigma consideram um processo

capaz se este possuir nível sigma entre três e quatro, sendo que as primeiras têm

custo de qualidade entre 25 e 40% de sua receita, enquanto empresas de nível

sigma 4 variam entre 15 e 25% seus custos devido a qualidade. Assim é incomum

encontrar um processo 5 ou 6 Sigma em uma indústria que não adota as técnicas,

mas é extremamente atrativo buscar o nível 6 Sigma, pois os custos desse nível

com defeitos são inferiores a 1% (TRAD; MAXIMIANO, 2009).

4 Capabilidade Superior5 Capabilidade Inferior6 Lower Specification Limit7 Upper Specification Limit

19

Existem várias distribuições estatísticas como por exemplo: acumulada,

binomial, de Poisson, hipergeométrica, normal e exponencial. A distribuição dos

dados se divide basicamente em duas principais: normais e não normais, de forma

que a mais encontrada em projetos Six Sigma seja a distribuição do tipo normal.

Quando esta não é facilmente encontrada, é possível transformar, muitas das

vezes, a distribuição encontrada em uma normal (PYZDEK; KELLER, 2011).

Já os dados aleatórios, não apresentam qualquer previsibilidade, Mlodinow

(2009) explica a teoria da aleatoriedade da seguinte maneira:“A teoria da aleatoriedade é fundamentalmente uma codificação do bom senso. Mas também é uma área de sutilezas, uma área em que grandes especialistas cometeram equívocos famosos e apostadores experientes acertaram de maneira infame. Para entendermos a aleatoriedade e superarmos nossas concepções equivocadas sobre ela, precisamos de experiência e de um pensamento muito cuidadoso” (MLODINOW, 2009).

A principal diferença entre um profissional Black Belt para um Green Belt é o

conhecimento de ferramentas que podem trabalhar com dados aleatórios, como

explica a Fundação Vanzolini (c2010), “Ambos são especialistas que conduzem

projetos de melhorias. Contudo, o Black Belt possui um treinamento mais profundo,

e também atua como ‘consultor interno’ em melhoria contínua.”

O Black Belt tem conhecimento de ferramentas com capacidade de

transformar dados aleatórios em dados normais para conseguir extrair as

informações necessários ou, em último caso, consegue trabalhar com estes dados

de maneira bruta.

A Global Productivity Solutions (GPS, c2014) explica a diferença entre os

profissionais da área de Lean Six Sigma baseado no conhecimento e nas funções

de cada um. Enquanto o Black Belt tem conhecimento de ferramentas de análise

que envolvem todas as distribuições mais frequentes e inclusive ferramentas de

dados aleatórios, já o Green Belt é focado em problemas de distribuição normal.

No que tange as responsabilidades de cada um, o Black Belt é, na maioria dos

casos, um profissional focado em liderar de projetos Lean Six Sigma, enquanto o

Green Belt nem sempre atua de forma integral na área e geralmente atua como

suporte.

Neste trabalho, não esperamos encontrar dados aleatórios. Entretanto, caso

isso ocorra, estes serão tratados com as devidas ferramentas de dados aleatórios,

evitando a utilização de transformadas. Uma das causas comuns a fuga da

normalidade dos dados são processos fora de controle. Uma das razões para a

20

perda de controle do processo pode ocorrer a partir do momento em que existem

um mínimo de 7 dados sequenciais do mesmo lado da média apontada no gráfico

de Intervalo de Movimento. (NOMELLINI, ET. AL. 2009)

Além do Six Sigma, o Lean Manufacturing, ou metodologia Enxuta é uma

segunda metodologia altamente usada em busca da otimização de processos, ela

é conhecida como Sistema Toyota de Produção, ou TPS (Toyota Production

System). Este modelo de produção foi criado como alternativa ao modelo de

produção em massa da Ford, o Fordismo. O TPS foi criado por Taiichi Ohno, após

a segunda guerra mundial, como uma forma de erguer a Toyota no cenário do

Japão pós guerra6 e o sistema “pode ser sintetizado pelos dois pilares que o

sustentam: ‘melhoria continua’ e ‘respeito pelas pessoas’” (LIKER, 2005).

Após a segunda guerra mundial a Toyota se encontrava numa situação difícil,

num país destruído pela guerra e a beira de fechar as portas. Foi neste cenário que

Eiji Toyoda começou uma série de mudanças internas no funcionamento da Toyota,

criando o fluxo unitário de peças (WOMACK; JONES; ROSS, 2004), transformando

todos os funcionários em auditores da qualidade e combatendo os 8 tipos de

desperdícios (LIKER, 2005). Deste modo criou-se a Cultura Toyota, uma cultura

onde todos os funcionários fazem parte do pensamento enxuto, eliminando tudo

que for desnecessário e não agregue valor ao produto na visão do seu cliente, seja

ele interno ou externo (LIKER; HOSEUS, 2009).

Os desperdícios podem ser definidos como:“1) Superprodução. Produção de itens para os quais não há demanda, o que gera perda com excesso de pessoal e de estoque e com os custos de transporte devido ao estoque excessivo.2) Espera (tempo sem trabalho). Funcionários que servem apenas para vigiar uma máquina automática ou que ficam esperando pelo próximo passo no processamento, ferramenta, suprimento, peça, etc., ou quesimplesmente não tem trabalho para fazer devido a uma falta de estoque, atrasos no processamento, interrupção do funcionamento de equipamentos e gargalos de capacidade.3) Transporte ou movimentação desnecessários. Movimento de estoque em processo por longas distancias, criação de transporte ineficiente ou movimentação de materiais peças ou produtos acabados para dentou ou fora do estoque ou entre processos.4) Superprocessamento ou processamento incorreto. Passos desnecessários para processar as peças. Processamento ineficiente devido a uma ferramenta ou ao projeto de baixa qualidade do produto, causando movimento desnecessário e produzindo defeitos. Geram-se perdas quando se oferecem produtos com qualidade superior a necessária.5) Excesso de estoque. Excesso de matéria-prima, de estoque em processo ou de produtos acabados causando lead times mais longos, obsolescência, produtos danificados, custos de transporte e de armazenagem e atrasos. Além disso, o estoque extra oculta problemas

21

como o desbalanceamento de produção, entregas atrasadas dos fornecedores, defeitos, equipamentos em conserto e longo tempo de setup (preparação).6) Movimento desnecessário. Qualquer movimento inútil que os funcionários têm que fazer durante o trabalho, tais como procurar, pegar ou empilhar peças, ferramentas, etc. caminhar também é perda.7) Defeitos. Produção de peças defeituosas ou correção. Consertar ou retrabalhar, descartar ou substituir a produção e inspecionar significam perdes de manuseio, tempo e esforço.8) Desperdício da criatividade dos funcionários. Perda de tempo, habilidades, melhorias e oportunidades de aprendizagem por não envolver ou ouvir seus funcionários” (LIKER, 2005).

Taiichi Ohno acreditava que a superprodução é o pior dos desperdícios de

uma indústria, pois acaba por gerar a maioria dos demais desperdícios. Visando

sempre a redução de desperdícios, o Sistema Toyota de Produção introduziu várias

técnicas como kaizen, diagrama de Ishikawa, kanban (ou just in time), entre outras

(LIKER, 2005). Essas técnicas têm momentos próprios para o seu uso, cada uma

é mais eficiente no combate de um dos tipos de desperdício.

Kaizen consiste em pequenas melhorias rápidas, por exemplo, layout ou

modo de produção. Gerida por equipe multifuncional, a técnica funciona no sistema

PDCA (Plan – Planejar, Do – Fazer, Check – Checar, Act – Agir) que é mais ágil

que o DMAIC.

Diagrama de Ishikawa, ou diagrama de espinha de peixe, é uma ferramenta

utilizada para determinar causa raiz de um problema. Cada uma das espinhas é um

tema e devem ser agrupadas todas as causas possíveis por tema, os principais

temas usados no diagrama de Ishikawa são: método, mão-de-obra, medição,

matérias, máquinas e meio ambiente.

Kanban é um sistema de reposição puxado, no qual os estoques são repostos

a medida em que atingem um baixo nível, evitando, assim, que ocorra acúmulo de

estoques desnecessários (LIKER, 2005).

Todos os Belts da hierarquia Lean 6 Sigma possuem treinamento nos

princípios do TPS, entretanto a menor delas, o Yellow Belt, ou White Belt, são

especialistas apenas nos princípios do TPS. Este profissional é muitas vezes

encarregado de gerir eventos Kaizen com o auxílio de um Green Belt ou Black

Belt.

22

Enquanto o Six Sigma tem o foco na redução de defeitos, o Sistema Toyota

de Produção busca eliminação de desperdícios e etapas que não agregam valor ao

seu produto, ou serviço, final. Petenate (2013) diz que:“[...] o Six Sigma tem um foco em qualidade, em diminuir a variação dos processos, enquanto o Lean possui foco no aumento da produtividade reduzindo os desperdícios e melhorando o fluxo de trabalho. Melhorar a qualidade também leva a uma melhor produtividade, mas o inverso nem sempre é verdadeiro” (PETENATE, 2013).

A Figura 4 apresenta o modo como a Produção enxuta visualiza uma

produção e remove, quando possível, o tempo sem agregação de valor:

Figura 4 – Perdas em um sistema de valor.

Fonte: LIKER (2005).

Como pode ser observado na Figura 4 o tempo de agregação de valor é muito

menor que o tempo total gasto na produção do produto final. O sistema de produção

enxuto visa remover todos estes passos que não agregam valor ao produto e que

não são essenciais.

A probabilidade e a estatística são as bases matemáticas deste trabalho, por níveis sigma serem baseados em cálculos estatísticos de desvio padrão e capabilidade8 de processo. Estes índices mostram a robustez de um processo.

Para tal estudo foi usado a Pesquisa-Ação. Essa metodologia de pesquisapode ser explicada da seguinte forma:

“A pesquisa-ação [...] abarca um processo empírico que compreende a identificação do problema dentro de um contexto social e/ou institucional, o

8 Medida de capacidade de um processo, ele será considerado capaz quando sua capabilidade for igual ou maior a um

23

levantamento de dados relativos ao problema e, a análise e significação dos dados levantados pelos participantes. Além da identificação da necessidade de mudança e o levantamento de possíveis soluções, a pesquisa-ação intervém na prática no sentido de provocar a transformação. Coloca-se então, como uma importante ferramenta metodológica capaz de aliar teoria e prática por meio de uma ação que visa à transformação de uma determinada realidade. A pesquisa-ação permite associar ao processo de investigação a possibilidade de aprendizagem, pelo envolvimento criativo e consciente tanto do pesquisador como dos demais integrantes” (KOERICH et al., 2009).

A Figura 5 ilustra o funcionamento expandido da metodologia pesquisa ação.

Figura 5 – Esquema de Pesquisa Ação.

Fonte: KOERICH et al. (2009).

Segundo Tripp (2005), a pesquisa-ação tornou-se um termo genérico aplicado

a toda tentativa de melhoria ou de investigação prática. Ou seja, quando o

pesquisador se torna agente da mudança e não apenas expectador.

Os passos da pesquisa-ação mostrados por Koerick et al. (2009) são

simplificados por Tripp (2005) da seguinte maneira:

Figura 6 – Esquema reduzido de Pesquisa Ação.

24

Fonte: TRIPP (2005).

Baseado nos conceitos explicados por Engel (2000) a pesquisa ação ocorre

quando a pesquisa se reúne a prática. Superando a lacuna criada entre a teoria e

a prática, resultando em um meio de pesquisa caracterizado pelo “dentro para fora”,

no qual o pesquisador influi e modifica àquilo que pesquisa. “O pesquisador parece-

se, neste contexto, a um praticante social que intervém numa situação com o fim

de verificar se um novo procedimento é eficaz ou não” (ENGEL, 2000).

Desta forma a metodologia de pesquisa tem relação com a metodologia Six

Sigma DMAIC, como discorre Usevicius (2004) existem ferramentas de uso comum

no processo de investigação entre um pesquisador utilizando pesquisa-ação e um

Black Belt, tais como as hipóteses, coletas de dados, planos de ação e as

habilidades necessárias para conduzir o projeto. A Figura 7 mostra a relação entre

o ciclo PDCA, o DMAIC e a pesquisa-ação:

Figura 7 – Relação DMAIC, PDCA e Pesquisa-Ação.

25

Fonte: USEVICIUS (2004).

A metodologia DMAIC foi usada por ser, conforme a ASQ9, mais precisa e

difundida dentre as metodologias Black Belt. Sendo inicialmente definido o projeto

e seu escopo, e realizadas as medições iniciais do estado sem alteração da

envasadora. Assim como prega a pesquisa-ação, o primeiro passo é a identificação

do problema (TRIPP, 2005).

A primeira fase: Definir, onde foi escolhido o projeto a ser realizado e tudo

aquilo que fazia ou não parte de seu escopo, afim de evitar a realização de mais

tarefas que as necessárias. Nesta fase também foram definidos os objetivos e o

cronograma das atividades (PYZDEK; KELLER, 2011).

Uma das principais ferramentas utilizadas no DMAIC para esta fase é o Termo

de Abertura do Projeto, que “documenta o porquê, como, o quem e o quando de

um projeto” (PYZDEK; KELLER, 2011). O Termo foi importante, porque

documentou e comunicou a todos os interessados todas as informações a respeito

9 American Society for Quality

26

do projeto. Foi essencial que o Termo de Abertura fosse bem definido pois seus

elementos, como cita Pyzdek e Keller (2011):“são extremamente inter-relacionados: à medida que o escopo aumenta, o cronograma e as entregas também se expandem. [...] Conforme o tempo do ciclo do projeto aumenta o custo tangível de sua implementação, como o custo da utilização da mão de obra material, aumentará. Os custos intangíveis do projeto também iram aumentar: a frustação causada pela ausência de progresso, o desvio da força de trabalho para outras atividades e o atraso na realização dos benefícios do projeto, apenas para citar alguns” (PYZDEK; KELLER, 2011).

Outra ferramenta usualmente utilizada nesta etapa foi a Estrutura Analítica do

Projeto (EAP), como um recurso para definir os produtos intermediários e finais do

projeto. “A definição de tarefas de um projeto é, em geral, complexa e realizada por

meio de uma série de decomposições seguidas por uma série de agregações.”

(PYZDEK; KELLER, 2011).

Um projeto Six Sigma tem como foco em três vertentes principais: custo,

qualidade e cronograma (PYZDEK; KELLER, 2011). No quesito qualidade, não

poderia ocorrer envase de frascos com volume abaixo do limite mínimo de 1000

mL, em relação a custo está a economia do volume excedente envasado definido

através de simulações utilizando o software Minitab 17, e no critério de cronograma

tem-se a data limite para a entrega deste trabalho.

Para este projeto foi escrito um Termo de Abertura do Projeto e entregue na

empresa onde o projeto foi executado. Definiu-se o projeto do Overfilling da nova

envasadora como o projeto a ser realizado, com amostragem ao longo de 3 lotes

comerciais de produto para testar os diferentes operadores e situações. Assim

como prega a pesquisa-ação, que é situacional, ou seja, ela busca diagnosticar e

resolver um único problema em especifico (ENGEL, 2000).

Uma vez concluída a fase Definir, foi iniciada a fase Medir. Esta fase consistiuem recolher as amostragens necessárias aos cálculos estatísticos do projeto. Tais medições ficaram estabelecidas em um universo de 240 amostras que ocorreram em 3 lotes comerciais diferentes, retirando 80 amostras consecutivas por lote. Em todas as idas ao gemba10 o Black Belt avaliou os eventuais desperdícios na linha e se era possível eliminá-los com quick hits11, os resultados serão expostos no tópico Resultados e Discursões.

Pyzdek e Keller (2011) fazem a seguinte afirmação sobre medição:

10 Termo usada pela Toyota para “chão de fábrica”, área produtiva11 Ações rápidas que não necessitam de um projeto para ocorrerem

27

“Podemos declarar que a qualidade começa com a medição, ou seja, só é possível estabelecer uma discussão significativa quando a qualidade é quantificada. Do ponto de vista conceitual, a medição é algo bastante simples: a medição é a atribuição de números aos fenômenos observados de acordo com determinadas regras. A medição é um requisito de todas as ciências, incluindo a ciência do gerenciamento” (PYZDEK; KELLER, 2011).

Segundo Pyzdek e Keller (2011) as principais definições necessárias para o

processo de medição são:

Tendência – é a diferença entre a média das medições realizadas e o valor

padrão referência conhecido. Quando utilizado para inspeção do tipo atributo

(passa ou não passa) a tendência está ligada a capacidade de o sistema de

inspeção por atributo garantir a execução em relação ao padrão de inspeção

definido.

Repetitividade – é a capacidade de um avaliador medir uma mesma

característica de um mesmo item usando um mesmo instrumento e obter

sempre o mesmo resultado. “A variação obtida quando o sistema de medição

é aplicado repetidamente sob as mesmas condições é geralmente causada

por condições inerentes ao sistema de medição”.

Reprodutibilidade – é a capacidade de dois ou mais avaliadores medirem

uma mesma característica de um mesmo item usando um mesmo instrumento

e obter sempre o mesmo resultado.

Estabilidade – é definida como a variação de uma medição de um

instrumento em um padrão ao longo do tempo. Um instrumento se mostrará

estável se obtiver a mesma medida do padrão em diferentes períodos.

Linearidade – “a diferença nos valores da tendência ao longo do campo de

operação esperado para o instrumento de medição”.

A relação moderna da calibração pode ser resumida de forma sucinta como:“Historicamente, a calibração tem sido a abordagem padrão para reduzir os efeitos da tendência, há muito tempo considerada a principal fonte dos erros de medição. A análise moderna dos sistemas de medição cai muito além da calibração. Um instrumento pode se mostrar perfeitamente preciso ao avaliar um padrão e ainda assim ser completamente inaceitável para medir um produto ou controlar um processo” (PYZDEK; KELLER, 2011).

Após a medição, como prega a pesquisa-ação, foi feita a sua análise que nada

mais é que seguir os passos da fase Analisar da metodologia DMAIC. Esta fase

tem como principais objetivos: examinar o fluxo de valor para identificar maneiras

28

de eliminar a lacuna entre o desempenho atual e o desejado, e descobrir as fontes

de variação que causam esta lacuna e, por fim, determinar as pequenas entradas

do processo que influenciam significantemente seu resultado.

Como a fase de análise na pesquisa-ação é voltada a busca da melhoria no

processo, quando o problema já é conhecido esta etapa ocorre de maneira rápida.

(FEITOR; SILVA FILHO; SOUZA, 2013). Como foi o caso deste trabalho, que a

causa já era conhecida, mas mesmo assim todo o estudo dos valores medidos foi

realizado para fazer a confirmação da hipótese levantada.

Nesta fase foram utilizadas várias ferramentas estatísticas diferentes, que

serão citadas e explicadas a seguir.

Gráfico de box plot é utilizado para verificar a dispersão dos dados analisados,

no qual a faixa entre o 25º ao 75º percentis destes dados fica representada dentro

de uma barra larga. Quão mais próximas são as extremidades da barra larga entre

si, menor a dispersão de dados (LIKER, 2005).

Figura 8 – Box plot com comentários.


29

Os testes de normalidade servem para confirmar se os dados são normais.

No caso de os dados serem aleatórios, é necessário transformá-los em dados

normais para que todas as ferramentas estatísticas possam ser aplicadas a eles,

ou fazer uso apenas de ferramentas que se adaptem as distribuições que mais se

aproximam da encontrada.

Análise de variância (ANOVA) é um conjunto de ferramentas usada para

definir se existe diferença significativa entre grupos. No caso deste projeto será

utilizada afim de garantir que todos os dias de amostragem obtiveram resultado

satisfatoriamente semelhantes, utilizando o Teste de Igualdade das Variâncias.

Caso os dados utilizados para o teste tenham passado no teste de Anderson-

Darling, eles são normais e, portanto, deve-se usar o P-Value do teste de Bartlett.

Caso contrário, deve-se usar o P-Value do teste de Levene (PYZDEK; KELLER,

2011).

Por fim, será testado o nível Sigma do processo e seus Defeitos por Milhão

de Oportunidade (DMPO), que no caso deste trabalho devem ser zero para o Limite

de Especificação Inferior com nível sigma de 6. Para isso todas as 240 amostras

serão analisadas juntas para se obter o resultado mais preciso.

A Quarta e penúltima fase, Incrementar, ou Improve do inglês, tem como

principal objetivo implementar a melhoria no sistema de forma definitiva. É nessa

fase que o pesquisador atuará sobre o objeto estudado, aplicando a melhoria

analisada nas etapas anteriores (FEITOR; SILVA FILHO; SOUZA, 2013).

Como a melhoria a ser implementada neste trabalho é uma alteração nos

valores definidos para as especificações, LSL e USL, e para o set point da

envasadora, nenhuma ferramenta especifica foi utilizada nesta fase.

A fase Controlar é a última e tem como finalidade garantir estatisticamente

que os novos limites de especificação atendem aos requisitos necessários à sua

implementação e desenvolver e implementar um plano de controle para assegurar

a manutenção da alteração. Como explica Pyzdek e Keller (2011):“Embora o design já tenha sido avaliado minuciosamente, nada substitui a validação. A equipe deveria garantir que seus procedimentos operacionais, treinamento de operador, materiais, sistema de informação etc. realmente produzam os resultados previstos. [...] Indicadores são coletados e analisados através de análises CEP para determinar se as previsões CTQ são razoavelmente precisas sob as condições reais”(PYZDEK; KELLER, 2011).

30

Para realizar este controle, seriam utilizados conceitos de Controle

Estatísticos de Processos (CEP), definidos por Pyzdek e Keller (2011):“O conceito central no controle estatístico de processo (CEP) é o de que todo fenômeno mensurável é uma distribuição estatística. Em outras palavras, um conjunto de dados observado constitui uma amostra dos efeitos de causas comuns desconhecidas. Acontece que, após termos feito de tudo para eliminar as causas especiais de variações, ainda restará uma determinada quantidade de variabilidade exibindo o estado do controle” (PYZDEK; KELLER, 2011).

Os Gráficos de Controle de CEP (Controle Estatístico de Processo) são

usados para ter controle sob as variações comuns ao processo, fornecendo

“estimativas da situação do processo (ou seja, sua média ou mediana) e sua

variação (ou seja, o desvio padrão do processo)” (PYZDEK; KELLER, 2011).

Fazendo uso das ferramentas estatísticas, avalia-se o quanto o processo

desvia da média estabelecida, observando se o processo mantém o desvio padrão

e a variância desejados.

Após a realização bem-sucedida de todas as etapas, o trabalho foi encerrado

e a aplicação da melhoria analisada. Até o fim da etapa de controle não é possível

garantir que a melhoria permanece estável e funcionando.

31

3 METODOLOGIA

3.1 Método de Pesquisa

Neste Trabalho de Conclusão de Curso foi feita uma abordagem quantitativa em campo, onde foram colhidos os dados necessários a realização dos cálculos a fim de se cumprir os objetivos estabelecidos. Para isto foi utilizada a metodologia tipo Pesquisa-Ação em conjunto com a metodologia DMAIC conforme explicado notópico 2 Revisão Bibliográfica, páginas 22 a 29.

3.2 A Empresa

Este trabalho foi executado em uma empresa de médio porte com cerca de

100 funcionários localizada no vale do paraíba cujo os principais produtos são

pesticidas agrários comercializados em diversos tamanhos.

3.3 O Processo do Produto

A formulação do produto ocorre em um tanque de 4000 litros no dia anterior

ao envase. Os operadores que realizam a formulação não participam do envase de

produtos.

No dia seguinte à formulação e após a liberação da linha para o envase os

operadores abrem as válvulas e acionam a bomba de alimentação da envasadora.

A partir de então a própria envasadora, através de um sensor de nível, controlará

o nível de produto em seu tanque.

Compete ao operador posicionar um frasco vazio em cima da balança e

embaixo do bico de envase. A envasadora realiza a tara do frasco e enche o frasco

medindo o peso até o set point definido. Como a densidade é conhecida a medição

32

é realizada por peso e não por volume. Após o termino a envasadora fecha o bico

de envase e o operador deve posicionar o frasco na esteira localizada entre os

bicos.

33

4 RESULTADOS E DISCUSSÃO

Inicialmente foram colhidos os dados da envasadora com os limites atuais

originários da especificação utilizada na antiga máquina, para isso foi usado uma

balança analítica com duas casas decimais de precisão. E a partir deles foi

calculado o nível Sigma do processo atual utilizando o software Minitab 17, estes

dados estão na Tabela 2 e nas Figuras 9, 10 e 11.

Tabela 2 – Amostragem inicial.Bico Peso Líquido (mL) Bico Peso Líquido (mL) Bico Peso Líquido (mL) Bico Peso Líquido (mL)

1 1013,20 2 1012,05 1 1010,28 2 1011,722 1012,92 1 1011,28 2 1012,10 1 1011,731 1012,17 2 1011,76 1 1012,73 2 1011,062 1011,58 1 1011,19 2 1012,68 1 1012,101 1011,94 2 1011,98 1 1013,05 2 1012,862 1012,44 1 1010,83 2 1012,40 1 1011,221 1010,87 2 1011,33 1 1011,55 2 1010,852 1010,73 1 1011,03 2 1012,20 1 1011,631 1012,47 2 1010,91 1 1011,63 2 1010,852 1011,35 1 1011,66 2 1011,14 1 1012,591 1012,09 2 1011,70 1 1011,55 2 1013,122 1012,09 1 1011,11 2 1009,79 1 1011,881 1011,72 2 1011,55 1 1011,88 2 1011,722 1010,97 1 1011,53 2 1009,55 1 1012,601 1012,33 2 1011,86 1 1011,41 2 1011,122 1011,29 1 1011,53 2 1011,50 1 1013,611 1011,23 2 1012,24 1 1013,06 2 1011,192 1010,30 1 1011,61 2 1010,51 1 1013,381 1012,05 2 1011,43 1 1011,64 2 1011,722 1012,06 1 1012,44 2 1010,66 1 1011,711 1011,82 2 1011,50 1 1012,58 2 1012,102 1011,48 1 1011,26 2 1011,85 1 1010,741 1012,08 2 1011,97 1 1011,48 2 1012,422 1011,52 1 1011,41 2 1011,80 1 1010,011 1011,58 2 1012,23 1 1009,74 2 1011,692 1011,41 1 1011,48 2 1012,05 1 1012,081 1011,03 2 1011,35 1 1011,89 2 1012,102 1011,19 1 1011,52 2 1012,39 1 1012,061 1012,63 2 1012,18 1 1010,78 2 1012,222 1012,01 1 1011,11 2 1012,25 1 1013,341 1012,17 2 1011,10 1 1010,90 2 1011,822 1012,56 1 1012,45 2 1011,96 1 1012,751 1011,00 2 1012,21 1 1011,29 2 1011,99

Fonte: próprio autor.

34

Figura 9 – Sumário gráfico do processo.


Figura 10 – Análise Sixpack antes do projeto.


1st Quartile 1011,3Median 1011,73rd Quartile 1012,2Maximum 1013,6

1011,6 1011,8

1011,6 1011,9

0,7 0,8

A-Squared 0,34P-Value 0,483

Mean 1011,7StDev 0,7Variance 0,5Skewness -0,185441Kurtosis 0,559935N 132Minimum 1009,6

Anderson-Darling Normality Test

95% Confidence Interval for Mean

95% Confidence Interval for Median

95% Confidence Interval for StDev

1013,251012,501011,751011,001010,251009,50

Median

Mean

1011,91011,81011,71011,6

95% Confidence Intervals

Summary Report for Peso Líquido

131118105927966534027141

1014

1012

1010Indi

vidu

al V

alue

_X=1011,722

UCL=1013,928

LCL=1009,517

131118105927966534027141

2

1

0

Mov

ing

Rang

e

__MR=0,829

UCL=2,709

LCL=0

130125120115110

1014

1012

1010

Observation

Valu

es

1020,25

1017,50

1014,7

5

1012,00

1009,25

1006,50

1003,75

1001,00

LSL 1000Target 1012USL 1020

Specifications

LSL Target USLOverallWithin

101410121010

StDev 0,7352Cp 4,53Cpk 3,75PPM 0,00

WithinStDev 0,7377Pp 4,52Ppk 3,74Cpm 3,38PPM 0,00

OverallOverall

Within

Specs

Process Capability Sixpack Report for Peso LíquidoI Chart

Moving Range Chart

Last 25 Observations

Capability Histogram

Normal Prob PlotAD: 0,344, P: 0,483

Capability Plot

35

Figura 11 – Análise do nível Sigma e da capabilidade do processo.


Nesses gráficos é possível observar que se trata de dados Normais, esta informação é extraída da Figura 9 e 10, através do teste de Anderson-Darling cujo valor da variável P-Value12 tem valor superior a 0,05 o que nos permite fazer essa observação.

Observando a Figura 11 pode-se inferir que a envasadora é muito robusta para a especificação aplicada à ela, de 1000 a 1020 mL, pois seu nível Sigma é de 11,26, valor artificialmente alto devido aos limites de especificação. Além disso, seu set point13, fixado pela empresa em 1012 mL, poderia ser mais baixo, pois seu desvio padrão é muito baixo.

Ainda usando o Minitab 17, foram realizadas simulações para determinar o volume de envase apropriado para esta envasadora, e chegou-se à conclusão que o set point em 1004 mL bastaria para que o nível 6 Sigma fosse atingido. Entretanto,para garantir que o cliente receba o produto final especificado de 1000 mL, definiu-se 1005 mL como volume a ser usado no projeto, usando os 4 mL estimados e 1mL adicional.

12 É a variável de teste de hipótese que aponta se a hipótese nula ou alternativa é a verdadeira13 Valor alvo pré-definido

1020,2

5

1017,5

0

1014,7

5

1012,0

0

1009,2

5

1006,5

0

1003,7

5

1001,0

0

LB 1000Target *USL 1020Sample Mean 1011,72Sample N 132StDev(Overall) 0,737667StDev(Within) 0,735161

Process Data

Z.Bench 11,22Z.LB *Z.USL 11,22Ppk 3,74Cpm *

Z.Bench 11,26Z.LB *Z.USL 11,26Cpk 3,75

Potential (Within) Capability

Overall Capability

PPM < LB 0,00 * *PPM > USL 0,00 0,00 0,00PPM Total 0,00 0,00 0,00

Observed Expected Overall Expected WithinPerformance

LB USLOverallWithin

Process Capability Report for Peso Líquido

36

Com este novo set point, será necessário definir os novos limites de especificação. Estabelecendo-se 4 mL como amplitude aceitável, o LSL ficou definido em 1000 mL e o USL em 1009 mL.

As amostras dos três lotes foram colhidas nos momentos considerados mais

críticos para a análise: o início, meio e fim do envase. Estes foram definidos para

se amostrar o topo, meio e fundo do produto formulado. Retirou-se 80 amostras

seguidas por lote a pedido da empresa. O intuito dessa abordagem é garantir o

maior número de cenários possíveis e conferir que não ocorreram variações

significativas ao longo do processo de envase, como, por exemplo, variação de

densidade. Outra estratégia adotada para garantir um resultado mais preciso foi

colher amostras em três lotes diferentes com operadores diferentes, assim buscou-

se certificar que, mesmo com alterações de lotes e operadores, o processo se

manterá estável.

O valor de 80 frascos por lote foi estabelecido através da NBR 5426/1985 que,

para o nível I, com o tamanho dos lotes avaliados, estabelece 80 amostras por lote

estudado. Mas diferente do permitido pela NBR 5426/1985, que diz que a

amostragem pode apresentar até três frascos com desvio não crítico, a aprovação

do estudo da envasadora será definida ao final do trabalho pelas conclusões

obtidas através das análises realizadas através do software Minitab 17.

Os lotes foram analisados individualmente após cada execução e, ao final do

trabalho, estes foram analisados de forma coletiva, conforme descrito nos próximos

tópicos.

4.1 Lote 01

No primeiro lote foram colhidos os 80 frascos iniciais do envase. A máquina

teve o setup realizado para o valor definido anteriormente usando o software

Minitab 17, 1005 mL, e o envase foi realizado normalmente. As 80 amostras foram

divididas sendo 40 no bico 1 e 40 no bico 2, assim como foi feito na amostragem

inicial com o antigo set point.

A Tabela 3 mostra os valores obtidos na primeira amostragem.

37

Tabela 3 – Amostragem 1º Lote.Bico Peso Líquido (mL) Bico Peso Líquido (mL)

1 1005,40 1 1003,892 1004,76 2 1006,711 1006,96 1 1005,372 1004,51 2 1005,211 1004,92 1 1006,392 1004,51 2 1005,581 1005,56 1 1006,112 1004,72 2 1005,401 1004,72 1 1006,792 1004,58 2 1003,521 1002,88 1 1005,162 1005,52 2 1005,981 1005,98 1 1006,152 1005,46 2 1006,741 1005,70 1 1006,152 1002,65 2 1006,601 1005,05 1 1005,622 1006,87 2 1003,591 1005,25 1 1005,602 1004,01 2 1005,121 1005,62 1 1005,502 1006,57 2 1004,281 1004,26 1 1005,972 1006,33 2 1005,191 1004,13 1 1005,022 1005,33 2 1005,731 1005,19 1 1005,222 1006,56 2 1005,451 1006,33 1 1004,882 1004,95 2 1005,031 1005,54 1 1006,252 1004,91 2 1004,901 1005,57 1 1005,342 1004,99 2 1005,991 1005,70 1 1005,132 1003,61 2 1005,121 1004,65 1 1004,892 1005,29 2 1005,211 1006,31 1 1006,052 1005,12 2 1011,71


Os dados apresentaram todos acima do limite de 1000 mL, entretanto apenas essa observação não é capaz de mostrar se a envasadora é robusta com este novo

38

limite. Sendo assim, foi feita uma análise estatística dos dados. A Figura 12apresenta o sumário gráfico do processo.

Figura 12 – Sumário gráfico do processo para o 1º lote.


Figura 13 – Análise Sixpack para o Lote 01.



1005,1 1005,5

1005,2 1005,5

0,8 1,1







10071006100510041003

Median

Mean

1005,61005,51005,41005,31005,21005,1


Summary Report for liquido 1

736557494133251791

1008

1006

1004

Indi

vidu

al V

alue

_X=1005,323

UCL=1008,051

LCL=1002,596

736557494133251791

3,0

1,5

0,0

Mov

ing

Rang

e

__MR=1,025

UCL=3,351

LCL=0

8075706560

1006

1005

1004

Observation

Valu

es

1008,01006,51005,01003,51002,01000,5

LSL 1000USL 1009

Specifications

LSL USLOverallWithin

1008100610041002

StDev 0,9091Cp 1,65Cpk 1,35PPM 26,24

WithinStDev 0,8906Pp 1,68Ppk 1,38Cpm *PPM 18,28

OverallOverall

Within

Specs

Process Capability Sixpack Report for liquido 1I Chart

Moving Range Chart




Capability Plot

39

A Figura 12 e 13 confirmam a normalidade dos dados e a partir disso, é

possível inferir com 95% de precisão que a média está entre 1005,1 e 1005,5

mL e a mediana de 1005,2 a 1005,5 mL, o que nos mostra que a envasadora

manteve a média no set point definido e permaneceu centrada nele. Além disso,

o desvio padrão máximo ficou em 1,1 mL indicativo de que a máquina é estável.

A Figura 14 apresenta o gráfico de análise de capabilidade encontrada neste

lote. Para este estudo apenas o limite inferior é relevante, ele não pode ser

ultrapassado pois implicaria em multa para a companhia. O gráfico mostra que o

nível Sigma está em 5,98 e com aproximadamente 0 chances de erro no limite

inferior.



4.2 Lote 02

No lote 2 os dados foram colhidos no meio do envase. Novamente foram

colhidos 80 frascos consecutivos em bicos alternados. A Tabela 4 apresenta os

resultados obtidos.

1008,01006,51005,01003,51002,01000,5

LSL 1000Target *USL 1009Sample Mean 1005,32Sample N 80StDev(Overall) 0,890641StDev(Within) 0,909115

Process Data

Z.Bench 4,13Z.LSL 5,98Z.USL 4,13Ppk 1,38Cpm *

Z.Bench 4,04Z.LSL 5,86Z.USL 4,04Cpk 1,35


Overall Capability

PPM < LSL 0,00 0,00 0,00PPM > USL 0,00 18,28 26,24PPM Total 0,00 18,28 26,24



Process Capability Report for liquido 1

40

Tabela 4 – Amostragem 2º lote.Bico Peso Líquido (mL) Bico Peso Líquido (mL)

1 1005,23 1 1004,632 1004,35 2 1004,751 1005,28 1 1006,242 1004,77 2 1006,071 1006,79 1 1005,542 1004,79 2 1006,941 1006,23 1 1004,992 1005,08 2 1005,681 1005,48 1 1004,842 1004,11 2 1005,591 1004,93 1 1006,422 1005,88 2 1004,231 1006,01 1 1005,742 1006,05 2 1004,111 1006,06 1 1005,052 1005,25 2 1004,141 1006,76 1 1004,592 1004,00 2 1005,261 1006,13 1 1005,822 1004,03 2 1006,761 1005,93 1 1002,912 1006,54 2 1005,101 1004,84 1 1007,022 1004,99 2 1004,561 1005,23 1 1004,632 1004,59 2 1005,101 1004,75 1 1004,382 1004,18 2 1004,871 1005,24 1 1007,182 1006,01 2 1005,331 1005,74 1 1005,142 1004,88 2 1005,381 1005,44 1 1006,352 1004,96 2 1004,991 1004,78 1 1004,692 1004,16 2 1004,591 1003,95 1 1005,162 1004,88 2 1005,941 1005,99 1 1004,502 1007,36 2 1005,71


A partir da análise das informações presentes nas Figuras 15 e 16 notamos que os dados são normais através do valor de P-value que é maior do que 0,05. A

41

média e a mediana neste lote se mantiveram estáveis próximo a 1005 mL, como ocorreu no primeiro lote.



Figura 16 – Análise Sixpack.do Lote 02



1005,1 1005,5

1005,0 1005,4

0,8 1,0


Mean 1005,3StDev 0,9Variance 0,8Skewness 0,250450Kurtosis -0,046488N 80Minimum 1002,9





10071006100510041003

Median

Mean

1005,51005,41005,31005,21005,11005,01004,9



736557494133251791

1008

1006

1004

Indi

vidu

al V

alue

_X=1005,282

UCL=1007,927

LCL=1002,637

736557494133251791

4

2

0

Mov

ing

Rang

e

__MR=0,994

UCL=3,249

LCL=0

8075706560

1008

1006

1004

Observation

Valu

es

1008,01006,51005,01003,51002,01000,5

LSL 1000USL 1009

Specifications


1008100610041002

StDev 0,8816Cp 1,70Cpk 1,41PPM 12,35

WithinStDev 0,8669Pp 1,73Ppk 1,43Cpm *PPM 8,96

OverallOverall

Within

Specs

1


Moving Range Chart




Capability Plot

42

O valor mínimo obtido (1002,9 mL) foi um valor isolado quando observamos o

histograma da Figura 16. Para comprovar isso analisaremos a capabilidade e o

nível sigma do lote na Figura 17.



Novamente o nível Sigma do processo para o lote 2 para o LSL é de 5,99 com

aproximamente zero erros por milhão de oportunidades, assim como ocorreu com

o lote 1 a envasadora se comportou dentro do esperado, com nível sigma proximo

de seis.

4.3 Lote 03

No último lote as 80 amostras foram colhidas no fim do envase, dessa forma

cobriu-se o último ponto crítico estabelecido. A Tabela 5 apresenta os dados

amostrados.

1008,01006,51005,01003,51002,01000,5

LSL 1000Target *USL 1009Sample Mean 1005,28Sample N 80StDev(Overall) 0,866871StDev(Within) 0,881611

Process Data

Z.Bench 4,29Z.LSL 6,09Z.USL 4,29Ppk 1,43Cpm *

Z.Bench 4,22Z.LSL 5,99Z.USL 4,22Cpk 1,41


Overall Capability

PPM < LSL 0,00 0,00 0,00PPM > USL 0,00 8,96 12,35PPM Total 0,00 8,96 12,35



Process Capability Report for liquido 2

43

Tabela 5 – Amostragem 3º lote.Bico Peso Líquido (mL) Bico Peso Líquido (mL)

1 1005,23 1 1004,632 1004,35 2 1004,751 1005,28 1 1006,242 1004,77 2 1006,071 1006,79 1 1005,542 1004,79 2 1006,941 1006,23 1 1004,992 1005,08 2 1005,681 1005,48 1 1004,842 1004,11 2 1005,591 1004,93 1 1006,422 1005,88 2 1004,231 1006,01 1 1005,742 1006,05 2 1004,111 1006,06 1 1005,052 1005,25 2 1004,141 1006,76 1 1004,592 1004,00 2 1005,261 1006,13 1 1005,822 1004,03 2 1006,761 1005,93 1 1002,912 1006,54 2 1005,101 1004,84 1 1007,022 1004,99 2 1004,561 1005,23 1 1004,632 1004,59 2 1005,101 1004,75 1 1004,382 1004,18 2 1004,871 1005,24 1 1007,182 1006,01 2 1005,331 1005,74 1 1005,142 1004,88 2 1005,381 1005,44 1 1006,352 1004,96 2 1004,991 1004,78 1 1004,692 1004,16 2 1004,591 1003,95 1 1005,162 1004,88 2 1005,941 1005,99 1 1004,502 1007,36 2 1005,71


44

Com exceção de algum pontos com valores próximos a 1007, todos os valores se mantiveram estáveis. Isso pode ver verificado com mais precisão através daFigura 18, como nos ultimos 2 lotes a média e a mediana se encontram centradas no set point de 1005 com desvio padrão inferior a 1 mL.



O valor de P-value nos mostra que os dados são não normais e por isso um

teste foi realizado para determinar qual a distribuição que mais se assemelha a

distribuição dos dados.

Neste trabalho optou-se por trabalhar com os dados na forma da distribuição

que mais se assemelhar a distribuição dos dados, ou seja, não foram realizadas

transformações nos valores. A Figura 19 mostra que os dados são semelhantes a

distribuição loglogistic. A distribuição logistic foi descartada mesmo possuindo os

mesmos valores de AD e P-value, pois na quarta casa decimal o Minitab 17 acusou

que a distribuição escolhida se aproximava mais da distribuição dos dados.


1005,2 1005,5

1005,2 1005,4

0,6 0,9


Mean 1005,4StDev 0,7Variance 0,6Skewness 0,11523Kurtosis 1,10081N 80Minimum 1003,3





1007100610051004

Median

Mean

1005,51005,41005,31005,2



45

Figura 19 – Teste de distribuição para o Lote 03.


Figura 20 – Análise Sixpack para o Lote 03


1008100610041002

99,9

99

90

50

10

1

0,1

liquido 3

Perc

ent

1008100610041002

99,9

99

90

50

10

1

0,1

liquido 3

Perc

ent

513328513326513324513322

99,9

99

90

50

10

1

0,1

liquido 3 - Threshold

Perc

ent

420-2

99,9

99

90

50

10

1

0,1

liquido 3

Perc

ent

3-Parameter LoglogisticAD = 0,677 P-Value = *

Johnson TransformationAD = 0,356 P-Value = 0,451

Goodness of Fit Test

LogisticAD = 0,677 P-Value = 0,046

LoglogisticAD = 0,677 P-Value = 0,046

After Johnson transformation

Probability Plot for liquido 3Logistic - 95% CI Loglogistic - 95% CI

3-Parameter Loglogistic - 95% CI Normal - 95% CI

736557494133251791

1008

1006

1004

Indi

vidu

al V

alue

_X=1005,359

UCL=1008,059

LCL=1002,661

736557494133251791

2

1

0

Mov

ing

Rang

e

__MR=0,839

UCL=2,742

LCL=0

8075706560

1006

1005

1004

Observation

Valu

es

1008,01006,51005,01003,51002,01000,5

LSL 1000USL 1009

SpecificationsLSL USL

1008100610041002

Location 6,913Scale 0,0004063Pp 1,67Ppk 1,35PPM 137,90

Overall Overall

Specs


Moving Range Chart



Loglogistic Prob PlotAD: 0,677, P: 0,046

Capability Plot

46

Na Figura 20 foi realizado o teste de SixPack com a distribuição loglogistic.

Devido a isso, os cálculos envolvendo a capabilidade e nível sigma do processo

foram baseados nessa distribuição. No gráfico de Moving Range da Análise

Sixpack é possível observar uma sequência de 14 pontos acima da linha de média,

isso indica, confirme dito no tópico 2 Revisão Bibliográfica, na página 19 que o

processo está fora de controle, podendo ser esta a causa da perda da normalidade

dos dados.

O nível Sigma deste lote, como mostrado através da Figura 21, está em 5,96

para o limite inferior, o que implica aproximadamente 1,95 erros por milhão de

oportunidades, diferente do que foi observado nos demais lotes.



4.4 Análise completa

Após a análise dos 3 lotes, nenhuma amostra foi encontrada abaixo dos 1000

mL, porém apenas os dados estatísticos são capazes de mostrar o comportamento

1008,01006,51005,01003,51002,01000,5

LSL 1000Target *USL 1009Sample Mean 1005,36Sample N 80Location 6,9131Scale 0,000406335

Process DataZ.Bench 3,64Z.LSL 5,96Z.USL 4,04Ppk 1,35

Overall Capability

PPM < LSL 0,00PPM > USL 0,00PPM Total 0,00

Observed Performance


Exp. Overall Performance

LSL USL

Process Capability Report for liquido 3Calculations Based on Loglogistic Distribution Model

47

do universo amostrado. A análise individual mostrou que a envasadora é confiável,

pois manteve as médias e medianas iguais entre os 3 lotes e os desvios padrões

foram próximos entre si.

O gráfico da Figura 22 foi gerado a partir de todas as amostras dos 3 lotes

testados. Pela análise do gráfico observa-se que o desvio padrão ficou ainda mais

próximo variando de 0,8 a 0,9 com 95% de precisão. Enquanto a média e mediana

possuem o mesmo intervalo de valores de 1005,2 a 1005,4 mL, com variância de

0,7.

A distribuição não é normal com P-value abaixo de 0,05, por essa razão teve

de ser realizada uma análise para determinar qual distribuição mais se assemelha

a distribuição dos dados.

Figura 22 – Sumário gráfico do processo para os três lotes.


De acordo com o gráfico da Figura 23, que mostra a analise das distribuições

que mais se assemelham a distribuição dos dados, optou-se pela distribuição

Loglogistic devido ao seu maior encaixe com os dados.


1005,2 1005,4

1005,2 1005,4

0,8 0,9







100810071006100510041003

Median

Mean

1005,451005,401005,351005,301005,251005,20


Summary Report for Total

48

Figura 23 – Teste de distribuição para a análise completa.


O nível sigma final ao juntar os três lotes foi de 5,14, como mostra a Figura 24. Esse nível sigma nos diz que podem ocorrer aproximadamente 11,97 erros por milhão de oportunidade da forma como a envasadora está ajustada.

Figura 24 – Análise do nível Sigma e da capabilidade do processo modificado.


1008100610041002

99,9

99

90

50

10

1

0,1

Total

Perc

ent

1008100610041002

99,9

99

90

50

10

1

0,1

Total

Perc

ent

513322,5513320513317,5513315

99,9

99

90

50

10

1

0,1

Total - Threshold

Perc

ent

420-2

99,9

99

90

50

10

1

0,1

Total

Perc

ent

3-Parameter LoglogisticAD = 0,564 P-Value = *

Johnson TransformationAD = 0,451 P-Value = 0,272

Goodness of Fit Test

LogisticAD = 0,564 P-Value = 0,099

LoglogisticAD = 0,562 P-Value = 0,100

After Johnson transformation

Probability Plot for TotalLogistic - 95% CI Loglogistic - 95% CI

3-Parameter Loglogistic - 95% CI Normal - 95% CI

1008,751007,501006,251005,001003,751002,501001,251000,00

LSL 1000Target *USL 1009Sample Mean 1005,33Sample N 240Location 6,91306Scale 0,000468325

Process DataZ.Bench 3,34Z.LSL 5,14Z.USL 3,54Ppk 1,18

Overall Capability


Observed Performance


Exp. Overall Performance

LSL USL

Process Capability Report for TotalCalculations Based on Loglogistic Distribution Model

49

Quando realizamos o Teste de Igualdade de Variância para comparar os tres

lotes temos um P-value de 0,810, conforme a Figura 25. Esse valor além de nos

confirmar a similaridade dos lotes, também demonstra o quão próximos eles são

pois P-value está proximo a 1. A Figura 26 apresenta o gráfico comparativo das

médias.

Figura 25 – Teste de Igualdade de Variância.


Figura 26 – Comparação das médias por lotes


3

2

1

1,11,00,90,80,7

P-Value 0,810

P-Value 0,291

Multiple Comparisons

Levene’s Test

Lote

s

Test for Equal Variances: Total vs LotesMultiple comparison intervals for the standard deviation, = 0,05

If intervals do not overlap, the corresponding stdevs are significantly different.

321

1005,6

1005,5

1005,4

1005,3

1005,2

1005,1

Lotes

Tota

l

Interval Plot of Total95% CI for the Mean

b d llIndividual standard deviations were used to calculate the intervals.

50

Por fim, analisando comparativamente o intervalo das médias através do

gráfico da Figura 26, observa-se que a variação entre lotes foi muito pequena e a

média ficou praticamente estável.

51

5 CONCLUSÃO

Através dos estudos e gráficos analisados conclui-se que os lotes mantiveram

a estabilidade mesmo em momentos diferentes do envase e com lotes e

operadores distintos. O experimento como um todo apresentou dados precisos,

porém com o nível sigma atingido pelo estudo uma nova análise deverá ser

realizada a fim de se garantir que o novo limite não gere frascos envasados com

volume inferior a 1000 mL.

O estudo mostrou que os limites de especificação anteriores estavam fora da

realidade da envasadora, que uma economia no volume envasado ainda é possível

e justificável. Pois a linha abastece duas máquinas diferentes, sendo uma delas

para frascos de pequenos volumes, implicando uma maior eficiência por lote

produzido.

52

REFERÊNCIAS

BAIRRÃO, J. Implementação da metodologia 6 Sigma no processo de facturação. 2010. 164 f. Dissertação (Mestrado em Engenharia Mecânica e Industrial) – Faculdade de Ciências e Tecnologia, Universidade Nova de Lisboa, 2010. Disponível em: <http://run.unl.pt/bitstream/10362/4256/1/Bairrao_2010.pdf>. Acesso em: 29 set. 2015.

BARRY, C. The Minitab Blog. DMAIC vs. DMADV vs. DFSS. 2012. Disponível em: <http://blog.minitab.com/blog/real-world-quality-improvement/dmaic-vs-dmadv-vs-dfss>. Acesso em: 03 out. 2015.

CAMPOS, M. S. Em busca do padrão seis sigma. Revista EXAME, v. 689, n. 11,1999. Disponível em: <http://exame.abril.com.br/revista-exame/edicoes/689 /noticias/em-busca-do-padrao-seis-sigma-m0048915>. Acesso em: 02 out. 2015.

CHEN, K. S.; PEARN, W. L.; LIN, P. C. Capability measures for processes with multiple characteristics. Quality and Reliability Engineering International, v. 9, n. 2, p. 101-110, 2003.

ENGEL, G. I. Pesquisa-Ação. Educar, n. 16, p. 181-191. 2000. Disponível em: <http://www.scielo.br/pdf/er/n16/n16a13.pdf>. Acesso em: 22 nov. 2015.

ESTRADA, E. Administradores – O Portal da Administração. Artigo sobre Six Sigma. 2012. Disponível em: <http://www.administradores.com.br/artigos /economia-e-financas/artigo-sobre-six-sigma/67470/>. Acesso em: 02 out. 2015.

FEITOR, C. D. C.; SILVA FILHO, R. B.; SOUZA, I. I. L. A pesquisa-ação como estratégia metodológica para o desenvolvimento da abordagem Seis Sigma.Interface, v. 10, n. 1, p. 76-97, 2013.

FUNDAÇÃO VANZOLINI. Fundação Carlos Alberto Vanzolini. O que fazem exatamente os Green Belts (GB) e os Black Belts (BB)? C2010. Disponível em: <http://www.vanzolini.org.br/conteudo.asp?cod_fixo=30&id_menu=1128>. Acesso em: 02 out. 2015.

GPS. Global Productivity Solutions. Treinamentos para Black Belts e Green Belts.C2014. Disponível em: <http://www.gpsqtc.com.br/backup_site_antigo_14_08_08 /pro_blackbelts.asp>. Acesso em: 03 out. 2015.

53

ISIXSIGMA. Portal iSixSigma. DMAIC versus DMADV. C2015. Disponível em: <http://www.isixsigma.com/new-to-six-sigma/design-for-six-sigma-dfss/dmaic-versus-dmadv/>. Acesso em: 03 out. 2015.

JANNUZZI, G. Blog O Gerente. Introdução ao Seis Sigma. C2006. Disponível em: <http://www.ogerente.com.br/qual/dt/qualidade-dt-introducao_seis_sigma.htm>.Acesso em: 01 out. 2015.

KOERICH, M. S.; BACKERS, D. S., SOUSA, F. G. M.; ERDMANN, A. L.;ALBURQUERQUE, G. L. Pesquisa-ação: ferramenta metodológica para a pesquisa qualitativa. Revista Eletrônica de Enfermagem, v.11, n. 3, p. 717-723, 2009.Disponível em: <https://www.fen.ufg.br/fen_revista/v11/n3/v11n3a33.htm>. Acesso em: 05 out. 2015.

LIKER, J. K. O modelo Toyota. 1. ed. Porto Alegre: Bookman, 2005. 320 p.

LIKER, J. K.; HOSEUS, M. A cultura Toyota: a alma do modelo Toyota. 1. ed. Porto Alegre: Bookman, 2009. 576 p.

LIN, P. C.; PEARN W. L. Testing process capability for one-sided specification limit with application to the voltage level translator. Microelectronics Reliability, v. 42, n. 12, p. 1975–1983, 2002.

MARÇOLA, J. A.; POLITANO, P. R.; GONÇALVES, C. L.; CAMPANINI, L. Utilização do método Seis Sigma para melhoria do processo de atendimento de uma empresa de serviços: Estudo de caso em uma empresa do setor alimentício. InGePro –Inovação, Gestão e Produção, v. 3, n. 10, p. 1-11, 2011. Disponível em: <http://ingepro.com.br/Publ_2011/Out/450%20pg%2001%20-%2011.pdf>. Acesso em: 30 set. 2015.

MEDEIROS, J. B. Redação científica. 11. ed. São Paulo: Atlas, 2012.

MLODINOW, L. O andar do bêbado. 1. ed. Rio de Janeiro: Zahar, 2009.

NOMELLINI, Q. S. S.; FERREIRA, E. B.; OLIVEIRA, M. S. Estudos dos padrões de não aleatoriedade dos gráficos de controle de Shewhart: um enfoque probabilísticoGestão e Produção, v. 16, n. 3, p. 414-421, 2009. Disponível em: <http://www.scielo.br/pdf/gp/v16n3/v16n3a08>. Acesso em: 07 dez. 2015.

54

PEREZ-WILSON, M. Compreendendo o conceito, as implicações e os desafios. 1. ed. Rio de Janeiro: Qualitymark, 2000.

PETENATE, M. Escola EDTI. Lean versus Six Sigma. 2013. Disponível em: <http://www.escolaedti.com.br/lean-versus-six-sigma/>. Acesso em: 04 out. 2015.POLATO, A.; OLIVEIRA, E.; LAPORTA, T. Portal G1. Economia só melhora em 2016 e com mais investimentos, veem analistas. 2015. Disponível em: <http://g1.globo.com/economia/noticia/2015/05/economia-so-melhora-em-2016-e-com-mais-investimentos-veem-analistas.html>. Acesso em: 27 jul. 2015.

PYZDEK, T. Uma ferramenta em busca de defeito zero. HSM Management, v. 38, p. 64-70, 2003. Disponível em: <http://unimoney.tripod.com/top-adm/6sigma-3.pdf>. Acesso em: 01 out. 2015.

PYZDEK, T.; KELLER, P. Seis Sigma guia do profissional. 3. ed. Rio de Janeiro:Alfa Books, 2011.

RAO, H.G. R.; THEJASWINI, M. L. 2013. Six Sigma concept for food industry.IJETM – International Journal of Engineering Technology and Management, v.2, n. 2, p. 52-58, 2014.

SENVAR, O.; TOZAN, H. Process capability and six sigma methodology including fuzzy and lean approaches. In: FUERSTNER, I. Products and Services; from R&D to Final Solutions. 1st ed. Shanghai: InTech, 2010. 422 p.

TETTEH, E. G. Lean Six Sigma approaches in manufacturing, services, and production. 1st ed. USA: IGI Global, 2014.

TRAD, S.; MAXIMIANO, A. C. A. 2009. Seis Sigma: fatores críticos de sucesso para sua implementação. Revista de Administração Contemporânea, v. 13, n. 4, p. 647-662, 2009. Disponível em: <http://www.scielo.br/pdf/rac/v13n4/a08v13n4>. Acesso em: 05 out. 2015.

TRIPP, D. Pesquisa-ação: uma introdução metodológica. Educação e Pesquisa,v. 31, n. 3, p. 443-466, 2005. Disponível em:< www.scielo.br-/pdf/%0D/ep/v31n3 /a09v31n3.pdf> Acesso em: 22 nov. 2015.

55

USEVICIUS, L. A. Implantação da metodologia Seis Sigma e aplicação da técnica estatística projeto de experimentos na resolução de problemas e otimização de processos de fabricação. 2004. 136 f. Dissertação (MestradoProfissionalizante em Engenharia) – Escola de Engenharia, Universidade Federal do Rio grande do Sul, 2004.

VANNMAN, K.; ALBING, M. Process capability plots for one-sided specification limits. Quality Technology & Quantitative Management, v. 4, n. 4, p. 569-590, 2007.

WOMACK, J. P.; JONES, D. T.; ROSS, D. A máquina que mudou o mundo.Tradução Ivo Korytowski. 5. ed. Rio de Janeiro: Elsevier, 2004.

universidade de sÃo paulo escola de engenharia de...

Documents