Академический Документы
Профессиональный Документы
Культура Документы
Resumo
Neste artigo, apresenta-se a aplicao do controle estatstico de qualidade (CEQ) da areia de fundio na
Indstria FUNDIMISA, em Santo ngelo (RS). Foi analisada a varivel plasticidade da areia antes da
elaborao dos moldes das peas de fundio, bem como verificada a sua relao com a no-conformidade
desses moldes. Investigaram-se o desempenho e a adequao do uso tradicional dos mtodos de CEQ em
processos no- conformes, e mostrou-se o uso dos modelos de Funo de Transferncia como um complemento na aplicao de grficos de controle. O resultado desta pesquisa vir contribuir ainda mais, com
informaes de grande importncia, para a tomada de deciso de indstrias de fundio locais, pois uma
forma de se fazer monitorao contnua, possibilitando melhora no controle do sistema.
Palavras-chave: CEQ, sries temporais, regresso Poisson e funo de transferncia.
1. INTRODUO
A metodologia tradicional de controle estatstico
de qualidade (CEQ) baseada em uma suposio fundamental de que as observaes so independentes e
identicamente distribudas (i.i.d), entretanto os dados nem
sempre so independentes. Quando um processo segue
um modelo adaptvel, ou quando o processo uma funo determinstica, os dados sero autocorrelacionados
(ALWAN; ROBERTS, 1998).
Ao se encontrar dados autocorrelacionados numa
monitorao do processo, necessrio, primeiro, decidir
se uma causa especial ou parte de uma causa comum
de variabilidade. Se a autocorrelao provm de uma
causa especial, uma tentativa deve ser tomada para elimin-la, mas se provm de uma parte inerente da causa
comum de variabilidade e no puder ser eliminado, ento
se deve explicar atravs dos grficos de controle (MONTGOMERY, 1997).
O procedimento para investigar os dados contnuos com autocorrelao usar grficos de controle nos
resduos das observaes modeladas atravs de sries
temporais (ALWAN; ROBERTS, 1998); ao se analisar
os dados discretos com autocorrelao, a distribuio de
Poisson , muitas vezes, empregada. Muitos estudos temse preocupado em encontrar a regularidade dos dados,
assumindo ser um processo Poisson, e freqentemente
estes so analisados atravs dos modelos de regresso
de Poisson (BCKENHOLT, 1999).
O objetivo proposto neste artigo foi verificar o desempenho e a adequao do uso tradicional dos grficos
de controle num processo autocorrelacionado, bem como
discutir o uso das metodologias de Sries Temporais para
modelar variveis contnuas correlacionadas e a utilizao de modelos de Regresso de Poisson para modelar
variveis discretas correlacionadas. A funo de transferncia, aqui empregada nos resduos obtidos pelos modelos, permite a verificao da causalidade da srie plasticidade da areia (varivel contnua) com relao ao molde quebrado (varivel discreta).
O diferencial deste trabalho para a rea cientfica
o uso da funo de transferncia que servir para detectar relao entre duas variveis num processo produtivo, e o diferencial no setor industrial o fato de se tratar de uma forma de fazer a monitorao contnua em
dois setores, possibilitando que a equipe de produo localize as possveis causas de instabilidade no processo,
podendo controlar a etapa seguinte, de maneira a conseguir o menor nmero possvel de no-conformidade no
resultado do processo.
96
Foi utilizado o software Statistica para a modelagem dos dados, e os passos da metodologia so: testar a
normalidade dos dados; verificar a autocorrelao dos
dados; modelar os dados; aplicar a funo de transferncia; e aplicar as tcnicas do controle estatstico de processos.
2. FUNDAMENTAO
TERICA
2.1 Grficos de controle
Segundo Woodall et al. (2004) e Montgomery
(1997), para entender melhor a tcnica do CEQ necessrio ter em mente que a qualidade de um produto fabricado por um processo esteja inevitavelmente sujeita
variao, e, quando essas variaes so significantes em
relao s especificaes, corre-se o risco de se terem
produtos no-conformes, isto , que no atendem s especificaes. A eliminao de causas especiais exige uma
ao local, que pode ser tomada por pessoas prximas
ao processo. J as causas comuns exigem aes sobre o
sistema de trabalho que somente podem ser tomadas pela
administrao, visto que o processo em si consistente,
mas, mesmo assim, incapaz de atender s especificaes. Foi Walter. A. Shewhart que introduziu os grficos
de controle em 1924, com a inteno de eliminar variaes, diferenciando-as entre as causas comuns e causas
especiais. Ele fez sua primeira divulgao no livro intitulado Economic Control of Quality of the Manufactured
Product em 1931.
Considere X uma estatstica amostral que mede
uma caracterstica do processo usado para controlar as
variveis de interesse numa linha de produo. Suponha
que a mdia populacional de X seja , e o desvio-padro
populacional seja . As seguintes equaes so usadas
para descrever os trs parmetros que caracterizam os
grficos de controle de Shewhart (MONTGOMERY,
1997)
LSC = + k x
(1)
LC =
(2)
LIC = k x
(3)
em que LSC o limite superior de controle, LC a linha
central ou a mdia do processo, LIC o limite inferior de
controle do processo e k a distncia dos limites de controle at a linha central, que expressa como um mlti-
(4)
em que k a mdia no perodo k e a1, a1... so componentes aleatrias normalmente independentes com mdia zero e varincia a2 . A mdia k varia como um modelo AR(1):
k = ( 1 ) + k 1 + k
(5)
[rk ] =
o e
[Ckk ] =
em que
2
Z2
a2
1
, funo de autocorrelao parcial.
N
e .iZ
Z!
i =1
n
L = Pr( Zi / i ) =
k 1
1
1 + 2 r j2 , funo de autocorrela
N
j =1
i =1
funo
log-verossimilhana
(6)
igual
a:
log( Z )!
log( Z )! , dada
por ,
constantes e
97
= e 0 + 1x1 +...+ k xk
(7)
em que
o preditor linear, = ( 1 ,..., k ) o
vetor de parmetros desconhecidos a serem estimados e
xiT
T'
2
para o melhor ajuste 2 = ri (WANG et al., 1996).
i =1
q ( B )
s( B )
It +
a
r( B )
p( B ) t
(8)
em que:
s ( B ) = 0 1 B 2 B 2 ... s B s
98
(9)
r ( B ) = 0 1 B 2 B 2 ... r B r
(10)
q ( B ) = 0 1 B 2 B 2 ... q B q
(11)
p ( B ) = 0 1 B 2 B 2 ... p B p
(12)
com uma defasagem de b perodos. Se existir uma relao dinmica entre a entrada e a srie temporal de sada,
ento se pode modelar os valores, resultando numa reduo considervel da varincia inexplicada.
( B )
O segundo termo, ( B ) I t , o termo da interveno e identifica os perodos no tempo quando causas assinalveis esto presentes no processo. O terceiro ter-
q ( B )
mo, ( B ) at , o modelo geral ARMA, em que ( B )
p
tem p coeficientes e ( B ) , q coeficientes.
Uma vez obtido o modelo de funo de transferncia preliminar, calcula-se o rudo estimado da srie
at e identifica-se o modelo apropriado pela anlise das
funes de autocorrelao (FAC) e autocorrelao parcial (FACP) para a varivel independente xt , como tam-
X t = 11 j X t j +
j =1
12 j Z t j + t
j =1
j =1
j =1
Z t = 21 j X t j + 22 j Z t j + t
(13)
(14)
12 ( L ) = 0 = 12 ( L )
(15)
(16)
3. RESULTADOS E
DISCUSSO
Juntamente com a equipe responsvel pela gesto
da qualidade dos ensaios de areia-base para fundio, foi
feita a determinao das variveis referentes aos elementos envolvidos e, considerado as medies que mais
apresentam no-conformidade, que so: a plasticidade
em L/Pol2 da areia (varivel contnua); e o molde quebrado (nmero de no-conformes, varivel discreta).
Essas variveis foram coletadas no perodo de maro/
2004 at outubro/2004 (dados dirios).
Depois do teste de normalidade para verificar a
distribuio dos dados, foi aplicada a anlise de sries
temporais na varivel contnua e os modelos de regresso Poisson na discreta, e empregou-se a funo de transferncia para verificar a causalidade entre as variveis.
29
28
28
27
27
26
26
25
25
24
24
23
23
22
22
(17)
so as estimatir
Plasticidade
21
-20
20
40
60
80
100
120
140
160
180
200
220
240
21
260
Valores dirios
99
Histogram: Plasticidade
K-S d=,07725, p< ,15 ; Lilliefors p< ,01
Expected Normal
140
120
Funo de Autocorrelao
Plasticidade
100
80
60
No. de obs.
40
20
0
21
22
23
24
25
26
27
28
L/Pol2
Q
98,84
128,2
133,6
133,7
133,8
133,8
134,7
135,0
135,4
136,3
136,5
143,1
161,4
185,4
203,2
211,5
213,7
213,7
213,9
214,0
214,0
214,4
214,5
214,5
214,6
217,3
227,5
242,7
256,6
262,2
0
1,0
p
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
27,0
26,5
26,0
25,5
25,0
24,811
24,5
23,997
24,0
23,5
23,182
23,0
22,5
0
10
12
14
16
18
10
15
20
25
30
35
40
1,6
1,4
1,2
1,1916
1,0
0,8
0,6
,57040
0,4
0,2
0,0000
0,0
-0,2
0
10
12
14
16
10
15
20
25
30
35
40
100
Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
1,0
( 0 ,078 )
( 0 ,078 )
0 ,052 Z t 4 + at
Funo de Autocorrelao
Plasticidade: ARIMA (4,0,0) residuals;
Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
p
,9857
,9986
,9995
,9996
,9997
,9999
,8954
,8365
,8622
,6675
,7461
,7393
,4926
,2443
,2009
,2325
,2426
,2172
,2676
,3192
,2907
,2880
,3362
,3905
,4014
,4500
,3760
,3149
,2047
,2424
1,0
( 0 ,065 )
101
1,4
1,2
1,0
0,8
,78339
0,6
0,4
0,2
-,00543
0,0
-0,2
-0,4
-0,6
-,79425
-0,8
-1,0
0
10
12
14
16
18
10
Histogram of Std.Devs
15
20
25
30
35
40
45
1,6
1,4
1,2
1,1545
1,0
0,8
0,6
,55266
0,4
0,2
0,0000
0,0
-0,2
0
10
12
14
16
10
15
20
25
30
35
40
45
Ao comparar o grfico de controle X dos resduos (Figura 8) com o de controle X dos valores originais (Figura 3), nota-se que os pontos tinham um comportamento similar com seus vizinhos, e os pontos estavam distribudos de maneira bem aleatria em volta
da linha central ( X ); agora os pontos esto mais amortecidos em relao linha central ( X ). Pode-se, ento, concluir que a autocorrelao foi removida.
Quando os valores residuais foram usados, notaram-se claramente os pontos "reais" fora de controle. Esses pontos aparecem por ser somente temporrios, e em seguida os dados se restabeleceram numa
situao controlada. Isso pode ter ocorrido por uma
disfuno no momento, tal como o aparecimento de
bolhas, que ir acarretar alguma anomalia na fabricao dos moldes de areia. Uma vez desaparecido o problema, o sistema segue para o seu funcionamento nor102
NC Moldes
30
30
25
25
20
20
15
15
10
10
-5
-20
20
40
60
80
100
120
140
160
180
200
220
240
-5
260
( 33 ,11 )
Dias
30
25
20
15,205
15
( 0 ,0008 )
10
7,1714
Critrios
GL Graus
de liberdade
Valores
Valores
/GL
243
1548,10
6,37
Escala de Pearson ( )
243
1294,78
4,92
0,0000
-5
0
10 20 30 40 50 60 70 80 90
50
100
150
200
Verossimilhana
-1123,18
Critrios
GL Graus
de Liberdade
Valores
Valores
/GL
Escala da "Deviance" ( G 2 )
243
243
Escala de Pearson ( )
243
187,75
0,87
Verossimilhana
-2584,22
Coef
Coef
Erro-padro (Ep)
Coef/Ep
p val
1,98
0,024
82,5
0,000
Constante 100,42
T
0,003
Erro-padro (Ep)
Coef/Ep
p val
33,11
3,0329
0,000
0,0008
3,75
0,000
103
( 0 ,031 )
0 ,055
0 ,062
0 ,242
Na Figura 12, apresentam-se as condies de controle do processo produtivo das observaes modeladas
com os dados dos resduos da funo de transferncia.
Observa-se, depois da modelagem dos dados via funo
de transferncia, duas observaes encontram-se fora
dos limites de controle, a amostra 1 e a amostra 22.
1,5
1,0725
1,0
0,5
0,0
-,17946
-0,5
-1,0
-1,4314
-1,5
-2,0
0
10
15
20
25
30
Histogram of Ranges
10
15
20
25
30
35
40
45
5,5
5,0
4,5893
4,5
4,0
3,5
3,0
2,5
2,1704
2,0
1,5
1,0
0,5
0,0000
0,0
-0,5
0
8 10 12 14 16 18 20 22
10
15
20
25
30
35
40
45
Lag
Mdia
Coef.
Erro-padro
Tcal
0,81
0,031
26,44
Auto-regressivo
0,30
0,062
4,83
Auto-regressivo
-0,28
-0,055
5,08
Plasticidade
-0,52
-0,242
-2,15
7,0152
7
6
5
4,1918
4
3
2
1,3684
1
0
0
10
15
20
25
Histogram of Std.Devs
10
15
20
25
30
35
40
45
4,5
4,0
3,7100
3,5
3,0
2,5
2,0
1,5
1,4446
1,0
0,5
0,0000
0,0
-0,5
0
8 10 12 14 16 18 20 22
10
15
20
25
30
35
40
45
4. CONCLUSO
Neste trabalho, evidenciou-se que, quando a autocorrelao est presente nos dados, o desempenho dos
grficos de controle pode ter efeitos significativos, e os
dados no podem ser aplicados sem antes serem ajustados. Ou seja, o uso de grficos de controle inapropria-
105
5. REFERNCIAS
AL-AWADHI, S. A. Change in regime and transfer function models of
global solar radiation in Kuwait Environmental Modelling and
Software,v. 20, p. 1167-1174, 2005.
ALWAN, L.C.; ROBERT, H. V. Time series modeling for statistical
process control. Journal of Business and Economic Statistics, v.
6, p. 86-95, 1998.
BARTLETT, M. S. On the theoretical specification of sampling
proprieties of autocorrelated time series. Journal Royal Stat. Soc.,
1946.
BCKENHOLT, U. Mixed INAR(1) poisson regression models:
analyzing heterogeneity and serial dependencies in longitudinal count
data. Journal of Econometrics, v. 89, p.317-338, 1999.
BOX, G. E. P.; JENKINS, G. M. Times series analysis: forecasting
and control. San Francisco: Holden-Day, 1976.
106