MEDIÇÃO D M Estudo da Capacidade do Processo A I C Conteúdos programáticos Estudo da Capacidade do Processo 1- Distinguir limites de controlo de limites de especificação 2- Pré-requisitos do estudo da capacidade do processo 3- Determinação dos índices de capacidade do processo: Cp, Cpk, Pp, Ppk, DPMO, ppm e nível sigma de curto e longo prazo. 4- Diferenciar a variação entre grupos da variação global dos dados 5- Estudo da capacidade do processo de dados normais e não normais. I. Ferreira/C. Barros 2 Competências 1. Medir o grau de cumprimento de um processo face aos seus limites de especificação. 2. Garantir o cumprimento dos pré-requisitos para o estudo da capacidade do processo. 3. Determinar os índices de capacidade do processo. 4. Efetuar o estudo da capacidade do processo de dados normais e não normais. 5. Concretizar o tratamento de dados com recurso ao Microsoft Excel e Minitab. I. Ferreira/C. Barros 3 Bibliografia 1. Breyfogle III, F. W. (2003). Implementing Six Sigma. Smarter Solutions® Using Statistical Methods, 2nd Ed, John Wiley & Sons, USA. (ISBN: 0-471-26572-1) 2. Brook, Q. (2006). Six Sigma and Minitab®. A Complete Toolbox Guide for all Six Sigma Practitioners, 2nd Ed, QSB Consulting Ltd, UK. 3. Gupta, B. C. & Walker, H. F. (2005). Applied Statistics for the Six Sigma Green Belt, ASQ Quality Press, USA. (ISBN: 0-87389-642-4) 4. Joglekar, A. M. (2003). Statistical Methods for Six Sigma in R&D and Manufactiring, John Wiley & Sons, USA. (ISBN: 0-471-20342-4) 5. Sleeper, A. (2007). Six Sigma Distributions Modeling, McGraw-Hill, USA. (ISBN: 0-07-148278 – 4) I. Ferreira/C. Barros 4 Objetivos do Estudo da Capacidade do Processo Avaliar se um processo é capaz de cumprir os limites de especificação. Um processo capaz consegue consistentemente produzir produtos ou serviços que cumprem as especificações. I. Ferreira/C. Barros 5 Limites de Especificação e Limites de Controlo Os limites de especificação são definidos pelas pessoas/clientes e os limites de controlo são calculados com base nos dados recolhidos sobre o processo. Tolerância Largura do processo Cartas de Controlo Especificações do Processo Estabilidade do Processo Capacidade do Processo I. Ferreira/C. Barros 6 Limites de Especificação e Limites de Controlo Um processo que está sob controlo estatístico pode não ser capaz de cumprir as especificações. Por exemplo se as especificações forem 16 ± 0,5 o exemplo em baixo está totalmente fora dos limites de especificação, uma vez que existe um desvio na média. Processo Estável I. Ferreira/C. Barros Os dados não são capazes de cumprir as especificações de 16 ± 0,5 7 Pré-requisitos do estudo da capacidade do processo 1. O processo é estável ao longo do tempo (análise das cartas de controlo). 2. Os dados são normalmente distribuídos. 3. Se os dados não forem normais, deve-se transformar esses dados com recurso à Box-Cox Transformation, Johnson Transformation ou usar uma outra distribuição (ex: Weibull). Processo Estável I. Ferreira/C. Barros Os dados são normalmente distribuídos 8 Exercício: Indique qual dos processos apresenta uma maior capacidade para cumprir as especificações. I. Ferreira/C. Barros 9 Exercício: Indique a opção incorreta sobre os limites de especificação: A. A amplitude dos limites de especificação também se designa de tolerância. B. Os limites de especificação são determinados pelo desempenho do processo. C. Os limites de especificação estabelecem os limites inferior e superior aceitáveis para um dado produto ou serviço. D. Os limites de especificação podem ser negativos. I. Ferreira/C. Barros 10 Índices de Capacidade do Processo 1. Cp (Potential Capability) e Cpk (Atual Capability) (Within – Subgroup Variation) (Índices de capacidade potencial dos processos – Short Term metrics) 2. Cpm – Métrica proposta por Taguchi para o estudo da capacidade do processo (Short Term metrics) 3. Pp e Ppk (Overall Variation) (Índices que traduzem o desempenho atual do processo) (Long Term metrics) 4. ppm (partes por milhão) 5. DPMO (defeitos por um milhão de oportunidades de defeitos) 6. Nível Sigma de Curto Prazo (Short Term) e de Longo Prazo (Long Term ou Benchmark Z) I. Ferreira/C. Barros 11 Índices de Capacidade do Processo Cp e Cpk (Within – Subgroup variation) Amostra 1 Amostra 2 Amostra 3 Estimam a capacidade potencial de um processo (Process Capability) e assume-se que variabilidade nas amostras é unicamente devida à existência de causas comuns de variação, por este motivo usa-se o desviopadrão do processo (within) no seu cálculo. I. Ferreira/C. Barros Pp e Ppk (Overall variation) Estimam o desempenho do processo (Process Performance). No seu cálculo usa-se o desvio padrão de todos os valores medidos (overall), incluindo assim a variabilidade nas amostras e entre as amostras (within e between subgroup variation) 12 Índices de Capacidade do Processo Pp e Ppk (Overall variation) Cp e Cpk (Within – Subgroup variation) Amostra 1 CP Amostra 2 Amostra 3 Esp. LSE LIE 6 Esp. 6ˆ within 6ˆ within ˆ within C Pki x LIE 3ˆ within C Pk s LSE x 3ˆ within C Pk Min C Pks ; C Pki I. Ferreira/C. Barros LSE LIE Esp. PP 6ˆ overall ˆ overall PPki x LIE 3ˆ overall PPk s LSE x 3ˆ overall PPk Min PPk s ; PPk i 13 Cp e Cpk - Pp e Ppk (Resumo) Os índices Cp e Cpk representam a capacidade potencial do processo quando toda a instabilidade foi removida. Cp considera a tolerância do processo e o seu desvio-padrão, mas não tem em conta o posicionamento da média do processo. Cpk tem em conta a centralidade do processo face aos limites de especificação. Os valores de Cpk Cp. Os índices Pp e Ppk representam o desempenho atual do processo e contemplam a variabilidade entre amostras e nas amostras (within e between variation). A única diferença matemática entre os valores de Cp e Pp, e Cpk e Ppk é o desvio-padrão. Quando um processo está sob controlo estatístico os índices Cp e Pp e Cpk e Ppk serão semelhantes. Ppk Cpk Cp (geralmente). I. Ferreira/C. Barros 14 Cp e Cpk - Pp e Ppk (Resumo) Ppk < Pp < Cpk < Cp I. Ferreira/C. Barros 15 Exercício: Indique a opção correta. A. Cp assume que os dados são normalmente distribuídos enquanto Pp não. B. Cp assume que o processo é estável ao longo do tempo, mas o Pp não. C. Cp considera a variabilidade global enquanto Pp considera a variabilidade em cada amostra. D. Cp considera a variabilidade em cada amostra enquanto Pp considera a variabilidade global. I. Ferreira/C. Barros 16 Determinação do Nível Sigma Definição Estatística de 6 Sigma Sigma (letra grega minúscula ) representa, em estatística, uma medida do desvio-padrão de um processo/população. A letra s é usada para designar o desvio-padrão de uma amostra. Uma empresa que tenha um nível de qualidade igual a “6 Sigma”, significa que apresenta 3,4 defeitos ou unidades defeituosas num milhão de oportunidades de erro. I. Ferreira/C. Barros 17 Determinação do Nível Sigma Conversão do nível de defeitos (DPMO ou ppm) no nível sigma (análise gráfica) Distância entre o valor alvo e os limites de especificação se o output do processo for normalmente distribuído e tiver um nível de qualidade Seis Sigma, considerando-se ainda que a média do processo pode sofrer uma variação de 1,5 em torno do valor alvo. I. Ferreira/C. Barros 18 Determinação do Nível Sigma Calcular a % de defeitos (proporção de produtos ou serviços que não satisfazem os requisitos dos clientes) Identificar se a % de defeitos é de curto (ST) ou longo prazo (LT) (Esta definição depende do conjunto de dados) Dados Contínuos e Normais Curto Prazo %ST Cp Cpk (ST) LIE LSE Ok % Defeitos 1 YTP 1 2 3 Maus Bons 0 1 e Longo Prazo 𝑜𝑢 𝑝𝑝𝑚 = 𝑃(𝑥 > 𝐿𝑆𝐸) + 𝑃(𝑥 < 𝐿𝐼𝐸) = 𝐿𝑆𝐸 − 𝜇 𝐿𝐼𝐸 − 𝜇 =𝑃 𝑧 > +𝑃 𝑧 < 𝜎 𝜎 𝑆𝑒 𝑍 − 𝑍 = 1,5 % 𝑜𝑢 𝑝𝑝𝑚 =𝑃 𝑧 = 𝑃(𝑥 > 𝐿𝑆𝐸) + 𝑃(𝑥 < 𝐿𝐼𝐸) = 𝐿𝑆𝐸 − 𝜇 𝐿𝐼𝐸 − 𝜇 > +𝑃 𝑧 < 𝜎 𝜎 (LT) e x yield P ( x 0) e e D / U e DPU x! Z LT Z equivalente Z ~ N (0;1) DPU Defeitos % Calcular o Nível Sigma de curto (ST) e longo (LT) prazo %LT PPM DPMO P( Z Z LT ) yield Exemplo : U 467 unidades; D 5 defeitos yield e 5 / 467 0,98935 P( Z Z LT ) 0,98935 Dist.Normal Z LT 2,30 Z ST Z LT 1,5 2,30 1,50 3,80 I. Ferreira/C. Barros 19 ESTUDO DA CAPACIDADE DO PROCESSO DE VARIÁVEIS CONTÍNUAS Exercício: Diâmetro Pretende-se estabelecer um sistema de controlo estatístico para o diâmetro de uma peça de especificação 74 ± 0,05 mm, baseado em cartas de controlo da média e amplitude. Neste sentido, foram retiradas 25 amostras da linha de produção, de 4 unidades cada, em intervalos de tempo consecutivos (Montgomery, 1996). a) Verifique se a variável em estudo (diâmetro) segue uma distribuição normal. b) Verifique se o processo está "sob controlo estatístico". c) Avalie se o processo é capaz de cumprir as especificações. d) Determine os níveis sigma de curto e longo prazo deste processo. Ver Ficheiro Excel Diametros.xls I. Ferreira/C. Barros 21 Exercício: Diâmetro a) Minitab: Stat – Basic Statistics – Graphical Summary Os dados seguem uma distribuição normal de média 74,001 mm e desvio-padrão de 0,011 mm I. Ferreira/C. Barros 22 Exercício: Diâmetro b) Minitab: Stat – Control Charts – Variables Charts for Subgroups – Xbar-R Se os dados das amostras estão em colunas distintas seleccionar: Observations for a subgroup are in one row of columns Options – Estimate- Selecionar Rbar O processo está sob controlo estatístico. I. Ferreira/C. Barros 23 Exercício: Diâmetro c) Minitab: Stat – Quality Tools – Capability Analysis – Normal (Selecionar “Estimate” e “Options”) I. Ferreira/C. Barros 24 Exercício: Diâmetro c) Minitab: Stat – Quality Tools – Capability Analysis – Normal O processo é capaz de cumprir as especificações. I. Ferreira/C. Barros 25 Exercício: Diâmetro c) Estudo da Capacidade do Processo (n>1) – Análise dos Cálculos realizados pelo MINITAB StDev (Within ) R 0,02212 0,010743 d 2 ( n 4) 2,059 n StDev (Overall ) Cp 2 ( xi x ) i 1 100 1 0 ,010616 LSE LIE 74,05 73,95 1,55 6ˆ within 6 0,0107431 Cpk s CPU Cpki CPL LSE x 74,05 74,0009 1,52 3ˆ within 3 0,0107431 x LIE 74,0009 73,95 1,58 3ˆ within 3 0,0107431 Cpk minCpk s ; Cpki 1,52 I. Ferreira/C. Barros 26 Exercício: Diâmetro c) Estudo da Capacidade do Processo (n>1) – Análise dos Cálculos realizados pelo MINITAB Pp LSE LIE 74,05 73,95 1,57 6ˆ overall 6 0,010616 Ppk s PPU Ppki PPL LSE x 74,05 74,0009 1,54 3ˆ overall 3 0,010616 x LIE 74,0009 73,95 1,60 3ˆ overall 3 0,010616 Ppk minPpk s ; Ppki 1,54 Cpm Pp ( T )2 1 ˆ overall 2 1,57 (74,0009 74) 2 1 0,010616 2 1,56 Nota: Apesar de o MINITAB designar de Cpm, trata-se do Ppm, pois usa o desvio padrão de longo prazo (overall). I. Ferreira/C. Barros 27 Exercício: Diâmetro c) Estudo da Capacidade do Processo (n>1) – Análise dos Cálculos realizados pelo MINITAB “Observed Performance” é equivalente ao número de unidades que ultrapassaram os limites de especificação. Neste caso em estudo, nenhuma das 100 unidades ultrapassou os limites. ppmST P( x LSE ) P ( x LIE ) LSE LIE P z LIE P z LSE ˆ ˆ within within 74,05 74,0009 73,95 74,0009 P z LSE P z LIE 0,0107431 0,0107431 Pz LSE 4,57 Pz LIE 4,74 Calc- probability distributions- normal 1 P z LSE 4,57 P z LIE 4,74 2,43 ppm 1,07 ppm 3,50 ppm (Cálculo Excel) I. Ferreira/C. Barros 28 Exercício: Diâmetro d) Minitab: Stat – Quality Tools – Capability Analysis – Normal (Seleccionar “Estimate” e “Options”) I. Ferreira/C. Barros 29 Exercício: Diâmetro c) Minitab: Stat – Quality Tools – Capability Analysis – Normal P( Z Z ST ) 1 3,52 106 Dist.Normal Z ST 4,49 Minitab : Inverse Cumulative dist. function Excel : INV.S.NORM(1 - 3,52 106 ) 4,49 I. Ferreira/C. Barros 30 Exercício: Grau de Pureza Uma empresa pretende verificar se o grau de pureza dos seus lotes cumpre a especificação de 99,05% (Limite Inferior de Especificação). É retirada uma amostra por cada lote e registada a data e o seu grau de pureza. a) Verifique os pressupostos para a avaliação da capacidade do processo. Se necessário avalie a possibilidade de transformar os dados não normais em normais b) Estude a capacidade do processo. c) Determine os níveis sigma de curto e longo prazo deste processo. Ver Ficheiro Excel Grau de Pureza.xls I. Ferreira/C. Barros 31 Exercício: Grau de Pureza a) Minitab: Stat – Basic Statistics – Graphical Summary Graph – Probability Plot – Single Nota: Os dados não seguem uma distribuição normal, sendo necessário transformar em primeiro lugar os dados e posteriormente realizar o estudo de capacidade do processo dos dados transformados. I. Ferreira/C. Barros 32 Exercício: Grau de Pureza a) Stat – Quality Tools – Individual Distributions Identification I. Ferreira/C. Barros 33 Exercício: Grau de Pureza b) Stat – Quality Tools – Capability Analysis – Normal I. Ferreira/C. Barros 34 Exercício: Grau de Pureza b) Stat – Quality Tools – Capability Analysis – Normal (Display Capability Stats (Pp)) O processo apresenta dificuldades em cumprir as especificações, com um índice Ppk= 1,05 e 789,01 ppm. Nota: Quando os dados não são normais não existe uma definição de dados de curto prazo, é por este motivo que o MINITAB apenas apresenta os indicadores de longo prazo (Pp e Ppk). I. Ferreira/C. Barros 35 Exercício: Grau de Pureza c) Stat – Quality Tools – Capability Analysis – Normal (Display Benchmark Z’s – Sigma Level) O processo apresenta dificuldades em cumprir as especificações, com um nível sigma de 3,16. I. Ferreira/C. Barros 36 Exercício: Grau de Pureza c) Stat – Quality Tools – Capability Analysis – Normal (Display Benchmark Z’s – Sigma Level) Minitab: Calc – Probability Distributions – Normal 1-789,0110-6 I. Ferreira/C. Barros 37 ESTUDO DA CAPACIDADE DO PROCESSO DE ATRIBUTOS Ok % Defeitos 1 YTP C. Barros/I. Ferreira 1 2 Maus Bons 0 1 e DPU 3 Defeitos Determinação do Nível Sigma para a atributos Nomenclatura m Nº de etapas do processo D Nº de defeitos encontrados U Unidades Inspeccionadas OP Nº de Oportunidades de defeito/unidade TOP Nº Total de Oportunidades de Defeitos por unidade (OP×U) DPU Defeitos por unidade (D/U) DPO Nº defeitos/Nº. Total de oportunidades (D/TOP) DPMO ou ppm Nº defeitos por milhão de oportunidades (DPO×106) I. Ferreira/C. Barros 39 Determinação do Nível Sigma para a atributos Métricas relacionadas com o rendimento dos processos YTP e DPU Rendimento Throughput (TP): Defeitos/unidade: P(X=k)=e-DPU.DPU^k/k! Dist. Poisson (prob. de ter k defeitos) Se K=0 (YTP), i.e., prob de não ter defeitos: P(X=0)=e-DPU DPU ln(YTP ) m Rendimento Rolled Throughput (RT): Nº total de defeitos por unidade: Rendimento Normalizado: YRT YTPi i 1 TDPU ln(YRT ) Ynorm m YRT Defeitos por unidade normalizada: DPU norm ln(Ynorm ) Nível sigma 0,8406 29 ,37 2,221 ln( ppm ) I. Ferreira/C. Barros 40 Determinação do Nível Sigma para a atributos Exercício: Se DPU = 0,022, YRT será aproximadamente: a) 0,022 b) 0,078 c) 0,98 d) 0,098 I. Ferreira/C. Barros 41 Nível sigma 0,8406 29 ,37 2, 221 ln( ppm ) Determinação do Nível Sigma para a atributos Exercício: I. Ferreira/C. Barros Sabendo que o n.º inicial de peças é 100, o nível sigma da etapa B é: a) 2,5 b) 1,5 c) 2,7 d) 2,9 E o rendimento global combinado (RT) deste processo é: a) 0,9 b) 0,84 c) 0,91 d) 0,64 42 Estudo da Capacidade do Processo com dados de Poisson (Defeitos) Exercício: Ver Ficheiro Minitab: CP_Poisson No armazém de materiais subsidiários os lotes rececionados são inspecionados. Na tabela seguinte, apresentam-se o número de unidades inspecionadas (U) e o número de defeitos (d) encontrados por lote. Minitab: Stat – Quality Tools – Capability Analysis – Poisson I. Ferreira/C. Barros 43 Estudo da Capacidade do Processo com dados de Poisson (Defeitos) Exercício: Ver Ficheiro Minitab: CP_Poisson • A carta U evidencia causas especiais de variação, pois há pontos fora dos limites de controlo, sendo escassa a informação. • Pelo gráfico “Defect Rate” verifica-se que o número de defeitos depende da dimensão da amostra. •O “Cumulative DPU” mostra que o valor de DPU (d/U) tende a estabilizar em cerca de 16 à medida que aumenta o número de unidades inspeccionadas. •Do Histograma nada se pode concluir quanto à distribuição dos DPU’s. I. Ferreira/C. Barros 44 Estudo da Capacidade do Processo com dados Binomiais (Defeituosos) Exercício: Ver Ficheiro Excel: T2 – slide 45, CP_Binomiais No armazém de materiais subsidiários os lotes rececionados são inspecionados. Na tabela seguinte, apresentam-se o número de unidades inspecionadas (U) e o número de unidades defeituosas (D) encontrados por lote. Minitab: Stat – Quality Tools – Capability Analysis – Binomial Determine a % de unidades defeituosos em ppm e o nível sigma. I. Ferreira/C. Barros 45
0
You can add this document to your study collection(s)
Sign in Available only to authorized usersYou can add this document to your saved list
Sign in Available only to authorized users(For complaints, use another form )