Vous êtes sur la page 1sur 133

APLICAO DAS TCNICAS DE PLANEJAMENTO E ANLISE

DE EXPERIMENTOS NA MELHORIA DA QUALIDADE DE UM


PROCESSO DE FABRICAO DE PRODUTOS PLSTICOS

EDWIN VLADIMIR CARDOZA GALDMEZ

Dissertao apresentada Escola de Engenharia


de So Carlos da Universidade de So Paulo,
como parte dos requisitos para obteno do ttulo
de Mestre em Engenharia de Produo.

Orientador: Prof. Dr. LUIZ C. R. CARPINETTI

So Carlos
julho / 2002

minha me pelo incentivo de estudar no Brasil;


Aos meus avs pelas oraes e palavras de carinho;
Isabela pela pacincia, carinho, companheirismo e fora;
Agradeo de corao.

Agradecimentos:
Ao Prof. Luiz Cesar Ribeiro Carpinetti pela amizade, conselhos e orientao em
momentos decisivos do presente trabalho;
Aos diretores e funcionrios da empresa, pela colaborao e disponibilidade de
repassar todas as informaes no desenvolvimento do trabalho;
Ao Prof. Marcelo Nagano, pelas observaes pertinentes no exame de qualificao;
Aos professores do departamento de Engenharia de Produo, que atravs das aulas
ministradas contriburam no desenvolvimento deste trabalho;
A Simone pelo incentivo, horas de conversa no laboratrio e correes do texto;
Aos meus amigos, pelo apoio e contribuio em algum momento dessa longa jornada;
Aos funcionrios do departamento de Engenharia de Produo e Biblioteca central da
Escola de Engenharia de So Carlos, pelas informaes e servios prestados;
A Fundao de Amparo Pesquisa do Estado de So Paulo - FAPESP, pelo
financiamento deste projeto.

Sumrio

SUMRIO
LISTA DE FIGURAS .......................................................................................................I
LISTA DE TABELAS .....................................................................................................II
LISTA DE QUADROS ...................................................................................................III
LISTA DE ABREVIATURAS E SIGLAS ........................................................................... IV
LISTA DE SMBOLOS ................................................................................................... V
RESUMO ................................................................................................................... VI
ABSTRACT ............................................................................................................... VII
1

INTRODUO .......................................................................................................1
1.1 CONTEXTUALIZAO ....................................................................................1
1.2 OBJETIVO DO TRABALHO ...............................................................................3
1.3 JUSTIFICATIVA DO TRABALHO ........................................................................4
1.4 DESENVOLVIMENTO DO TRABALHO E METODOLOGIA DE PESQUISA .................6
1.5 ESTRUTURA DO TRABALHO ............................................................................7

TCNICAS DE PLANEJAMENTO E ANLISE DE EXPERIMENTOS ................................9


2.1 TCNICAS DE PLANEJAMENTO NO DESENVOLVIMENTO DE PROJETOS ...............9
2.2 PRINCPIOS BSICOS DE PLANEJAMENTO E ANLISE DE EXPERIMENTOS .........10
2.2.1
2.2.2

CONCEITOS GERAIS DE EXPERIMENTAO ..............................................11


PROCESSO PARA CONDUZIR OS EXPERIMENTOS ......................................13

2.3 TCNICAS DE PLANEJAMENTO E ANLISE DE EXPERIMENTOS ........................19


2.3.1
2.3.2
2.3.3
2.3.4

PLANEJAMENTO FATORIAL .....................................................................19


PLANEJAMENTO FATORIAL 2K .................................................................21
ANLISE DE VARINCIA DOS EFEITOS DO EXPERIMENTO FATORIAL 2K ....28
PLANEJAMENTO FATORIAL FRACIONADO 2K-P..........................................35

2.4 METODOLOGIA DE SUPERFCIE DE RESPOSTA ................................................39


2.4.1
2.4.2
2.4.3

EXPERIMENTO FATORIAL 2K PARA AJUSTAR A SUPERFCIE DE RESPOSTA .44


ANLISE DE VARINCIA DE SUPERFCIE DE RESPOSTA: EXPERIMENTO 2K 47
ANLISE CANNICA DE SUPERFCIE DE RESPOSTA ..................................53

EXPERIMENTOS INDUSTRIAIS..............................................................................56

Sumrio

3.1 ESTUDO DE UM PROCESSO INDUSTRIAL ........................................................56


3.2 EMPRESA ESTUDADA ...................................................................................56
3.3 PROCESSOS DE TRANSFORMAO DE MATERIAIS ..........................................57
3.4 DEFINIO DO OBJETO DE ESTUDO ...............................................................62
3.5 PROCESSO DE MOLDAGEM PLSTICA POR INJEO ........................................64
3.5.1
3.5.2

INFORMAES TCNICAS DO PROCESSO DE FABRICAO........................64


PROBLEMAS DO PROCESSO DE MOLDAGEM PLSTICA POR INJEO.........68

3.6 PLANEJAMENTO DE EXPERIMENTOS .............................................................72


3.6.1
3.6.2

SELEO DOS FATORES DE CONTROLE E OS NVEIS DO PROCESSO ...........72


SELEO DAS VARIVEIS DE RESPOSTA..................................................74

3.7 REALIZAO DO EXPERIMENTO: PRIMEIRA RODADA ....................................75


3.7.1
3.7.2

MATRIZ DE PLANEJAMENTO ...................................................................75


ANLISE DE RESULTADOS ......................................................................77

3.8 REALIZAO DO EXPERIMENTO: SEGUNDA RODADA ....................................84


3.8.1
3.8.2

MATRIZ DE PLANEJAMENTO ...................................................................84


ANLISE DE RESULTADOS ......................................................................86

3.9 REALIZAO DO EXPERIMENTO: TERCEIRA RODADA ....................................91


3.9.1
3.9.2

MATRIZ DE PLANEJAMENTO ...................................................................91


ANLISE DE RESULTADOS ......................................................................93

3.10REALIZAO DO EXPERIMENTO: QUARTA RODADA ......................................95


3.10.1
3.10.2

MATRIZ DE PLANEJAMENTO ...................................................................95


ANLISE DE RESULTADOS ......................................................................96
3.10.2.1 ANLISE CANNICA DE SUPERFCIE DE RESPOSTA ...............100

3.11CONSIDERAES FINAIS DOS EXPERIMENTOS..............................................104


4

CONCLUSO ....................................................................................................105
4.1 CONCLUSO .............................................................................................105
4.2 SUGESTES DE TRABALHOS FUTUROS ........................................................109

ANEXOS .................................................................................................................110
REFERNCIAS BIBLIOGRFICAS ...............................................................................117

Lista de figuras

LISTA DE FIGURAS
FIGURA 1.1 - MODELO GERAL DE UM SISTEMA DE TRANSFORMAO........................3
FIGURA 1.2 - CONSUMO DE RESINAS TERMOPLSTICAS NO BRASIL (1996-2000).......5
FIGURA 1.3 - METODOLOGIA DE PESQUISA ..............................................................7
FIGURA 2.1 - DIFERENTES CATEGORIAS DOS FATORES ...........................................15
FIGURA 2.2 - ROTEIRO PARA CONDUO DE EXPERIMENTOS ..................................17
FIGURA 2.3 - GRFICO DE EFEITOS PRINCIPAIS, PLANEJAMENTO FATORIAL 2K.........25
FIGURA 2.4 - GRFICOS DE EFEITOS DE INTERAO ...............................................25
FIGURA 2.5 - REGIES DE REJEIO E NO-REJEIO PARA UMA DISTRIBUIO F ...31
FIGURA 2.6 - SUPERFCIE DE RESPOSTA TRIDIMENSIONAL PLANA ...........................42
FIGURA 2.7 - SUPERFCIE DE RESPOSTA TRIDIMENSIONAL NO PLANA ....................43
FIGURA 2.8 - PLANEJAMENTO FATORIAL 22, COM PONTOS CENTRAIS ......................45
FIGURA 2.9 - REPRESENTAO GRFICA DO PLANEJAMENTO COMPOSTO CENTRAL .47
FIGURA 2.10 - GRFICOS DE CONTORNO DE SUPERFCIE DE RESPOSTA ....................54
FIGURA 3.1 - ETAPAS DO PROCESSO DE EXTRUSO ................................................60
FIGURA 3.2 - ESQUEMA DE UMA EXTRUSORA SIMPLES ...........................................60
FIGURA 3.3 - PROCESSO DE ROTOMOLDAGEM........................................................61
FIGURA 3.4 - COMPONENTE PLSTICO...................................................................63
FIGURA 3.5 - PROCESSO DE MOLDAGEM PLSTICA POR INJEO ............................64
FIGURA 3.6 - CICLO DE MOLDAGEM ......................................................................65
FIGURA 3.7 - DEFEITOS NO COMPONENTE PLSTICO ..............................................69
FIGURA 3.8 - DIAGRAMA DE CAUSA-EFEITO ..........................................................72
FIGURA 3.9 - ESCALA NMERICA ..........................................................................75
FIGURA 3.10 - GRFICOS DE PROBABILIDADE NORMAL - EXP I ...............................79
FIGURA 3.11 - GRFICOS DE EFEITOS PRINCIPAIS DOS FATORES - EXP I ...................80
FIGURA 3.12 - GRFICOS DE PROBABILIDADE NORMAL - EXP II ..............................88
FIGURA 3.13 - GRFICOS DE EFEITOS PRINCIPAIS DOS FATORES - EXP II ..................90
FIGURA 3.14 - GRFICO DE SUPERFCIE DE RESPOSTA ............................................99
FIGURA 3.15 - GRFICO DE CONTORNOS: PRESSO INJEO X TEMP MQUINA ....100

Lista de Tabelas

ii

LISTA DE TABELAS
TABELA 2.1 - MATRIZ DE PLANEJAMENTO DO EXPERIMENTO FATORIAL 23 .............22
TABELA 3.1 - FICHA TCNICA DO PROCESSO DE INJEO PLSTICA ........................73
TABELA 3.2 - NVEIS DOS FATORES DE CONTROLE: PRIMEIRA RODADA ...................74
TABELA 3.3 - EXPERIMENTO FATORIAL FRACIONADO 26-2 ......................................76
TABELA 3.4 - RESULTADOS DO PRIMEIRO EXPERIMENTO........................................77
TABELA 3.5 - EFEITOS PRINCIPAIS E DE INTERAO DOS FATORES - EXP I ...............78
TABELA 3.6 - ANLISE DE VARINCIA DOS EFEITOS PRINCIPAIS - EXP I...................82
TABELA 3.7 - SOMA DE QUADRADOS DOS EFEITOS DE INTERAO - EXP I ...............83
TABELA 3.8 - NVEIS DOS FATORES DE CONTROLE: SEGUNDA RODADA ...................85
TABELA 3.9 - EXPERIMENTO FATORIAL FRACIONADO 25-1 ......................................85
TABELA 3.10 - RESULTADOS DO SEGUNDO EXPERIMENTO ......................................86
TABELA 3.11 - EFEITOS PRINCIPAIS E DE INTERAO DOS FATORES - EXP II ............87
TABELA 3.12 - ANLISE DE VARINCIA - EXP II, F0.1, 1;10= 3,29..............................89
TABELA 3.13 - NVEIS DOS FATORES DE CONTROLE: TERCEIRA RODADA.................92
TABELA 3.14 - EXPERIMENTO FATORIAL 22, COM PONTOS CENTRAIS ......................92
TABELA 3.15 - RESULTADO DO TERCEIRO EXPERIMENTO .......................................93
TABELA 3.16 - ANLISE DE VARINCIA - EXP III, F0,01, 1, 4 = 21,20..........................94
TABELA 3.17 - EXPERIMENTO FATORIAL 22 COMPOSTO CENTRAL ...........................96
TABELA 3.18 - RESULTADOS DO QUARTO EXPERIMENTO........................................97
TABELA 3.19 - ANLISE DE VARINCIA - EXP IV, F0,01, 1, 4 = 21,20..........................97
TABELA 3.20 - ANLISE DE VARINCIA - EXP IV, F0,01, 1; 4 = 21,20..........................98
TABELA 3.21 - PONTO ESTACIONRIO DO PROCESSO DE FABRICAO ..................100
TABELA 3.22 - NVEIS TIMOS DO PROCESSO DE FABRICAO .............................102
TABELA 3.23 - CONFIRMAO DO PONTO ESTACIONRIO ....................................103

Lista de quadros

iii

LISTA DE QUADROS
QUADRO 2.1 - VANTAGENS E LIMITAES DO ROTEIRO EXPERIMENTAL .................18
QUADRO 2.2 - EXPERIMENTO FATORIAL DE DOIS FATORES, CASO GERAL................20
QUADRO 2.3 - ANOVA DE UM EXPERIMENTO FATORIAL COM DOIS FATORES ...........33
QUADRO 2.4 - ANLISE DE VARINCIA PARA UM EXPERIMENTO 2K ........................34
QUADRO 2.5 - EXPERIMENTO FATORIAL 23............................................................37
QUADRO 2.6 - ANLISE DE VARINCIA DE SUPERFCIE DE RESPOSTA, FATORIAL 22 .50
QUADRO 3.1 - POSSVEIS SOLUES NA INJEO DO POLIPROPILENO ......................70

Lista de abreviaturas e siglas

LISTA DE ABREVIATURAS E SIGLAS


ANOVA

- Analyses of variance

ASQ

- American Society for Quality

CEP

- Controle Estatstico do Processo

DOE

- Design of Experiments

eq.

- Equao

gl.

- Graus de liberdade

INP

- Instituto Nacional do Plstico

MMA

- Ministrio do Meio Ambiente

MSR

- Metodologia de Superfcie de Resposta

MTO

- Make to order

PC

- Policarbonato

PEAD

- Polietileno de alta densidade

PET

- Polietileno tereflato

PP

- Polipropileno

PVC

- Policloreto de vinila

MS

- Quadrado mdio

R&R

- Reprodutividade & Repetibilidade

SS

- Soma de quadrados

SQ

- Soma quadrtica das respostas

VT/P

- Porca de acionamento

iv

Lista de smbolos

LISTA DE SMBOLOS

- erro experimental

- mdia geral

- nvel de significncia

- ponto axial do experimento

- graus Celsius

- nveis do fator A

- nveis do fator B

yc

- mdia das respostas do ponto central

- Estatstica crtica Fisher

yf

- mdia das respostas do experimento fatorial

F0

- Estatstica estimada com os experimentos industriais

H1

- Hiptese alternativa

Ho

- Hiptese nula

- nmero de fatores

- nmero de rplicas

nc

- nmero de pontos centrais

nf

- nmero de pontos do experimento fatorial utilizado

- soma total de observaes

xi

- fatores experimentais

yi

- total das observaes no i-simo nvel de um fator

- coeficientes do polinmio algbrico

- superfcie de resposta

- nvel da varivel natural

Resumo

vi

RESUMO
GALDMEZ, E.V.C. (2002). Aplicao das tcnicas de planejamento e anlise de
experimentos na melhoria da qualidade de um processo de fabricao de
produtos plsticos. So Carlos, 133p. Dissertao (Mestrado) Escola de
Engenharia de So Carlos, Universidade de So Paulo.
Experimentos industriais so realizados pelas empresas no intuito de melhorar as
caractersticas de qualidade dos produtos e processos de fabricao. Nesse sentido,
esta dissertao tem como objetivo estudar e aplicar as tcnicas de planejamento e
anlise de experimentos na melhoria da qualidade industrial. Como parte do objetivo,
desenvolve-se uma aplicao com as tcnicas de planejamento Fatorial Fracionado
2k-p, Metodologia de Superfcie de Resposta e Anlise de Varincia, em um processo
de moldagem por injeo, utilizado por uma indstria que fabrica e comercializa
componentes plsticos usados na construo civil. Com essa pesquisa experimental
identificam-se os parmetros mais importantes da injeo plstica: Temperatura da
Mquina e Presso de Injeo. Ao mesmo tempo, determinam-se os nveis timos de
regulagem desses parmetros. Assim, com esse estudo, avalia-se o procedimento de
implantao das tcnicas de experimentao e as dificuldades prticas encontradas,
bem como busca-se contribuir na integrao entre universidade e empresa.
Palavras-chave: experimentos industriais; fatoriais fracionados 2k-p; metodologia
de superfcie de resposta; processo de moldagem por injeo plstica.

Abstract

vii

ABSTRACT
GALDMEZ, E.V.C. (2002).
molding process.

Application design of experiments in the injection

So Carlos, 133p.

Dissertao (Mestrado) Escola de

Engenharia de So Carlos, Universidade de So Paulo.


Industrial experiments are made by companies in order to improve the quality
characteristics of products and production processes. In this sense, the objective of
this dissertation is to study and apply the design of experiments in the industrial
quality improvement. In addition, as a part of the objective, an application of the
techniques of design Fractional Factorial 2k-p, Analysis of Variance and Response
Surface Methodology is done. It is focused in an injection molding process applied
by a company, that makes and trades plastic products for the civil construction.
Using this experimental study, the most important parameters of plastic injection are
identified: melt temperature and injection pressure. At the same time, the optimal
levels of adjustment of these parameters are determined. From this study, it is
evaluated both the implantation procedures of the designs of experiments as well as
the difficulties faced. Also, this study tries to contribute to the university-company
relationship.
Keywords: industrial experiments, factorial fractional 2k-p, response surface
methodology; injection molding process.

Captulo 1 - Introduo

1 INTRODUO
1.1 Contextualizao
Um estudo realizado pela ASQ (American Society for Quality), sobre o
futuro da qualidade para as primeiras duas dcadas do sculo XXI, ressalta que a
busca da qualidade deve mudar, tornar-se mais inovativa, flexvel e rpida na
implementao das solues eficazes que conduzam a resultados nos negcios e
reflitam os desejos do consumidor (ANNUAL QUALITY CONGRESS, 2000). Tal
pesquisa descreve que inovao, flexibilidade e velocidade sero os fatores crticos
para o sucesso das empresas em adquirir vantagem competitiva. Ainda, ressalta que
as empresas tero um desafio maior ao adotar esses novos valores, porque os
consumidores tm uma viso diferente e quase incomum desses conceitos.
TAGUCHI et al. (1990) definem qualidade, em termos gerais, como as
perdas impostas sociedade a partir do momento em que o produto liberado para
a venda. Isso significa que no instante em que o produto fica disposio do
consumidor, qualquer alterao nas suas caractersticas funcionais ou fsicas afetar
sua qualidade, proporcionando prejuzos maiores s empresas do que seu prprio
custo de fabricao, ou seja, quanto menor for essa perda, mais desejvel o produto
para a sociedade.
Essas perdas ocorrem porque a qualidade do produto vista sob enfoques
diferentes por consumidores e projetistas (TAGUCHI, 1993; PHADKE, 1989). Os
consumidores pouco se preocupam com as restries de uso do produto (especificada
pelos projetistas), mas demonstram muita insatisfao com as falhas ou a falta de
segurana no momento de usar. Outros fatores que tambm influenciam nas perdas
das caractersticas dos produtos, citados por MONTGOMERY (1991) e HAHN et al.
(1998), so os fatores inerentes ao processo, como os parmetros de controle e de
rudo (so as fontes no controlveis dos processos produtivos).

Captulo 1 - Introduo

A histria da qualidade relata que os conceitos estatsticos assumiram um


papel importante nas empresas. Segundo CHEW (1957), estatstica a arte de
adquirir conhecimento atravs da coleta, anlise e interpretao de informaes. Nas
empresas essa cincia transformada em ferramentas de qualidade (Seis Sigma,
Projeto de Experimentos - Design of Experiment, Analise de Varincia - ANOVA,
Controle Estatstico do Processo - CEP, Metodologia de Superfcie de Resposta
MSR e Reprodutividade & Repetibilidade - R&R), que podem contribuir na melhoria
contnua dos produtos ou processos de fabricao.
Recentemente, um dos mtodos utilizados para se melhorar e controlar as
informaes dos indicadores que refletem a qualidade dos produtos, processos e
atividades de transao de uma empresa o Seis Sigma. O principal objetivo dessa
metodologia incorporar as aes de melhoria e mudanas organizacionais
estratgia competitiva da empresa atravs dos conceitos estatsticos (HOERL, 2001).
Nesse contexto, o projeto de experimentos apresenta-se como uma das
formas para se alcanar as caractersticas de competitividade ou os fatores crticos
citados pela ASQ (inovao, flexibilidade e velocidade), alm de atender as
necessidades e as expectativas dos consumidores (ELSAYED et al. 1993;
MONTGOMERY, 1991; PHADKE, 1989).
O planejamento de experimentos deve-se a Ronald A. Fisher, que durante
alguns anos foi responsvel pela estatstica e anlise de dados na Estao Agrcola
Experimental em Londres - Inglaterra. Fisher foi quem desenvolveu e usou pela
primeira vez a tcnica de ANOVA (Analysis of variance) como ferramenta primria
para a anlise estatstica do projeto experimental. Outros autores que contriburam de
maneira significativa para a evoluo das tcnicas sobre o projeto de experimentos
so: Yates, Box, Bose, Kempthorne e Cochran (MONTGOMERY, 1991).
O experimento projetado ou planejado um teste ou uma srie de testes nos
quais se induzem mudanas deliberadas ou estmulos nas variveis de entrada
(inputs) do processo ou sistema, de tal forma que seja possvel observar e identificar
os efeitos nas respostas ou nas variveis de sada (outputs). O processo ou sistema de
transformao representado pela combinao de mquinas, mtodos, pessoas e
outros recursos que transformam uma entrada em produtos acabados ou semiacabados, com caractersticas ou parmetros especficos, conforme Figura 1.1.

Captulo 1 - Introduo

Fatores
controlados

Entrada

PROCESSO
TRANSFORMAO

Sada

Fatores
incontrolveis

FIGURA 1.1 - MODELO GERAL DE UM SISTEMA DE TRANSFORMAO


Fonte: MONTGOMERY (1991).

Segundo MONTGOMERY (1991), as tcnicas de planejamento e anlise de


experimentos so utilizadas basicamente para melhorar as caractersticas de
qualidade dos produtos ou processos de fabricao, reduzir o nmero de testes e
otimizar o uso de recursos da empresa (material, tempo dos funcionrios,
disponibilidade de equipamentos, etc). BUTTON (2001), descreve que esse objetivo
geral pode ser dividido em outros objetivos secundrios:

identificar as variveis (fatores de controle) do processo que mais


influem nos parmetros de resposta de interesse;

atribuir valores s variveis influentes do processo de modo que a


variabilidade da resposta de interesse seja mnima ou que o valor do
resultado (parmetro de qualidade) seja prximo do valor nominal;

atribuir valores s variveis influentes do processo de modo que o efeito


das variveis no controlveis seja reduzido.

1.2 Objetivo do trabalho


O objetivo geral desta dissertao estudar as tcnicas de planejamento e
anlise de experimentos na melhoria da qualidade industrial. Ainda como parte do
objetivo, pretende-se desenvolver uma aplicao dessas tcnicas na melhoria da
qualidade de um processo de moldagem por injeo plstica.

Captulo 1 - Introduo

Esse objetivo geral pode ser desdobrado nos seguintes objetivos


intermedirios:

Estudar e compreender as tcnicas de planejamento e anlise de


experimentos;

Estudar e compreender os processos produtivos de produtos plsticos;

Identificar quais so os parmetros de controle do processo de


moldagem plstica por injeo que mais ocasionam problemas de
qualidade aos produtos, assim como, determinar quais so os melhores
valores de ajustagem desses parmetros para minimizar os problemas;

Avaliar o processo de implantao das tcnicas e as dificuldades prticas


encontradas;

Contribuir com o processo de integrao universidade-empresa.

1.3 Justificativa do trabalho


Segundo as pesquisas realizadas por KRUGLIANSKAS (1995), as tcnicas
experimentais so pouco difundidas nas empresas brasileiras. O trabalho demonstra
que apesar do avano das metodologias de gesto e de melhoria de qualidade usadas
para aumentar o desempenho operacional e administrativo das organizaes, existem
deficincias tcnicas especficas relacionadas ao desenvolvimento de projetos de
produtos e processos de fabricao. Segundo o autor essas deficincias ocorrem pela
falta de conhecimento estatstico, que comumente os gerentes, funcionrios e
engenheiros das empresas enfrentam ao usar ferramentas estatsticas de qualidade.
Quando as informaes dos experimentos so analisadas estatisticamente,
garanta-se que o produto ser projetado com robustez s variaes decorrentes do
prprio processo de fabricao, meio ambiente e usurio. Ainda, a anlise estatstica
importante porque uma pequena diferena entre as especificaes tcnicas de um
produto ou nos nveis de ajustagem dos fatores de controle de um processo de
fabricao, podem significar um nmero maior de defeitos (conseqentemente

Captulo 1 - Introduo

perdas econmicas ocorrem) ou resultados mais satisfatrios podem ser alcanados


pelas empresas.
Alm dessa questo, um estudo realizado pela Associao Brasileira da
Indstria de Plstico e publicado pelo jornal Gazeta Mercantil (O PLSTICO invade
automveis e caminhes, 2002), demonstra a importncia econmica, social e
tecnolgica que o setor de plstico tm no pas. Percebe-se que nos ltimos anos
(1996 - 2000), os produtos utilizados e comercializados por diferentes setores da
indstria nacional: construo civil, calados, brinquedos, agricultura, utilidades
domesticas, alm dos setores que empregam tecnologias mais sofisticadas, como os
de sade, embalagens, eletroeletrnicos, aviao e automobilstico, entre outros, vm
sendo fabricados cada vez mais com diferentes resinas termoplsticas. A evoluo do
consumo desses materiais apresentado na Figura 1.2.

3.782

(em mil toneladas)


3.042

3.254

3.449

2.718

1996

1997

1998

1999

2000

Ano

FIGURA 1.2 - CONSUMO DE RESINAS TERMOPLSTICAS NO BRASIL (1996-2000)


Fonte: O PLSTICO invade automveis e caminhes (2002).

Segundo o INP (INSTITUTO NACIONAL DO PLSTICO, 2002), esse


consumo produzido pelo avano tecnolgico na produo das resinas, pela reduo
do peso dos produtos, leveza, facilidade de moldagem, a exigncia de peas mais
reciclveis, ISO 14000, custo de aplicao e pelas vantagens comerciais que esses
produtos representam para economia nacional.

Captulo 1 - Introduo

Desta forma, o estudo e aplicao das tcnicas de planejamento e anlise de


experimento na melhoria da qualidade de um processo de injeo plstica, torna-se
importante porque a empresa conseguir baixar os custos de produo. Com isso, ela
garante vantagens competitivas (a organizao pode ampliar as margens de
descontos, adquirir novos equipamentos, exportar produtos, conquistar novos
clientes, etc.) no disputado mercado de resinas termoplsticas. Ainda, com o projeto
contribui-se no processo de divulgao das tcnicas de planejamento e anlise de
experimentos nas indstrias do pas.
1.4 Desenvolvimento do trabalho e metodologia de pesquisa
Os estudos realizados por HOPPEN et al. (1996), TRIVIOS (1992),
DANE (1990) e GIL (1988) demonstram que todas as pesquisas ou trabalhos
cientficos podem ser classificados de acordo com os objetivos propostos, para
encontrar a resposta ou a soluo de um problema. Em geral, esses autores
descrevem trs grupos de estudo, exploratrios, descritivos e explicativos
(experimentais). Dentre esses estudos, o explicativo o processo formal que melhor
define o mtodo cientfico utilizado no presente trabalho.
Os estudos explicativos so utilizados para identificar os fatores que
contribuem ou influenciam a ocorrncia de um fenmeno, ou tambm para
determinar atravs da razo, o fundamento das coisas (GIL, 1988). Nesses estudos,
vrios mtodos so utilizados como meio cientfico de validar ou rejeitar as hipteses
formuladas. Na rea de cincias sociais so utilizados os mtodos observacional e
quase-experimental. Enquanto, que nas reas de cincias naturais utilizado o
mtodo experimental.
Dentro do estudo explicativo o projeto classificado como uma pesquisa
experimental, que consiste ...em determinar um objeto de estudo, selecionar as
variveis que seriam capazes de influenci-lo, definir as formas de controle e de
observao dos efeitos que a varivel produz no objeto (GIL, 1988).
A tcnica de coleta das informaes utilizada denominada de Projetos
fatoriais com duas ou mais variveis independentes (REY, 1993; DANE, 1990).
Neste caso, experimentos so realizados, para determinar os efeitos principais e as

Captulo 1 - Introduo

eventuais interaes entre as variveis ou fatores de controle, no meio natural ou no


campo de experimentao (experimentos realizados nas prprias empresas).
Todas as etapas desenvolvidas nesta dissertao, representadas pela
Figura 1.3, se adequam metodologia de pesquisa experimental (Projeto Fatoriais)
descrita na literatura por REY (1993); HOPPEN et al. (1996); DANE (1990) e GIL
(1988) e pelos autores ANTONY et al. (1998); WERKEMA & AGUIAR (1996);
TAGUCHI (1993) e MONTGOMERY (1991), que estudam as tcnicas de
planejamento e anlise de experimentos. Desta forma, esse processo experimental
ser abordado com mais detalhes nos captulos 2 e 3.

Objetivo dos
experimentos

Es tu do Explicativo

Seleo fatores de
controle, nveis e
variveis de resposta

Projetos Fatoriais

no

Pesqu isa Experim ental


Seleo da matriz
experimental
Interpretao dos resultados
respondeu as questes
experimentais? novas
questes?

Realizao

Feedback

Informaes
tcnicas

Anlise de
dados

Elaborao de
Relatrios

FIGURA 1.3 - METODOLOGIA DE PESQUISA


Fonte: Adaptado de HAALAND et al. (1993) e ANTONY et al. (1998).

1.5 Estrutura do trabalho


A presente dissertao est estruturada em quatro (4) captulos. Os trs (3)
captulos subseqentes ao primeiro descrevem o seguinte:
O captulo 2 apresenta uma reviso bibliogrfica dos conceitos das tcnicas
de planejamento e anlise de experimentos utilizados para o desenvolvimento do

Captulo 1 - Introduo

trabalho. Assim como, apresenta a metodologia utilizada para realizar os


experimentos industriais.
O captulo 3 descreve o planejamento e a anlise estatstica dos
experimentos industriais realizados na empresa. Ao mesmo tempo, so apresentadas
as caractersticas de vrios processos de transformao de resinas termoplsticas
utilizados por uma empresa.
O captulo 4 finaliza o trabalho com uma discusso geral sobre os
benefcios e limitaes prticas do projeto, assim como apresenta algumas propostas
de trabalhos futuros.

Captulo 2 Tcnicas de planejamento e anlise de experimentos

2 TCNICAS DE PLANEJAMENTO E ANLISE DE


EXPERIMENTOS
2.1

Tcnicas de planejamento no desenvolvimento de projetos


Segundo SLACK et al. (1997), o projeto de um produto envolve cinco

etapas: gerao do conceito, triagem, projeto preliminar, avaliao/melhoria e


prototipagem/projeto final. Na etapa de gerao do conceito, as idias oriundas de
vrias fontes (consumidores, concorrncia, vendas, departamento de pesquisa e
desenvolvimento - P&D, etc.) so transformadas em conceitos. Segundo os autores,
conceitos so diferentes de idias pelo fato de serem declaraes transparentes que
englobam a idia e tambm indicam sua forma, funo, objetivo e benefcio globais.
Na segunda etapa, so verificadas a viabilidade, a aceitabilidade e a vulnerabilidade
do conceito. Esses pontos, dependendo da organizao, podem ser avaliados por
vrias funes, tais como marketing, produo e finanas. O projeto preliminar que
corresponde terceira etapa apresenta a especificao dos produtos e processos de
fabricao. Na etapa de avaliao e melhoria, o projeto preliminar sofre vrias
consideraes no intuito de se avaliar as melhorias que podem ser feitas antes do
lanamento no mercado. Finalmente na ltima etapa, o projeto melhorado
transformado num prottipo passvel de teste para ento ser finalizado e colocado no
mercado.
As etapas do projeto do produto expostas por SLACK et al. (1997), so
tambm denominas de estgios de desenvolvimentos de produtos e envolvem as
seguintes atividades: definio dos objetivos dos produtos, desenvolvimento do
produto, projeto do processo de fabricao, a produo, a comercializao (vendas) e
o servio de garantia ps-venda (TAGUCHI, 1993).
As tcnicas de planejamento de experimentos podem ser utilizadas nas
etapas de projeto preliminar, projeto do produto e processo de fabricao e na etapa

Captulo 2 Tcnicas de planejamento e anlise de experimentos

10

de avaliao e melhoria. Nessas fases, muitas vezes, torna-se necessrio analisar a


influncia de um ou mais fatores. Quando for avaliado apenas o efeito de um fator
nas respostas do produto ou processo de fabricao, recomenda-se utilizar a tcnica
de planejamento de experimentos completamente aleatorizados ou a tcnica de
planejamento de experimentos em blocos aleatorizados, descritas por OLIVEIRA
(1999), WERKEMA & AGUIAR (1996), MONTGOMERY (1991) e JURAN et al.
(1951).
Por outro lado, quando se torna importante investigar o efeito provocado nas
respostas dos experimentos por dois ou mais fatores de controle e, cada um deles
com dois ou mais nveis de regulagens, JURAN et al. (1951) e MONTGOMERY
(1991) recomendam o uso de tcnicas clssicas de planejamento, como por exemplo:
tcnica de planejamento fatorial completo, fatorial fracionado ou experimentos com
pontos centrais. Outra metodologia que bastante aplicada na indstria o mtodo
Taguchi. Essa tcnica experimental foi desenvolvida, a partir das tcnicas clssicas
de experimentos, entre os anos de 1950 e 1960 pelo engenheiro japons G. Taguchi
(TAY & BUTLER, 1999).
2.2

Princpios bsicos de planejamento e anlise de experimentos


Nos processos de fabricao das indstrias existem vrios fatores e nveis de

regulagens, que influenciam as caractersticas de qualidade dos produtos e um


problema comum encontrado pelas empresas ao realizar experimentos, a
necessidade de estudar simultaneamente o efeito desses fatores com diferentes nveis
de regulagens. Neste caso, observa-se que o nmero de testes requeridos para a
experimentao tende a crescer medida que a quantidade de fatores aumenta. Isso
torna os experimentos industriais inviveis nas empresas, porque os custos e o tempo
de execuo so elevados.
Ao mesmo tempo experimentos industriais so realizados pelas empresas,
principalmente, para se resolver os problemas crticos do produto ou processos de
fabricao. Com esses testes procura-se reduzir o nmero de produtos com defeitos
fabricados e responder a uma srie de questes relacionadas aos nveis e parmetros
que influenciam o desempenho do produto final. ANTONY et al. (1998),

Captulo 2 Tcnicas de planejamento e anlise de experimentos

11

COLEMAN & MONTGOMERY (1993), MONTGOMERY (1991) e STEINBERG


& HUNTER (1984) sugerem que a soluo dos problemas pode ser alcanada com
mais facilidade quando os experimentos so planejados e as respostas analisadas com
mtodos ou tcnicas estatsticas.
Nesse sentido, BARKER (1985) ressalta que ao realizar as atividades
(definio dos objetivos, parmetros do produto ou processo de fabricao, seleo
dos fatores de controle e variveis de resposta, seleo da matriz experimental,
realizao do experimento, anlise de dados, interpretao dos resultados e
elaborao de relatrios) dos experimentos industriais de forma planejada, as
informaes obtidas dos produtos ou dos processos de fabricao tornam-se mais
confiveis e, com isso aes de melhoria mais eficientes podem ser tomadas pelos
funcionrios das empresas.
2.2.1 Conceitos gerais de experimentao
A seguir apresenta-se alguns conceitos e termos fundamentais para a
aplicao das tcnicas de planejamento e anlise de experimentos industriais
(OLIVEIRA, 1999; WERKEMA & AGUIAR, 1996; MONTGOMERY, 1991;
JURAN et al. 1951).
Variveis de resposta: so as variveis dependentes que sofrem algum
efeito nos testes, quando estmulos so introduzidos propositalmente nos fatores que
regulam ou ajustam os processos de fabricao. Nos experimentos, podem existir
uma ou mais variveis de resposta (y) que so importantes de se avaliar.
Fatores de Controle: estes so os fatores alterados deliberadamente no
experimento. O objetivo principal de introduzir estmulos nos fatores de controle
avaliar o efeito produzido nas variveis de resposta e, com isso poder determinar os
principais fatores do processo. JURAN et al. (1951) dividem os fatores de controle
em quantitativos (presso de injeo, temperatura, velocidade, etc.) e qualitativos
(diferentes mquinas, operadores, liga/desliga, etc.). Nos experimentos, os fatores
podem ser representados por nmeros arbicos (1, 2, 3....) ou por letras (A, B, C....).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

12

Fatores de Rudo: so os fatores, conhecidos ou no, que influenciam nas


variveis de resposta do experimento. Cuidados especiais devem ser tomados na hora
de realizar os testes com esses fatores, pois, importante evitar que os efeitos
produzidos pelos fatores de controle, fiquem misturados ou mascarados com os
efeitos provocados pelos fatores de rudo.
Nveis dos fatores: so as condies de operao dos fatores de controle
investigados nos experimentos. Os nveis so identificados por nvel baixo (-1) e
nvel alto (+1). Segundo OLIVEIRA (1999), comum considerar como nvel baixo o
menor valor, quando os fatores forem ajustados por nveis quantitativos.
Tratamentos: a combinao dos nveis de fatores de controle, isto
significa que cada uma das corridas do experimento representar um tratamento.
Efeito principal: a diferena mdia observada na reposta quando se muda
o nvel do fator de controle investigado.
Efeito de interao: a metade da diferena entre os efeitos principais de
um fator nos nveis de outro fator.
Matriz de experimentos: o plano formal construdo para conduzir os
experimentos. Nesta matriz so includos os fatores de controle, os nveis e
tratamentos do experimento.
Aleatorizao: o processo de definir a ordem dos tratamentos da matriz
experimental, atravs de sorteios ou por limitaes especficas dos testes. Esse
conceito tambm se refere ao processo de alocao do material e equipamento s
diferentes condies de experimentao.
A aleatorizao nos experimentos realizada para balancear os efeitos
produzidos pelos fatores no-controlveis nas respostas analisadas e para se atender
aos requisitos dos mtodos estatsticos, os quais exigem que os componentes do erro
experimental sejam variveis aleatrias independentes (CHEW, 1957).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

13

Repetio: o processo de repetir cada uma das combinaes (linhas) da


matriz experimental sob as mesmas condies de experimentao. Segundo
MONTGOMERY (1991), este conceito permite encontrar uma estimativa do erro
experimental, que utilizado para determinar se as diferenas observadas entre os
dados so estatisticamente significativas.
Blocos: a tcnica utilizada para controlar e avaliar a variabilidade
produzida pelos fatores perturbadores (controlveis ou no-controlveis) dos
experimentos. Com esta tcnica procura-se criar um experimento (grupo ou unidades
experimentais balanceadas) mais homogneo e aumentar a preciso das respostas que
so analisadas.
Nas prximas sees descrito o procedimento experimental usado para
realizar a parte prtica do estudo, descrita no captulo 3. As etapas desse plano ou
mtodo de pesquisa so propostas por diversos autores que estudam as tcnicas de
planejamento e anlise de experimentos (OLIVEIRA, 1999; WERKEMA &
AGUIAR, 1996; MONTGOMERY, 1991; MYERS et al. 1989; BOX & DRAPER,
1987; STEINBERG & HUNTER, 1984; JURAN et al. 1951).
2.2.2 Processo para conduzir os experimentos
Antes de iniciar qualquer experimentao, importante estabelecer o
planejamento dos testes. WERKEMA & AGUIAR (1996), COLEMAN &
MONTGOMERY (1993) e MONTGOMERY (1991) ressaltam a importncia do
domnio do problema por todas as pessoas envolvidas e recomendam que durante os
experimentos, o processo seja cuidadosamente monitorado, para garantir que tudo
seja realizado de acordo com os planos, pois erros no procedimento experimental
muito provavelmente invalidaro os resultados.
Vrios autores (ANTONY, et al. 1998; HOPPEN, et al. 1996; WERKEMA
& AGUIAR, 1996; REY, 1993; COLEMAM & MONTGOMERY, 1993;
MONTGOMERY, 1991; DANE, 1990; GIL, 1988) recomendam que durante o
processo de experimentao seja feito um plano estratgico para coordenar as

Captulo 2 Tcnicas de planejamento e anlise de experimentos

14

atividades. A seguir, apresenta-se as atividades do procedimento experimental,


descrito por esses autores:
1. Definio dos objetivos do experimento: nesta fase inicial
importante definir os problemas dos produtos e processos de fabricao, os objetivos
do experimento e principalmente, selecionar uma equipe que seja responsvel por
todas as atividades do processo experimental. WERKEMA & AGUIAR (1996)
lembram que as pessoas envolvidas devem ser conscientizadas sobre a importncia
de analisar cientificamente os fatores que influenciam no produto ou processo de
fabricao, enquanto que GUEDES (1996) e COLEMAM & MONTGOMERY
(1993) recomendam que brainstorming sejam realizados com as pessoas das reas de
controle da qualidade, manufatura, P&D (Pesquisa e Desenvolvimento) ou qualquer
outra que possa contribuir com informaes relevantes aos experimentos
(publicaes, experincias e resultados prticos de outros experimentos).
Ao realizar o brainstorming, todas as idias ou informaes coletadas
devem ser criticamente examinadas pela equipe responsvel. Segundo ANTONY et
al. (1998), natural que as pessoas descrevam vrios problemas nos produtos ou
processos de fabricao e, neste caso, outras ferramentas como os grficos de Pareto
e o diagrama Causa e Efeito podem ser utilizadas para se identificar os principais
problemas (SMITH, 1998; BOX & BISGAARD, 1987; ISHIKAWA, 1976).
2. Parmetros do experimento: esta fase envolve a coleta de informaes
tcnicas do produto ou processo de fabricao, na qual, as pessoas devem listar todos
os fatores de controle, fatores de rudo, os nveis de ajustagem e as variveis de
resposta. Nessa fase, segundo MONTGOMERY (1991), as informaes tcnicas
podem resultar de uma combinao entre o conhecimento prtico (experincia) e a
compreenso terica do objeto de estudo.
3. Seleo dos fatores de controle e das variveis de resposta: nesta fase
a equipe deve selecionar os fatores de controle (variveis independentes), as faixas
de variao dos nveis de ajustagem desses fatores e as respostas do experimento
(variveis dependentes), assim como, definir o mtodo de medio dos fatores de

Captulo 2 Tcnicas de planejamento e anlise de experimentos

15

controle e a escala numrica que ser utilizada para se avaliar as respostas do


experimento definidas nas fases anteriores.
COLEMAN & MONTGOMERY (1993) sugerem que nesta fase os
parmetros do processo sejam classificados por categorias (grau de influncia na
resposta, capacidade de se controlar ou capacidade de se medir - preciso),
apresentadas na Figura 2.1. Esse esquema pode ajudar a selecionar e a priorizar os
fatores crticos que afetam as respostas do experimento.

Parmetros
Processo
Influncias

Controlveis

Fator
Controle

Fator
Rudo

Medidas

FIGURA 2.1 - DIFERENTES CATEGORIAS DOS FATORES


Fonte: COLEMAN & MONTGOMERY (1993)

4. Seleo da matriz experimental: segundo MONTGOMERY (1991), se


as trs etapas anteriores foram seguidas corretamente, esta quarta etapa ser
relativamente simples de realizar. Ao selecionar ou construir a matriz experimental,
devem ser considerados o nmero de fatores de controle, o nmero de nveis e os
fatores no controlveis do processo.
Ainda, nesta fase so definidas as seqncias das corridas (aleatoriamente),
o nmero de replicas, as restries dos experimentos e as possveis interaes que
possam vir a ocorrer entre os fatores que esto sendo avaliados. Algumas das
tcnicas de planejamento de experimentos que podem ser utilizadas nesta fase, so
descritas nas prximas sees.
5. Realizao do experimento: nesta etapa importante que o processo
seja acompanhado pela equipe ou por um responsvel, para assegurar-se que todos os

Captulo 2 Tcnicas de planejamento e anlise de experimentos

16

procedimentos sejam executados conforme o plano. HOPPEN et al. (1996) ressaltam


que, qualquer mudana no momento em que os experimentos so realizados deve ser
registrada (datas, ensaios adicionais, alterao na seqncia das corridas, etc.) e
recomendam que relatrios sejam apresentados no final da experimentao, visto
que, essas informaes podem enriquecer os resultados obtidos pela anlise de dados
e verificar se os experimentos foram corretamente executados pelo responsvel.
Outro aspecto importante que deve ser considerado durante a realizao dos
experimentos, o equilbrio dos recursos de experimentao disponveis.
MONTGOMERY (1991) considera a pesquisa experimental como um processo
iterativo, ou seja, as informaes reunidas da primeira rodada de teste so utilizadas
como dados de entrada da segunda rodada e por isso, cuidados devem ser tomados
para no esgotar todos os recursos na primeira rodada do experimento.
6. Anlise de dados: nesta etapa podem ser utilizados softwares
estatsticos (MINITAB, EXCEL, STATISTICA), que ajudam a usar as tcnicas de
planejamento e anlise de experimentos, os grficos lineares e os grficos de
probabilidade normal (WERKEMA & AGUIAR, 1996; MONTGOMERY, 1991).
Os conceitos estatsticos so aplicados nos resultados de um experimento,
para descrever o comportamento das variveis de controle, a relao entre elas e para
estimar os efeitos produzidos nas respostas observadas. Ainda, a anlise estatstica
permite tomar decises quanto aceitar ou rejeitar as hipteses formuladas na
primeira etapa dos experimentos (REY, 1993).
7. Interpretao dos resultados: ao finalizar a etapa anterior, as pessoas
responsveis pelo plano de atividades, devem extrair as concluses prticas dos
resultados e recomendar as aes de melhorias contnua do processo de fabricao.
Uma prtica comum nesta fase, descrever os resultados atravs de grficos,
especialmente quando so apresentados s pessoas externas ao projeto.
Ainda, as pessoas devem questionar se as respostas satisfazem as questes
experimentais

definidas

na

primeira

etapa,

experimentais, revisando as fases anteriores.

ou

formular

novas

questes

Captulo 2 Tcnicas de planejamento e anlise de experimentos

17

8. Elaborao de relatrios: WERKEMA & AGUIAR (1996) ressaltam


que o trabalho realizado deve ser descrito, identificando-se as limitaes prticas e
tericas encontradas, as recomendaes para futuros experimentos e as concluses
obtidas. A obteno desse feedback pode ser de grande benefcio, para o processo de
avaliao do desempenho dos experimentos industriais, como tambm, para o
processo de reviso (YUKIMURA, 1991). Esta etapa importante porque demonstra
que

estudo

desenvolvido

um

processo

contnuo

de

aprendizado

(MONTGOMERY, 1991).
Assim, a parte prtica desta dissertao baseada no roteiro apresentado
anteriormente, o qual representado pela Figura 2.2. Segundo HAHN (1993), esse
plano experimental ajuda a desenvolver e conduzir efetivamente as atividades j
definidas e, principalmente, permite maximizar as respostas das questes formuladas
pela equipe de trabalho.
Objetivo do experimento
- Questes
experimentais

Informaes tcnicas do
experimento

Seleo da matriz
experimental

Interpretao dos resultados


respondeu as questes
experimentais? novas
questes?

Feedback

no

Seleo dos fatores de controle,


os nveis de ajustagem e as
variveis de resposta

Realizao
Experimento

Anlise de dados

Elaborao de
relatrios

FIGURA 2.2 - ROTEIRO PARA CONDUO DE EXPERIMENTOS


Fonte: Adaptado de HAALAND & OCONNELL (1993) e ANTONY et al. (1998).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

18

A metodologia descrita anteriormente, foi utilizada por ANTONY et al.


(1998), para realizar experimentos industriais em cinco diferentes processos de
fabricao (fabricao de produtos por moldagem plstica, processo de soldagem,
processo de lapidao de cilindros, fabricao de radiografias e fabricao de fios
eltricos). Nesse trabalho, so apresentadas as vantagens e as limitaes da
metodologia, conforme o Quadro 2.1.
QUADRO 2.1 - VANTAGENS E LIMITAES DO ROTEIRO EXPERIMENTAL
Fonte: ANTONY et al. (1998)
VANTAGENS

LIMITAES

Melhora a comunicao entre as pessoas


(engenheiros, gerentes e pesquisadores)
que formam a equipe responsvel por
conduzir os experimentos industriais.

A metodologia foi desenvolvida para


fatores de dois nveis, utilizando-se as
tcnicas de planejamento fatorial e
projeto robusto.

Com o uso da metodologia foi possvel


converter os problemas de qualidade
dos processos industriais, em conceitos
estatsticos.

A metodologia foi desenvolvida para


caractersticas de qualidade estticas e
no caractersticas dinmicas.

Com o plano experimental foi possvel


passar novas informaes (conceitos
estatsticos) aos funcionrios. Com isso,
a interpretao dos resultados dos
experimentos industriais foi melhorada.

A
anlise
e
interpretao
dos
experimentos
industriais,
usando
superfcie de resposta, no foram
incorporados na metodologia, pela
complexidade de anlise dos resultados
desses experimentos.

Foi possvel selecionar uma matriz


experimental, para cada situao prtica
(cinco
processos
industriais
de
manufatura).
No necessrio um treinamento
intensivo dos funcionrios da empresa
para
utilizar
as
tcnicas
de
planejamento
e
anlise
de
experimentos.
Informaes
(relatrios)
ficam
disponveis para consulta nos prximos
experimentos industriais.

Nas prximas sees so descritas algumas tcnicas de planejamento e


anlise de experimentos (experimento fatorial, fatorial fracionado 2k-p, metodologia

Captulo 2 Tcnicas de planejamento e anlise de experimentos

19

de superfcie de resposta e anlise de varincia). importante ressaltar que no a


inteno deste trabalho, abordar todas as tcnicas que existem na literatura. Outras
formas de planejar e anlisar experimentos industriais so descritas por OLIVEIRA
(1999), WERKEMA & AGUIAR (1996), MONTGOMERY (1991), MYERS et al.
(1989), BARKER (1985), STEINBERG & HUNTER (1984), CHEW (1957) e
JURAN et al. (1951).
2.3

Tcnicas de planejamento e anlise de experimentos


Os experimentos industriais devem ser planejados em uma matriz

experimental. A construo dessa matriz corresponde a etapa n 4 (quatro) do roteiro


para conduzir os ensaios, apresentado anteriormente. O objetivo dessa atividade
garantir que as informaes obtidas sejam confiveis e que os recursos
(equipamentos, pessoas, materiais e informaes) disponveis para experimentao
sejam bem utilizados (OLIVEIRA, 1999; COLEMAN & MONTGOMERY, 1993;
MONTGOMERY, 1991). Nesta fase do projeto experimental diversas tcnicas de
planejamento e anlise de experimentos podem ser utilizadas, conforme ser descrito
a seguir.
2.3.1 Planejamento fatorial
Ao planejar os experimentos industriais com a tcnica fatorial, considera-se
que todos os tratamentos da matriz experimental so realizados pela equipe
responsvel por esta atividade (BOX & BISGAARD, 1987). Segundo BUTTON
(2001), o planejamento fatorial indicado para a fase inicial do procedimento
experimental quando h necessidade de se definir os fatores mais importantes e
estudar os efeitos sobre a varivel resposta escolhida. Ainda, um modelo de
efeitos fixos, isto , a anlise dos efeitos provocados pelos fatores no pode ser
transferida para outros nveis que no os analisados no planejamento.
Para ilustrar o procedimento dessa tcnica considere-se um experimento
com dois fatores (A e B), cada um desses parmetros sero testados com a nveis
para o fator A e b nveis para o fator B. Assim, nesse experimento existem ab

Captulo 2 Tcnicas de planejamento e anlise de experimentos

20

combinaes de teste. A matriz de planejamento para o experimento fatorial de dois


fatores de controle, nos nveis a e b, representada pelo Quadro 2.2. Essa
organizao tambm representa o caso geral do experimento fatorial de dois fatores,
para uma reposta (yijk) observada quando o fator A est no i-simo nvel (i = 1, 2, ...,
a). importante ressaltar que as abn observaes do experimento devem ser
realizadas aleatoriamente (MONTGOMERY, 1991).
QUADRO 2.2 - EXPERIMENTO FATORIAL DE DOIS FATORES, CASO GERAL
Fonte: MONTGOMERY (1991).

Fator A

Fator B
Nveis

y111, y112, ..., y11n

y121, y122, ..., y12n .... y1b1, y1b2, ..., y1bn

y211, y212, ..., y21n

y221, y222, ..., y22n .... y2b1, y2b2, ..., y2bn

ya11, ya12, ..., ya1n

....

ya21, ya22, ..., ya2n .... yab1, yab2, ..., yabn

Segundo DEVOR et al. (1992) e MONTGOMERY (1991), com o


experimento organizado dessa forma possvel verificar se:
a reposta alterada significativamente quando muda o nvel do fator A;
a resposta alterada significativamente quando muda o nvel do fator B;
a interao dos fatores (colunaxlinha) altera significativamente a resposta.
Os autores tambm definem que o modelo estatstico do planejamento
fatorial dado pela eq. (2.1).
yijk = + i + i + ()ij + ijk
sendo que,
a mdia dos resultados
i o efeito principal do fator A,
j o efeito principal do fator B,
()ij o efeito da interao dos fatores A e B;
ijk o erro experimental

(2.1)

Captulo 2 Tcnicas de planejamento e anlise de experimentos

21

Um dos mtodos que pode ser utilizado para determinar os coeficientes da


eq. (2.1) a Anlise de Varincia (ANOVA), que tambm pode ser utilizada para
verificar se esses efeitos so significativos nas repostas (apresentada na prxima
seo).
No

planejamento

de

experimentos

fatoriais

comum

encontrar

experimentos planejados com as tcnicas fatoriais com dois, trs ou mais nveis.
Entretanto, no presente trabalho, no sero abordados os testes executados em trs
nveis ou mais, visto que, os experimentos industriais realizados na empresa foram
em dois nveis. Esse tipo de planejamento e alguns exemplos de como conduzir
experimentos industriais com essas tcnicas fatoriais so ilustrados por OLIVEIRA
(1999); DEVOR et al. (1992); MONTGOMERY (1991) e COCHRAN & COX
(1957).
2.3.2 Planejamento fatorial 2k
Segundo JURAN et al. (1951), um experimento fatorial com k fatores, cada
um deles com dois (2) nveis, denominado de experimento fatorial 2k. O processo
experimental dessa tcnica consiste em realizar testes com cada uma das
combinaes da matriz experimental, para em seguida, determinar e interpretar os
efeitos principais e de interao dos fatores investigados e assim, poder identificar as
melhores condies experimentais do produto ou processo de fabricao.
Para ilustrar o procedimento dessa tcnica considere-se um experimento
com trs fatores (x1, x2 e x3), cada um desses parmetros foi testado com dois nveis
(-1, +1). Esse exemplo apresentado por vrios autores que estudam as tcnicas de
planejamento e anlise de experimentos (DEVOR et al., 1992; MONTGOMERY,
1991; BOX & BISGAARD, 1987).
Assim, a matriz de planejamento para o experimento fatorial 23
representada pela Tabela 2.1. A respostas de cada ensaio ou tratamento descrita
pela coluna yi. importante ressaltar que a ordem de realizao do teste definida
aleatoriamente.

Captulo 2 Tcnicas de planejamento e anlise de experimentos

22

TABELA 2.1 - MATRIZ DE PLANEJAMENTO DO EXPERIMENTO FATORIAL 23


Fonte: DEVOR et al. (1992) e MONTGOMERY (1991).

N
Teste

Fatores de controle

Ordem do
Teste

Resposta
(yi)

x1

x2

x3

-1

-1

-1

y1

+1

-1

-1

y2

-1

+1

-1

y3

+1

+1

-1

y4

-1

-1

+1

y5

+1

-1

+1

y6

-1

+1

+1

y7

+1

+1

+1

y8

O procedimento que pode ser utilizado para construir a matriz genrica do


experimento fatorial 2k descrito por DEVOR et al. (1992). Na matriz de
planejamento as colunas representam o conjunto de fatores investigados (x1, x2, x3,
x4..., xk), e as linhas representam os diferentes nveis ou as combinaes dos fatores
(nveis codificados -1 (mnimo) e +1 (mximo)).
1. Para x1, a coluna ser definida pela combinao dos nveis -1, +1, -1, +1,
-1, +1, -1, +1, ....., ou seja, o sinal dessa coluna alterna em grupos de 20 = 1.
2. Para x2, a coluna ser definida pela combinao dos nveis -1, -1, +1, +1,
-1, -1, +1, +1, ...., ou seja, o sinal dessa coluna alterna em grupos de 21 = 2.
3. Para x3, a coluna ser definida pela combinao dos nveis -1, -1, -1, -1,
+1, +1, +1, +1, ...., ou seja, o sinal dessa coluna alterna em grupos de 22 = 4.
4. Para x4, o sinal alterna em grupos de oito (23 = 8).
5. O procedimento ser igual para x5, x6, ..., xk. Para xk, o sinal alterna em
grupos de 2(k-1), ou seja, 2(k-1) vezes (-1), seguido de 2(k-1) vezes (+1).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

23

DEVOR et al. (1992) definem que esta forma de organizar o experimento


chamada de ordem padro (standard order). Ainda, ressaltam que com esse arranjo
garante-se que todas as colunas da matriz sejam ortogonais entre si. Com esse tipo de
planejamento possvel determinar os efeitos principais e de interao que as
variveis independentes produzem nas respostas.
Segundo MONTGOMERY (1991), o modelo estatstico do experimento
fatorial 23 dado pela eq. (2.2).
yijk = + i + j + k + (ij) + (ik) + (jk)+ (ijk) + ijk

(2.2)

sendo que,
a mdia dos resultados
i o efeito principal do fator x1,
j o efeito principal do fator x2,
k o efeito principal do x3,
(ij) o efeito de interao entre os fatores x1 e x2,
(ik) o efeito de interao entre os fatores x1 e x3,
(jk) o efeito de interao entre os fatores x2 e x3,
(ijk) o efeito de interao dos fatores x1, x2 e x3,
ijk o erro experimental
A seguir apresentado o mtodo generalizado que pode ser utilizado para
estimar os efeitos principais e de interao dos fatores. Esse mtodo descrito por
DEVOR et al. (1992) e MONTGOMERY (1991) e tambm conhecido como
mtodo de sinais (OLIVEIRA, 1999).
Os efeitos principais correspondem mudana da resposta mdia quando o
nvel de um fator alterado de (-1) para (+1), mantendo os outros fatores constantes.
O procedimento consiste em multiplicar os resultados da coluna yi pelos valores 1
associados a coluna xi da matriz experimental correspondente ao efeito principal que
se deseja estimar (Tabela 2.1). Em seguida, os valores obtidos devem ser somados e
divididos pela metade do nmero de ensaios realizados, conforme ilustrado pela
eq. (2.3).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

Ei = yi*xi / (N/2)

24

(2.3)

sendo que Ei ser o efeito estimado, N o nmero total de observaes,


yi*xi a soma dos resultados (yi) do experimento multiplicados pela coluna xi.
Para determinar o efeito de interao, primeiramente devem ser construdas
as colunas das interaes da matriz de planejamento. Essas colunas so formadas por
meio da multiplicao das colunas dos efeitos principais. Por exemplo, para estimar
o efeito de interao E12, sero multiplicadas as colunas dos fatores x1 e x2. Em
seguida, os valores 1 associados coluna x1x2 da matriz experimental so
utilizados para estimar o efeito de interao, conforme descrito anteriormente pela
eq. (2.3).
importante ressaltar que outros mtodos (ex. o algoritmo de Yates para o
planejamento 2k) podem ser utilizados para calcular os efeitos, conforme
apresentados por OLIVEIRA (1999); DEVOR et al. (1992); MONTGOMERY
(1991) e JURAN et al. (1951).
No entanto, nesta etapa dos experimentos alguns autores comentam que
embora seja simples estimar esses efeitos, muitas vezes difcil definir qual
realmente o fator de controle que produz uma diferena significativa nas respostas e
na maioria das vezes necessita-se usar os grficos lineares (que representam os
efeitos principais e de interao) e de probabilidade normal (DEVOR et. al., 1992;
MONTGOMERY, 1991). Nessa fase do procedimento experimental podem ser
utilizados diferentes softwares para construir os grficos (planilha EXCEL,
STATISTICA, MINITAB). Os autores tambm recomendam que para se concluir
sobre os efeitos principais e de interao dos fatores necessrio aplicar tcnicas de
anlise de varincia (ANOVA). Essa tcnica ser discutida na prxima seo.
Para representar e interpretar graficamente os efeitos principais e de
interao necessrio definir duas propriedades, conforme segue (DEVOR et al.,
1992).

o sinal () indica a direo do efeito, isto , se a resposta aumenta ou


decresce com a variao do nvel de (-1) para (+1);

Captulo 2 Tcnicas de planejamento e anlise de experimentos

25

a magnitude indica a intensidade do efeito.


A forma grfica do efeito principal (Ei) representado pela Figura 2.3. Esse

grfico linear ilustra a variao mdia das respostas em funo da mudana no nvel
(-1, +1) de um fator (xi), mantendo os outros fatores constantes (Tabela 2.1).

Resposta yi

y i+1

y i1
-1

+1

Fator xi

FIGURA 2.3 - GRFICO DE EFEITOS PRINCIPAIS, PLANEJAMENTO FATORIAL 2K

Os grficos dos efeitos de interao descrevem a variao mdia de um fator


em funo dos nveis de outros fatores. Por exemplo, a Figura 2.4(a) ilustra que o
efeito provocado pela mudana de nvel do fator x1 na resposta depende do nvel do
fator x2, portanto, existe interao entre os fatores x1 e x2. A Figura 2.4(b) demonstra
que o efeito provocado pela mudana do nvel do fator x1 na resposta independente
do nvel do fator x2, portanto no existe interao entre esses fatores.

Efeito de interao x1x2

x2 = -1

x2 = +1

-1

Fator x1

(a)

+1

Resposta (y i)

Resposta (y i)

Efeito de interao x1x2

x2 = -1
x2 = +1

-1

Fator x1

(b)

FIGURA 2.4 - GRFICOS DE EFEITOS DE INTERAO

+1

Captulo 2 Tcnicas de planejamento e anlise de experimentos

26

Outro tipo de grfico que pode ser utilizado na anlise de experimentos o


de probabilidade normal. Esses grficos so utilizados nas situaes onde no
possvel repetir um experimento fatorial 2k, e importante obter uma estimativa
independente do erro experimental para julgar a importncia dos efeitos principais e
de interao (DEVOR et al., 1992). Esse tipo de erro proveniente de fatores
incontrolveis que produzem uma variao nas repostas ao realizar os ensaios sob
condies preestabelecidas (BUTTON, 2001). CRUZ et al. (1997) definem que os
erros podem ser classificados em dois grupos, conforme segue:

erros sistemticos: so causados por fontes identificveis. Esse tipo de

erro faz com que os resultados experimentais estejam acima ou abaixo do valor real,
influenciado a exatido (accuracy) da medida. Essa flutuao pode ser causada pelo
instrumento utilizado para controlar o experimento (ex. relgio, micrmetro, rgua,
etc.), mtodo de observao, efeitos ambientais ou pelas simplificaes do modelo
terico (ex. eliminar um fator importante para o sistema).

erros aleatrios: so as flutuaes que ocorrem de uma repetio para

outra, porm, todos os possveis resultados esto dentro de um intervalo de valores.


Esse tipo de erro afeta a preciso (precision) das medidas. Segundo os autores nem
sempre podem ser identificadas as fontes que causam o erro aleatrio. Entretanto,
esse tipo de ...erro no experimento pode ser tratado quantitativamente atravs de
mtodos estatsticos, de modo que seus efeitos na grandeza fsica medida podem ser,
em geral, determinados.
O uso dos grficos de probabilidade normal baseado no fato de que os
efeitos principais ou de interao que so desprezveis se distribuem segundo uma
distribuio normal centrada em zero e com varincia 2 Ou seja esses efeitos
tendem a se concentrar ao longo de uma reta normal no grfico. No entanto, se os
pontos marcados no grfico parecem desviar-se de algum modo dessa linha
imaginria, existem motivos para acreditar que esses dados obtidos no esto
distribudos de maneira normal, portanto, so efeitos significativos que devem ser

Captulo 2 Tcnicas de planejamento e anlise de experimentos

27

analisados com mais detalhes pela equipe que realiza os experimentos industriais
(LEVINE et al., 1998).
DEVOR et al. (1992) recomendam que para garantir a aplicao efetiva
desse mtodo, os experimentos fatoriais 2k devem ser realizados com pelo menos
quatro fatores. Os autores citam que com um nmero menor de parmetros se torna
difcil decidir qual das estimativas pertencem a uma distribuio com mdia igual a
zero.
As principais vantagens da tcnica fatorial 2k que atravs da anlise dos
experimentos pode-se indicar as principais tendncias e determinar uma direo
promissora

para

as

experimentaes

subseqentes

(OLIVEIRA,

1999;

MONTGOMERY, 1991). Ainda, os autores ressaltam que com esse tipo de


experimento tambm possvel quantificar o erro experimental.
As limitaes atribudas tcnica de fatorial 2k so apresentadas a seguir
(OLIVEIRA 1999, MONTGOMERY 1991; ABRAHAM et al., 1999).

com esse tipo de tcnica de planejamento de experimento no possvel

obter informaes dos fatores em nveis intermedirios;

em alguns experimentos no possvel realizar replicas, porque na

maioria das vezes os custos de experimentao so elevados, com isso os erros


experimentais no podem ser estimados (ANDERSON, 1957);

no suficiente avaliar os efeitos significativos apenas sob o ponto de

vista estatstico, mas torna-se necessrio avali-los tambm em termos prticos para
as empresas;

torna-se invivel utilizar a tcnica nas empresas quando existe um

nmero grande de fatores;

ao utilizar essa tcnica existe o risco de construir e planejar

experimentos super dimensionados, uma vez que, so considerados vrios fatores


para realizar os testes.

Captulo 2 Tcnicas de planejamento e anlise de experimentos

Uma

das

solues

encontradas

para

as

limitaes

28

apresentadas

anteriormente, construir e planejar experimentos industriais utilizando-se a tcnica


de confundimento (do ingls factorial experiments with design confounded) ou as
tcnicas de experimentos fatoriais fracionados 2k-p. A tcnica de confundimento,
uma tcnica de planejamento utilizada para acomodar um experimento fatorial
completo em blocos, onde o tamanho do bloco menor que o nmero de tratamentos
de uma replica (MONTGOMERY, 1991; COCHRAN & COX, 1957). O
planejamento experimental com a tcnica de fatorial fracionado 2k-p ser abordado
com mais detalhes nas prximas sees.
2.3.3 Anlise de varincia dos efeitos do experimento fatorial 2k
As tcnicas estatsticas de experimentos so utilizadas, principalmente, para
analisar, interpretar e apresentar as informaes de experimentos planejados. Ainda,
so ferramentas que ajudam a melhorar o desempenho industrial dos produtos e
processos de fabricao (BOWER, 1997). O princpio bsico das tcnicas usar os
conceitos matemticos de estatstica e as informaes obtidas dos experimentos
realizados com os produtos ou os processos de fabricao. Com os dados analisados
matematicamente e com os testes planejados corretamente possvel rejeitar ou
aceitar as hipteses formuladas pela equipe responsvel por conduzir o experimento
industrial. BARKER (1985) denomina esse processo de inferncia estatstica.
Antes de descrever as tcnicas estatsticas importante considerar alguns
pontos (MONTGOMERY, 1991):

geralmente as pessoas das empresas conhecem os problemas dos

produtos e dos processos industriais, e sabem do relacionamento que existe entre os


parmetros de controle e as respostas. Esse tipo de conhecimento contribui na fase
inicial do processo experimental, com a formulao das hipteses, e nas concluses
finais do processo, com a anlise estatstica;

Captulo 2 Tcnicas de planejamento e anlise de experimentos

29

recomenda-se que a equipe responsvel pelo experimento no deve usar

tcnicas estatsticas complexas no incio dos testes;

os funcionrios das empresas devem avaliar se a diferena estatstica

entre os resultados dos experimentos tem significado prtico;

as tcnicas estatsticas demonstram que as diferenas entre as mdias

dos experimentos so grandes ou no, mas no diz porque essas diferenas ocorrem;

usualmente os experimentos so iterativos, com isso deve-se considerar

que os primeiros teste na maioria das vezes so realizados para refinar as


informaes tcnicas dos produtos ou dos processos de fabricao.
LEVINE et al. (1998), DEVOR et al. (1992) e MONTGOMERY (1991)
propem uma metodologia ou uma srie de passos que podem ser utilizados para
conduzir o teste de hiptese dos experimentos. Alguns conceitos e pontos
importantes desse procedimento so abordados a seguir:
1. Formulao das hipteses: ao realizar um experimento industrial a
equipe deve partir de duas hipteses sobre determinado(s) parmetro(s). A primeira
a hiptese nula (Ho). Essa hiptese parte do princpio que no existe nenhuma
diferena significativa entre os fatores analisados de uma populao e ser sempre a
hiptese testada no experimento. A segunda a hiptese alternativa (H1) e parte do
princpio que ser verdadeira caso a hiptese nula seja considerada falsa.
2. Determinar o valor crtico da estatstica de teste: ao desenvolver as
hipteses dos experimentos industriais necessrio que seja calculada uma estatstica
especifica, com base em um determinado resultado da amostra. Tais valores podem
ser determinados com o auxilio de softwares estatsticos. LEVINE et al. (1998) e
MONTGOMERY (1991) apresentam vrias distribuies estatstica (t-student, FFisher, Z-standard, entre outras) que podem ser usadas para se determinar a
probabilidade de uma hiptese nula ser verdadeira.

Captulo 2 Tcnicas de planejamento e anlise de experimentos

30

importante ressaltar que para os experimentos industriais realizados nesta


dissertao, ser utilizada a distribuio F, portanto, alguns pontos importantes desta
ferramenta estatstica sero abordados posteriormente. Maiores informaes sobre as
outras distribuies podem ser obtidas na literatura que trata de planejamento e
anlise de experimentos (LEVINE et al., 1998; DEVOR et al., 1992;
MONTGOMERY, 1991).
3.

Riscos na tomada de deciso por meio da metodologia do teste de

hiptese: ao utilizar uma estatstica para se concluir sobre o resultado de


experimentos industriais podem ser cometidos dois tipos de erros: O primeiro erro
(erro tipo I) ocorre se a hiptese nula for rejeita quando ela verdadeira e o erro tipo
II ocorre quando a hiptese nula no rejeitada sendo falsa.
No entanto, ao realizar os experimentos industriais a equipe pode estimar
alguns parmetros que reduzem a probabilidade de errar nas decises ou chegar a
uma concluso incorreta sobre os fatores que influenciam o sistema investigado,
conforme segue (LEVINE et al., 1998):

Nvel de significncia. A probabilidade de se cometer o erro tipo I

identificada como o nvel de significncia () do teste estatstico. Geralmente, a


equipe pode controlar a probabilidade do erro tipo I decidindo o nvel de risco que
esto dispostos a tolerar, em termos de rejeitar a hiptese nula quando ela for
verdadeira. Os autores da literatura de planejamento e anlise de experimentos
recomendam que a equipe deve selecionar os nveis de em 0,1 ou menos. Ainda,
uma vez selecionado o valor de possvel determinar o tamanho da regio de
rejeio da hiptese nula do experimento. Com isso, os valores crticos que dividem
as regies de rejeio e no-rejeio podem ser determinados, conforme apresentado
pela Figura 2.5, para a estatstica F. Os valores crticos dessa ferramenta so
apresentados por LEVINE et al. (1998); DEVOR et al. (1992) e MONTGOMERY
(1991).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

No-rejeitar
H0 (1-)
0

31

Rejeitar H0

Distribuio F

FIGURA 2.5 - REGIES DE REJEIO E NO-REJEIO PARA UMA DISTRIBUIO F


Fonte: LEVINE et al. (1998) e DEVOR et al. (1992).

O coeficiente de confiana. O complemento da probabilidade de um

erro tipo I denominado de coeficiente de confiana, que identificado como (1 - ).


Quando esse termo multiplicado por 100% passa a simbolizar o nvel de confiana
do experimento. Com essa estimativa possvel afirmar se a mdia aritmtica da
populao est contida dentro de um intervalo. MONTGOMERY (1991), destaca
que com esse procedimento se garante um valor pequeno para a probabilidade do
erro tipo II. Em termos de metodologia de teste ...esse coeficiente representa a
probabilidade de se concluir que o resultado de um fator que est sendo testado para
a hiptese nula seja plausvel... (LEVINE et al., 1992).
Considerando-se esses fatores, a seguir descrita a tcnica estatstica de
Anlise de Varincia, tambm conhecida como ANOVA (Analysis of variance). As
definies so baseadas nas referncias bibliogrficas DEVOR et al. (1992) e
MONTGOMERY (1991). O texto tambm foi construdo com base nas apostilas
preparadas por BUTTON (2001); CARPINETTI (2001) e CRUZ et al. (1997).
importante, destacar que outras tcnicas podem ser utilizadas para analisar os
experimentos industriais (OLIVEIRA, 1999; WERKEMA & AGUIAR, 1996;
MONTGOMERY, 1991).
A anlise de varincia utilizada para aceitar ou rejeitar, estatisticamente, as

Captulo 2 Tcnicas de planejamento e anlise de experimentos

32

hipteses investigadas com os experimentos industriais. O objetivo dessa tcnica


analisar a variao mdia dos resultados dos testes e demonstrar quais so os fatores
que realmente produzem efeitos (principais e de interao) significativos nas
respostas de um sistema.
Para ilustrar o procedimento considere-se o experimento fatorial com dois
fatores, cada um deles com apenas dois nveis. O modelo matemtico que define a
variao da resposta em funo dos fatores de controle dado pela eq. 2.1. Com a
anlise de varincia procura-se identificar se alguns dos coeficientes desse modelo
so reflexos do erro experimental ou se realmente so efeitos significativos.
Assim, a contribuio de qualquer parmetro (Ei) no modelo matemtico
dado pela soma de quadrados (SSE), conforme eq. (2.4).

SS E i

(E i ) 2
=
4.n

(2.4)

sendo que n o nmero de observaes realizadas.


Para determinar a soma quadrtica das interaes, procede-se conforme a
eq. (2.5).

SS E12 =
i =1 j =1

y ij2
2n

T2
SS E1 SS E2
4n

(2.5)

sendo que T a soma total das observaes e yij representa as respostas


experimentais.
A somatria dos quadrados das diferenas representada pela eq. (2.6).
T2
SS D = y
4n
i =1 j =1
2

2
ij

(2.6)

sendo que T a soma total das observaes e yij representa as respostas


experimentais.

Captulo 2 Tcnicas de planejamento e anlise de experimentos

33

A soma quadrtica dos erros dada pela eq. (2.7).


SSR = SSD - SSE1 - SSE2 - SSE12

(2.7)

Os resultados da ANOVA so geralmente apresentados em um quadro ou


tabela, conforme o Quadro 2.3. Tais resultados representam a anlise do experimento
fatorial com dois fatores, cada um deles com dois nveis. As colunas nesse quadro
incluem as fontes de variao, a soma dos quadrados (SSE1, SSE2, ..., SSD), os graus
de liberdade (g.l a propriedade pela qual qualquer das (n - 1) observaes de uma
amostra completamente determinam a outra observao), os quadrados mdios (MS),
ou a varincia dos parmetros, e a estatstica do teste F0.
QUADRO 2.3 - ANOVA DE UM EXPERIMENTO FATORIAL COM DOIS FATORES
Fonte: MONTGOMERY (1991).
Fonte de
Variao

Soma de
Quadrados

g.l.

Quadrado
Mdio

E1

SSE1

a-1

MSE1 = SSE1/a-1

MSE1/ MSR

E2

SSE2

b-1

MSE2 = SSE2/b-1

MSE2/ MSR

Interao E12

SSE12

(a-1)(b-1)

MSE12 = SSE12/(a-1)(b-1)

MSE12/ MSR

Erro

SSR

abn(n - 1)

MSR = SSR/ab(n-1)

Total

SSD

abn - 1

F0

O mtodo de anlise de varincia apresentado anteriormente refere-se ao


caso de um planejamento fatorial, com dois fatores, cada um deles com dois nveis.
Esse

processo

pode

ser

generalizado

para

experimento

fatorial

2k.

O modelo estatstico (eq. (2.2)) para o experimento fatorial 2k inclui k efeitos


principais, k interaes de dois fatores, k interaes de trs fatores, ..., e uma
2

interao de k fatores. Uma vez estimados os efeitos principais e de interao, a


soma de quadrados para qualquer um dos efeitos ser conforme a eq. (2.8). No
Quadro 2.4 representado o quadro geral de ANOVA para um experimento
fatorial 2k (MONTGOMERY, 1991).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

34

(E12...k )2
SSE12, ..., k =
n 2k

(2.8)

sendo que n o nmero de observaes realizadas e k o nmero de fatores.


QUADRO 2.4 - ANLISE DE VARINCIA PARA UM EXPERIMENTO 2K
Fonte: MONTGOMERY (1991).
Soma de
Quadrados

Graus de
Liberdade

SSE1
SSE2
:
SSEk

1
1
:
1

E12

SSE12

E13

SSE13

Fonte de Variao
Efeitos Principais
E1
E2
:
Ek

k Interao a dois Fatores



2

Ejk

SSEjk

SSE123
SSE124
:
SSEijk
:

1
1
:
1
:

k Interao a trs Fatores



3
E123
E124
:
E1jk
:

k Fatores Interao

k
E123 ... k

SSE123 ... k

1
k

Erro

SSE

2 (n-1)

Total

SST

n2k - 1

Segundo VIEIRA (1996), a interpretao dos resultados do quadro de


ANOVA se apresenta em duas categorias, conforme segue.
os parmetros que possuam razo F0 maior que a estatstica F critica, so
os fatores que exercem influncia sobre o valor da mdia de resultados. A estatstica
F, que segue uma distribuio com v1 (numerador) e v2 (denominador) graus de
liberdade, para um dado nvel de significncia , so retiradas das tabelas
apresentadas por vrios autores (LEVINE et al., 1998; DEVOR et al., 1992;
MONTGOMERY, 1991).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

35

os fatores que possuam razo F0 menor que a F critica no causam efeitos


significativos sobre a mdia, portanto, a hiptese nula verdadeira.
importante ressaltar que o quadro ANOVA facilmente construdo com
softwares estatsticos (EXCEL, MINITAB, STATISTICA). Alm dessa vantagem,
na maioria dos programas computacionais est includo o valor p. Esse valor
corresponde rea sob a qual a estatstica F limite da razo F0 calculada. Com esse
parmetro estatstico possvel concluir sobre as hipteses nulas sem precisar
recorrer a uma tabela de valores crticos da distribuio F. Isto , se o valor p for
menor que o nvel de significncia escolhido , a hiptese nula rejeitada.
No entanto, a inferncia estatstica com a ANOVA um processo que
requer alguns cuidados: a equipe no pode esquecer que um efeito de interao
indica que todos os fatores envolvidos (na interao) so significativos, apesar do
fato de que seus efeitos principais na ANOVA possam no mostrar a significncia;
os fatores de rudo a priori no so completamente investigados. Nesse caso outras
tcnicas com um melhor desempenho podem ser utilizadas (ex. Projeto Robusto)
(TAGUCHI, 1993).
2.3.4 Planejamento fatorial fracionado 2k-p
Ao realizar experimentos industriais, comum verificar a necessidade de
estudar o efeito de um ou mais fatores de controle ao mesmo tempo (ABRAHAM et
al., 1999). A aplicao das tcnicas de planejamentos de experimentos fatoriais
fracionados 2k-p, mostra-se como uma das solues para esse tipo de problema.
MONTGOMERY (1991) ressalta que, com essas tcnicas, possvel analisar os
efeitos sobre uma resposta de interesse, de k fatores com dois nveis cada um, em 2k-p
combinaes de testes, realizando-se apenas uma parte (metade do experimento
quando p igual a um , ou um quarto do experimento quando p igual a dois), do
experimento sem comprometer significativamente a preciso das concluses
decorrentes da anlise de resultados. Simultaneamente, os custos e o tempo de
durao dos ensaios so significativamente reduzidos.

Captulo 2 Tcnicas de planejamento e anlise de experimentos

36

Segundo ABRAHAM et al. (1999), quando so utilizadas as tcnicas de


experimentos fatoriais 2k-p, a equipe responsvel assume que os efeitos de interao
de ordem superior so desprezveis. Nesse sentido, BOX & LIU (1999) descrevem
um estudo sobre as tcnicas fatoriais fracionados 2k-p e ressaltam a eficincia de obter
informaes confiveis com esses mtodos. MONTGOMERY (1991) ressalta trs
idias importantes que justificam a utilizao das tcnicas de experimentos fatoriais
fracionados. A primeira delas a disperso dos efeitos. Isto , quando existem vrios
fatores de controle, torna-se provvel que o processo seja influenciado apenas por
alguns efeitos principais e de interao de ordem inferior. A segunda caracterstica
denominada de propriedade de projeo. Neste caso, os experimentos fatoriais
fracionados podem ser planejados em matrizes maiores, que podem ser construdas a
partir de um subconjunto de fatores significativos. A terceira caracterstica desse tipo
de tcnica a experimentao seqencial. Ocorre quando possvel combinar as
corridas de dois ou mais experimentos fatoriais fracionados.
A seguir,

utilizando-se como

base os trs princpios abordados

anteriormente, so descritos outros aspectos que devem ser considerados ao se


construir experimentos industriais com essas tcnicas (CARPINETTI, 2000;
OLIVEIRA, 1999; DEVOR et al., (1992), MONTGOMERY, 1991; BOX &
BISGAARD, 1987):
Considere-se um estudo com trs fatores de controle (1, 2, e 3), com dois
nveis cada um. A equipe responsvel por conduzir o experimento determinou que
invivel economicamente realizar as oito combinaes (23 = 8) da matriz. Porm,
possvel realizar um experimento com quatro (metade) observaes (23/2 = 23-1 = 4).
Esse exemplo apresentado por MONTGOMERY (1991) e DEVOR et al. (1992).
No Quadro 2.5, aparecem todas as combinaes possveis do experimento
fatorial completo 23. As colunas 12, 13, 23 e 123 foram estimadas pela multiplicao
das colunas que contem os fatores 1, 2 e 3. Por convenincia as combinaes (linhas
da matriz) foram separadas pelos sinais de positivo e negativo da coluna de interao
de maior ordem, ou seja pela interao 123. Essa coluna da matriz denominada de
relao definidora do experimento. Nesse tipo de experimento a equipe responsvel
pode optar

pela execuo

das combinaes referentes parte positiva

(teste nmero 1, 2, 3 e 4), o que mais usual, ou executar a outra parte (corridas 5, 6,

Captulo 2 Tcnicas de planejamento e anlise de experimentos

37

7 e 8). No primeiro caso a combinao dos ensaios representada por I = 123 . Se for
selecionada a parte negativa, deve-se lembrar que a relao definidora do
experimento ser I = - 123.
QUADRO 2.5 - EXPERIMENTO FATORIAL 23
Fonte:DEVOR et al. (1992).
Efeito fatorial

Combinaes
tratamento

12

13

23

123

+1

+1

-1

-1

-1

-1

+1

+1

y1

+1

-1

+1

-1

-1

+1

-1

+1

y2

+1

-1

-1

+1

+1

-1

-1

+1

y3

+1

+1

+1

+1

+1

+1

+1

+1

y4

+1

+1

+1

-1

+1

-1

-1

-1

y5

+1

+1

-1

+1

-1

+1

-1

-1

y6

+1

-1

+1

+1

-1

-1

+1

-1

y7

+1

-1

-1

-1

+1

+1

+1

-1

y8

yi

A seguir, com objetivo de ilustrar o processo de planejamento experimental


com a tcnica fatorial fracionado ser utilizada a parte positiva do experimento,
apresentado no Quadro 2.5. Nessa matriz so identificadas as seguintes combinaes
lineares para estimar os efeitos principais dos fatores 1, 2 e 3, conforme segue.
l1 = (+1 - 2 - 3 + 4)
l2 = (-1 + 2 - 3 + 4)
l3= (-1 - 2 + 3 + 4)
e para os efeitos de interao 12, 13 e 23 se obtm:
l12 = (-1 -2 + 3 + 4)
l13 = (-1 + 2 - 3 + 4)
l23= (+1 - 2 - 3 + 4)
Percebe-se que algumas combinaes lineares so iguais (l1 = l23, l2 = l13 e
l3 = l12). Quando isso ocorre torna-se impossvel identificar claramente quais so os
efeitos principais de cada fator porque esto misturados com os efeitos produzidos
pela combinao de dois fatores. Nesse caso, MONTGOMERY (1991) e DEVOR et

Captulo 2 Tcnicas de planejamento e anlise de experimentos

38

al. (1992) afirmam que na realidade est sendo determinado o efeito das
combinaes de 1 + 23, 2 + 13 e 3 + 12, e est propriedade conhecida como efeito
de confundimento.
A estrutura de confundimento de um efeito principal ou de interao em um
experimento pode se determinar por meio da multiplicao do efeito com a relao
definidora. Por exemplo, a estrutura de confundimento do efeito principal pode ser
obtida conforme segue:
Para o efeito principal 1;
(1) I = (1)123 = 23
O mesmo procedimento utilizado para estimar 2 = 13 e 3 = 12. Nota-se
que no existe confundimento entre os efeitos principais, porm essas informaes
esto confundidas com os efeitos das interaes entre dois fatores.
Sendo assim, um aspecto importante que deve ser considerado nos
experimentos fatoriais fracionados a resoluo que est sendo utilizada. Segundo
MONTGOMERY (1991), a resoluo de um planejamento fatorial fracionado est
relacionada ao padro de confundimento entre os efeitos dos fatores. O autor
recomenda que nos experimentos deve-se utilizar a maior resoluo possvel, porque
com isso possvel desprezar os efeitos de interao de mais alta ordem. A seguir
so apresentadas as definies de resoluo III, IV e V, que so consideras como as
mais importantes e utilizadas ao se construir os experimentos industriais
(MONTGOMERY, 1991; STEINBERG & HUNTER, 1984).
Resoluo III - isto significa que ao menos alguns efeitos principais so
confundidos com efeitos de interao de dois fatores;
Resoluo IV - se um planejamento de resoluo IV isto significa que
ao menos alguns efeitos principais sero confundidos com efeitos de interao de trs
fatores, e ao menos alguns efeitos de interao de dois fatores so confundidos com
outros efeitos de interao de dois fatores;

Captulo 2 Tcnicas de planejamento e anlise de experimentos

39

Resoluo V - se um planejamento de Resoluo V, ao menos alguns


dos efeitos principais so confundidos com efeitos de interao de quatro fatores, e
os efeitos de interao de dois fatores so confundidos com os efeitos de interao de
trs fatores.
Em alguns casos dependendo do nmero de fatores que so investigados,
uma frao menor de combinaes necessria para realizar os experimentos
fatoriais. Por exemplo a equipe pode apenas realizar um quarto (1/4) do experimento
fatorial completo. Este tipo de experimento conhecido como experimento fatorial
fracionado 2k-2. O experimento pode ser construdo inicialmente com as combinaes
de tratamento ou colunas da matriz de um planejamento fatorial com k-2 fatores. Em
seguida, so adicionadas duas colunas com as interaes, escolhidas apropriadamente
pela equipe responsvel por conduzir os experimentos, que incluem os primeiros k-2
fatores. Uma caracterstica importante desse experimento a necessidade de
determinar duas colunas geradoras para construir a matriz.
Conforme o nmero de fatores outras fraes podem ser utilizadas. Na
literatura que estuda as tcnicas de planejamento e anlise de experimentos
industriais esto disponveis o nmero de combinaes e as estruturas de
confundimento

para

esse

tipo

de

experimento

(WU

&

CHEN,

1992;

MONTGOMERY, 1991). Ainda, softwares estatsticos (MINITAB, STATISTICA)


podem ser usados para construir esse tipo de matriz.
Ao mesmo tempo, ressalta-se que a anlise estatstica e descritiva (grficos
lineares e de probabilidade normal) dos efeitos principais e de interao dos fatores
segue os mesmos princpios apresentados anteriormente para um experimento
fatorial 2k. Outras informaes podem ser consultadas na literatura que trata de
projetos de experimentos (MONTGOMERY, 1991; DEVOR et al., 1992).
2.4

Metodologia de superfcie de resposta


Segundo TAY & BUTLER (1999) e MYERS et al. (1989), a Metodologia

de Superfcie de Resposta (MSR ou RSM do ingls Response Surface Methodology),


um conjunto de tcnicas de planejamento e anlise de experimentos usadas na

Captulo 2 Tcnicas de planejamento e anlise de experimentos

40

modelagem matemtica de respostas. Esse mtodo foi desenvolvido por George Box,
da Universidade de Princeton - Estados Unidos, com a colaborao de outros autores,
na dcada de 1950. O estudo foi motivado porque os pesquisadores sentiram a
necessidade de utilizar um procedimento para determinar as condies timas (ou
nveis timos) dos fatores de controle que interferem na resposta de um sistema
(MYERS et al., 1989).
No entanto, a literatura que pesquisa o tema relata que s a partir da dcada
de 1980, a MSR passou a ser aplicada pelas empresas, principalmente a indstria
japonesa e americana. Nas fbricas o mtodo pode contribuir na melhoria da
qualidade dos produtos ou processos de fabricao, a aumentar a produtividade e a
reduzir o tempo de desenvolvimento de produtos, entre outros fatores (GUEDES,
1996). O sucesso alcanado pelas indstrias motivou outros setores a conduzir
(planejar) e analisar estatisticamente os experimentos. Entre as reas que mais
utilizam os conceitos pode-se citar: Fsica, Engenharia, Indstria de alimentos,
Cincias sociais (economia, pesquisa operacional e sistemas de simulao) e
Biologia (por exemplo, os conceitos podem ser utilizados para determinar o
relacionamento que existe entre a estrutura qumica de um componente e sua reao
biolgica, assim como, para realizar estudos sobre os efeitos da poluio industrial
no meio ambiente) (ELSAYED & CHEN, 1993; MYERS et al., 1989).
Na maioria dos estudos publicados observa-se que os projetos experimentais
desenvolvidos com o mtodo envolvem a modelagem matemtica de apenas uma
resposta (single-response analysis) (REDDY et al., 1998). Porm, importante
ressaltar que a MSR um procedimento que pode ser aplicado na modelagem de
problemas em que so observadas vrias caractersticas de qualidade. Esse mtodo
tambm conhecido como otimizao de multi-respostas (multiple-response
experimental design) (MYERS & MONTGOMERY, 1995; KHURI & CORNEL,
1987). Destaca-se que um fator importante que facilita o uso da MSR com multiresposta o avano tecnolgico dos softwares estatsticos. Com essa evoluo
tambm foi possvel reduzir os erros nas anlises estatsticas dos problemas
estudados (TAY & BUTLER, 1999).
Segundo BOX & HUNTER (1957) as principais razes para estudar os
problemas de um sistema com a MSR so:

Captulo 2 Tcnicas de planejamento e anlise de experimentos

41

determinar quais so as condies dos fatores (x1, x2, ..., xk) que

determinam o melhor valor para a reposta yi;

necessidade de se conhecer as caractersticas da funo resposta, que se

aproxima das condies reais de operao dos sistemas. Nas empresas, essas
informaes podem ser utilizadas para mudar as condies de operao dos
processos de fabricao sem aumentar os custos de produo e melhorar o sistema de
controle do processo;

interesse em identificar o relacionamento que existe entre os

parmetros (que podem ser representados por variveis quantitativas tipo tempo,
velocidade, presso, temperatura, etc.) e as respostas.
Segundo COCHRAN & COX (1957) a funo matemtica que descreve a
superfcie de resposta dada pela eq. (2.9).
= f(x1, x2, ..., xk) +

(2.9)

sendo que x1, x2, ..., xk so os fatores experimentais e o resduo ou erro


experimental, ou seja, a disperso dos resultados em torno da funo matemtica
aproximada aos pontos.
Na maioria dos problemas analisados com a MSR desconhecida a funo
matemtica que define o relacionamento entre a resposta e os fatores experimentais.
No entanto, na literatura de projetos experimentais algumas funes de resposta
(tambm conhecidas como funo objetivo) so descritas e utilizadas por vrios
autores (RIBEIRO et al., 2000; REDDY et al., 1998; GUEDES, 1996; ELSAYED &
CHEN, 1993 e TAGUCHI, 1993). Os aspectos mais importantes que so
considerados pelos modelos no procedimento de otimizao so: a mdia e a
varincia das repeties de cada corrida experimental.
A seguir descrito um dos mtodos de otimizao que podem ser utilizados
para se aproximar da superfcie de resposta (MYERS & MONTGOMERY, 1995;

Captulo 2 Tcnicas de planejamento e anlise de experimentos

42

KHURI & CORNELL, 1987).


No procedimento de otimizao, um primeiro passo identificar uma
funo matemtica que modele a variao das respostas em funo da variao dos
fatores investigados. Segundo MYERS et al. (1989), os polinmios algbricos so
amplamente utilizados para se aproximar da regio de resposta. GUEDES (1996),
afirma que o grau de aproximao depende essencialmente do grau do polinmio
(definido pelo produto de k fatores) e da faixa do intervalo considerado. Geralmente,
a primeira funo que utilizada para se aproximar ao conjunto de resultados so os
polinmios de primeira ordem, representado pela eq. (2.10). Nesse caso, procura-se
verificar se a variao da resposta em funo dos fatores bem modelada por uma
superfcie plana, conforme a Figura 2.6
y = 0 + 1x1 + 2x2 + ... + kxk +

(2.10)

sendo que 0, 1, 2... k, representam os coeficientes do polinmio;

Resposta

x1, x2, ..., xk so os fatores experimentais e o erro experimental.

Fator x2

Fator x1

FIGURA 2.6 - SUPERFCIE DE RESPOSTA TRIDIMENSIONAL PLANA

MONTGOMERY (1991) ressalta que se a variao da resposta em funo


dos fatores melhor modelada por uma superfcie no plana, ou seja, o teste
estatstico aponta que o modelo linear no satisfaz as condies de operao do
sistema porque existe uma curvatura na superfcie de resposta, conforme a
Figura 2.7, ento a funo a ser aproximada ao conjunto de resultados um

Captulo 2 Tcnicas de planejamento e anlise de experimentos

43

polinmio de mais alta ordem, como um modelo de segunda ordem, dado pela eq.
(2.11). Segundo COCHRAN & COX (1957), esse modelo o mais utilizado para
ajustar a superfcie de resposta.
k

i =1

i =1

y = 0 + i x i + ii x i2 + ij x i x j +
i

(2.11)

sendo que 0, 1, 2... k, representam os coeficientes do polinmio;

Resposta

xi, xj, ..., xk so os fatores experimentais e o erro experimental.

Fator x2

Fator x1

FIGURA 2.7 - SUPERFCIE DE RESPOSTA TRIDIMENSIONAL NO PLANA

Outro procedimento que pode ser utilizado para ajustar a funo de resposta
por meio de aproximaes por funes SPLINES, descrito por SCHUMAKER1
apud GUEDES (1996). Neste mtodo o intervalo original de aproximao dividido
em subintervalos, para que a distncia entre a funo ajustada e a funo que
representa o sistema seja mnima. No presente projeto, os detalhes desta metodologia
no sero apresentados, porque a modelagem das respostas experimentais ser
realizada com as aproximaes por polinmios, descritos anteriormente.
Em muitas aplicaes da MSR o maior problema enfrentado pelas pessoas
na hora de selecionar o planejamento experimental. A seguir so apresentadas
algumas caractersticas e propriedades dos experimentos fatoriais 2k que podem ser
1

SHUMAKER, L.L. (1968). Approximation by splines. In: Proceedings of an advanced seminar


conducted by the mathematics research center, NY. University of Wisconsin. Academic Press.

Captulo 2 Tcnicas de planejamento e anlise de experimentos

44

utilizados na MSR. A classificao das tcnicas de experimentos ser realizada


conforme o grau do polinmio que utilizado para ajustar a resposta.
2.4.1 Experimento fatorial 2k para ajustar a superfcie de resposta
MYERS & MONTGOMERY (1995) e BOX & HUNTER (1957), ressaltam
que antes de realizar os experimentos conveniente que os fatores de controle sejam
codificados no intervalo (-1, 1). Uma forma de fazer a transformao dada pela
eq. (2.12). Essa codificao utilizada porque facilita a construo dos
planejamentos experimentais, remove as unidades de medida dos fatores de controle
e a distncia ao longo dos eixos.

xi =

( i n c )
x i

(2.12)

sendo que i representa o nvel da varivel natural do processo de


fabricao, nc o ponto central utilizado no experimento e xi o valor de escala ou
o incremento na varivel independente.
O planejamento experimental deve determinar os coeficientes de regresso
dos polinmios com varincia mnima (BOX & HUNTER, 1957). GUEDES (1996)
afirma que se os fatores experimentais de uma matriz X so funcionalmente
independentes ento, a anterior exigncia ser satisfeita ao selecionar um
planejamento que produza a matriz XX diagonal. Nesse caso, os planejamentos
ortogonais (uma matriz dita ortogonal quando os elementos fora da diagonal da
matriz XX so todos zero. Isto implica que a soma do produto da matriz X tambm
zero) e em particular os experimentos fatoriais 2k e algumas de suas classificaes
satisfazem est condio.
Quando

realizado

um

experimento

fatorial

2k,

dificilmente

experimentador sabe se a resposta de interesse varia de forma linear ou no linear em


funo dos fatores, pois apenas existem dois nveis para cada parmetro. A seguir,
algumas tcnicas de planejamento que ajudam a resolver esse problema so
apresentadas

(GUEDES,

1996;

MYERS

&

MONTGOMERY,

1995;

Captulo 2 Tcnicas de planejamento e anlise de experimentos

45

MONTGOMERY, 1991; KHURI & CORNELL, 1987).

Planejamento para o ajuste de um modelo de primeira ordem: esse

tipo de experimento utilizado quando se deseja aproximar rapidamente da


superfcie de resposta.
A classe de planejamento que satisfaz as condies (principalmente a
ortogonalidade e a variao mnima dos coeficientes de regresso) apresentadas
anteriormente, o experimento fatorial 2k, com pontos centrais (nc). Esse mtodo
consiste em adicionar um ponto de experimentao no nvel x0 (0, 0), intermedirio
aos nveis (-1, +1), para os fatores xi (i = 1, 2, ..., k). Neste caso, assume-se que os k
fatores sejam quantitativos. Segundo MONTGOMERY (1991), os pontos centrais
so utilizados para conservar a linearidade dos efeitos provocados pelos fatores no
experimento, assim como, para se estimar os erros experimentais, sem influenciar os
efeitos produzidos pelos fatores nas respostas.
Para ilustrar a tcnica, considere-se um experimento 22. Neste caso, as
combinaes lineares dos nveis dos fatores seriam (-1, -1), (-1, +1), (+1, -1) e
(+1, +1), e ainda existem nc observaes nos nveis (0, 0), como ilustrado pela
Figura 2.8.

Ponto Central
(0,0)
SUPERFCIE DE
RESPOSTA
+1
0
Fator 1 -1

-1
0
+1

Fator 2

FIGURA 2.8 - PLANEJAMENTO FATORIAL 22, COM PONTOS CENTRAIS


Fonte: MONTGOMERY (1991).

A ferramenta estatstica que utilizada para testar se existe ou no curvatura


na regio central ser descrita na prxima seo. Se, ao realizar a anlise de varincia
(ANOVA), verifica-se que o modelo de primeira ordem no pode ser utilizado para

Captulo 2 Tcnicas de planejamento e anlise de experimentos

46

ajustar a superfcie de resposta, a equipe deve partir para a construo de um modelo


de segunda ordem. Em alguns casos novos experimentos devem ser planejados
conforme ser descrito a seguir.
Planejamento para o ajuste de um modelo de segunda ordem: Um
planejamento experimental para o modelo de segunda ordem devem conter pelo
menos trs (3) nveis para cada fator (MONTGOMERY, 1991). Neste caso, a srie
de experimentos que podem ser utilizados no planejamento da superfcie de resposta
de segunda ordem so os planejamentos rotveis (rotatable second design) (BOX &
HUNTER, 1957). Um experimento rotvel se a varincia da resposta estimada,
para algum ponto xi, em funo da distancia do ponto ao centro e no em funo da
direo (MONTGOMERY, 1991). GUEDES (1996) afirma que essa caracterstica
define que o contorno de varincia da resposta estimada formado por crculos
concntricos.
A classe de planejamento rotvel mais usado para ajustar o modelo de
segunda ordem o planejamento composto central. Este planejamento consiste de
um 2k fatorial ou fatorial fracionado 2k-p mais 2k pontos axiais e nc pontos centrais
(BOX & HUNTER, 1957). Os 2k pontos axiais, so localizados em (1, 0, 0, ..., 0),
(0, 1, 0, ..., 0), (0, 0, 1,..., 0), ..., (0, 0, 0,..., 1), sendo que 1 dado pela
eq. (2.13).
1 = (2k)

(2.13)

O ponto axial no planejamento utilizado para garantir que o experimento


seja rotvel. Segundo MONTGOMERY (1991) e BOX & DRAPER (1987), com
esse ponto possvel estimar os coeficientes da superfcie em todas as direes
possveis. Ainda, o valor de 1 depende do nmero de pontos na poro fatorial do
planejamento. Por exemplo, a configurao de um experimento fatorial composto
central com dois fatores pode ser visualizada pela Figura 2.9, sendo que o quadrado
com crculos slidos nas arestas representa o fatorial 22, o circulo no centro
representa o ponto central nc (0, 0), (0, 0), ..., (0, 0), e o losango com quadrados nas
arestas representa os pontos axiais do experimento fatorial composto central.

Captulo 2 Tcnicas de planejamento e anlise de experimentos

47

+1.414
+1

-1
-1.414

-1.414

-1

+1

+1.414

FIGURA 2.9 - REPRESENTAO GRFICA DO PLANEJAMENTO COMPOSTO CENTRAL


Fonte: Adaptado de MONTGOMERY (1991).

Nota-se que outra propriedade do planejamento composto central que


pode ser controlado pela escolha do nmero de pontos centrais nc, ou seja, com um
nmero apropriado de pontos centrais o planejamento ortogonal e pode ser de
preciso uniforme. Nesse caso, a varincia da resposta estimada na origem igual
para as distncias unitrias desde a origem (GUEDES, 1996).
Outro tipo de planejamento que pode ser utilizado para conduzir os
experimentos so os arranjos ortogonais propostos pelo Mtodo Taguchi. Tais
matrizes so descritas por TON et al. (1997); ELSAYED & CHEN (1993); REDDY
et al. (1998); MYERS et al. (1989) e STEINBERG & HUNTER (1984). Ainda , na
literatura observa-se que existem outros algoritmos que podem ser utilizados para
construir as matrizes dos experimentos utilizados na otimizao de respostas,
conforme descritos por YONCHEV (1988) e STEINBERG & HUNTER (1984).
2.4.2 Anlise de varincia de superfcie de resposta: experimento 2k
HILL & HUNTER (1966) propem um procedimento para realizar a anlise
estatstica de superfcie de resposta. Essa estratgia dividida em quatro passos,
conforme segue.
1. Executar com bom desempenho os experimentos. Est etapa depende,

Captulo 2 Tcnicas de planejamento e anlise de experimentos

48

principalmente, da tcnica de planejamento utilizada para conduzir os experimentos,


conforme descrito anteriormente.
2. Determinar os coeficientes do modelo matemtico de ajustagem.
Para estimar os coeficientes () dos polinmios de primeira e segunda ordem, vrios
autores apresentam o mtodo de mnimos quadrados, conforme descrito pela
eq. (2.14). Outras informaes desse mtodo so descritas no Anexo A.
= (XX)-1Xy

(2.14)

sendo que a matriz com os coeficientes, X a matriz com os parmetros


experimentais codificados e y a resposta experimental.
3. Checar se o modelo matemtico adequado para ajustar a
superfcie de resposta. Na anlise de superfcie de resposta podem ser utilizadas
diversas ferramentas estatsticas. As mais comuns so os grficos de superfcie de
resposta e a tcnica de anlise de varincia (ANOVA). Os grficos podem ser
utilizados para estudar visualmente o relacionamento que existe entre os fatores e as
respostas. Porm, HILL & HUNTER (1966) ressaltam que essas ferramentas no so
exatas para representar o relacionamento. A ANOVA utilizada para verificar se a
variao dos coeficientes (1, 2, ..., k) do modelo matemtico interfere
significativamente na modelagem da superfcie de resposta.
Segundo MONTGOMERY (1991), a linearidade do modelo matemtico
pode ser verificada ao estimar a diferena entre a mdia das respostas para os pontos
fatoriais do experimento ( y f ), e a mdia dos resultados obtidos em nc rodadas no
ponto central ( y c ). Se a diferena entre ( y f y c ) for pequena, ento assume-se que
o ponto central est prximo ao plano que contm as respostas do experimento
fatorial (a superfcie de resposta plana) e portanto no h curvatura no sistema. No
entanto, se essa diferena for grande, assume-se que a superfcie de resposta na
regio no plana (MONTGOMERY, 1991; BOX & HUNTER, 1957).
Para testar estatisticamente se existe ou no curvatura na regio central,
calcula-se a soma quadrtica nesse ponto, dada pela eq. (2.15).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

SS Curvatura =

n f nc ( y f yc )
n f + nc

49

(2.15)

sendo que nf o nmero de resultados na parte fatorial do experimento e nc


o nmero de resultados no ponto central.
Em seguida, a estatstica F determinada, conforme a eq. (2.16).

F0 =

SS Curvatura
2

(2.16)

sendo que 2 uma estimativa do erro experimental (SSE) calculada a partir


dos resultados no ponto central (nc), dado pela eq. (2.17).

2 =

(y

y) 2

Ponto central

nc 1

(2.17)

sendo que y a mdia dos resultados no ponto central e yi so as respostas


do experimento fatorial.
Ainda, antes de afirmar que o modelo matemtico pode ser utilizado para
ajustar a superfcie de resposta, necessrio realizar uma anlise estatstica mais
completa dos coeficientes do polinmio. O objetivo verificar se esses termos
influenciam significativamente a modelagem da superfcie. O processo decompor a
soma total de quadrados, dado pela eq. (2.18).
SST = SS + SSE

(2.18)

A soma de quadrados dos coeficientes (SS) dada pela eq. (2.19).


k

SSi = i SSiy

(2.19)

i =1

sendo que SSiy a soma de quadrados da i-sima varivel de


experimentao, dada pela eq. (2.20).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

50

n
n

y i x ij

n
j =1
j =1

i = 1, 2,..., k
SS iy = y j x ij
n
j =1

(2.20)

sendo que yj a resposta experimental, xij o nvel da i-sima varivel e n


nmero de observaes.
Para aceitar ou rejeitar a hiptese de curvatura ou verificar se o modelo
matemtico ajustado a superfcie de resposta, ser realizado o teste com a
estatstica F. Geralmente, se o valor de F0 for menor que a estatstica critica
F,

k, ( n c -1),

para um dado nvel de significncia , significa que no existe uma

curvatura acentuada no plano e portanto o polinmio pode ser adotado como boa
aproximao da superfcie de resposta (MONTGOMERY, 1991). Ao mesmo tempo,
o teste aponta quais so os fatores mais importantes na modelagem.
Geralmente, a anlise de varincia pode ser resumida no Quadro 2.6.
importante ressaltar que esses resultados podem ser obtidos facilmente por meio de
softwares estatsticos (STATISTICA, MINITAB). Alm dessa vantagem, na maioria
dos programas computacionais est includo o valor p, conforme descrito
anteriormente.
QUADRO 2.6 - ANLISE DE VARINCIA DE SUPERFCIE DE RESPOSTA, FATORIAL 22
Fonte de
Variao

Soma
Quadrado

g.l.

Quadrado Mdio

SS

MS = SS /k

MS / MSE

Interao

SSINTERAO

MSI = SSINTERAO

MSI /MSE

Curvatura do plano

SSCURVATURA

k-1

MSC = SSCURVATURA/k-1

MSC /MSE

Erro

SSE

nc-1

MSE = SSE/nc-1

SST

n-1

Regresso ( 1, 2, ... i)

Total

Uma vez concludo que na regio de experimentao, a variao da resposta


bem modelada por uma funo linear dos fatores, pode-se iniciar um procedimento
de busca da melhor condio de operao, ou seja, procura-se determinar os nveis
dos fatores quantitativos que otimizam a resposta de interesse. Com esse objetivo,

Captulo 2 Tcnicas de planejamento e anlise de experimentos

51

novos experimentos so planejados, variando-se os parmetros na direo que,


segundo o modelo matemtico, levar a uma mais rpida otimizao da resposta.
Segundo MONTGOMERY (1991), esse processo pode ser chamado de tcnica
seqencial que pode ocorrer de duas maneiras, conforme segue.

Se um ponto qualquer da superfcie (pode representar as condies

atuais de operao de um processo) est distanciado das condies timas de


operao e necessrio se aproximar ou determinar a regio de resposta, a analise da
superfcie de resposta pode ser interpretada como a ascenso a uma montanha, onde
o pico representa a resposta mxima do experimento. Esse mtodo denominado de
mxima pendente em ascenso;

Se ocorrer o contrrio, ou seja, a aproximao ocorre na forma de

descenso, o ponto timo ser a resposta mnima da superfcie, e esse procedimento


tambm conhecido como mtodo de mxima pendente em descenso.
4. Finalmente, a ltima etapa proposta por HILL & HUNTER (1966)
estudar a superfcie de resposta na regio de interesse. Essa etapa deve ser
realizada depois que se comprova a validade do modelo matemtico e tem como
objetivo determinar os nveis timos do sistema investigado. MONTGOMERY
(1991) relata que uma maneira de localizar o ponto timo por meio da tcnica de
localizao do ponto estacionrio e planejamento composto central (descrito
anteriormente).
O ponto timo, se realmente existe no sistema investigado, ser definido
pelo conjunto de pontos (x1, x2, ..., xk) para os quais as derivadas parciais se igualam
a zero, conforme a eq. (2.21).
y

/x1 = y/x2 = ... = y/xk = 0

(2.21)

Esse ponto denominado de ponto estacionrio, que pode representar um


ponto

mximo

de resposta, um ponto mnimo ou um ponto de sela

(MONTGOMERY, 1991; BOX & HUNTER, 1957). A soluo geral do ponto

Captulo 2 Tcnicas de planejamento e anlise de experimentos

52

estacionrio obtida quando o modelo de segunda ordem (eq.(2.11)) escrito em


notao matricial, conforme a eq. (2.22) (MONTGOMERY, 1991).
y = 0 + xb + xBx

(2.22)

sendo que,

x=

x1
x
2
.

.
.

x k

b=

1

2
.

.
.

k

11 , 12 /2,

22 ,
B =

... 11 /2

... 21 /2
... :

: kk

Nessa representao matricial b um vetor (kx1) dos termos lineares, B


uma matriz simtrica (kxk), cujos elementos da diagonal so coeficientes quadrticos
puros (ii) e os elementos fora da diagonal correspondem metade dos termos de
interao (ij, i j) do polinmio algbrico.
A derivada da eq. (2.22) com relao aos elementos do vetor x dada pela
eq. (2.23).
y

/x = b + 2Bx = 0

(2.23)

O ponto estacionrio a soluo da eq. (2.23), cujo resultado dado pela


eq. (2.24).
x0 = - B-1 b

(2.24)

MONTGOMERY (1991) ressalta que uma vez determinado o ponto


estacionrio, algumas vezes ser necessrio caracterizar a superfcie de resposta com
a vizinhana imediata a esse ponto. Neste caso, os autores propem que seja
realizada uma anlise mais formal (anlise cannica) na superfcie de resposta,
conforme ser descrito a seguir (MONTGOMERY, 1991; HILL & HUNTER, 1966;
BOX & HUNTER, 1957).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

53

2.4.3 Anlise cannica de superfcie de resposta


Quando determinado o ponto estacionrio (x0) ou os nveis timos dos
fatores (x1, x2, ..., xk) que maximizam a resposta, minimizam ou representam um
ponto de sela ( o ponto crtico que no mximo local nem mnimo local), em
alguns experimentos industriais ser necessrio caracterizar a superfcie de reposta
na vizinhana desse ponto. Assim, com base na literatura de experimentos industriais
alguns pontos importantes desse procedimento so apresentados (MYERS &
MONTGOMERY, 1995; MONTGOMERY, 1991; BOX & DRAPER, 1987; BOX &
HUNTER, 1957; COCHRAN & COX, 1957).
Para ilustrar a tcnica considere-se um experimento fatorial 2k. O primeiro
passo ser transformar o polinmio de segunda ordem (eq. (2.11)) para um modelo
cannico (eq. (2.25)). Nesse novo sistema de coordenadas o ponto estacionrio passa
a ser a origem e os eixos (wk), devem ser rotacionados at o ponto em que so
paralelos aos eixos principais da superfcie ajustada. Segundo (MONTGOMERY,
1991), para se determinar os valores das razes (i) da equao cannica que passa
por esse ponto utilizada a eq. (2.26).
y = y0 + 1 w12 + 2 w22 + ...+ k wk2

(2.25)

sendo que y0 representa a resposta no ponto x0, wk a combinao linear das


xi e as i representa as constantes ou as razes de uma matriz (B).
[B - I] = 0

(2.26)

sendo que, B uma matriz formada pelos coeficientes quadrticos puros


(diagonal) e pelo valor mdio dos coeficientes de interao (fora da diagonal), so
as razes do polinmio quadrtico e I (determinante) o operador matemtico que
transforma a matriz quadrtica em nmeros reais.
Uma vez construdo o modelo cannico, algumas caractersticas da
superfcie de resposta devem ser observadas. As principais so (BOX & HUNTER,
1957):

Captulo 2 Tcnicas de planejamento e anlise de experimentos

54

Se todas as razes i so negativas, significa que o grfico de contornos da


superfcie ( Figura 2.10(a)) de reposta ser na forma de uma elipse, onde o centro x0
(ponto estacionrio) do sistema o ponto mximo. Caso os sinais sejam positivos
significa que esse ponto de resposta mnima.

Se os sinais i so diferentes, significa que x0 um ponto de sela,

conforme representado pela Figura 2.10(b). Esse ponto tambm conhecido como
ponto de mximo e mnimo. Ainda, se ao comparar as razes do modelo cannico, se
uma delas for menor quando comparada com a outra, pode-se dizer que a pendente
da superfcie no eixo da menor raiz ser atenuada.

x2

x2

x0,2

x0,2

x0,1

x1

(a) Mximo ou mnimo

x0,1

x1

(b) Ponto de Sela

FIGURA 2.10 - GRFICOS DE CONTORNO DE SUPERFCIE DE RESPOSTA


Fonte: MONTGOMERY (1991).

Segundo MONTGOMERY (1991) e BOX & HUNTER (1957), em alguns


problemas, ser necessrio determinar a relao que existe entre as variveis
cannicas (w1, w2) e as variveis (x1, x2) utilizadas no projeto experimental. Essas
expresses matemticas podem ser utilizadas para analisar os pontos adjacentes ao
ponto estacionrio no espao wi, assim como para transformar as interseces
(w1, w2) nos eixos principais (x1, x2). Os autores descrevem que a relao das
variveis pode ser representada pela eq. (2.27).

Captulo 2 Tcnicas de planejamento e anlise de experimentos

wi = M(xi - x0)

55

(2.27)

sendo que M uma matriz ortogonal (k x k), onde os elementos (m11 m12....
m1i, m21 m22 ... m2i , ..., mk1 mk2 ... mji) so os autovalores normalizados do polinmio
ajustado, associados as razes (i) do modelo cannico. Segundo MONTGOMERY
(1991), as equaes normalizadas do sistema podem ser construdas por meio da
eq. (2.28).
(B - iI)*mi = 0

(2.28)

sendo que a soma do quadrados dos elementos mji de cada uma das coluna
2

da matriz deve ser igual a um ( j=1 m = 1 ).


k

ji

Para resolver as equaes ser necessrio atribuir um valor arbitrrio a umas


das variveis desconhecidas mi ou mji. Em seguida, sero determinados os
elementos da matriz. Porm, como o objetivo obter os parmetros de M
normalizados, ser necessrio que cada um desses valores seja dividido pela
eq. (2.29) (MONTGOMERY, 1991; BOX & HUNTER, 1957).

(m 'i ) 2 + (m 'ji ) 2

(2.29)

sendo que mi e mji representam os parmetros atribudos arbitrariamente


no incio do processo para cada um dos sistemas.
Finalmente, com a resoluo da eq. (2.28) determinada a relao entre as
variveis independentes (x1, x2, ..., xk) do polinmio ajustado e do modelo cannico
(w1, w2, ..., wk). Ao mesmo tempo, novos experimentos de confirmao de resultados
podem ser planejados.
A seguir, no prximo captulo so descritos os experimentos industriais que
foram planejados e analisados estatisticamente com os conceitos e tcnicas
apresentadas anteriormente.

Captulo 3 Experimentos industriais

56

3 EXPERIMENTOS INDUSTRIAIS
3.1

Estudo de um processo industrial


Este captulo apresenta a aplicao dos conceitos e tcnicas de planejamento

e anlise de experimentos, descritos no captulo 2. O objetivo descrever os


experimentos industriais que foram realizados para determinar os principais
parmetros de controle e os nveis de regulagens de um processo de fabricao de
produtos plsticos. O estudo foi desenvolvido em uma empresa localizada na cidade
de Jundia, interior de So Paulo, com a colaborao de seus funcionrios, no perodo
de outubro de 2000 a outubro de 2001.
A primeira atividade realizada pelos pesquisadores (o termo pesquisadores
ser utilizado para referir-se ao mestrando e ao respectivo orientador) foi encaminhar
uma carta de apresentao do projeto s empresas da Regio, conforme o Anexo B.
Foram selecionadas quarenta e oito empresas, das quais trs responderam a proposta.
Desse pequeno grupo foi selecionada a empresa que desconhecia as tcnicas de
planejamento e anlise de experimentos industriais. Alm desse ponto, ela se
mostrou interessada e aberta a desenvolver um trabalho desse tipo.
Assim, nas prximas sees, ser apresentada uma breve caracterizao da
empresa ABC, os processos de transformao de materiais que so utilizados pela
empresa, a organizao dos experimentos industriais, os resultados e a anlise
estatstica desses experimentos.
3.2

Empresa estudada
No incio da fase experimental foram realizadas reunies para que os

pesquisadores conhecessem a empresa, seus processos de fabricao e produtos, e


tambm para apresentar os conceitos das tcnicas de planejamento e anlises de

Captulo 3 Experimentos industriais

57

experimentos aos funcionrios das reas de engenharia de processo e controle de


qualidade.
A empresa estudada, uma empresa de porte mdio, de capital fechado que
atua no mercado nacional desde 1957, e h dois anos no mercado externo.
Atualmente, a empresa est dividida em seis unidades industriais, todas elas
localizadas na cidade de Jundia / So Paulo.
O principal negcio da empresa o desenvolvimento, a fabricao,
montagem e comercializao de produtos plsticos (assentos sanitrios, armrios e
espelhos, caixas dgua, banheiras, acessrios para banheiros, cantoneiras e
chuveiros, vlvulas e adaptadores, mangueiras, etc.) utilizados na construo civil.
O principal processo de produo nesse tipo de indstria o sistema MTO
(Make to order). Nesse processo os produtos so fabricados e montados a partir dos
pedidos e das especificaes tcnicas dos clientes (SLACK et al., 1997).
Desde os anos 90, a empresa tem investido em novos equipamentos, na
melhoria de suas instalaes, no treinamento das pessoas e na melhoria de qualidade
dos produtos. Todas essas mudanas no ambiente de trabalho esto sendo
provocadas, principalmente, pelas aes de rgos governamentais que controlam o
impacto ambiental produzido pela transformao de plsticos (MINISTRIO DO
MEIO AMBIENTE, 2001), pelas exigncias das normas internacionais de qualidade
como a ISO 9000 e ISO 14000 (PLSTICO, 2001), pelas necessidades dos clientes e
pela concorrncia de outros fabricantes do setor de plsticos.
Assim, como resultado desses esforos a empresa j observa um aumento
dos ndices de competitividade. Nos ltimos anos (1999/2000) seu faturamento anual
cresceu 18%, ao mesmo tempo passou a fabricar cerca de 60 a 100 novos produtos
por ano.
3.3

Processos de transformao de materiais


A seguir so descritos os processos de transformao dos materiais,

(Polipropileno - PP, Polietileno Tereftlato - PET, Polietileno de alta densidade PEAD, Policloreto de Vinila - PVC e Policarbonato - PC), que a empresa utiliza para
fabricar os componentes plsticos. Todas as informaes foram retiradas das

Captulo 3 Experimentos industriais

58

apostilas que os funcionrios da empresa utilizam para treinar os reguladores de cada


um dos processos de fabricao (EMPRESA ABC, 2001).
1. Processo de moldagem plstica por injeo: o processo mais
utilizado pela empresa na transformao desses materiais. A principal razo o
avano tecnolgico alcanado pelos termoplsticos (so os materiais que podem ser
fundidos pela transferncia de calor e solidificados quando resfriados, sem nenhuma
alterao qumica). Entre outras vantagens esto: a autonomia industrial que as
mquinas injetoras alcanaram nos ltimos anos; flexibilidade na fabricao
(diferentes geometrias dos componentes) e manuteno dos moldes, possvel
produzir economicamente e esteticamente os componentes plsticos. Ainda,
conforme o nmero de cavidades do molde possvel aumentar a produo da
mquina injetora.
Entre as principais resinas que so utilizadas neste processo est o
polipropileno (PP), que obtido pela polimerizao do propeno ou propileno (gs
inflamvel, que pertence a famlia dos hidrocarbonetos (C3H6)). Esse termoplstico
foi desenvolvido em 1957 e utilizado pelas indstrias por volta de 1959. Alguns dos
tipos de PP que foram desenvolvidos para suprir as aplicaes especficas so:

Polipropileno copolimerizado com polisobutileno ou com etileno.

uma resina utilizada para fabricar produtos com resistncia ao impacto. Uma
conseqncia indesejvel deste material a baixa resistncia trao, diminuio na
rigidez e na resistncia trmica.

Polipropileno com tratamento anti-esttico. Os aditivos anti-estticos

normalmente so empregados para evitar o carregamento eletrosttico do PP. A


principal vantagens que no influem sobre as propriedades mecnicas, qumicas e
trmicas da resina.

Polipropileno reforado. Os principais reforos empregados para o PP

so: asbestos, fibra de vidro, micro esferas de vidro, talco e carbonato de clcio. Com
relao ao PP no reforado, as principais vantagens do PP reforado so: melhor

Captulo 3 Experimentos industriais

59

resistncia aos produtos qumicos, melhor resistncia trmica, menor resistncia ao


impacto, maior rigidez, maior dureza superficial, melhor estabilidade dimensional e
reduz a contratao do material no molde durante o resfriamento. Ainda, quando
utilizado o talco no PP, incorpora uma melhor resistncia umidade, alm de atuar
como um lubrificante, facilitando o processo de injeo no molde.
2. Processo de moldagem de corpos soprados: um processo utilizado
para fabricar produtos plsticos ocos soprados. A moldagem a sopro (blow-molding)
por extruso pode ser dividida em duas fases. A primeira fase compreende a
plastificao da matria-prima e a pr-formao de um tubo. Na segunda fase,
atravs da injeo de ar comprimido, esse tubo resfriado e moldado conforme a
geometria especifica do molde. Uma das matrias-primas mais importante utilizada
na fabricao desse tipo de componente o polietileno. Entre as principais
caractersticas que justificam o consumo e a transformao dessa resina
termoplstica esto: baixo custo, fcil processamento, excelentes propriedades
eltricas, ausncia de odor e toxidade, boa flexibilidade a baixas temperaturas,
excelente resistncia qumica e baixa permeabilidade a vapor dgua.
Uma das limitaes desse processo de transformao so as dimenses
geomtricas (espao ocupado) dos componentes plsticos soprados (garrafas, bujes,
assentos e recipientes de todos os tamanhos). Freqentemente, esses produtos
demandam mquinas e matrizes de grandes dimenses e medidas mais rgidas so
necessrias para a manuteno ou funcionamento dos equipamentos.
3. Processo de extruso: a extruso pode ser descrita como a moldagem
contnua de um material. Na Figura 3.1, so descritas as diferentes etapas do
processo.

Captulo 3 Experimentos industriais

PREPARAO

DA
MATRIA-PRIMA

60

PLASTIFICAO

VAZO
CONTROLADA

a transformao
do material slido
(gro ou p) para a
forma fluda atravs
do aquecimento e
fora.

a passagem do
material atravs de
uma matriz que d a
forma aproximada
do produto.

RESFRIAMENTO DO
MATERIAL
MOLDADO

MEDIO E CORTE
DO PRODUTO

CALIBRAO
o controle das
dimenses do
produto, antes
que o material
endurea.

tubos, mangueiras,
perfis, filmes, chapas
e cabos recobertos.

FIGURA 3.1 - ETAPAS DO PROCESSO DE EXTRUSO

A extrusora em geral construda com um ou dois parafusos, que giram


dentro de um cilindro aquecido. O formato do parafuso depende dos requisitos
bsicos do processo, a saber: taxa de rendimento, qualidade da fundio e matriaprima (DOW, 2001). Essa mquina pode ser representada pela Figura 3.2.

FIGURA 3.2 - ESQUEMA DE UMA EXTRUSORA SIMPLES

4. Processo de rotomoldagem ou moldagem rotacional: este processo de


transformao representado pela Figura 3.3. A moldagem rotacional consiste em
colocar a matria-prima na forma lquida ou fundida, dentro de um molde
confeccionado em chapa de ao ou alumnio fundido. Em seguida, o molde fechado
e colocado dentro de um forno aquecido a altas temperaturas (a temperatura depende
do material que est sendo utilizado). O equipamento que prende o molde possui um

Captulo 3 Experimentos industriais

61

sistema de movimentao de rotao e translao. Com esses movimentos a matriaprima se adere gradualmente a todas as partes internas do molde e se distribui
homogeneamente durante o tempo de ciclo de produo do componente plstico.
Aps esta operao, o molde retirado do forno e resfriado atravs de um jato de ar
comprimido ou por uma mistura de ar e gua pulverizada. Decorrido o tempo de
resfriamento, o molde aberto e o produto retirado para realizar o acabamento
final.

FIGURA 3.3 - PROCESSO DE ROTOMOLDAGEM

Esse processo utilizado para a produo de produtos de grandes volumes.


Isto ocorre em funo do baixo custo de fabricao do projeto do molde, se
comparado a outros processos, porm, devido ao reduzido nmero de cavidades do
molde menos produtivo.
5. Processo de poliuretano expandido: o processo de injeo de
poliuretano consiste em misturar dois materiais, um liquido e outro viscoso. Esses
produtos so aquecidos a uma determinada temperatura e sob presso constante em
um circuito fechado de circulao. Essa mistura injetada na forma lquida no
interior da pea fabricada pelo processo de transformao por sopro ou diretamente
dentro de um molde de alumnio revestido por epxi.
Nesse processo existem basicamente dois tipos de mquinas, as que
trabalham com alta presso e baixa presso. Os equipamento de alta presso
permitem que a mistura dos materiais seja mais homognea, visto que os dois
materiais so injetados sob presso em um compartimento separado. Por outro lado,

Captulo 3 Experimentos industriais

62

as mquinas de baixa presso realizam a mistura dos materiais mecanicamente


(misturador movido por um motor).
Os poliuretanos (PUs) so normalmente produzidos pela reao de um
isocianato (aromtico, alifatico) com um poliol (polieteres, poliesteres). Outras
matrias-primas utilizadas para controlar ou modificar a reao qumica e as
propriedades finais dos PUs so os aditivos (catalisadores, agentes de expanso,
cargas, agentes antienvelhecimento, corantes e pigmentos) e os propelentes (gua e
Frigen). Entre os produtos obtidos com os diferentes tipos de PUs esto: os
colches, estofados e assentos automotivos, painis, pra-choques, isolamento
trmico de geladeiras, etc.
3.4

Definio do objeto de estudo


Conforme o procedimento experimental, apresentado no Capitulo 2, a

prxima etapa definir o(s) objetivo(s) dos experimentos industriais. Nesta atividade
as seguintes informaes foram consideradas pelos pesquisadores:

aes de melhoria no desenvolvimento de produtos j estavam sendo

implementadas e desta forma, a aplicao de tcnicas de planejamento e anlise de


experimentos nesse processo no traria grandes benefcios para a melhoria de
qualidade;

a flexibilidade do processo de fabricao, que permite a realizao dos

experimentos planejados sem afetar o planejamento de produo da empresa;

os defeitos nos componentes plsticos, a empresa constantemente

enfrenta problemas de qualidade de fabricao de alguns dos seus processos, que


geram perdas e problemas com os clientes;

se ao aplicar as tcnicas de planejamento e anlise de experimentos

industriais, os custos decorrentes da m qualidade do produto so reduzidos.

Captulo 3 Experimentos industriais

63

Assim, o estudo se concentraria na engenharia de processos da empresa, ou


seja, o principal objetivo seria melhorar as caractersticas de qualidade de um dos
processos de fabricao. Especificamente, foi selecionado como objeto de estudo o
processo de moldagem plstica por injeo, por ser o mais crtico e com maior
nmero de problemas.
Estudos realizados por CHEN & LIU (1999) comprovam que se os
parmetros de controle desse processo de fabricao so definidos equivocadamente,
perdas de qualidade e problemas nos moldes de fabricao dos componentes
plsticos podem ocorrer. Os autores ressaltam que esses erros influenciam
diretamente nos custos do projeto do produto.
Entre os processos de injeo utilizados pela empresa, foi selecionado o
processo responsvel pela fabricao de um componente, que apresentava problemas
de qualidade de fabricao. Esse produto denominado de Porca de acionamento VT/P, ilustrado na Figura 3.4.

FIGURA 3.4 - COMPONENTE PLSTICO

Na fabricao desse componente utilizado o material de transformao


polipropileno (PP). A empresa fabrica cerca de novecentas e sessenta peas por hora
(970 p/h), em perodos de setenta e duas horas contnuas (72 h.). Portanto, percebe-se
que importante evitar e controlar as falhas que ocorrem no processo de fabricao,
visto que, esses problemas representam perdas econmicas para a empresa e
conseqentemente atrasos na entrega do produto final aos clientes.
Outro fator considerado ao selecionar este componente plstico a
disponibilidade das mquinas injetoras na linha de produo, isto , procurou-se
realizar os experimentos industriais sem afetar o planejamento de produo.

Captulo 3 Experimentos industriais

3.5

64

Processo de moldagem plstica por injeo

3.5.1 Informaes tcnicas do processo de fabricao


Conforme o procedimento experimental apresentado no captulo 2, ao
definir o objetivo dos experimentos a prxima etapa do plano coletar todas as
informaes tcnicas do objeto de estudo. Tais dados so apresentados a seguir.
No processo de moldagem plstica por injeo, ilustrado pela Figura 3.5, os
grnulos do polmero so fundidos e aquecidos no cilindro da mquina e, em estado
lquido, injetado no molde por um pisto.

Molde

Depsito do
material

Cilindro
Mquina

Fluxo
Material

FIGURA 3.5 - PROCESSO DE MOLDAGEM PLSTICA POR INJEO

Na Figura 3.6, apresentado o processo completo do ciclo de moldagem por


injeo. A medida que o polipropileno funde, forado a entrar no molde. O
enchimento do molde finalizado com o bombeamento de mais polmero a uma
presso menor (recalque) que a presso de injeo inicial. Em seguida, o componente
resfriado e retirado do molde atravs de um brao mecnico (rob). Nesse ciclo de
moldagem plstica, todas as etapas so controladas automaticamente pelo processo.

Captulo 3 Experimentos industriais

65

Molde Fechado
Fechamento
Extrao

Aprximao do bico
Injeo
Recalque

Abertura

Incio de resfriamento

Resfriamento

Incio prximo ciclo


Separao do bico

FIGURA 3.6 - CICLO DE MOLDAGEM


Fonte: COMINATTO (1997)

Conforme COMINATTO (1997) e estudos realizados por ACHARYA &


MAHESH (1999); NISHINA et al. (1998); ENGEL & HUELE (1996) e
MONTGOMERY (1991), os principais fatores de controle do processo de moldagem
plstica por injeo so:
1. Tempo de ciclo: o tempo necessrio para completar todas as etapas do
ciclo de moldagem plstica.
2. Velocidade de injeo: a velocidade de avano do pisto ou rosca da
mquina injetora no instante que o material injetado (bico encostado no molde).
Segundo os funcionrios da empresa, uma varivel controlada independentemente
pela mquina injetora e que influencia nas caractersticas geomtricas do
componente.
3. Tempo de recalque: o tempo estabelecido no painel da mquina
injetora, para que o pisto continue fazendo presso sobre os componentes injetados,
a fim de evitar que os defeitos visuais apaream. Normalmente o tempo dado em
segundos ou em dcimos de segundo.

Captulo 3 Experimentos industriais

66

4. Tempo de injeo: o tempo que a mquina utiliza para realizar a


operao de injeo e eventualmente o recalque da pea injetada.
5. Tempo de resfriamento: o tempo que a mquina permanece parada e
ao mesmo tempo gua industrial (gelada) ou gua normal circula pelo molde. Nesse
intervalo inicia-se tambm a dosagem do prximo ciclo. Segundo os funcionrios, se
o tempo de resfriamento for muito longo, existir uma demora no ciclo de injeo.
Por outro lado, se for muito curto, os componentes sero retirados com a temperatura
elevada e possveis deformaes geomtricas podero ocorrer.
6. Temperatura do molde: fator controlado atravs da temperatura
(termmetro) e pela quantidade de gua que passa pelos canais de circulao do
molde. A temperatura do molde torna-se importante na transformao de qualquer
material termoplstico porque dependendo do aquecimento (calor), as molculas do
material escoam livremente nos canais internos do molde. O principal objetivo
permitir um fluxo rpido e homogneo sem perda de temperatura e presso,
garantindo o preenchimento de todas as cavidades ao mesmo tempo.
A empresa utiliza dois tipos de sistema de arrefecimento no molde de
fabricao. O primeiro o sistema com gua normal e o segundo o sistema que
distribui gua industrial. A temperatura do segundo sistema controlada atravs de
uma torre de resfriamento e esse tipo de gua utilizada nos dias que a temperatura
ambiente est elevada ou quando necessrio reduzir o tempo de resfriamento do
molde.
7. Temperatura da mquina: fator ajustado eletronicamente que
influencia, principalmente, a temperatura do material injetado no molde da mquina.
A temperatura do cilindro da mquina dividida em quatro (4) zonas. A primeira
zona, temperatura do bico de injeo, sempre permanece constante em todos os
processo e por recomendaes dos fabricantes do bico de injeo, o aquecimento
deve atingir no mximo 190 C (graus Celsius). As outras reas do cilindro da
mquina variam de acordo com a composio qumica dos materiais de
transformao.

Captulo 3 Experimentos industriais

67

8. Presso de Fechamento: a presso utilizada para regular e manter


fechado o molde (aproximar a parte mvel (macho) da fixa (fmea)). Esta presso
tem que ser maior que a presso de injeo do material.
9. Presso de Injeo: a presso com que o material injetado no
molde. Segundo os funcionrios, controlado atravs de um manmetro instalado no
cilindro da mquina.
10. Presso de recalque: a presso que atua dentro do tempo de recalque.
Essa operao realizada no processo de moldagem plstica para garantir que todas
as cavidades do molde (espessura do componente) sejam completamente
preenchidas.
11. Contra-presso ou Presso de Compactao: a presso hidrulica
que a rosca do cilindro deve vencer para retroceder e retornar o fluido hidrulico para
o reservatrio da mquina injetora.
12. Dosagem: a quantidade de material utilizada para realizar o ciclo
completo do processo. O material escoado atravs da rotao do parafuso (rosca)
que fica dentro do cilindro de aquecimento.
Alm desses fatores de controle ACHARYA & MAHESH (1999);
NISHINA et al. (1998); COMINATTO (1997) e ENGEL & HUELE (1996) citam
outros parmetros (fatores de rudo) que influenciam no processo de moldagem
plstica por injeo.
1. Temperatura do ambiente: a variao de temperatura durante o dia
que influencia na estabilidade do processo.

Captulo 3 Experimentos industriais

68

2. Tempo de vida til da mquina: o desgaste das barras que guiam as


partes que esto em movimento. A influencia desse fator reduzida pela manuteno
(lubrificao) diria das mquinas.
3. Desgastes das cavidades dos moldes: fator que atribudo ao tempo de
vida til dos moldes. Esse fator influencia na reduo ou no aumento de espessura
dos componentes injetados, assim como, no consumo de material.
4. Ventilao do molde (sada de ar): tem como objetivo principal
eliminar o ar das cavidades do molde ( o ar que fica entre a parte mvel e fixa ao
fechar o molde) ou os gases liberados pelos prprios termoplsticos.
5. Acabamento da superfcie da cavidade: com o objetivo de facilitar a
extrao do componente moldado, melhorar o acabamento, facilitar o fluxo do
termoplstico no interior do molde e reduzir ao mnimo o perigo de abraso local ou
ataque qumico, a superfcie da cavidade do molde deve ser polida, lapidada e
cromada.
3.5.2 Problemas do processo de moldagem plstica por injeo
Nesse processo existem vrios problemas (defeitos) decorrentes dos fatores
de controle de ajustagem da mquina ou mesmo de fatores de rudo. Os defeitos que
ocorrem nos componentes so: a rebarba ou falha, a deformao geomtrica do
componente, erros dimensionais (visuais), bolhas de ar, as linhas de encontro do
fluxo aparecem com intensidade e o componente no resistente, alguns desses
problemas so ilustrados na Figura 3.7.

Captulo 3 Experimentos industriais

Deformao

69

Falha

Rebarba

FIGURA 3.7 - DEFEITOS NO COMPONENTE PLSTICO

Segundo COMINATTO (1997) a falha decorrente de pouco material


injetado no molde. Isso pode acontecer, quando a presso insuficiente ou o tempo
de injeo pequeno, ou ainda quando o material no est suficientemente fundido.
Por outro lado, quando muito material injetado no molde, isto , tempo de injeo e
presso de injeo elevados, ocorre a rebarba.
Os defeitos geomtricos de deformao e erros dimensionais ocorrem, de
um modo geral, quando o material injetado a uma temperatura elevada e o tempo
de resfriamento pequeno.
As bolhas de ar internas aparecem quando a presso de injeo baixa, a
temperatura do cilindro alta, a presso de recalque atua num tempo menor que o
necessrio, o molde esta frio ou porque o sistema de canais de alimentao
deficiente. Finalmente, o componente no resistente quando o ciclo de trabalho
irregular, o sistema de alimentao deficiente ou o material no alcanou a
temperatura ideal de trabalho. Portanto, percebe-se que os defeitos que ocorrem nos
componentes moldados por injeo podem ter mais de uma causa provvel.
No Quadro 3.1, so apresentadas as solues ou recomendaes elaboradas
pelas reas de Controle de Qualidade e Engenharia do Processo da empresa ABC,
para reduzir os defeitos dos produtos fabricados com polipropileno.

Captulo 3 Experimentos industriais

70

QUADRO 3.1 - POSSVEIS SOLUES NA INJEO DO POLIPROPILENO

Defeitos do componente

Rebarba

Recomendaes
-

ajustar o fechamento do molde;


diminuir a dosagem do material;
diminuir a presso de injeo;
baixar a temperatura do material;
aumentar a fora de fechamento da mquina.

- aumentar a presso de injeo;


- aumentar a dosagem do material;
- baixar a temperatura do material;
A cavidade do molde no
- aquecer o molde;
preenchida totalmente
- aumentar o tempo de ciclo;
- utilizar mquina que tenha capacidade de injeo
maior que o volume do componente.

Bolhas de ar (internas)

- aumentar a presso de injeo;


- diminuir a temperatura de trabalho;
- aumentar o tempo de recalque;
- aquecer o molde;
- corrigir o sistema de alimentao e aumentar o
ponto de injeo.

Baixa resistncia

- regular o ciclo de trabalho, verificando qual


estgio(s) est irregular;
- corrigir o sistema de alimentao;
- aumentar a temperatura da mquina.

Deformao geomtrica

Falha

A pea frgil; desfolha-se

- aumentar o tempo de resfriamento;


- mudar o sistema de extrao;
- regular a temperatura do molde;
- corrigir o sistema de alimentao e ponto de
injeo
- aumentar a dosagem do material;
- aumentar o tempo de recalque;
- aumentar a presso de recalque;
- corrigir o sistema de alimentao e aumentar o
ponto de injeo;
- baixar a temperatura da mquina;
- baixar a temperatura do molde.
- trocar o material;
- trocar o master bacth.

- aumentar a temperatura do material;


- aquecer o molde;
- aumentar a presso de injeo;
As linhas de encontro do fluxo
- aumentar a sada do ar ou reduzir a velocidade de
aparecem com intensidade
injeo;
- corrigir o sistema de alimentao e o ponto de
injeo.

Captulo 3 Experimentos industriais

71

Outra prtica adotada pela empresa, para regular o processo e reduzir os


defeitos, a construo de uma ficha tcnica para cada um dos produtos
fabricados. Nessa ficha so determinados, baseado no conhecimento prtico dos
funcionrios, quais os valores dos parmetros (temperatura do molde, presso de
injeo, velocidade de injeo, tempo de injeo, tempo de resfriamento, dosagem,
etc) que os operrios devem utilizar na hora de regular a mquina, durante o
funcionamento ou na etapa de preparao (set-up). Ainda, a engenharia de processo
recomenda:
... quando os problemas ocorrem nas peas moldadas por injeo,
podem ter mais de uma causa provvel. Quando aparecem deve-se
analisar todas as regulagens da mquina injetora, (...) e alterar
somente uma regulagem por vez, pois assim teremos uma idia
concreta de causa. Normalmente devemos alterar as regulagens de
efeitos mais rpidos, como por exemplo, presses, velocidades e
tempos, pois o efeito j ocorre praticamente nas prximas peas, ao
passo que uma alterao de temperatura dever aguardar at a
estabilizao trmica (...) (COMINATTO, 1997).
Isto , ao notar os defeitos no processo, o responsvel pelo setor da
manufatura deve mudar os valores dos fatores de controle, at se obter resultados
com qualidade satisfatria. Porm, ainda que os operadores da mquina e
supervisores tenham grande conhecimento e experincia nos processos utilizados
pela empresa, eles perdem muito tempo e material para encontrar as regulagens
ideais dos processos de fabricao dos produtos. Portanto, percebe-se que com a
aplicao das tcnicas de planejamento e anlise de experimentos, os funcionrios
poderiam reduzir esses problemas e, ao mesmo tempo, determinar com mais
segurana os nveis timos ou as faixas de regulagens dos parmetros de controle que
influenciam o processo de fabricao.

Captulo 3 Experimentos industriais

3.6

72

Planejamento de experimentos

3.6.1 Seleo dos fatores de controle e os nveis do processo


TAGUCHI (1993) define que os fatores de controle do processo de
moldagem plstica por injeo so os fatores que podem ser regulados com
diferentes nveis e que, quando ajustados corretamente podem contribuir na robustez
do processo de fabricao.
Conforme o procedimento experimental, descrito no captulo anterior, nesta
fase foi utilizado o diagrama Causa-Efeito proposto por ISHIKAWA (1976). Esse
diagrama - Fig. 3.8, foi desenvolvido para representar as relaes existentes entre os
problemas ou defeitos de qualidade do processo de moldagem por injeo e todas as
possveis causas (variaes dos fatores de controle). Esse procedimento tambm foi
utilizado para ilustrar e discutir as idias (...o processo influenciado por um grande
nmero de fatores e todos so considerados importantes na regulagem da mquina
injetora...) nos brainstorming realizados entre os funcionrios e pesquisadores.

Tempo
Tempo
Presso
Tempo
Presso
Resfriamento Ciclo Compactao Recalque Recalque

Presso
Fechamento

PROBLEMAS
DE
QUALIDADE

Temperatura
Velocidade
Dosagem
Mquina
Injeo

Tempo Temperatura Presso


Injeo
Molde
Injeo

FIGURA 3.8 - DIAGRAMA DE CAUSA-EFEITO

A partir dessas reunies, decidiu-se que, entre todos os fatores de controle


do processo de injeo, os que mais afetam a qualidade do resultado do processo so:
Tempo de injeo, Tempo de resfriamento, Temperatura do molde, Temperatura da
mquina, Velocidade de injeo e Presso de injeo. Esses fatores foram
selecionados, porque so classificados como os parmetros que respondem mais
rpido as mudanas que ocorrem nas regulagens do processo e, principalmente, so

Captulo 3 Experimentos industriais

73

os mais sensveis as variaes provocadas pelas fontes internas e externas ao


processo (COMINATTO, 1997). Ainda, nos estudos realizados por ACHARYA &
MAHESH

(1999),

ENGEL

&

HUELE

(1996),

TAGUCHI

(1993)

MONTGOMERY (1991), alguns desses fatores foram investigados e considerados


como os principais no processo de injeo plstica.
A Tabela 3.1, apresenta a ficha tcnica do processo de moldagem por
injeo plstica do produto VT/P. importante ressaltar que apesar do componente
plstico ser produzido e comercializado pela empresa a vrios anos, no incio desta
etapa, no existia a ficha tcnica do processo de fabricao. Assim, para reunir essas
informaes foi necessrio programar junto com a rea de planejamento e controle
de produo da empresa, a fabricao do produto. Neste caso, os pesquisadores
apenas observaram e acompanharam o mtodo (descrito anteriormente) que os
funcionrios utilizam para regular o processo de injeo plstica.
TABELA 3.1 - FICHA TCNICA DO PROCESSO DE INJEO PLSTICA

Fatores

Regulagem do processo de
injeo plstica

1. Tempo de injeo

3 segundos

2. Tempo de resfriamento

7 segundos

3. Temperatura do molde

gua industrial (18 C) /


gua normal (24 C)

4. Temperatura da mquina

Z1:BICO=190C

Z3=175C

Z2=180C

Z4=170C

5. Velocidade de injeo

50%

6. Presso de injeo

20 BAR

Com as informaes tcnicas do processo de moldagem plstica, definiu-se


que os nveis (faixas de variao) de ajustagem dos fatores de controle para a
primeira rodada de experimentos seriam conforme apresentados na Tabela 3.2.

Captulo 3 Experimentos industriais

74

TABELA 3.2 - NVEIS DOS FATORES DE CONTROLE: PRIMEIRA RODADA

Nveis

Tempo
Inj

Tempo
Resfriam

Tem
Molde

Temperatura
Mquina

-1

2 (s)

6 (s)

gua
industrial

Z1: 190C

Z3: 165C

Z2: 170C

Z4: 160C

+1

10 (s)

15 (s)

gua
normal

Z1: 190C

Z3: 230C

Z2: 240C

Z4: 220C

Vel
Injeo

Presso
Injeo

40 %

18 BAR

100 %

30 BAR

Com o objetivo de reduzir o nmero de fatores de controle e facilitar o


planejamento dos experimentos, todas as zonas de temperatura da mquina (Fator 4),
foram consideradas como um nico fator do processo. Ainda, importante ressaltar
que esse foi o parmetro que definiu a seqncia dos testes, visto que o tempo de
estabilizao da temperatura da mquina muito alto, fato que inviabilizaria a
realizao dos experimentos em apenas um dia.
3.6.2 Seleo das variveis de resposta
Segundo a equipe responsvel por acompanhar os experimentos industriais,
as variveis de resposta que deveriam ser analisadas no processo de moldagem
plstica por injeo eram: Falha ou Rebarba, Erro Dimensional e Deformao dos
componentes, problemas que foram descritos anteriormente. Essas respostas foram
consideradas porque so as que freqentemente ocorrem no processo e portanto,
representam maiores perdas econmicas para a empresa.
Para o estudo dessas respostas, foram construdas escalas numricas com a
finalidade de transformar as respostas subjetivas (Aprovado, Tolervel e Reprovado)
do experimento em nmeros que pudessem ser utilizados na anlise estatstica,
conforme a Figura 3.9.

Captulo 3 Experimentos industriais

-10

-5

Falha
Inaceitvel

Falha
Tolervel

75

0
Aprovado

Aprovado

10

Rebarba
Tolervel

Rebarba
Inaceitvel

10

Tolervel

Inaceitvel

Deformao / Dimensional

FIGURA 3.9 - ESCALA NMERICA

Neste caso, para se avaliar a Falha e a Rebarba do componente foi


construda uma escala variando entre as notas -10 e 10, sendo que os dois extremos
da escala representam muita falha (-10), ou muita rebarba (10). Quanto mais prximo
de zero, menor o defeito (Falha ou Rebarba), estando no centro da escala (zero) o
componente aprovado pelo sistema de qualidade da empresa. Para os problemas de
deformao e erro dimensional a escala varia entre 0 e 10, sendo, a nota 10 dada
quando o produto apresenta deformao ou erro dimensional, e zero quando
aprovado. Ainda, nessa escala existiam valores intermedirios (1 e 5) para os
componentes que tem uma qualidade aceitvel e tolervel.
3.7

Realizao do experimento: Primeira rodada

3.7.1 Matriz de planejamento


Definidas as etapas anteriores, o prximo passo foi construir a matriz de
planejamento da primeira rodada de experimentos. Foram considerados seis fatores
de controle, cada um deles com dois nveis, resultando em 64 combinaes.
Observou-se que neste caso era invivel executar o experimento completo,
decidindo-se por isso utilizar a tcnica de fatorial fracionado 2k-p, (k=6 e p=2), com
resoluo IV. Ao construir um experimento 26-2, com 16 rodadas de testes (apenas
um quarto do experimento completo) se procurou reduzir o nmero de experimentos,
o tempo de experimentao e o consumo do material de transformao
(polipropileno). A Tabela 3.3, representa a matriz experimental, com as combinaes

Captulo 3 Experimentos industriais

76

dos nveis dos fatores que foram testados na primeira rodada de experimentao do
processo de moldagem plstica por injeo.
TABELA 3.3 - EXPERIMENTO FATORIAL FRACIONADO 26-2

N
Tempo
Teste
Inj

T.
Resfria

Temperatura
Molde

gua Industrial

10

15

10

Temperatura
Mquina
Z1:190C

Z3:165C

Z2:170C

Z4:160C

Velocidade Presso
Injeo
Inj
40

18

100

18

100

30

15

40

30

gua Normal

100

30

10

40

30

15

40

18

10

15

100

18

gua Industrial

40

30

10

10

100

30

11

15

100

18

12

10

15

40

18

13

gua Normal

100

18

14

10

40

18

15

15

40

30

16

10

15

100

30

Z1:190C

Z3:230C

Z2:240C

Z4:220C

Nesse experimento se utilizou um molde com quatro cavidades. Cada uma


das combinaes dos nveis dos fatores de controle foi realizada cinco vezes. Ou
seja, para cada regulagem do processo de injeo eram coletadas vinte peas, todas
elas foram identificadas pelo nmero do teste (1 - 16), ciclo de injeo (1 - 5) e
nmero da cavidade do molde (1 - 4). Ainda, o objetivo principal de repetir os
ensaios verificar se as diferenas observadas entre as respostas so
significativamente diferentes de zero. Ao mesmo tempo, com esse experimento seria
possvel estimar com maior preciso os efeitos principais dos fatores analisados no
processo de moldagem plstica por injeo (MONTGOMERY, 1991).

Captulo 3 Experimentos industriais

77

3.7.2 Anlise de resultados


Nessa fase do procedimento experimental, utilizando-se a escala numrica
definida anteriormente, as pessoas responsveis pelo controle de qualidade dos
produtos classificaram os componentes plsticos. Os resultados da primeira rodada
de experimentao so apresentados na Tabela 3.4.
TABELA 3.4 - RESULTADOS DO PRIMEIRO EXPERIMENTO

N Teste

FALHA/REBARBA
(mdia)

DEFORMAO
(mdia)

DIMENSIONAL
(mdia)

-10

10

10

-10

10

10

0,75

4,2

0,95

-6

6,4

1,2

-10

10

10

-10

10

10

7,6

3,25

10

11

2,75

4,4

12

0,75

13

5,75

5,3

3,7

14

1,6

15

6,25

3,4

16

8,5

1,9

Com os dados da Tabela 3.4 e usando o mtodo de sinais, so estimados os


efeitos principais e de interao para esse experimento. Os resultados so
apresentados na Tabela 3.5.

Captulo 3 Experimentos industriais

78

Efeitos de Interao

Efeitos Principais

TABELA 3.5 - EFEITOS PRINCIPAIS E DE INTERAO DOS FATORES - EXP I

Fatores

Falha/Rebarba

Deformao

Dimensional

E1. Tempo Injeo

-1,66

-0,69

0,18

E2. Tempo Resfriamento

-1,47

0,91

0,16

E3. T. Molde

1,41

-1,96

-0,50

10,53

-2,51

-4,44

E5. Velocidade de Injeo

1,97

-0,56

-0,51

E6. Presso Injeo

6,91

-3,24

-3,78

E12 = E35

0,03

1,44

1,41

E13 = E25

0,78

-0,39

-0,63

E14 = E56

0,53

-1,34

-1,19

E15 = E23 = E46

-2,28

3,41

3,89

E16 = E45

-0,22

0,09

0,85

E24 = E36

0,34

-1,34

-1,18

E4. T. Mquina

A Figura 3.10, apresenta os grficos de probabilidade normal. Esses grficos


foram construdos com o software STATISTICA. Nos quais observa-se que alguns
efeitos principais e de interao esto distanciados da reta. Isso indica que esses
efeitos so significativamente diferentes de zero. A partir do Grfico de
Falha/Rebarba percebe-se que os efeitos principais significativos so: Presso de
Injeo e Temperatura da Mquina (E4 e E6). Para os outros efeitos pode-se ver que
esto distribudos ao longo de uma reta, portanto no so significativos no processo
de injeo plstica.
No Grfico de Deformao verifica-se que os efeitos de interao dos
fatores E15, E23 e E46 so significativos, porm, esses efeitos esto confundidos e
dificilmente pode-se afirmar qual o mais importante no processo de fabricao.
Por meio do Grfico de Erros Dimensionais, pode-se ver novamente que os
efeitos de interao mais significativos so E15, E23 e E46. Assim como percebe-se
que os efeitos principais diferentes de zero so a Presso de Injeo e Temperatura
da Mquina.

Captulo 3 Experimentos industriais

79

Grfico de Probabilidade Normal

Valor de distribuio normal

E4

.85
.75
.65
.55
.45
.35
.25
.15

E6

0.5
0
-0.5
-1
-1.5

.05

-2
.01

-2.5
-3
-10

-5

10

Probabilidade acumulada

Falha / Rebarba
1.5

15

Estimativa dos efeitos

Grfico de Probabilidade Normal


Deformao

E15 = E23 = E46

.85
.75
.65
.55
.45
.35
.25
.15

0.5
0
-0.5
-1
-1.5

.05

-2
.01

-2.5
-3

-5

-4

-3

-2

-1

Probabilidade acumulada

Valor de distribuio normal

1.5

Estimativas dos efeitos

Grfico de Probabilidade Normal


Dimensional

E15 = E23 = E46

Valor de distribuio normal

.85
.75
.65
.55
.45
.35
.25
.15

0.5
0
-0.5
-1

E6

-1.5

.05

E4

-2

.01

-2.5
-3

-6

-4

-2

Probabilidade acumulada

1.5

Estimativas dos efeitos

Legenda: O Efeito de interao Efeito principal


Valor esperado

FIGURA 3.10 - GRFICOS DE PROBABILIDADE NORMAL - EXP I

Na Figura 3.11 so ilustradas graficamente as variaes dos efeitos


principais E1, E2, E3, E4, E5 e E6, em funo dos nveis dos fatores (1, +1). Os
grficos confirmam a hiptese de que os fatores: Temperatura da Mquina e Presso
de Injeo so os nicos que produzem efeitos significativos nas respostas do
processo de injeo plstica.

Captulo 3 Experimentos industriais

0,0
-1,0

-1

1
-0,97

-2,0
-3,0

FALHA / REBARBA

2,0
1,0

Tempo de Injeo

0,0
-1

-2,0

1 -0,88

5,08

4,0
2,0

-1

Tempo de Injeo

0,59

5,76

0,0
-1

4,0

Tempo de Injeo

6,0
3,87

8,0

4,0

4,03

2,0
0,0

-4,0
-6,0

4,04

3,0

0,0

6,0
2,0

4,0

DEFORMAO

0,69

6,0

3,86

-1

Tempo Resfriamento

DEFORMAO

1,0

DIMENSIONAL

2,0

5,0

DIMENSIONAL

FALHA / REBARBA

3,0

80

6,0

4,96

5,88

4,0
2,0
0,0

Tempo Resfriamento

-1

Tempo Resfriamento

2,0
0,0

-0,84
-1

0,56

-2,0

4,20

8,0

4,0
3,70
2,0
0,0

-4,0

-1

-6,0

Temperatura Molde

Temperatura Molde

DEFORMAO

FALHA / REBARBA

4,0

DIMENSIONAL

6,0
6,0

6,40

6,0
4,0

4,44

2,0
0,0
-1
1
Temperatura Molde

6,17

5,13

4,0
2,0
0,0
-1

-2,0

4,0
2,0
1,73
0,0

-4,0
-6,0

-1
-5,41
Temperatura Mquina

DEFORMAO

FALHA / REBARBA

6,0

DIMENSIONAL

6,0

8,0
6,0
4,0
2,0
0,0

6,68
4,16

-1

Temperatura Mquina

Temperatura Mquina

0,0
-1

-2,0
-4,0

3,69
2,0
0,0

-1,13

-1

-6,0

DIMENSIONAL

6,0

FALHA / REBARBA

6,0
3,31

4,0
2,0
0,0
-1

-4,0
-6,0

Presso

5,70
5,14

4,0
2,0
0,0
-1
1
Velocidade de Injeo

5,84
8,0

4,0
2,0

2,06

0,0
-1

-3,59

6,0

Velocidade de Injeo

Velocidade de Injeo

-2,0

8,0
DEFORMAO

0,84

2,0

4,21
4,0

1
Presso

DEFORMAO

FALHA / REBARBA

4,0

DIMENSIONAL

6,0
6,0

7,04

6,0
4,0

3,80

2,0
0,0
-1

1
Presso

FIGURA 3.11 - GRFICOS DE EFEITOS PRINCIPAIS DOS FATORES - EXP I

Captulo 3 Experimentos industriais

81

Com o objetivo de verificar se estatisticamente a variao dos resultados


experimentais produzida por algum(ns) fator(es), a equipe decidiu utilizar a
ferramenta de anlise de varincia (ANOVA). Os testes so realizados com a
estatstica F. Os valores crticos de F foram retirados das tabelas apresentadas por
LEVINE et al. (1998) e MONTGOMERY (1991). Nesse primeiro experimento usouse um nvel de significncia de 10% (). A anlise de varincia apresentada na
Tabela 3.6. A seguir so discutidos os detalhes dos resultados para cada uma das
respostas investigadas.
A anlise de varincia, para a caracterstica de qualidade Falha/Rebarba,
demonstra com 90% de confiana que os fatores que influenciam o desempenho do
processo so a Temperatura da Mquina e Presso de Injeo. Ao mesmo tempo,
verifica-se que a Velocidade de Injeo tem um efeito significativo mdio. Para as
outras variveis, Tempo de Injeo, Tempo de Resfriamento e Temperatura do
Molde, percebe-se que com o teste da estatstica F no possvel concluir com
segurana sobre os efeitos principais desses parmetros. Isso ocorre porque os
resultados demonstram que existe a probabilidade (valor p prximo do nvel de
significncia) de desprezar os efeitos principais desses fatores sendo significativos no
processo de injeo plstica.
O quadro de ANOVA para a resposta Dimensional, demonstra que os
fatores Temperatura da Mquina e Presso de Injeo so os que mais produzem um
efeito significativo no processo de injeo plstica. Ao mesmo tempo, percebe-se que
o teste F aponta que os outros parmetros, Tempo de Injeo, Tempo de
Resfriamento, Temperatura do Molde e Velocidade de Injeo, no esto
influenciando o processo de fabricao.
Os resultados de ANOVA para a resposta Deformao, demonstram que os
efeitos principais provocados pelos fatores Tempo de Injeo, Tempo de
Resfriamento, Temperatura do Molde e Velocidade de Injeo, so desprezveis.
Ainda, nesse quadro verifica-se que a Temperatura da Mquina tem um efeito
significativo mdio e a Presso de Injeo o parmetro mais significativo no
processo de injeo plstica.

Captulo 3 Experimentos industriais

82

TABELA 3.6 - ANLISE DE VARINCIA DOS EFEITOS PRINCIPAIS - EXP I


FALHA/REBARBA
Soma
Quadrado

g.l.

Quadrado
mdio

10,97

10,97

3,06

0,11

2. Tempo Resfriamento

8,63

8,63

2,40

0,16

3. Temperatura Molde

7,91

7,91

2,20

0,17

443,63

443,63

123,55

1,0 EXP-06

15,50

15,50

4,32

0,07

190,79

190,79

53,13

4,6EXP-05

32,32

3,59

Fonte de variao
1. Tempo Injeo

4. Temperatura Mquina
5. Velocidade Injeo
6. Presso Injeo
Erro ()

F0

Valor p

DIMENSIONAL
Soma
Quadrado

g.l.

Quadrado
mdio

F0

Valor p

1. Tempo Injeo

0,12

0,12

0,01

0,91

2. Tempo Resfriamento

0,11

0,11

0,01

0,92

3. Temperatura Molde

1,00

1,00

0,10

0,76

78,77

78,77

7,96

0,02

1,05

1,05

0,11

0,75

6. Presso Injeo

57,00

57,00

5,76

0,04

Erro ()

89,04

9,89

Fonte de variao

4. Temperatura Mquina
5. Velocidade Injeo

DEFORMAO
Soma
Quadrado

g.l.

Quadrado
mdio

F0

Valor p

1. Tempo Injeo

1,89

1,89

0,23

0,64

2. Tempo Resfriamento

3,33

3,33

0,41

0,54

3. Temperatura Molde

15,41

15,41

1,91

0,20

4. Temperatura Mquina

25,25

25,25

3,13

0,11

Fonte de variao

1,27

1,27

0,16

0,70

6. Presso Injeo

41,93

41,93

5,20

0,05

Erro ()

72,54

8,06

5. Velocidade Injeo

Na Tabela 3.5 (apresentada anteriormente), observa-se que os efeitos de


interao E15, E23 e E46 so os mais significativos, entretanto, esto confundidos,
conforme pode ser comprovado pela soma de quadrados, apresentada na Tabela 3.7.
A anlise grfica (ver Figura 3.10) e estatstica (ANOVA) realizadas nessas
interaes demonstraram que so importantes, porm, com os resultados no foi
possvel identificar qual delas a mais significativa no processo de injeo.

Captulo 3 Experimentos industriais

83

TABELA 3.7 - SOMA DE QUADRADOS DOS EFEITOS DE INTERAO - EXP I

Fonte de variao

Soma Quadrado
FALHA/REBARBA

Soma Quadrado
DIMENSIONAL

Soma Quadrado
DEFORMAO

E12

0,004

7,98

8,27

E13

2,441

1,56

0,60

E23

20,816

60,45

46,58

E14

1,129

5,64

7,16

E24

0,473

5,52

7,16

E34

0,660

2,81

0,33

E15

20,816

60,45

46,58

E25

2,441

1,56

0,60

E35

0,004

7,98

8,27

E45

0,191

2,89

0,03

E16

0,191

2,89

0,03

E26

0,660

2,81

0,33

E36

0,473

5,52

7,16

E46

20,816

60,45

46,58

E56

1,129

5,64

7,16

Depois de realizar a anlise de dados, a prxima etapa do plano


experimental era apresentar e discutir os resultados com a equipe que acompanha os
experimentos na empresa. Nessas reunies os pesquisadores procuraram demonstrar
que o desempenho do processo de injeo plstica influenciado por apenas dois
fatores (Temperatura da Mquina e Presso de Injeo).
No entanto, para os funcionrios da empresa essas informaes
confrontavam-se com as recomendaes citadas na ficha tcnica do processo. Em
razo desse resultado e com o intuito de validar as concluses retiradas das anlises
estatsticas apresentadas anteriormente, a equipe decidiu discutir duas propostas, a
saber:

Um novo experimento poderia ser realizado com o mesmo nmero de

fatores. Porm, adotando-se esta estratgia a anlise estatstica pode levar as mesmas
concluses sobre os parmetros que influncia o desempenho do processo de
fabricao;

A segunda proposta eliminar um dos fatores experimentais e planejar a

Captulo 3 Experimentos industriais

84

metade de um experimento completo com cinco fatores, com dois nveis cada um
(Fatorial 25-1 - 16 ensaios). Nesse experimento pode ser utilizada a Resoluo V.
Com esse critrio, os efeitos de interao que ocorrem no processo de injeo
plstica sero identificados com mais preciso.
Desta forma, conforme as estratgias apresentadas e discutidas nas reunies
a equipe aprovou a segunda proposta. Assim, decidiu-se excluir para a prxima
rodada de experimentao o fator Velocidade de Injeo. Esse fator foi eliminado
porque a experincia demonstrava que entre os fatores considerados no primeiro
experimento este o ltimo parmetro que os operadores ou reguladores do processo
alteram quando est com problemas de qualidade. Isto ocorre porque entre as
informaes anteriormente apresentadas pelo Quadro 3.1, no existe nenhuma
recomendao que considere a variao deste fator como uma possvel soluo para
os problemas investigados.
Finalmente, depois de cada uma das reunies, um relatrio foi elaborado e
apresentado com todas as etapas anteriormente descritas aos funcionrios da
empresa.
3.8

Realizao do experimento: Segunda rodada

3.8.1 Matriz de planejamento


A Tabela 3.8 apresenta os novos nveis dos fatores de controle usados no
segundo experimento. Alguns destes valores foram revistos porque apresentavam
uma faixa de variao excessiva, ou seja, quando os experimentos foram realizados
alguns problemas ocorreram com a mquina injetora. O mais critico foi a obstruo
do bico de injeo. Isso ocorreu porque o Tempo de Resfriamento no nvel +1 era
grande e conseqentemente a mquina injetora permaneceu muito tempo parada e o
material solidificou no canal do bico de injeo. Ainda, para o nvel mximo (+1)
dos fatores, Presso de Injeo, Tempo de Injeo e Temperatura da Mquina, foram
considerados pelos funcionrios como condies extremas de uso, isto , dificilmente
seriam utilizadas para regular o processo de moldagem plstica por injeo no dia-adia da empresa.

Captulo 3 Experimentos industriais

85

TABELA 3.8 - NVEIS DOS FATORES DE CONTROLE: SEGUNDA RODADA

Nvel

Tempo
Injeo

Tempo
Resfriamento

Temperatura
Molde

-1

2 (s)

6 (s)

gua industrial

+1

5 (s)

10 (s)

gua normal

Temperatura
Mquina
Z1: 190C

Z3: 165C

Z2: 170C

Z4: 160C

Z1: 190C

Z3: 210C

Z2: 220C

Z4: 200C

Presso
Injeo
18 BAR

26 BAR

Com isso, foi possvel construir um experimento 25-1 Resoluo V, com


16 rodadas de teste (metade do experimento completo). Segundo MONTGOMERY
(1991), os experimentos com essa resoluo so utilizados para estimar de maneira
nica todos os efeitos principais e as interaes de segunda ordem, sempre e quando
os efeitos principais estejam confundidos com as interaes de terceira ordem ou
superior. A Tabela 3.9, apresenta a matriz do experimento, com as combinaes dos
nveis dos fatores que foram investigados.
TABELA 3.9 - EXPERIMENTO FATORIAL FRACIONADO 25-1

N
Tempo
Tempo
Temperatura
Teste Injeo Resfriamento
Molde

Temperatura
Mquina
Z1:190C

Z3:165C

Z2:170C

Z4:160C

Presso
Injeo
26

gua Industrial

gua Industrial

18

10

gua Industrial

18

10

gua Industrial

26

gua Normal

18

gua Normal

26

10

gua Normal

26

10

gua Normal

18

gua Industrial

10

gua Industrial

26

11

10

gua Industrial

26

12

10

gua Industrial

18

13

gua Normal

26

14

gua Normal

18

15

10

gua Normal

18

16

10

gua Normal

26

Z1:190C

Z3:210C

Z2:220C

Z4:200C

18

Captulo 3 Experimentos industriais

86

3.8.2 Anlise de resultados


Depois de realizar os experimentos, os componentes plsticos foram
avaliados pelos funcionrios da empresa, cujos resultados so apresentados na
Tabela 3.10. Nesta etapa foram utilizadas novamente as escalas numricas definidas
para a primeira rodada de experimentos.
TABELA 3.10 - RESULTADOS DO SEGUNDO EXPERIMENTO

N Teste

Falha/Rebarba
(mdia)

Deformao
(mdia)

Dimensional
(mdia)

3,5

0,95

0,45

-10

10

10

-10

10

10

-10

10

10

0,9

0,9

-10

10

10

5,5

0,3

3,55

10

2,2

11

4,75

0,7

2,9

12

0,05

13

0,65

7,3

14

3,5

0,65

1,15

15

2,25

1,95

1,25

16

5,5

0,55

3,2

Com as informaes da Tabela 3.10, foram estimados os efeitos principais e


de interao dos fatores de controle. Esses valores so apresentados na Tabela 3.11.
importante ressaltar que nessa tabela nota-se que os efeitos principais e de
interao mais significativos so produzidos pelos parmetros: Temperatura da
Mquina e Presso de Injeo, conforme era previsto no primeiro experimento.

Captulo 3 Experimentos industriais

87

TABELA 3.11 - EFEITOS PRINCIPAIS E DE INTERAO DOS FATORES - EXP II

Falha/Rebarba

Deformao

Dimensional

E1. Tempo Injeo

-1,12

0,58

-1,10

E2. Tempo Resfriamento

-1,50

1,08

-0,90

E3. T. Molde

-0,06

-0,54

0,46

E4. T. Mquina

9,00

-4,99

-2,35

E5. Presso Injeo

6,81

-4,53

-3,74

E12

0,66

0,88

E13

0,81

-0,93

0,05

E23

0,56

-0,78

-0,09

E14

-0,25

-0,43

-0,99

E24

-0,62

0,06

-0,79

E34

0,81

0,49

0,58

E15

-0,31

0,23

-0,20

E25

-0,06

0,08

-0,05

E35

0,12

-0,36

0,76

E45

-4,06

3,53

6,14

Efeitos de Interao

Efeitos Principais

Fatores Controle

Na Figura 3.12, so apresentados os grficos de probabilidade normal para


esse experimento. Esses grficos foram construdos com o software STATISTICA.
Em todos os grficos observa-se que os efeitos principais E1, E2 e E3 e de interao
E12, E13, E23, E14, E34, E15, E25 e E35 esto distribudos ao longo de uma reta. Portanto,
no existe nenhum indicativo que esses efeitos sejam significativos no processo de
injeo plstica. Por outro lado, com os grficos comprova-se que os efeitos
principais e de interao que influenciam as repostas do processo de moldagem
plstica so produzidos pela Temperatura da Mquina e Presso de Injeo
(E4, E5 e E45).
Nos grficos lineares, apresentados pela Figura 3.13, novamente pode-se ver
que os efeitos significativos no processo so produzidos pelos fatores: Temperatura
da Mquina e Presso de Injeo, enquanto que os efeitos dos outros fatores podem
ser desprezados.

Captulo 3 Experimentos industriais

88

Grfico de probabilidade normal


Falha / Rebarba
.95

E4

1.5
1

.85
.75
.65
.55
.45
.35
.25
.15

E5

0.5
0
-0.5
-1

E45

-1.5

.05

-2
.01

-2.5
-3

-10

-8

-6

-4

-2

10

Probabilidade acumulada

Valor de distribuio normal

12

Estimativa dos efeitos

Grfico de Probabilidade Normal


Deformao
.95

1.5

E45

.85
.75
.65
.55
.45
.35
.25
.15

0.5
0
-0.5
-1

E5

-1.5
-2
-2.5
-3

.05

E4

.01

-6

-4

-2

Probabilidade acumulada

Valor de distribuio normal

Estimativas dos efeitos

Grfico de Probabilidade Normal


Dimensional
.95

1.5
1

.85
.75
.65
.55
.45
.35
.25
.15

E45

0.5
0

E5

-0.5
-1

E4

-1.5

.05

-2
.01

-2.5
-3

-8

-6

-4

-2

Probabilidade acumulada

Valor de distribuio normal

Estimativa dos efeitos

Legenda: O Efeito de interao Efeito principal


Valor esperado

FIGURA 3.12 - GRFICOS DE PROBABILIDADE NORMAL - EXP II

A anlise estatstica realizada neste experimento apresentada pela


Tabela 3.12, a seguir so discutidas os resultados para todas as caractersticas de
qualidade investigadas.
Os quadros de ANOVA para as caractersticas de qualidade Falha/Rebarba,
Dimensional e Deformao geomtrica demonstram que os efeitos principais
E1, E2 e E3 no so significativos no processo de injeo plstica. Isto , o teste F
aponta que a hiptese de que os fatores Tempo de Injeo, Tempo de Resfriamento e
Temperatura do Molde no influenciam as respostas do experimento verdadeira,

Captulo 3 Experimentos industriais

89

em um nvel de significncia de 10%. Os testes tambm indicaram que os fatores


Temperatura da Mquina e Presso de Injeo produzem efeitos significativamente
diferentes de zero. Os testes realizados com esses fatores so significativos porque o
valor p < , o que certamente reduz a probabilidade de errar nas concluses.
TABELA 3.12 - ANLISE DE VARINCIA - EXP II, F0.1, 1;10= 3,29
FALHA / REBARBA
Soma
Quadrado

g.l.

Quadrado
mdio

F0

Valor p

1. Tempo Injeo

5,06

5,06

0,64

0,44

2. Tempo Resfriamento

9,00

9,00

1,14

0,31

3. Temperatura Molde

0,02

0,02

0.03

0,97

4. Temperatura Mquina

324,00

324,00

41,09

7,7EXP-05

5. Presso Injeo

185,64

185,64

23,55

6,6EXP-04

78,84

10

7,88

FONTE DE VARIAO

Erro

DIMENSIONAL
Soma
Quadrado

g.l.

Quadrado
mdio

F0

Valor p

1. Tempo Injeo

4,90

4,90

0,30

0,60

2. Tempo Resfriamento

3,29

3,29

0,20

0,66

3. Temperatura Molde

0,88

0,88

0,05

0,82

4. Temperatura Mquina

22,21

22,21

1,35

0,07

5. Presso Injeo

56,06

56,06

3,41

0,09

164,51

10

16,45

FONTE DE VARIAO

Erro

DEFORMAO
Soma
Quadrado

g.l.

Quadrado
mdio

F0

Valor p

1. Tempo Injeo

1,35

1,35

0,22

0,65

2. Tempo Resfriamento

4,68

4,68

0,78

0,40

3. Temperatura Molde

1,18

1,18

0,20

0,67

4. Temperatura Mquina

99,75

99,75

16,60

2,2EXP-03

5. Presso Injeo

82,13

82,13

13,67

4,1EXP-03

Erro

60,10

10

6,01

FONTE DE VARIAO

-1

-1

Temperatura
Mquina
Temperatura
Mquina

6,0

5,74
5,74

4,0
2,0

1,21
1,21

0,0
-1

DIMENSIONAL

DEFORMAO

6,0
8,0

2,0

-1

-1

4,01
4,01
1

Presso de Injeo

DIMENSIONAL

DEFORMAO

2,93
2,93

2,01

0,0

6,0

4,33

4,0
3,43

2,0
0,0
-1

-1

TempoResfriamento
Resfriamento
Tempo

Tempo
Resfriamento
Tempo
Resfriamento

DIMENS IONAL

6,0
4,0
2,0
0,0

DIMENSIONAL

DEFORMAO
DEFORMAO

6,0
8,0
6,0
4,0
2,0
0,0

3,74
3,74

-1

3,20

TemperaturaMolde
Molde
Temperatura

3,18
3,18

-1

3,76

Tempo
dede
Injeo
Tempo
Injeo

4,0

3,64
3,64

4,11

2,0
0,0
-1

Temperatura
TemperaturaMolde
Molde

5,0
4,0
3,0
2,0
1,0
0,0

6,0
4,0
2,0
0, 0
0,0
-2,0
-4,0
-6,0

4,44

-1
-4,56

-4,56

Temperatura
Mquina
Temperatura
Mquina

5,75

4,0

Presso
Presso
de Injeo

8,0
6,0
4,0
2,0
0,0

Temperatura Mquina
Temperatura Mquina

FALHA/REBARBA

0,0

0,0

4,43
4,43
3,33

-1

Tempo
dede
Injeo
Tempo
Injeo

FALHA/REBARBA

0,98

2,0

2,70

2,0

6,0
4,0
2,0
0,0
-2,0
-4,0
-6,0

FALHA/REBARBA

4,0

5,06

4,0

FALHA/REBARBA

5,97

6,0

90

3,34
1
-3,47
--1

11

-3,47

Presso
Presso
de Injeo

6,0
4,0
2,0
0,0
-2,0
-4,0
-6,0

0,69
0,69
-1

1 -0,81

Tempo Resfriamento
Tempo Resfriamento

6,0
4,0
2,0
0,0
-2,0
-4,0
-6,0

-0,03
-0,03
-1

-0,09
-0,09

Temperatura
Molde
Temperatura
Molde

FALHA/REBARBA

6,0
6,0
8,0

DIMENSIONAL

DEFORMAO

Captulo 3 Experimentos industriais

3,0
2,0
1,0
0,0
-1,0
-2,0
-3,0

0,50
-1

1 -0,63

Tempo de Injeo

FIGURA 3.13 - GRFICOS DE EFEITOS PRINCIPAIS DOS FATORES - EXP II

Assim, os resultados do segundo experimento foram apresentados e


discutidos com os funcionrios. Ao se identificar que os fatores Tempo de Injeo,
Temperatura do Molde e Tempo de Resfriamento no so significativos para o
processo de moldagem plstica por injeo, decidiu-se realizar um terceiro
experimento, com apenas dois fatores (Temperatura da Mquina e Presso de
Injeo), conforme ser descrito na prxima seo.

Captulo 3 Experimentos industriais

3.9

91

Realizao do experimento: Terceira rodada


O objetivo principal da terceira rodada de experimentos determinar as

condies timas do processo de moldagem plstica por injeo. Nessa fase,


inicialmente os pesquisadores apresentaram aos funcionrios os conceitos da
Metodologia de Superfcie de Resposta (MSR).
Em seguida, durante a fase de tomada de decises, os pesquisadores e
funcionrios perceberam que para ajustar o processo de fabricao todas as
caractersticas de qualidade (Falha/Rebarba, Deformao geomtrica e Erros
dimensionais), deveriam ser estudadas simultaneamente. Esse problema de obter a
melhor combinao dos fatores para um conjunto de caractersticas de qualidade, foi
resolvido com a construo de uma funo resposta, denominada de soma quadrtica
das respostas (SQ). A SQ uma combinao dos valores da escala estimados para as
trs variveis de interesse, apresentada pela eq. (3.1).
yi = (Falha/Rebarba)2+(Deformao)2+(Dimensional)2

(3.1)

Com essa funo, alm de facilitar a interpretao da anlise estatstica


porque todos os valores da resposta sero positivos, ser possvel observar com mais
eficincia as mudanas provocadas por uma das caractersticas de qualidade
investigadas (TAGUCHI, 1993).
3.9.1 Matriz de planejamento
Os nveis de ajustagem que a empresa utiliza para regular o processo de
fabricao foram apresentados na Tabela 3.1. Com esses valores os funcionrios
conseguem fabricar componentes plsticos de boa qualidade. Porm, como dito
anteriormente, pequenas alteraes nas condies ambientais ou outras fontes de
variao desregulam o processo, provocando as perdas de qualidade nos produtos.
Como provvel que o ponto timo do processo esteja prximo a essa regio, os
pesquisadores decidiram iniciar um procedimento de busca da melhor condio de
operao, ou seja, determinar os nveis dos fatores de controle quantitativos que
otimizam a resposta de interesse.

Captulo 3 Experimentos industriais

92

Os nveis que foram utilizados para realizar o terceiro experimento so


apresentados na Tabela 3.13. Nesta etapa foi definido um nvel intermedirio entre o
valor mximo e mnimo de cada uma das faixas dos principais fatores de controle
identificados anteriormente. O nvel intermedirio ou ponto central utilizado para
estimar o erro experimental e para verificar se o polinmio de primeira ordem
adequado para ajustar a funo reposta s condies timas do processo de injeo.
TABELA 3.13 - NVEIS DOS FATORES DE CONTROLE: TERCEIRA RODADA
Nveis de regulagens

Fatores de Controle
1. Presso de injeo
2. Tem. da mquina

Baixo (-1)

Ponto Central (0)

Alto (+1)

18 BAR

22

26 BAR

Z1: 190C

Z3: 165C

Z1: 190C

Z3: 187C

Z1: 190C

Z3: 210C

Z2: 170C

Z4: 160C

Z2: 195C

Z4: 180C

Z2: 220C

Z4: 200C

Conforme o procedimento experimental descrito por HILL & HUNTER


(1966), a primeira etapa da metodologia de superfcie de resposta definir a tcnica
de planejamento que ser utilizada para conduzir os experimentos industriais. Desta
forma, para aplicar os conceitos sugeridos anteriormente, foi utilizado o
planejamento fatorial 22, com pontos centrais, apresentado na Tabela 3.14. Cada uma
das combinaes do experimento foi repetida cinco (5) vezes.
TABELA 3.14 - EXPERIMENTO FATORIAL 22, COM PONTOS CENTRAIS

N
Teste
1

FATORES
T. Mquina
Z1: 190C

Z3: 165C

Z2: 170C

Z4: 160C

2
3

18
26

Z1: 190C

Z3: 210C

Z2: 220C

Z4: 200C

P. Inj.

18
26

Z1: 190C

Z3: 187C

Z2: 195C

Z4: 180C

22

22

22

22

22

Captulo 3 Experimentos industriais

93

A seguir, sero descritas as etapas do procedimento experimental utilizado


para conduzir os experimentos: clculo dos coeficientes do modelo de aproximao
(utilizando o mtodo de mnimos quadrados), anlise estatstica do modelo
(ANOVA), anlise da superfcie de resposta (grficos de contorno bidimensionais e
de superfcie de resposta tridimensional) e anlise cannica do modelo de ajustagem.
3.9.2 Anlise de resultados
Depois de realizar os experimentos, os componentes plsticos foram
avaliados pelos funcionrios da empresa. Nesta etapa novamente foram utilizadas as
escalas numricas definidas para os primeiros experimentos. A mdia dos resultados
obtidos para cada uma das caractersticas de qualidade e a soma quadrtica dessas
repostas (utilizando-se a eq. (3.1)), so apresentadas na Tabela 3.15.
TABELA 3.15 - RESULTADO DO TERCEIRO EXPERIMENTO
N
Teste

Falha
Rebarba

Deformao

Dimensional

SQ

-10

10

10

300,0

0,2

0,1

36,05

5,25

0,5

4,05

44,22

5,25

0,15

5,15

54,11

50,0

3,75

3,75

29,13

3,75

0,75

3,75

28,69

3,75

0,25

39,13

6,25

0,75

64,63

Com as informaes da Tabela 3.15, e aplicando o mtodo de mnimos


quadrados (a resoluo apresentada no Anexo C), determinado o modelo linear
que se aproxima da superfcie de resposta, conforme a eq. (3.2).
y = 71,70 - 59,43x1 - 63,52x2 + 70,50x1x2
sendo que x1 a temperatura da mquina e x2 a presso de injeo.

(3.2)

Captulo 3 Experimentos industriais

94

Na Tabela 3.16, apresentado a anlise de varincia (ANOVA) para esse


experimento. Usualmente o procedimento que utilizado para rejeitar a hiptese nula
se F0 > Fk, (nc-1), . Desta forma, comparando-se a estatstica F0 com a estatstica F
crtica para um nvel de significncia de 1% (k = 1 e nc = 4) pode-se afirmar que os
dois fatores (T. Mquina e P. de Injeo) apresentam efeitos significativos. Isso
demonstra que ao menos uma das variveis do modelo contribui significativamente
na aproximao da superfcie. A rejeio da hiptese nula tambm confirmada
porque o valor p menor que o nvel de significncia (valor p < ), portanto, o teste
significativo.
Ainda, no quadro de ANOVA, o teste de F, em um nvel de significncia de
1%, apresenta a existncia de uma curvatura no plano da superfcie de resposta,
portanto, h evidncias que a funo no linear. Ao mesmo tempo, a anlise de
varincia demonstra que o efeito de interao dos fatores significativo no modelo.
TABELA 3.16 - ANLISE DE VARINCIA - EXP III, F0,01, 1, 4 = 21,20

Soma
Quadrado

g.l.

Quadrado
Mdio

F0

valor p

14127,7

14127,7

44,17

2,6EXP-03

Presso de Injeo

16136,62

16136,62

50,45

2,0EXP-03

Interao

18747,09

18747,09

58,62

1,5EXP-04

Curvatura do plano

10360,05

10360,05

32,39

4,7EXP-03

214,39

53,59

Fonte de Variao
Temperatura Mquina

Resduo

Com esses resultados, conclui-se que o modelo de primeira ordem no


satisfaz as condies de operao das trs variveis de interesse e, nesse caso deve-se
partir para a construo de um modelo de ordem superior. Esse procedimento ser
descrito a seguir.

Captulo 3 Experimentos industriais

95

3.10 Realizao do experimento: Quarta rodada


3.10.1 Matriz de planejamento
Considerando as informaes da anlise estatstica da terceira rodada, um
novo experimento foi planejado. Nessa fase foi utilizada a tcnica de planejamento
composto central. Essa tcnica consiste em acrescentar pontos axiais ao experimento
fatorial 22, com pontos centrais. Os pontos axiais so determinados pela eq. (3.3), e
so utilizados para se garantir que em qualquer direo da superfcie determinada
(ponto mximo ou mnimo), a partir do ponto central (0, 0), as respostas do processo
de moldagem plstica por injeo sero minimizadas. importante ressaltar que
outros algoritmos (FDOP, DETMAX) podem ser utilizados para planejar os
experimentos (optimal designs), conforme apresentado por MYERS et al. (1989) e
YONCHEV (1988).
1 = (nf)1/4

(3.3)

sendo que nf o nmero de pontos utilizados do experimento fatorial 22.


Utilizando-se os pontos do planejamento fatorial 22 se obtm 1 = 1.414.
Destaca-se que para transformar esses valores codificados em variveis naturais foi
utilizada a eq. (3.4).

xi =

( i n c )
x i

(3.4)

sendo que i representa o nvel da varivel natural do processo de


fabricao, nc o ponto central utilizado no experimento e xi o valor de escala ou
o incremento na varivel independente. Para o presente experimento, o incremento
de 25C para a Temperatura da Mquina e 4 BAR para a Presso de Injeo.
Na Tabela 3.17, so apresentados os nveis de ajustagem dos fatores de
controle em termos de variveis naturais, variveis codificadas e a matriz de
planejamento.

Captulo 3 Experimentos industriais

96

TABELA 3.17 - EXPERIMENTO FATORIAL 22 COMPOSTO CENTRAL


FATORES DE CONTROLE
N
Teste

Variveis
codificadas
x1

x2

-1

-1

-1

+1

Variveis naturais
Temperatura da Mquina
Z1: 190C

Z3: 165C

Z2: 170C

Z4: 160C

P. Injeo
18
26

Z1: 190C

Z3: 210C

Z2: 220C

Z4: 200C

18

+1

-1

+1

+1

22

22

22

22

10

+1.414

11

-1.414

12

+1.414

13

-1.414

26

Z1: 190C

Z3: 187C

Z2: 195C

Z4: 180C

Z1: 190C

Z3: 220C

Z2: 230C

Z4: 210C

Z1: 190C

Z3: 155C

Z2: 160C

Z4: 150C

Z1: 190C

Z3: 187C

Z2: 195C

Z4: 180C

22

22

22

27
16

Nesse experimento, as observaes de 1 at 9 foram novamente realizadas


pelos pesquisadores. Isso se tornou necessrio porque o tempo transcorrido entre o
Experimento III e IV foi excessivo. Porm, outra estratgia que poderia ser utilizada,
nesse experimento era formar blocos no planejamento de superfcie de resposta. O
objetivo principal desse mtodo eliminar a influncia de alguma varivel estranha
ou diferente das investigadas (MONTGOMERY ,1991).
3.10.2 Anlise de resultados
Depois de realizar os experimentos, os componentes plsticos foram
avaliados pelos funcionrios da empresa. A mdia dos resultados obtidos para cada
uma das caractersticas de qualidade e a soma quadrtica dessas repostas so
apresentadas na Tabela 3.18.

Captulo 3 Experimentos industriais

97

TABELA 3.18 - RESULTADOS DO QUARTO EXPERIMENTO


N
Teste

Falha
Rebarba

Deformao

Dimensional

SQ

-5,0

8,0

7,81

150,0

3,75

1,6

1,55

19,03

2,5

1,9

1,1

11,07

5,25

1,05

5,25

56,23

1,5

0,25

0,5

2,56

-1,25

2,75

2,75

16,69

3,75

1,75

17,13

-2,25

2,5

2,75

18,88

2,5

0,5

6,50

10

-4,5

3,7

3,8

48,38

11

-4

3,6

3,5

41,21

12

3,75

2,5

2,75

27,88

13

4,75

0,25

4,35

41,55

A Tabela 3.19 apresenta o quadro de ANOVA para esse experimento. Com


essa anlise novamente verifica-se que o modelo de primeira ordem (representado
pela eq. (3.5)), no pode ser utilizado para ajustar os nveis timos do processo de
moldagem plstica por injeo porque h fortes indcios que a interao entre os
fatores provoca uma curvatura na superfcie do sistema (estatstica F0 > F0,01, 1, 4 e
valor p < ).
y = 33,09 - 25,43x1 - 21,45x2 + 42,50x1x2

(3.5)

sendo que x1 a temperatura da mquina e x2 a presso de injeo.


TABELA 3.19 - ANLISE DE VARINCIA - EXP IV, F0,01, 1, 4 = 21,20

Fonte de Variao
Temperatura Mquina
Presso de Injeo
Interao
Curvatura do plano
Resduo

Soma
Quadrado

g.l.

Quadrado
Mdio (QM)

F0

valor p

2587,24

2587,24

48,27

2,2EXP-03

1840,84

1840,84

34,34

4,2EXP-03

7755,44

7755,44

144,69

2,7EXP-04

4852,75

4852,75

90,54

6.8EXP-04

214,39

53,59

Captulo 3 Experimentos industriais

98

Sendo assim, utilizando-se o mtodo de mnimos quadrados e a soma


quadrtica das respostas do experimento, apresentadas na Tabela 3.18, construdo o
modelo ajustado (ver o Anexo D) para a superfcie de resposta das caractersticas de
qualidade consideradas, conforme eq. (3.6).
y = 12,35 - 11,45 X1 - 13,14 X2 + 20,8 x 12 + 15,69 x 22 + 44,033 X1X2

(3.6)

sendo que x1 a temperatura da mquina e x2 a presso de injeo.


Na Tabela 3.20, apresentada a anlise de varincia para esse modelo
matemtico. O teste F0, em um nvel de significncia de 1%, aponta que a falta de
ajuste do ponto central e do ponto axial no significativa na superfcie de resposta.
Ainda que o teste F0 realizado nos coeficientes no quadrticos demonstre
que so poucos significativos, optou-se por analisar o modelo completo. Assim, os
resultados da ANOVA tambm apontam que os termos quadrticos puros no so
significativos. Porm, a estatstica F0 demonstra, em um nvel de significncia de
1%, que o coeficiente quadrtico misto (T. Mquina x P. Injeo) do modelo tem um
efeito mdio significativo na reposta.
TABELA 3.20 - ANLISE DE VARINCIA - EXP IV, F0,01, 1; 4 = 21,20
Fonte de variao
Ponto Central x Ponto Axial
Temperatura Mquina
Presso Injeo
2

(Temperatura Mquina)
2

(Presso Injeo)

T. Mquina x Pres Inj


Resduo

Soma
Quadrado

Gl

Quadrado
Mdio

F0

valor p

344,471

344,47

0,65

0,44
0,19

1150,79

1150,79

2,18

848,673

848,673

1,60

0,25

2917,502

2917,50

5,53

0,05

1661,114

1661,11

3,14

0,12

7755,44

7755,44

14,70

8,0EXP-03

3164,781

527,463

No entanto, pela anlise de varincia pode-se afirmar que o modelo


matemtico (eq. (3.6)) pode ser utilizado para ajustar as condies timas de
operao do processo de moldagem plstica por injeo. Porm, antes de determinar
os melhores nveis de regulagem do processo, ser realizada uma anlise de
superfcie de resposta, conforme segue.

Captulo 3 Experimentos industriais

99

A Figura 3.14, representa a superfcie de resposta tridimensional gerada a


partir do modelo ajustado. No grfico, observa-se que as combinaes dos
parmetros nos nveis mximos ou mnimos influenciam fortemente o resultado da
funo reposta, ou seja o deslocamento nas direes de mxima ascendente ou
mnima descendente provoca um incremento adicional na resposta. Porm, pelos
resultados apresentados no grfico, principalmente quando a funo varia no
intervalo de 0 e 25 (soma quadrtica das respostas), percebe-se que existem alguns
pontos prximos as condies timas do processo de moldagem plstica por injeo
que minimizam a funo reposta.

SUPERFCIE DE RESPOSTA DO PROCESSO DE INJEO PLSTICA


PLANEJAMENTO COMPOSTO CENTRAL
-3.294
18.370
40.034
61.698
83.362
105.026
126.689
148.353
170.017
191.681
213.345
235.009
256.672
278.336

FIGURA 3.14 - GRFICO DE SUPERFCIE DE RESPOSTA

A Figura 3.15, corresponde aos contornos bidimensionais gerados a partir


do modelo ajustado. Nessa figura observa-se que o ponto estacionrio (x0) um
ponto de sela (minimax). Isto refuta a hiptese que no espao formado pelos eixos
(x1, x2), apenas um ponto minimiza a funo resposta. Devido a esse fato,
necessrio investigar os pontos prximos ao ponto estacionrio nas direes dos
eixos (w1, w2). Esse procedimento conhecido como anlise cannica, conforme ser
abordado a seguir.

Captulo 3 Experimentos industriais

100

Grficos de Contornos
Planejamento composto central (Polinmio de segunda ordem)
Mdia = 35.16 Interseco = 11.17

2
Presso de Injeo (x2)

(0,1.41)
(-1,1)

(1,1)

(-1.41,0)

(0,0)

0.000 to
25.00

(1.41,0)

50.00 to
75.00
(-1,-1)

-1

100.0 to
125.0

(1,-1)

150.0 to
175.0

(0,-1.41)

-2

200.0 to
225.0

w1

w2

-2
-1

Pontos
Centrais

Temperatura da Mquina (x1)

FIGURA 3.15 - GRFICO DE CONTORNOS: PRESSO INJEO X TEMP MQUINA

3.10.2.1 Anlise cannica de superfcie de resposta


O mtodo utilizado para resolver o problema foi descrito com mais detalhes
no captulo 2. Ainda, recomenda-se consultar a literatura de experimentos industriais
(MYERS & MONTGOMERY, 1995; MONTGOMERY, 1991; BOX & DRAPER,
1987; BOX & HUNTER, 1957; COCHRAN & COX, 1957).
O primeiro passo para transformar o modelo ajustado para um modelo
cannico determinar o ponto estacionrio (x0) do processo de fabricao (ver
Anexo E) e a resposta do modelo ajustado nesse ponto. Os nveis dos fatores de
controle (x0) e as resposta do modelo ajustado nesse ponto so apresentados na
Tabela 3.21.
TABELA 3.21 - PONTO ESTACIONRIO DO PROCESSO DE FABRICAO
Ponto
estacionrio

x1

x2

0,34

-0,07

Variveis naturais
T. Mquina
Z1: 190C

Z3: 195C

Z2: 203C

Z4: 188C

Resposta (y0)
P. Inj.
21 BAR

11

Captulo 3 Experimentos industriais

101

Em seguida, utilizando-se os coeficientes quadrticos puros e mistos do


polinmio de segunda ordem construda a eq. (3.7). As razes dessa equao so
1 = -3,89 e 2 = 40,41. Portanto, a forma cannica do modelo ajustado ser
conforme a eq. (3.8).
[B-I] = 2 - 36,52 - 157,617 = 0

(3.7)

sendo que B a matriz dos coeficientes do modelo ajustado e representa


as razes do modelo cannico.
y = 10,93 - 3,89 w12 + 40,41 w22

(3.8)

Na eq. (3.8), observa-se que os sinais das razes so opostos. Isto demonstra
que o ponto estacionrio (x0) um ponto de sela, conforme descrito pela Figura 3.15.
Ainda, comparando os valores das razes, percebe-se que a pendente da superfcie de
resposta na direo do eixo w1 tende a ser mais atenuada. Portanto, uma investigao
mais detalhada nessa direo torna-se necessria.
Nessa etapa do procedimento de anlise estatstica, so construdas as
equaes matemticas que descrevem o relacionamento entre as variveis
independentes (x1, x2) e as variveis do espao wi. Assim, partindo-se da eq. (3.9),
proposta por MONTGOMERY (1991) e BOX & HUNTER (1957), determina-se a
eq. (3.10).
2 i
w = M*(x-x0); M = 1
12 /2

m11 m12
*
= 0 ; x = (x1, x2) (3.9)
i m 21 m 22

12 /2
2
2

sendo que M uma matriz com os elementos normalizados (mii, mij), i so


os coeficientes do modelo ajustado e i so as razes do modelo cannico.
w1 = - 0,664x1 + 0,746x2 + 0,27
w2 = 0,747x1 + 0,664x2 - 0,21
sendo que x1 a temperatura da mquina e x2 a presso de injeo.

(3.10)

Captulo 3 Experimentos industriais

102

Com essas equaes so determinados as coordenadas (w1, w2) dos pontos


(ou a faixa de valores) que satisfazem as condies timas de operao do processo
de fabricao. Ao mesmo tempo, so utilizadas para transformar esses nveis no
espao formado pelos fatores experimentais (x1, x2).
Como o mtodo utilizado para determinar ou explorar os valores que
otimizam a funo resposta na direo w1, ser considerado que o deslocamento na
direo w2 igual a zero. importante ressaltar que a anlise de superfcie de
resposta realizada s na direo w1 porque o modelo cannico (demonstra que as
repostas sero fortemente influenciadas pelo coeficiente que multiplica w2), e os
grficos de superfcie de reposta demonstraram que na direo w2 a funo reposta
ser maximizada, ou seja pela anlise comprova-se que quando o processo regulado
em algum ponto dessa direo as caractersticas de qualidade investigadas no
experimento tendem a piorar.
A resoluo do modelo cannico (eq. (3.8)) para uma funo resposta
otimizada (variao prxima de zero), demonstra que as razes na direo w1 so
iguais a 1.66. Desta, forma, substituindo os pontos (+1.66, 0), (-1.66, 0) nas
equaes (3.10), determinada a faixa de valores que minimizam a funo resposta
no espao formado pelos eixos x1 e x2. Os nveis codificados (x1, x2) dos fatores
experimentais so apresentados na Tabela 3.22. Esses valores foram transformados
para as variveis naturais por meio da eq. (3.4). Nessa mesma tabela percebe-se que
os valores obtidos com a metodologia de superfcie de resposta so condizentes com
os respectivos valores que a empresa utiliza para ajustar o processo de injeo
plstica.
TABELA 3.22 - NVEIS TIMOS DO PROCESSO DE FABRICAO

Fatores

(w1, w2)
(x1, x2)

(+1.66, 0)

Ponto Estacionrio

(-1.66, 0)

(-0.76, 1.16)

(0.34, -0.06)

(1.4, -1.3)

Ponto usado pela


empresa

Z1: 190C

Z3: 168C

Z1: 190C

Z3: 195C

Z1: 190C

Z3: 223C

Z1: 190C

Z3: 175C

Z2: 176C

Z4: 161C

Z2: 203C

Z4: 188C

Z2: 231C

Z4: 216C

Z2: 180C

Z4: 170C

T. Mq

P. Inj

24 BAR

21 BAR

16 BAR

20 BAR

Captulo 3 Experimentos industriais

103

Em seguida, substituindo os valores codificados, apresentados na Tabela


3.21, no modelo ajustado (eq. (3.6)) pode-se concluir que a funo resposta vria em
um intervalo de 0 a 11 (a reposta prximo de zero para a combinao dos nveis
(-0.76, 1.16); (1.4, -1.3) e onze (11) no ponto estacionrio (0.34, -0.06)), que
considerado satisfatrio pelo controle de qualidade do processo na empresa.
Nesta fase final dos ensaios seria necessrio realizar um experimento de
confirmao dos resultados. Porm, considerando-se as normas de segurana que a
empresa define para regular o processo, ou seja ...evitar utilizar nveis elevados de
temperatura da mquina porque reduzem a vida til do cilindro de deslocamento da
mquina e alteram as propriedades qumicas do material... por outro lado, as
temperaturas baixas no conseguem aquecer o material e conseqentemente o atrito
nas paredes do cilindro maior..., recomenda-se que os nveis da faixa de variao:
(-0.76, 1.16); (1.4, -1.3) devem ser evitados na regulagem do processo de fabricao.
Para validar o ponto estacionrio, foi realizado um teste e os resultados so
apresentados na Tabela 3.23. Nesse experimento, os outros fatores investigados no
projeto, Temperatura do Molde, Tempo de Resfriamento, Velocidade de Injeo e
Tempo de Injeo, continuaram sendo regulados com os mesmos nveis que a
empresa

determinou

na

primeira

etapa

do

procedimento

experimental

(Tabela 3.1).
TABELA 3.23 - CONFIRMAO DO PONTO ESTACIONRIO

TEMPERATURA MQUINA

Z1:Bico =190C

Z3= 195C

Z2= 203C

Z4= 188C

PRESSO
INJEO

21 BAR

RESULTADO
(mdia)
F/R

DEF

DIM

0,75

0,6

0,45

SQ

1.2

Comparando-se o resultado da funo quadrtica, apresentado na


Tabela 3.23, com o resultado do modelo ajustado (variao prxima de 11) a equipe
responsvel por conduzir os experimentos confirma que esses nveis podem ser
definidos como as condies timas do processo de moldagem plstica por injeo.

Captulo 3 Experimentos industriais

104

3.11 Consideraes finais dos experimentos


Neste captulo foram descritas quatro rodadas de experimentos. Tornou-se
evidente que dos seis fatores de controle que foram considerados na fase inicial do
procedimento experimental (Temperatura da Mquina, Tempo de Injeo,
Velocidade de Injeo, Tempo de Resfriamento, Presso de Injeo e Temperatura
do Molde), apenas dois parmetros so os que mais influenciam as respostas do
processo de moldagem plstica por injeo (Temperatura da Mquina e Presso de
Injeo). Com a identificao das principais variveis foi possvel utilizar um
procedimento de otimizao (metodologia de superfcie de resposta).
Com esse mtodo foi possvel modelar e acompanhar a variao da funo
resposta, quando os nveis dos parmetros que regulam o processo de injeo plstica
foram alterados. A anlise estatstica (ou cannica do modelo de ajustagem) dos
resultados experimentais permitiu determinar as condies timas do processo de
fabricao.

Captulo 4 Concluso

105

4 CONCLUSO
4.1

Concluso
O objetivo geral deste trabalho foi estudar e aplicar as tcnicas de

planejamento e anlise de experimentos na melhoria da qualidade industrial. Como


parte deste objetivo, foram realizados experimentos industriais com as tcnicas de
planejamento Fatorial Fracionado 2k-p, Anlise de Varincia e Metodologia de
Superfcie de Resposta na melhoria da qualidade de um processo de moldagem por
injeo plstica.
Com o estudo do processo de injeo plstica (neste caso, a resina
termoplstica utilizada o Polipropileno (PP)), foram identificados os parmetros de
controle do processo que mais ocasionam problemas de qualidade, assim como pdese determinar os melhores valores ou nveis de ajustagem dos fatores para minimizar
os problemas.
Ainda, com a pesquisa experimental, foi possvel apresentar uma
metodologia de planejamento de experimentos industriais aos funcionrios de uma
empresa. Esse aspecto certamente motiva as pessoas a desenvolver os projetos de
produtos ou processos de fabricao com mais eficincia e eficcia. Pde-se perceber
por meio dos relatos da equipe responsvel por acompanhar os ensaios que o projeto
foi considerado como um bom exemplo para a implantao de metodologias de
planejamento e anlise estatstica.
Alm disso,

foi possvel desenvolver

uma pesquisa onde vrias

caractersticas de qualidade so analisadas simultaneamente. Isso, um ponto


importante do projeto porque na maioria dos estudos que so publicados na literatura
de

experimentos

industriais,

observa-se

que

as

respostas

so

analisadas

individualmente.
No processo de implantao, foi possvel demonstrar para os funcionrios

Captulo 4 Concluso

106

que as caractersticas de qualidade do produto podem ser melhoradas, o processo de


fabricao pode ser controlado, possvel reduzir o nmero de peas com defeito e
conseqentemente o re-trabalho (moer as peas defeituosas). Outros benefcios
alcanados com a implantao das tcnicas de planejamento e anlise de
experimentos so discutidos a seguir.
Primeiramente, com o projeto, pde-se mostrar aos responsveis pela
engenharia do processo que, diferentemente do que eles afirmavam, nem todos os
fatores de ajustagem, inicialmente considerados, afetam a qualidade do resultado do
processo de fabricao. Ou seja, para as faixas de ajustagem consideradas, apenas
dois fatores (Presso de Injeo e Temperatura da Mquina) apresentaram um efeito
significativo sobre as caractersticas de qualidade do componente. Para os outros
fatores, pode-se afirmar que no existe necessidade de se definir, na ficha tcnica,
um valor especfico de ajustagem da mquina, mas sim uma faixa de valores, dentro
da qual o processo ter bom desempenho.
Ainda que a influncia dos fatores de controle Temperatura da Mquina e
Presso de Injeo possa parecer bvia para as pessoas que operam o processo de
fabricao no dia-a-dia, aqui ela pde ser quantificada, podendo-se a partir disso
estimar possveis ganhos a serem obtidos com o controle dos fatores considerados.
O procedimento de otimizao utilizado para estabelecer as condies
timas do processo de injeo plstica foi bastante explorado e descrito para os
funcionrios da empresa. Os resultados motivaram as pessoas a usar as ferramentas
estatsticas para melhorar a qualidade de outros produtos e processos de fabricao.
Entretanto, os conceitos apresentados aos funcionrios ainda esto sendo
pouco utilizados, portanto aes que provoquem o uso dessas tcnicas so
necessrias. Algumas recomendaes que ajudam nesse processo podem ser citadas,
conforme segue:
Selecionar outros produtos que so crticos na empresa e que podem ser
melhorados com um projeto experimental;
Identificar outros processos de fabricao que freqentemente apresentam
problemas de qualidade;

Captulo 4 Concluso

107

Motivar as pessoas a confiar nas inferncias estatsticas, realizadas pela


equipe responsvel por conduzir os experimentos industriais;
Divulgar e discutir os relatrios de cada uma das fases do procedimento
ou estratgia experimental utilizada;
Incentivar o uso de softwares estatsticos;
Destacar que o tempo necessrio para realizar os experimentos pequeno
e que os custos experimentais so baixos se comparados ao procedimento que a
empresa adota para definir a faixa de regulagem dos fatores de controle;
Aplicar as tcnicas de planejamento e anlise de experimentos na fase de
desenvolvimento de produtos. Esse aspecto importante porque a pesquisa estava
focalizada no processo de fabricao e nessa etapa algumas vezes as mudanas ou
aes de melhoria se tornam economicamente inviveis para as empresas;
Informar que o projeto experimental de grande importncia para o
direcionamento e otimizao dos experimentos. O planejamento e a anlise dos
resultados certamente proporciona produtos de melhor qualidade. Assim como,
processos de fabricao mais robustos, visto que os nveis dos parmetros do
processo so investigados e determinados estatisticamente. Outro beneficio que se
garante o atendimento dos prazos de entrega dos produtos, alm da satisfao da
equipe de projeto.
Ao longo da pesquisa experimental tambm foram verificadas algumas
dificuldades. No que se refere aplicao, na fase inicial de desenvolvimento do
projeto, os funcionrios desconheciam as tcnicas de planejamento e esse aspecto,
algumas vezes, limitava o desenvolvimento da proposta na empresa. No entanto,
acredita-se que na fase final da pesquisa essa barreira foi superada e que nos
prximos projetos experimentais desenvolvidos pela empresa, est limitao ser

Captulo 4 Concluso

108

eliminada completamente.
Outra dificuldade est relacionada a escolha dos fatores de controle
investigados com as tcnicas experimentais. Algumas pesquisas realizadas com o
mesmo processo de injeo plstica demonstraram que outros fatores podem
influenciar o desempenho (ACHARYA & MAHESH, 1999; NISHINA et al., 1998;
ENGEL & HUELE, 1996 e MONTGOMERY, 1991). Isso comprova que os
resultados da aplicao do procedimento de otimizao utilizado neste projeto so
especficos ao componente plstico (projeto do molde utilizado) e matria-prima
(polmero Polipropileno) utilizado para realizar os experimentos industriais.
Ainda, deve-se observar que na fase inicial de experimentao a faixa de
operao dos parmetros foi estabelecida conforme a experincia dos funcionrios.
Quando os ensaios foram realizados com esses nveis, vrios problemas ocorreram
com o equipamento de injeo. Considerando esse ponto e outros aspectos (ex. falta
de experincia com as tcnicas de planejamento e anlise de experimentos e de
conhecimento do processo de injeo plstica), os pesquisadores, com o primeiro
experimento, no conseguiram concluir com segurana sobre os fatores que
realmente influenciavam as caractersticas de qualidade do processo de injeo
plstica. Entretanto, pode-se perceber que pela falta de procedimentos e tcnicas
adequadas na definio dos nveis, o processo de fabricao estava perdendo
produtividade, gerando refugo e baixa qualidade, aumentando os custos de produo.
Essas questes demonstram a necessidade de utilizar as ferramentas estatsticas e
realizar novos experimentos.
Finalmente, um resultado bastante importante deste trabalho foi o de
mostrar s pessoas envolvidas no estudo a validade de analisar cientificamente o
processo de transformao e, com isso no s fomentar o uso dessas tcnicas junto
empresa em questo, mas tambm promover a aproximao universidade-empresa.
Com essa integrao foi possvel criar um processo de aprendizagem. Isto , a
medida que os experimentos eram realizados os pesquisadores foram adquirindo
informaes tcnicas do processo de fabricao e os funcionrios da empresa foram
se familiarizando com os conceitos de delineamento de experimentos.

Captulo 4 Concluso

4.2

109

Sugestes de trabalhos futuros


Apesar da disciplina Planejamento e Anlise de Experimentos estar

includa na maioria dos cursos de engenharia das universidades brasileiras, percebese que nas empresas poucas pessoas utilizam tais conceitos para investigar os
problemas de qualidade dos produtos ou processos de fabricao. Portanto, torna-se
necessrio investigar com mais detalhes quais so os principais motivos dessa
resistncia. A identificao das causas certamente permitir elaborar um plano de
aes que elimine essa deficincia na indstria nacional, assim como motivar as
pessoas de outros setores a usar as tcnicas de experimentao.
No projeto foram utilizadas as tcnicas de Planejamento Fatorial e Anlise
de Varincia para realizar e analisar estatisticamente os ensaios. Porm, na literatura
de projetos experimentais existem outras tcnicas experimentais (ex. mtodo
Taguchi, algoritmos de planejamento timos) que podem ser aplicadas em conjunto
com os procedimentos de ajustagem de superfcie de resposta descritos
anteriormente. Outra sugesto, a utilizao de uma nova funo de perda quadrtica
(REDDY et al., 1998; GUEDES, 1996; ELSAYED & CHEN, 1993; TAGUCHI,
1993).
As anlises de resultados demonstraram quais eram os principais fatores de
controle e os nveis timos que satisfazem as condies de operao do processo de
injeo plstica. No entanto, para uma anlise mais completa do processo
recomenda-se que novos experimentos sejam realizados. Neste caso, para estudar o
comportamento ou a variao da funo resposta podem ser selecionados outros
parmetros e faixas de operao.
Ainda, com o objetivo de determinar os melhores nveis de regulagens do
processo ou desenvolver produtos mais robustos, sugere-se que novas pesquisas
sejam realizadas com as tcnicas de planejamento e anlise de experimentos em
outros processos de transformao de resinas termoplsticas. Ao mesmo tempo,
recomenda-se que outras ferramentas de qualidade sejam integradas ao projeto de
experimentos.

Anexos

110

ANEXOS
Anexo A - Mtodo para estimar os parmetros dos modelos matemticos
Anexo B - Carta de apresentao
Anexo C - Resoluo do modelo de primeira ordem
Anexo D - Resoluo do modelo de segunda ordem
Anexo E - Clculo do ponto estacionrio do processo de fabricao

Anexos

111

Anexo A - Mtodo para estimar os parmetros dos modelos matemticos


O mtodo de mnimos quadrados utilizado para estimar os coeficientes
(0, 1, 2, ..., k) dos polinmios usados na modelagem de resposta. Qualquer um
dos modelos matemticos pode ser resolvido por meio de uma deduo matricial,
conforme ser descrito a seguir. O procedimento baseado nos conceitos
apresentados pela literatura de projetos experimentais (GUEDES, 1996; MYERS &
MONTGOMERY, 1995; HILL & HUNTER, 1996; MONTGOMERY, 1991 e
COCHRAN & COX, 1957).
A eq. (1) representa a forma matricial de um polinmio de n observaes
disponveis (n representa os pares de informaes (y1, x1), (y2, x2), (y3, x3),
(y4, x4) ..., (yn, xn)).
Y = X +

(1)

sendo que,

y1
y
2
Y= .
..

y n

1 x 11 x 21
1 x x
12 22
X = .
:
:
.
1 x n1 x n2

x k1
... x 2k

:
:

... x nk
...

0

1
= .
..

k

0

1
= .
..

n

Nesse caso, Y um vetor das respostas observadas (n x 1), X uma matriz


(n x p) formada pelos fatores experimentais, o vetor dos coeficientes (p x 1) e
um vetor que representa os erros aleatrios dos experimentos (n x 1), que devem
seguir, aproximadamente, a distribuio de probabilidade normal com mdia zero e
varincia 2I, N(0, 2I). I uma matriz identidade de (n x n) e 2 um constante
(BOX & HUNTER, 1957). O objetivo principal de resolver as equaes normais por
meio de matrizes determinar os vetores que minimizam a funo de mnimos
quadrados. Essa funo dada pela eq. (2).
L = yy - Xy - yX + XX

(2)

sendo que, o termo Xy uma matriz (1 x 1) ou um escalar, e sua derivada


dada por (Xy) = yX.

Anexos

112

Assim, a soluo geral da eq. (2) dada pela eq. (3).


L = (y - X )(y - X)

(3)

A derivada da funo de mnimos quadrados (L) em relao aos elementos


do vetor igualada a zero dada pela eq. (4).

^
L
= 2 X ' y + 2 X ' X = 0 , o que significa que: XX = Xy

= (XX)-1Xy

(4)

A eq. (4), tambm pode ser representada com mais detalhes pela forma
matricial, conforme segue:
1

2
.
= XX =
.
.

k

n
x i1
i=1
:
n
x
ik

i=1

x
i=1
n

x
i =1

2
i1

:
n

x
i=1

yi
i =1
i=1

i=1
n
n
n

x i1x i2 ... x i1x ik


x i1yi

Xy
=
i=1
i =1

i=1

:
:
:
:

n
n
n
2

x
x
...
x
x
y

ik i2
ik

ik i

i =1
i =1
i=1
n

i1

ik

x i1

i2

...

ik

sendo que, a expresso XX uma matriz simtrica (pxp), que influenciada


pelo modelo matemtico e pelo planejamento experimental. A estrutura da matriz
XX definida como: n corresponde ao nmero de experimentos realizados, a
diagonal corresponde a soma dos quadrados das colunas X e os elementos fora da
diagonal corresponde aos produtos cruzados das colunas X, e Xy um vetor da
coluna (px1).
Outra alternativa que pode ser utilizada para resolver os polinmios por
meio do mtodo de mnimos quadrados apresentada por LEVINE et al. (1998). Os
autores determinam os coeficientes por meio do software de planilhas EXCEL.
Certamente, utilizando-se as ferramentas do programa, os coeficientes so
determinados com mais facilidade pela equipe responsvel por conduzir os
experimentos industriais.

Anexos

113

Anexo B - Carta de apresentao


UNIVERSIDADE DE SO PAULO
ESCOLA DE ENGENHARIA DE SO CARLOS
Departamento de Engenharia de Produo

So Carlos, 27 de Maro de 2000


Prezado Senhor:
Este primeiro contato tem por objetivo propor o desenvolvimento de um
trabalho de parceria entre a Escola de Engenharia de So Carlos, da Universidade de
So Paulo e a sua empresa.
O trabalho refere-se aplicao de conceitos e tcnicas de Planejamento e
Anlise de Experimentos para a melhoria da qualidade de produto e processo.
A abordagem tradicional para realizar experimento de engenharia concentrase na resoluo de problemas e anlise de falhas, usualmente tentando isolar e
estudar uma causa de cada vez, na base de tentativa e erro. Isto acarreta alto custo,
consome muito tempo, e os resultados obtidos com a experimentao podem levar
concluses erradas. Portanto, o que se prope aplicar as tcnicas de planejamento
de experimentao para o estudo simultneo e combinado dos fatores que possam
causar falhas ou perda da qualidade, e anlise estatstica dos resultados.
O trabalho seria desenvolvido pelo Eng. Edwin Vladimir Cardoza
Galdmez, aluno do Programa de Mestrado em Engenharia de Produo da Escola de
Engenharia de So Carlos, como projeto de sua pesquisa para a dissertao de
mestrado.
A definio da proposta de trabalho deve ser feita de acordo com os
interesses da empresa.
Teremos o maior prazer em fazer uma exposio detalhada da nossa
proposta de trabalho, caso haja interesse de sua empresa.
Em breve, estaremos entrando em contato telefnico para sabermos do
interesse de sua empresa em darmos continuidade a esta proposta.
Sem mais para o momento, agradecemos a ateno desejada, e nos
colocamos disposio para contatos futuros.
Cordialmente,
_______________________
Prof. Luiz C. R. Carpinetti
(Orientador)
____________________________
Edwin V. C. Galdmez
(Mestrando)

Anexos

114

Anexo C - Resoluo do modelo de primeira ordem


Nessa fase do experimento foi utilizado o mtodo de mnimos quadrados:
= (XX)-1Xy
sendo que a matriz com os coeficientes (i), X matriz com os
parmetros normalizados e y a reposta experimental, conforme segue:
X
1
1
1
1
1
1
1
1
1

1
-1
-1
1

-1
-1
1
1
0
0
0
0
0

1
-1
1
-1

-1
1
-1
1
0
0
0
0
0

1
1
-1
-1

1
1
1
1

X
1
0
0
0

XX
9
0
0
0

0
4
0
0

0
0
4
0

0
0
0
4

(XX)-1
0,111
0
0
0

0
0,250
0
0

0
0
0,250
0

y
300
36,05
44,22
54,11
50
29,13
28,69
39,13
64,63

1
-1
-1
1
0
0
0
0
0

1
0
0
0

1
0
0
0

1
0
0
0

1
0
0
0

Xy
646,0
-237,72
-254,06
282,01
=(XX)-1*Xy

0
0
0
0,250

71,70
-59,430
-63,515
70,503

determina-se o polinmio de primeira ordem:


y = 71,70 - 59,43x1 - 63,52x2 + 70,50x1x2
sendo que x1 a temperatura da mquina e x2 a presso de injeo.

Anexos

115

Anexo D - Resoluo do modelo de segunda ordem


Nessa fase do experimento foi utilizado o mtodo de mnimos quadrados:
= (XX)-1Xy
sendo que a matriz com os coeficientes (i), X matriz com os
parmetros normalizados e y a reposta experimental, conforme segue:

11

22

12

-1

-1

-1

-1

19,03

1
1
1
1
1
1
1
1
1
1
1

1
1
0
0
0
0
0
1,414
-1,414
0
0

-1
1
0
0
0
0
0
0
0
1,414
-1,414

1
1
0
0
0
0
0
2
2
0
0

1
1
0
0
0
0
0
0
0
2
2

-1
1
0
0
0
0
0
0
0
0
0

11,07
56,23
2,56
16,69
17,13
18,88
6,5
48,38
41,21
27,88
41,55

1
-1
-1
1
1
1

1
-1
1
1
1
-1

1
1
-1
1
1
-1

1
1
1
1
1
1

1
0
0
0
0
0

1
0
0
0
0
0

X
1
0
0
0
0
0

1
0
0
0
0
0

1
0
0
0
0
0

1
1
1
1
1,414 -1,414
0
0
0
0
1,414 -1,414
2
2
0
0
0
0
2
2
0
0
0
0

XX
13
0
0
8
8
0

0
8
0
0
0
0

0
0
8
0
0
0

8
0
0
12
4
0

8
0
0
4
12
0

0
0
0
0
0
4

(XX)-1

150

Xy
457,11
-91,59
-105,14
415,51
375,19
176,13

i=(X'X)-1*X'y

0,2

-0,1

-0,1

12,35

0,125

-11,45

0,125

-13,14

-0,1

0,144

0,019

20,83

-0,1

0,019

0,144

15,69

0,250

44,033

determina-se o polinmio de segunda ordem:


y = 12,35 - 11,45 X1 - 13,14 X2 + 20,8 x 12 + 15,69 x 22 + 44,033 X1X2
sendo que x1 a temperatura da mquina x1 e x2 a presso de injeo.

Anexos

116

Anexo E - Clculo do ponto estacionrio do processo de fabricao


Com o polinmio de segunda ordem e utilizando a eq. (1), se determina o
ponto estacionrio do processo de moldagem plstica por injeo.
x0 = -1/2 * B -1 * b

(1)

sendo que B uma matriz formada pelos coeficientes quadrticos puros


(diagonal) e pelo valor mdio dos coeficientes quadrticos mistos (fora da diagonal)
e b a matriz formada pelos coeficientes lineares do polinmio de segunda ordem.

-11,45

20,83

22,01

-13,14

22,01

15,69

Resolvendo-se a eq. (1) o ponto estacionrio do processo (x1, x2):


x0 = (0,34, -0,06)
A eq. (2) pode ser utilizada para transformar os valores codificados do ponto
estacionrio em nveis de regulagens do processo de moldagem plstica por injeo.

xi =

( i n c )
x i

(2)

sendo que i representa o nvel da varivel natural do processo de


fabricao, nc o ponto central utilizado no experimento e xi o valor de escala ou
o incremento na varivel independente, conforme segue:

Temperatura da mquina (x1):


1

0,34 =

z 1 = 190 C z 3 = 187 C
z 2 = 195 C z 4 = 180 C

25 C

1 =

z 1 = 190 C
z 2 = 203 C

Presso de injeo (x2):


-0,06 = (2 - 22) / 4 2 = 21 BAR

z 3 = 195 C
z 4 = 188 C

Referncias Bibliogrficas

117

REFERNCIAS BIBLIOGRFICAS
ABRAHAM, B.; CHIPMAN, H.; VIJAYAN, K. (1999).
Some risks in the
construction and analysis of supersaturated designs. Technometrics, v.41, n.2,
p.135-141, May.
ACHARYA, U.H.; MAHESH, C. (1999). Winning back the customers confidence:
a case study on the application of design of experiments to and injection-molding
process. Quality Engineering, v.3, n.11, p.357-363.
ANDERSON, R.L. (1957).
Complete factorials, fractional factorials and
confounding. CHEW, V. Experimental design in industry. New York, John
Wiley & Sons, Inc. p.59-107.
ANNUAL QUALITY CONGRESS. (2000). Foresight XXI. http://www.asq.org.
(10 Jun.).
ANTONY, J.; KATE, M.; FRANGOU, A. (1998). A strategic methodology to the
use of advanced statistical quality improvement techniques.
The TQM
Magazine, v.10, n.3, p.169-176.
BARKER, T.B. (1985). Quality by experimental design. New York, Marcel
Dekker; Milwaukee: ASQC Quality Press. Cap.1-2, p.1-22.
BOWER, J.A. (1997). Statistic for food science V: comparison of many groups
(part A). Nutrition & Food Science, n.2, p.78-84, Mar./Apr.
BOX, G.E.P.; BISGAARD, S. (1987).
The scientific context of quality
improvement. Quality Progress, v.20, n.6, p.54-61, Jun.
BOX, G.E.P.; DRAPER, N.R. (1987). Empirical model-building and response
surfaces. New York, Wiley. (Wiley Series in Probability and Mathematical
Statistics).
BOX, G.E.P.; HUNTER, J.S. (1957). Experimental design for the exploration and
exploitation of response surfaces. CHEW, V. Experimental design in industry.
New York, John Wiley & Sons, Inc., p.138-190.
BOX, G.E.P.; LIU, P.Y.T. (1999). Statistics as a catalyst to learning by scientific
method part I-an example. Journal of Quality Technology, v.31, n.1, p.1-15,
Jan.
BUTTON, S.T. (2001). Metodologia para planejamento experimental e anlise de

Referncias Bibliogrficas

118

resultado. So Paulo, Universidade Estadual de Campinas. /Apostila/


BYRNE, D.M.; TAGUCHI, S. (1987). The Taguchi approach to parameter design.
Quality Progress, v.20, n.12, p.19-26, Dec.
CARPINETTI, L.C.R. (2000). Planejamento e anlise de experimentos. So
Carlos, EESC/USP. /Apostila/
COCHRAN, W.G.; COX, G.M. (1957). Experimental designs. 2.ed. London,

John Wiley.
COLEMAN, D.E.; MONTGOMERY, D.C. (1993).
A systematic approach to
planning for a designed industrial experiment. Technometrics, v.35, n.1, p.1-12,
Feb.
COMINATTO, A.C. (1990). Manual prtico de funcionamento I 17. So Paulo,
ASTRA S/A Indstria e Comrcio. /Apostila/
COMINATTO, A.C. (1997). Influncias das variveis do ciclo no produto final.
So Paulo, ASTRA S/A Indstria e Comrcio. /Apostila/
CRUZ, C.H.B.; FRAGNITO, H.L.; COSTA, I.F.; MELLO, B.A. (1997). Guia para
fsica experimental, caderno de laboratrio, grficos e erros.
Campinas,
UNICAMP. /Apostila/
CHEN, Y.M.; LIU, J.J. (1999).
Cost-effective design for injection molding.
Robotics computer integrate manufacturing, n.15, p.1-21.
CHEW, V. (1957). Experimental designs in industry. New York, John Wiley &
Sons, Inc. p.1-58.
DANE, F.C. (1990). Research methods. California, Brooks/Cole. Cap. 1-2.
DEVOR, R.E.; CHANG, T.; SUTHERLAND, J.W. (1992).
Statistical quality
design and control - Contemporary concepts and methods. New Jersey, Prentice
Hall, Inc. Cap.15-20, p.503-744.
DOW. (2001).
Dow polietilenol.
http://www.doe.com.br/potyethilene/pot/fab.
(2 Jul.).
ELSAYED, E.A.; CHEN, A. (1993). Optimal levels of process parameters for
products with multiple characteristics.
International Journal Production
Research, v.31, n.5, p.1117-1132.
EMPRESA ABC. (2001).
Aulas 1-7.
So Paulo, ASTRA S/A Indstria e
Comrcio. /Apostila/
ENGEL, J.; HUELE, A.F. (1996). A generalized linear modeling approach to robust
design. Technometrics, v.38, n.4, p.365-373.
GIL, A.C. (1988). Como elaborar projetos de pesquisa. So Paulo, Atlas. p.4560.
GUEDES, T.A. (1996). Procedimentos de otimizao no planejamento e controle

Referncias Bibliogrficas

119

da qualidade de produtos e processos. Florianpolis. 215p. Tese (Doutorado)


- Universidade Federal de Santa Catarina.
HAALAND, P.D.; OCONNELL, M.A. (1993). Discussion: a systematic approach
to planning for a designed industrial experiment.
COLEMAN, D.E.;
MONTGOMERY, D.C. Technometrics, v.35, n.1, p.17-20.
HAHN, G.; HOERL, R. (1998). Key challenges for statisticians in business and
industry. Technometrics, v.40, n.3, p.195-213, Aug.
HAHN, G.J. (1984).
Discussion: Experimental design: review and comment.
STEINBERG, M.D.; HUNTER, W.G. Tecnhometrics, v.26, n.2, p.110-115, May.
HILL, W.J.; HUNTER, W.G. (1966). A review of response surface methodology: a
literature survey. Technometrics, v.8, n.4, p.571-590.
HOERL, R.W. (2001).
Six sigma black belts: what do they need to know?.
Journal Quality Technology, v.33, n.4, p.391-406, Oct.
HOPPEN, N.; LAPOINTE, L.; MOREAU, E. (1996). Um guia para a avaliao de
artigos de pesquisa em sistemas de informao.
Revista Eletrnica de
Administrao, v.2, n.3, p.1-27, nov.
INSTITUTO NACIONAL DO PLSTICO. (2002).
Nobreza do plstico.
http://.www.inp.org.br/fiquepordentro. (6 mar.).
ISHIKAWA, K. (1976). Guide quality control. Tokio, Asian Productivity. p.150180.
JURAN, J.M.; GRYNA JR., F.M.; BINGHAM JR., R.S. (1951). Quality control
handbook. 3. ed. New York, McGraw-Hill. Cap.27, p.1-49.
KHURI, A.I.; CORNELL, J.A. (1987). Response surfaces: designs and analyses.
New York. Marcel Dekker, Inc. ASQC Quality press. Cap.3, 4, 5 e 7.
KRUGLIANSKAS, I. (1995).
Engenharia simultnea e tcnicas associadas em
empresas tecnologicamente dinmicas.
Revista de Administrao, v.30, n.2,
p.25-38, Abr./Jun.
LEVINE, D.M.; BERENSON, M.L.; STEPHAN, D. (1998). Estatstica: teoria e
aplicaes. Trad.por Teresa Cristina Padilha de Souza e Sergio da Costa Cortes.
Rio de Janeiro, ed. Livros Tcnicos e Cientficos (LTC). Cap.7-12, p.329-620.
MINISTRIO DO MEIO AMBIENTE. (2001). Ata publicada com a resoluo n
237: 19 de dezembro de 1997. http://www.ibama.gov.br. (22 Maio).
MONTGOMERY, D.C. (1991). Diseo y anlisis de experimentos. Trad.por
Jaime Delgado Saldivar. Mexico, Iberoamrica.
MYERS, R.H & MONTGOMERY, D.C. (1995). Response surface methodology:
process and product optimization using designed experiments. Canada, John
Wiley & sons, Inc.

Referncias Bibliogrficas

120

MYERS, R.H.; KHURI, A.I; CARTER JR.; W.H. (1989).


Response surface
methodology: 1966-1988. Technometrics, v.31, n.2, p. 137-157, May.
NIAN, C.Y.; YANG, W.H.; TARNG, Y.S. (1999).
Optimization of turning
operations with multiple performance characteristics.
Journal of Materials
Processing Technology, n.95, p.90-96.
O PLSTICO invade automveis e caminhes. (2002). Gazeta Mercantil, So
Paulo, 6 mar. Empresas & Carreiras, p.1-6.
OLIVEIRA, L.C. (1999). Uso integrado do mtodo QFD e de tcnicas estatsticas
de planejamento e anlise de experimentos na etapa do projeto do produto e do
processo. Belo Horizonte.
270p. Dissertao (Mestrado) - Universidade
Federal de Minas Gerais.
PHADKED, M.S. (1989). Quality engineering using robust design. New Jersey,
Prentice Hall/AT & T Bell Laboratories.
PLSTICO. (2000).
O plstico no Brasil. Brazil plastics on the Internet.
http://www.plastico.com.br. (20 dez.).
PLSTICO. (2001). Reviso ISO 14004 - sistemas de gesto ambiental. Brazil
plastics on the Internet. http://www.plastico.com.br. (22 mar.).
PLSTICOS INDUSTRIAIS. (2001).
Processos de fabricao: poliuretano.
http://www.plasticosindustriais.com.br. (02 Jul.).
REASIDE, R. (1995).
Teaching experimental design techniques to engineers.
International Journal of Quality & Reliability Management, v.12, n.1, p.47-52.
REDDY, P.B.S.; NISHINA, K.; BABU, S.A. (1998). Taguchis methodology for
multi-response optimization; a case study in the Indian plastics industry.
International Journal of Quality & Reliability Management, v.15, n.6, p.646-668.
REY, L. (1993). Planejar e redigir trabalhos cientficos. 2.ed. So Paulo, Edgard
Blcher. Cap.3-6, p.31-80.
RIBEIRO, J.L.D; FOGLIATTO, F.S.; CATEN, C.S.T (2000).
Step for
multiresponse optimization in product development. Building competencies for
international manufacturing: perspectives for developing countries. FEENG,
Porto Alegre. p.1-8.
SLACK, N. et al. (1997). Administrao da produo. Trad.por Ailton B.
Brando, Carmem Dolores, Henrique Corra, Snia Corra e Irineu Gianesi.
So Paulo, Atlas. Cap.5, p.112-143.
SMITH, G.M. (1998).
Statistical process control and quality improvement.
Columbus, Prentice Hall. Cap.4, p.79-112.
STEINBERG, M.D.; HUNTER, W.G. (1984). Experimental design: review and
comment. Technometrics, v.26, n.2, p.71-130, May.

Referncias Bibliogrficas

121

TAGUCHI, G. (1993). Taguchi on robust technology development: bringing quality


uspstream by Genichi Taguchi. New York, ASME.
TAGUCHI, G.; ELSAYED, A.E.; HSIANG, T.C. (1990). Engenharia da qualidade
em sistemas de produo. So Paulo, McGraw-Hill.
TAY, K.M.; BUTLER, C. (1999).
Methodologies for experimental design: A
survey, comparison, and future predictions. Quality Engineering, v.11, n.3,
p.343-356.
TON, L.; SU, T.; WANG, C.H. (1997).
The optimization of multi-response
problems in the Taguchi method. International Journal of Quality & Reliability
Management, v.14, n.4, p.367-380.
TRIVIOS, A.N.S. (1992). Introduo pesquisa em cincias sociais. So Paulo,
Atlas. p.109-115.
VIERIA, S.R.B. (1996). Um sistema de gerenciamento da qualidade para fbricas
montadoras com nfase no mtodo Taguchi. Florianpolis. 121p. Dissertao
(Mestrado)
Universidade
Federal
de
Santa
Catarina.
http://www.eps.ufsc.br/disserta96/vieria/index (26 Agos. 2000)
WASILOFF, E.; HARGITT, C. (1999). Using DOE to determine AA battery life.
Quality Progress, v.32, n.3, p.67-71, Mar.
WERKEMA, M.C.C.; AGUIAR, S. (1996).
Planejamento e anlise de
experimentos: como identificar as principais variveis influentes em um
processo. Belo Horizonte, Fundao Christiano Ottoni. v.8.
WU, C.F.J.; CHEN, Y. (1992).
A graph-aided method for planning two-level
experiments when certain interactions are important. Technometrics, v.34, n.2,
p.162-175, May.
YONCHEV, H. (1988).
New computer procedures for constructing D-optimal
designs.
DODGE, Y.; FEDOROV, V.V.; WYNN.
Optimal design and
Analysis of experiments. New York. Elsevier Science Publishers B. V. p.71-95.
YUKIMURA, C.D.L. (1991). Eficincia e qualidade no projeto de produto com
nfase no mtodo Taguchi. Florianpolis. 201p. Dissertao (Mestrado) Universidade Federal de Santa Catarina.