SIMULAÇÃO DE ESTRATÉGIAS DE MANUTENÇÃO CORRETIVA E O IMPACTO EM UM SISTEMA PRODUTIVO.

Transcrição

1 SIMULAÇÃO DE ESTRATÉGIAS DE MANUTENÇÃO CORRETIVA E O IMPACTO EM UM SISTEMA PRODUTIVO. CAMILA RODRIGUES VIEIRA MACHADO (pitagoras) camilarvm@hotmail.com SAMARA LOPES BARBOSA (pitagoras) samaralb@hotmail.com WEDERLEY MENDES MIRANDA (pitagoras) wederley@yahoo.com.br A manutenção existe para evitar a degradação, corrigir falhas e, mais recentemente, também para melhorar o desempenho dos equipamentos e instalações. O dimensionamento dos recursos da manutenção, em especial para atendimento às ocorrências de manutenção corretiva, é de fundamental importância para se evitar perdas de produção consideráveis ou super-dimensionamento de equipes. Diante deste cenário, foi desenvolvido neste trabalho um modelo com o objetivo de simular as falhas dos equipamentos em um processo produtivo e as diferentes estratégias de atendimento da manutenção corretiva, para se estudar o seu impacto na produtividade. Foi utilizado o software Arena como ferramenta para criação do modelo e após a simulação de vários cenários, foi mostrado como aumentar a produtividade através da otimização do atendimento corretivo. Foi feita uma análise estatística dos tempos médios entre falhas e do tempo médio de reparo de cada falha, baseando-se em dados reais. A variabilidade destes tempos foi considerada, permitindo assim simular o processo como um processo estocástico. Palavras-chaves: manutenção, manutenção corretiva, simulação, processo estocástico, Arena.

2 2. Introdução As atividades de manutenção existem para evitar a degradação dos equipamentos e instalações, causada pelo seu desgaste natural e pelo uso. Esta degradação se manifesta de diversas formas, desde a aparência externa ruim dos equipamentos até perdas de desempenho e paradas da produção, fabricação de produtos de má qualidade e poluição ambiental (XENOS, 2004). Ainda, segundo Xenos (2004), a manutenção corretiva é a atuação para a correção da falha ou do desempenho menor que o esperado, ou seja, é realizada sempre depois que a falha ocorreu. Kardec & Nascif (2001) apresentam os demais métodos, manutenção preventiva e preditiva, como evolução da manutenção corretiva, e afirmam que executar as preventivas e preditivas não garante que não haverá mais corretiva. Pois, a manutenção preventiva é insuficiente para a conquista da quebra zero/ falha zero. Muitos julgam que a condução de um programa de manutenção preventiva é suficiente para resguardar o bom funcionamento das máquinas. Entretanto, isto não se confirma (NAKAJIMA, 1989). Resumindo, Xenos (2004) afirma que a tendência mundial é escolher, para cada caso, o método mais adequado, eficiente e econômico, abandonando de vez a discussão de qual manutenção é melhor. Este é o conceito de manutenção produtiva. Segundo Mendes (2006), as empresas estão, cada vez mais, preocupadas em gerenciar adequadamente a manutenção em suas instalações com o intuito de melhorar a rentabilidade, reduzir o uso de recursos e aumentar a produtividade. Recente pesquisa divulgada pela ABRAMAN (Associação Brasileira de Manutenção) apresenta alguns números que refletem essa preocupação nas empresas brasileiras. Os custos relativos com manutenção sobre o faturamento bruto das empresas no Brasil têm se mantido constante com aproximadamente 4%. Enfatizando a necessidade do investimento em manutenção corretiva, dados do Documento Nacional (ABRAMAN, 2007) demonstram que as empresas empregam cerca de 26% do tempo de trabalho dos seus funcionários de manutenção em ações corretivas. Segundo Bazzo (2002), a evolução da informática nos últimos anos tornou o computador um importante aliado do homem na resolução de problemas gerenciais, utilizando, por exemplo, a simulação de situações reais. Em função disto, a tecnologia está associada diretamente aos sistemas produtivos industriais, como também a todos aqueles setores que necessitam de constante otimização de seus processos de planejamento, gestão, controle e produção (JUNG 2004). Na engenharia, a simulação é uma técnica utilizada para estudar o comportamento e reações de um determinado sistema por meio de modelos, que imitam na totalidade ou em parte as propriedades e comportamentos deste sistema em uma escala menor, permitindo assim sua manipulação e estudo detalhado (BAZZO, 2002). Conforme Mello (2007), de modo geral, o uso da simulação é recomendado principalmente em dois casos. Primeiro, quando a solução de problemas é muito cara ou mesmo impossível através de experimentos. E em segundo, quando os problemas são muito complexos para tratamento analítico. Para o presente trabalho é importante considerar também que a coleta e análise de dados de paradas de equipamentos é essencial para se implementar modelos de simulação confiáveis (WILLIAMS, 1994). Dessa forma, a simulação pode contribuir significativamente para tomadas de decisão nas empresas, inclusive na manutenção industrial. Portanto, o objetivo deste trabalho é apresentar um modelo que simule as falhas dos equipamentos em um processo produtivo e as diferentes estratégias de atendimento da manutenção corretiva. Esta simulação servirá como instrumento 2

3 importante para se otimizar as estratégias de atendimento corretivo. 3. Modelagem O modelo para simulação foi desenvolvido no software Arena (Marca registrada da Rockwell Software Corporation) versão 11.0 student, que é um ambiente gráfico integrado de simulação e contém vários recursos para modelagem, animação, análise estatística, análise de resultados. O Arena usa a abordagem por processos para execução da simulação. Essa técnica de simulação pode ser considerada como uma situação onde elementos estáticos, formando um ambiente bem definido com suas regras e propriedades, interagem com elementos dinâmicos, que fluem dentro desse ambiente (PARAGON, 2008). O programa Arena surgiu em 1993, da junção de dois outros programas denominados SIMAN e CINEMA (NETO & PINTO, 2004). Segundo Prado (1999), o SIMAN é uma linguagem de simulação e, em 1983, deu nome ao primeiro programa de simulação para computadores pessoais (PC). O CINEMA foi o primeiro programa para animação de simulação em PC e surgiu em Para a observação das falhas e do atendimento da manutenção corretiva, que é objetivo deste estudo, foi utilizado o Arena para criar um processo produtivo, composto por três unidades que estão sujeitas a falhas, definidas por uma distribuição de probabilidades baseada em dados reais. O reparo das falhas é realizado por equipes de manutenção corretiva específicas, que se deslocam de uma oficina central e realizam o reparo durante um tempo também definido por valores probabilísticos. A variabilidade dos tempos entre as falhas e do tempo de reparo permite analisar o processo como um processo estocástico. Os dados de falhas pertencem a uma empresa do segmento metalúrgico, datam do período de 02 de julho de 2006 a 16 de julho de 2007 e são baseados em um estudo de RCM (Reliability Centered Maintenance) das falhas mecânicas e elétricas de uma ponte rolante (SANTOS, et al, 2007). Em seguida, estes dados foram tratados estatisticamente, com um intervalo de confiança de 90%. A amostra foi ajustada à distribuição de probabilidade que apresentou o menor erro quadrático quando comparada aos padrões de distribuição conhecidos, como a distribuição normal e a distribuição triangular. Deste modo, foram obtidos os modelos estatísticos do tempo médio de reparo MTTR (Mean Time To Repair) e do tempo médio entre falhas MTBF (Mean Time Between Failures) para falhas mecânicas e elétricas, que foram utilizados na simulação. A partir do modelo desenvolvido, foram simulados alguns cenários para verificar a influência das estratégias de manutenção no desempenho do processo produtivo. 4. Desenvolvimento do Modelo As etapas do modelo desenvolvido estão ilustradas na Figura 1 e podem ser descritas como: a) As máquinas do processo produtivo apresentam falhas de acordo com o tempo definido no MTBF. b) Cada falha gera uma OS (ordem de serviço) que contém as informações relacionadas com a falha. c) A OS é direcionada para a equipe específica (Manutenção Elétrica; Manutenção Mecânica). d) A máquina é bloqueada para não funcionar até que seja concluída sua OS e) Se a equipe estiver disponível, ela se desloca até a máquina, demorando um tempo de deslocamento pré-estabelecido. Se não estiver disponível, a OS fica em uma fila, seguindo uma ordem de prioridade. 3

4 f) Ao chegar à máquina, a equipe executa o reparo durante o tempo MTTR daquela falha. g) Ao concluir o serviço, a OS é fechada, a máquina é liberada, e a equipe retorna à oficina. Máquina com falha Máquina bloqueada Equipe executa o serv iço Máquina liberada OS emitida OS na fila de atendimento OS é direcionada para a equipe Equipe retorna Figura 1 - Etapas da lógica utilizada no modelo de simulação O modelo é composto de três partes: processo produtivo, verificador de falhas e processo de atendimento corretivo. O processo produtivo é composto de três unidades produtivas em série, permitindo que parte da produção de uma unidade seja enviada para a unidade seguinte, e outra parte seja colocada diretamente no mercado. O verificador de falhas foi desenvolvido para criar uma ligação entre o processo produtivo e o processo de atendimento corretivo. O processo de atendimento corretivo emite a OS que vai para uma fila, obedecendo à prioridade previamente definida para cada equipamento. Quando a equipe recebe a OS que estava na fila, é considerado o tempo de deslocamento da equipe e o tempo de execução do serviço, MTTR. Com a OS concluída, a máquina é liberada para a produção. 5. Resultados Após o tratamento estatístico dos dados de falha apresentados por Santos et al (2007), foram obtidas as distribuições de probabilidade triangular e normal para o MTTR e MTBF, respectivamente, conforme mostrado a seguir: MTTR = TRIA(0.21, 0.905, 1.62) ; MTBF = NORM(215, 73.1), onde os valores são dados em horas. Para a simulação do processo produtivo foram consideradas três máquinas trabalhando em série, recebendo matéria-prima a cada 15 minutos e com os tempos de processamento de 15 minutos em cada. Não foi considerado tempo de deslocamento do produto entre as unidades. 5.1 Teste de Convergência 4

5 Para definir o tempo de simulação necessário, foram realizados testes com tempos de replicação de 10h a 100h, com intervalos de 10h entre eles. Para cada tempo, foram feitas 10 replicações, e registrados o resultado do número de peças produzidas por hora até que o processo se tornasse estável, ou seja, até que o número de peças produzidas por hora apresentasse pouca variação. Por motivos de simplificação, foi adotado um MTBF reduzido (Tabela1). TABELA 1 - Parâmetros das falhas para o teste de convergência Parâmetro Valor Tempo de deslocamento da equipe mecânica 6 min Tempo de deslocamento da equipe elétrica 6 min MTBF NORM( 10, 1) MTTR TRIA(0.21, 0.905, 1.62) Foi possível analisar as simulações realizadas, comparando-se a quantidade de peças produzidas ao final, tendo em vista que um dos objetivos principais da manutenção é aumentar a disponibilidade da máquina ou sistema para que isso reflita positivamente na produtividade. Figura 2 - Teste de convergência do volume produzido ao longo do tempo de simulação Na Figura 2, observa-se que um tempo de 120 horas de replicação foi suficiente para se obter uma convergência de aproximadamente 99% dos resultados do número de peças produzidas por hora (três peças). Este mesmo teste pôde ser realizado para diversos cenários da simulação: reduzindo o MTTR, reduzindo a variabilidade do MTTR e utilizando prioridade no atendimento da OS. Estes resultados ilustram como as diferentes estratégias de manutenção influenciam nos resultados da produção. A Tabela 2 apresenta as características das falhas que foram utilizadas nas simulações (5.2) e (5.3) a seguir. Unidade / Falha Equipe Urgência UNIDADE 1 / Falha 1 MEC 5 UNIDADE 1 / Falha 2 ELE 5 UNIDADE 1 / Falha 3 ELE 5 UNIDADE 2 / Falha 4 MEC 4 5

6 UNIDADE 2 / Falha 5 MEC 4 UNIDADE 2 / Falha 6 ELE 3 UNIDADE 3 / Falha 7 MEC 2 UNIDADE 3 / Falha 8 ELE 1 Tabela 2 Características das falhas Outro parâmetro importante é a capacidade de atendimento das equipes de manutenção corretiva, que foi fixada em 2. Isto significa que cada equipe (mecânica ou elétrica) é capaz de atender até duas OS simultaneamente. Os demais parâmetros são listados individualmente na descrição de cada resultado. 5.2 Redução da variabilidade do MTTR Nesta simulação foram usadas as mesmas prioridades acima, reduzindo-se a variabilidade do MTTR. Foi apenas reduzido o valor máximo da distribuição triangular, de 1,62h para 1,0h. Os valores mínimo e moda foram mantidos, como mostrado na Tabela 3. Foram adotados valores alterados no MTBF por motivo de praticidade, para se forçar um maior número de falhas. Cenário 1 Cenário 3 MTTR TRIA(0.210, 0.905, 1.620) TRIA(0.210, 0.905, 1.00) MTBF MTBF MTBF MTBF MTBF MTBF MTBF MTBF Tempo de simulação 400h 400h Replicações Deslocamento MEC 0.1 h = 6 min 0.1 h = 6 min Deslocamento ELE 0.1 h = 6 min 0.1 h = 6 min Tabela 3 - Redução da Variabilidade do MTTR Os resultados são apresentados no Figura 3, de onde pode-se afirmar que: 1) A redução na variabilidade do MTTR reduziu, sensivelmente, a variabilidade do úmero de peças produzidas (medido pela variável Saida3 ). 2) Ao se reduzir em 38% o máximo do MTTR, foi possível aumentar a produtividade em cerca de 1,4%, com uma média de 21 peças produzidas a mais para o período de 400h. Em termos práticos, isto significa que se uma indústria produz 16h por dia, 5 dias por semana, ela produzirá 4160h por ano. Portanto, o retorno em produtividade será de aproximadamente 218 peças no ano. Suponhamos que cada peça forneça um lucro líquido de R$1.000,00. Então o lucro anual será de cerca de R$ ,00. Um investimento em treinamento da ordem de R$ ,00 para se reduzir esta variabilidade do tempo de reparo poderá trazer retorno em apenas um ano! 6

7 Figura 3 Redução na variabilidade do MTTR e o impacto na produtividade 5.3 Redução do MTTR Neste exemplo foram usados tempos entre falha (MTBF) fictícios, com o objetivo de forçar um grande número de atendimentos corretivos, para se analisar como a redução do MTTR pode influenciar na produtividade. Foi estipulada uma redução de 50% no tempo médio de reparo (MTTR). Foi reduzido também o parâmetro max da distribuição triangular do MTTR, veja na Tabela 4. Cenário inicial Cenário com redução do MTTR MTTR TRIA(0.210, 0.905, 1.620) TRIA(0.210, 0.453, 0.810) MTBF MTBF MTBF MTBF MTBF MTBF MTBF MTBF Tempo de simulação 400h 400h Replicações Deslocamento MEC 0 0 Deslocamento ELE 0 0 Tabela 4 Simulação com redução do MTTR 7

8 Os resultados desta simulação podem ser vistos na Figura 4 e demonstram que a redução do MTTR em 50% reflete positivamente na produção, que aumento em 2,5% o número de peças produzidas, com uma média de 39 peças produzidas a mais para o período de 400h. Além disso, reduz também a variabilidade na produção, deixando a saída do processo mais estável. Cenário inicial Cenário com redução do MTTR Figura 4 Gráficos com os resultados da redução no MTTR 5.4 Alteração nas prioridades de atendimento Neste exemplo será analisada a influência da prioridade do atendimento corretivo nos resultados da produção. Como o processo produtivo possui três unidades produtivas em série, é evidente que uma falha na Unidade 1 irá interromper imediatamente o suprimento da Unidade 2. O mesmo ocorre entre as Unidades 2 e 3. Desta forma, o modelo original apresenta maior prioridade de atendimento, ou maior urgência, para as Unidades 1 e 2, como mostrado no Cenário 1 da Tabela 5. Para simular um atendimento sem critério de prioridade foi criado o Cenário 2, onde as falhas serão reparadas na ordem em que ocorrem, independentemente da unidade produtiva. Para ambos cenários foram mantidos os MTBF do exemplo anterior, fixado um MTTR= TRIA(0.210, 0.905, 1.620) e um tempo de simulação de 260h. Unidade / falha Equipe Urgência (Cenário 1) Urgência (Cenário 2) UNIDADE 1 / Falha 1 MEC 5 1 UNIDADE 1 / Falha 2 ELE 5 1 UNIDADE 1 / Falha 3 ELE 5 1 UNIDADE 2 / Falha 4 MEC 4 1 UNIDADE 2 / Falha 5 MEC 4 1 8

9 UNIDADE 2 / Falha 6 ELE 3 1 UNIDADE 3 / Falha 7 MEC 2 1 UNIDADE 3 / Falha 8 ELE 1 1 Tabela 5 Parâmetros de urgência das falhas A Figura 5 mostra o número de peças produzidas nos dois cenários. No cenário 1 as equipes atendem preferencialmente as falhas na Unidade 1, enquanto no cenário 2 o atendimento é feito por ordem de chegada da OS. As médias na produção foram 944 peças e 932 peças, respectivamente. Apesar da variabilidade do MTTR gerar oscilações consideráveis nas curvas, é possível perceber que na maioria das replicações houve uma redução da produção no cenário 2, onde não há prioridade para atender a OS. Na média, foram produzidas 12 peças a menos a cada 260h, o que equivale a cerca de 1,3%. Atendimento com prioridade Atendimento sem prioridade Figura 5 Gráficos comparando a produtividade quando há atendimento prioritário na OS A estratégia de se priorizar o atendimento corretivo em função da importância da máquina no processo produtivo mostrou ser válida. Mesmo com uma diferença pequena, pode-se estimar uma projeção desta perda para períodos mais longos. Se considerarmos, por exemplo, uma indústria que produz 16h por dia, 5 dias por semana, ela operará durante 4160h no ano. Se forem mantidas as perdas de 12 peças a cada 260h, a projeção indica que serão perdidas 192 peças por ano. 9

10 6. Conclusão A coleta de dados de paradas de equipamentos é essencial para se implementar modelos de simulação confiáveis. Entretanto deve-se tomar cuidados especiais e ter critérios durante a coleta, onde erros de anotação e outros problemas podem levar a resultados equivocados. A análise estatística dos dados utilizados em um modelo estocástico é importante para uma melhor adequação destes na obtenção de resultados coerentes com a realidade. Em um modelo estocástico, como o desenvolvido, o ajuste da amostra a uma distribuição probabilística conhecida é importante, pois permite simular diferentes cenários com boa aproximação com o sistema físico real. A partir dos resultados das simulações realizadas pode-se concluir que: - Ao realizar o Teste de Convergência foi possível concluir a sua importância para determinar o tempo necessário de simulação. Os processos estocásticos requerem este tipo de análise, pois os resultados aleatórios tendem a convergir, em média, com o aumento do tempo de simulação. - Como era de se esperar, foi possível confirmar que a redução no tempo de reparo ocasiona um aumento da produtividade, como mostrado nos itens (5.2) e (5.3). Este é um bom argumento para se investir em treinamento, qualidade e padronização dos processos de manutenção. - De acordo com o item 5.4 foi possível ilustrar que a estratégia de se priorizar o atendimento para as máquinas mais críticas contribui para o aumento da produtividade. O modelo desenvolvido é aplicável a diversas indústrias que pretendam estudar as estratégias de atendimento de manutenção corretiva. No entanto, é necessário ajustá-lo, uma vez que cada empresa apresenta uma realidade peculiar. Referências BAZZO, W.A. Introdução à Engenharia. 6ª ed., Santa Catarina: Editora da UFSC, JUNG, Carlos Fernando. Metodologia para pesquisas & desenvolvimento - Aplicada a Novas Tecnologias, Produtos e Processos. Editora: AXECEL BOOKS. Rio de Janeiro RJ KARDEC, Alan & NASCIF, Júlio. Manutenção: Função Estratégica. Rio de Janeiro RJ:Qualitymark Ed., MELLO, Bráulio Adriano de. Modelagem e simulação de sistemas. Santo Ângelo, NAKAJIMA, Seiichi. Introdução ao TPM - Total Productive Maintenance. Trad. Mário Nishimura. São Paulo: IMC Internacional Sistemas Educativos, PARAGON. consultado em 04/03/2008 às 11:28h. XENOS, Harilaus Georius D Philippos. Gerenciando a Manutenção Produtiva. Nova Lima, Editora: INDG, MENDES, Alexandre Cottini. Aplicação da simulação de teoria de filas nos estudos de confiabilidade e otimização de equipes de manutenção consultado em 06/03/2008 às 16:52h. ABRAMAN, Documento Nacional consultado em 06/03/2008 às 15:50h. SANTOS, G. E. et al, Ferramentas de Gestão da Manutenção Aplicadas a uma Ponte Rolante, Faculdade Pitágoras, Monografia do Curso de Engenharia de Produção,

11 NETO, A. N. R. & PINTO, L. R.. Template do programa Arena para a simulação das operações de carregamento e transporte em minas a céu aberto. Revista Escola de Minas, vol.57, n.1. Ouro Preto, PRADO, D. S. Usando o Arena em simulação, Série Pesquisa Operacional. Belo Horizonte: Editora de Desenvolvimento Gerencial v. 3. WILLIAMS, E. J. Downtime Data -- Its Collection, Analysis. And Importance, Proceedings of the 26th conference on Winter simulation, Orlando, Florida, United States, pp.: ,