Análise de capacidade de dados não normais de um sistema de tratamento de efluente industrial. Rodrigo Ebert Harsteln <rodrigo.ebert@yahoo.com.br> Juarez Ramos do Amaral Filho <juarezamaral@yahoo.com.br> Liane Werner <liane@producao.ufrgs.br> Resumo: Este trabalho apresenta a avaliação da capacidade do processo de um sistema de tratamento de efluentes de uma empresa do setor metal mecânico onde foram coletadas 145 amostras do efluente final entre os dias 08/01/2008 e 04/06/2008. Os resultados da Demanda Química de Oxigênio foram utilizados como base para análise da capacidade e nos demonstraram uma distribuição não normal, conforme teste de Anderson-Darling. O processo apresentou todas as amostras dentro dos parâmetros exigidos pela legislação, mas como o objetivo é a melhoria contínua, foi estabelecido que o limite superior de especificação para a DQO, seria de 60 mg/l de efluente tratado. Um software estatístico foi utilizado para verificar a não normalidade dos dados, realizar as transformações necessárias, aplicar as técnicas pertinentes, e calcular os índices de capacidade cabíveis. Ficou evidenciado a importância de se estabelecer a correta distribuição dos dados e quais são os melhores métodos para a avaliação da capacidade de um processo. Palavras-chave: capacidade; dados não normais; tratamento de efluente industrial. Capacity analysis of a non-normal data for industrial wastewater treatment system. Abstract: This paper presents the assessing of a capability process of a sewage treatment system from a company of metal-mechanic sector where 145 samples of the final effluent of the day were collected between 08/01/2008 and 04/06/2008. The results of the chemical oxygen demand (COD) was used as a basis for analysis of capability and demonstrated a non-normal distribution, as Anderson-Darling test. The process showed all samples within the parameters required by law, but since the goal is continuous improvement, it was established that the upper limit of specifications for COD, would be 60 mg / L of treated effluent. A statistical software was used to verify the non-normality of the data, perform the necessary changes, implement the relevant technical, and calculate the rates of appropriate capacity. It was highlighted the importance of establishing the correct distribution of data and what are the best methods for assessing the performance of a process. Keywords: capability; not-normal data; treatment of industrial effluent. 1. Introdução Com a crescente industrialização dos países em desenvolvimento, diversos setores da economia vêm aumentando suas expectativas de crescimento para os próximos anos, o que acarreta em uma expansão das indústrias e, conseqüentemente, acaba gerando um aumento no número de resíduos e efluentes oriundos dos processos de produção. Um dos setores mais 13
beneficiados com o desenvolvimento da indústria é o metal mecânico. Conforme a Anfavea - Associação Nacional dos Fabricantes de Veículos Automotores, nos quatro primeiros meses de 2008, as linhas de fabricação de máquinas e implementos agrícolas, produziram 26,1 mil unidades, 49,8% a mais do que foi fabricado no mesmo período do ano passado. Em abril foram produzidas sete mil máquinas, número 35% maior que o mesmo período de 2007. Enquanto as vendas no primeiro quadrimestre de 2008 tiveram uma alta de 54,4%, comparado com igual período do ano passado, com o total de 15.645 mil unidades. Este incremento na produção, devido ao aumento do consumo, faz com que as indústrias produzam mais, utilizando mais matérias primas e gerando maior numero de emissões. Através disto, a participação das indústrias como agentes não poluidores, torna-se ainda mais relevante para que o desenvolvimento sustentável seja obtido. Segundo Cúria (2003), somente a partir das décadas de 70/80, com ação conjunta da sociedade e do poder público pôde ser deslumbrada uma mudança de atitude em relação aos recursos hídricos, onde as indústrias foram apontadas como as principais agentes responsáveis pela poluição das águas superficiais e subterrâneas. Essas por sua vez foram bastante reativas, passando a adotar medidas de controle dos efluentes gerados em seus processos produtivos, tornando-se comum à construção de estações de tratamento de efluentes e o uso dos mais variados mecanismos de controle. Na década de 90 as tendências apontavam para uma postura pró-ativa das empresas, onde a percepção dos empreendedores estava sendo direcionada para a busca de ferramentas capazes de eliminar ou reduzir os efluentes gerados. O uso destas ferramentas passou de uma tendência para uma estratégia concreta, completamente adaptada e fortalecida pelos excelentes resultados obtidos nos diferentes setores produtivos onde foram aplicadas e onde a utilização de técnicas de produção mais limpa e a implantação de sistema de gestão ambiental são os expoentes desta nova forma de ação. Hoje em dia, com o aumento da integração entre os sistemas de gestão (qualidade, meio ambiente e segurança), conceitos e ferramentas de melhoria da qualidade e controle de qualidade já são aplicadas para processos de controle da poluição ambiental nas indústrias. Exemplos destas utilizações e integrações podem ser observados nas normas ISO, séries 9000 e 14000, nas quais estão incluídos conceitos como análise do ciclo de vida do produto e melhoria contínua, e na norma 19011 que dispõe sobre as diretrizes para as auditorias de sistemas de gestão de qualidade e ou ambiental. Os estudos de capacidade de processo, são ferramentas de controle estatístico da qualidade, que tem por objetivo básico avaliar se um determinado processo consegue gerar produtos que atendam as especificações de engenharia, que consistem em, obter uma amostra de produtos fabricados em condições normais de operação (RAMOS, 2000). Embora o uso industrial dessa ferramenta de controle já esteja em intensa aplicação para melhoria da qualidade na produção, a sua utilização ainda é pouco usual nos processos relacionados ao controle da poluição. Podendo ser aplicado para monitoramento dos parâmetros do efluente tratado das indústrias, com o intuito de reduzir cada vez mais as chances deste sair em desacordo com o exigido pelo órgão estadual de controle ambiental. Neste contexto, este artigo apresenta 145 amostras da Demanda Química de Oxigênio (DQO), de um efluente tratado de uma empresa do setor metal mecânico, coletadas diariamente. A DQO indica a concentração de matéria orgânica e inorgânica presente em um efluente e mede a quantidade de oxigênio quimicamente utilizada para a oxidação da matéria orgânica e inorgânica de uma amostra, foi escolhida entre os diversos parâmetros de qualidade da água, pois é um parâmetro que nos fornece informações quantitativas sobre a 14
qualidade do efluente tratado em um curto espaço de tempo, devido à sua rápida determinação em laboratório, aproximadamente 2,5 horas. De acordo com a resolução do CONSEMA (Conselho Estadual do Meio Ambiente) n 128/06, com vazões entre 100 e 500 m3/dia, onde está enquadrada a empresa em estudo, a DQO tem seu valor máximo permitido em 330 mg de O2 dissolvido por litro de efluente. Portanto, é de fundamental importância o controle da DQO e de outros parâmetros para que se possa maximizar a eficiência do processo atuando em suas causa especiais e aumento assim a qualidade do tratamento. 2. Referencial teórico 2.1 Tratamento de efluentes O controle e a prevenção da poluição adquirem importância crescente à medida que os cuidados com a questão ambiental se tornam gradativamente mais presentes na sociedade. O ideal seria que a poluição pudesse ser evitada na fonte. Entretanto, muitas vezes a fonte não pode ser alcançada e ações para o tratamento, a reciclagem e o reaproveitamento devem ser considerados. Ainda, dificilmente é possível obter grau zero de poluição em atividades industriais e por esta razão existem níveis de descarte de elementos poluentes estabelecidos para proteger o meio ambiente. Reutilizar a água proveniente do processo produtivo torna-se importante à realidade das indústrias em função da legislação ambiental ser cada vez mais restritiva. É importante observar que a busca de soluções para preservar os recursos hídricos implica também necessidade de redução da descarga dos efluentes líquidos (FÉRIS, 2008). Segundo Braile e Cavalcanti (1993), a proteção do meio ambiente contra agentes poluidores de origem industrial é um problema complexo para os países em desenvolvimento. O problema mais importante parece estar centralizado nos seguintes aspectos: providenciar um controle ambiental seguro, sem prejuízo dos investimentos econômicos; obtenção de informação técnica referente aos melhores meios de que se dispõe para controlar a poluição; obtenção e emprego de técnicas de combate à poluição ambiental e de pessoal especializado na aplicação das mesmas; selecionar e adaptar as soluções de controle importadas ao conjunto de técnicas desenvolvidas no país. Os principais agentes poluidores das águas, conforme Tchobanoglous et al. (2002) são: sólidos em suspensão; matéria orgânica biodegradável; nutrientes; microrganismos patogênicos; matéria orgânica não biodegradável; metais pesados e sólidos orgânicos dissolvidos. Sendo seus principais parâmetros de qualidade divididos em parâmetros físicos, químicos inorgânicos, químicos orgânicos e propriedades biológicas. Dentro dos parâmetros químicos de qualidade da água, está englobada a Demanda Química de Oxigênio, que nos fornece, de maneira indireta, a quantidade de matéria orgânica e inorgânica contida no efluente, provendo assim uma informação quantitativa dos sólidos contidos neste. A DQO, mede o consumo de oxigênio (O2) ocorrido durante a oxidação química da matéria. A reação geralmente é feita com uso de dicromato de potássio em meio ácido, com um tempo estimado de 2,5 horas. 2.2 Capacidade de processos Segundo Kotz & Johnson (2002), os índices de capacidade de processo tem como objetivo determinar um número de avaliações necessárias para satisfazer o limite de especificação da qualidade ou característica de interesse, ou seja, com eles podem-se estimar quantos itens ou peças fora das especificações encontraremos pelo número de peças que seriam produzidas. Por exemplo, em um processo com dados normais e centrado um intervalo de 6σ nos garante que 99,73% das peças produzidas estarão conforme a especificação, o que 15
equivale a 27 peças defeituosas a cada 10.000 peças produzidas. Ressalta-se também que a análise de capacidade somente será realizada depois de estabelecido o controle estatístico, pois assim o processo manterá os níveis de qualidade. Miranda (2005) classifica os índices de capacidade em três gerações bem distintas. A primeira seria a criada por Juran em seu trabalho de 1974, que estabelece os índices C p, C pk k, que se baseiam na razão entre a variabilidade do processo e os limites de especificação. Estes ainda são os índices mais práticos e difundidos na indústria. A segunda geração foi criada por Taguchi com sua função de perda, de seu trabalho de 1985. O índice C pm, penaliza através de um modelo quadrático, medidas que estão fora do alvo especificado. A terceira geração consiste nos índices criados pós C pm e são específicos para cada aplicação. Muitos deles são voltados à análise de dados correlacionados ou não-normais, porém por sua complexidade matemática são de pouco uso prático. Para tratar dados com distribuição não-normal, o mais usual e que também será o foco deste artigo é a transformação dos dados para o uso de índices da primeira geração. Os modelos usados para análise de capacidade podem ser divididos em dois grandes grupos, segundo a distribuição estatística dos dados obtidos. Serão discutidos modelos usados para dados normais e não normais, com ênfase no segundo tópico. Os índices de capacidade mais usados para a avaliação de processos normais, segundo Kotz & Johnson (1993), são os baseados nos limites superiores e inferiores de especificação. Os índices C p e C pk são definidos como: LSE LIE Cp = (1) 6σ LSE X X LIE Cpk = min ; (2) 3σ 3σ Onde LSE e LIE são os limites superior e inferior de especificação, respectivamente, X é a média calculada dos dados e σ é o desvio padrão calculado. Como se pode observar pela equação (1) e (2) a amplitude dos limites de especificação devem ser menores que a variância do processo (denominador das equações) então o processo será considerado capaz se os valores de C p e C pk forem maiores ou iguais a 1. Montgomery (2005) recomenda os valores mínimos para C p e C pk 1,33 para processos antigos bilaterais; 1,25 para processos antigos unilaterais; 1,50 para processos novos bilaterais, 1,45 para processos novos unilaterais. Segundo Kotz & Johnson (2002), pode-se ainda estabelecer os chamados índices de performance de processo (P p e P pk ) que são calculado da mesma forma que os índices C p e C pk, porém usam como estimador do desvio padrão medições individuais. 2.3 Capacidade de processos para dados não-normais Segundo Oliveira (2005) quando a distribuição não é normal incorrermos em erros como os que mostrados na Figura 1. A área sob a curva que determina a probabilidade de se obter peças fora da especificação é diferente da assumida usando uma distribuição normal. 16
FIGURA 1: Diferença quando assumido como normal um processo não normal - Adaptado de Oliveira (2005). O fato é agravado quando temos distribuições muito diferentes da normal como evidenciado por Miranda (2005), na Tabela 1 TABELA 1: Itens não conformes para cada distribuição usando um padrão ±3σ. Distribuição Não Conformes (ppm) Χ 2 4,5 14000 t 8 4000 Uniforme 0 Normal 2700 Fonte: Adaptado de Miranda (2005). Uma vez estabelecida a não-normalidade dos dados (por várias formas como histogramas e outras técnicas gráficas e testes de hipótese como de Andrson-Darlin) e a não possibilidade de executar os itens a e b, podemos proceder para tratar os dados não-normais a fim de se avaliar sua capacidade. Entre as opções mais comuns são, segundo Oliveira (2005) são: a transformação dos dados, o ajuste de distribuições (Best fiting) e o tratamento não paramétrico. O primeiro é o mais usado e principalmente pela sua aplicação mais fácil. A segunda consiste em usar uma curva empírica na série de dados obtida e assim estimar uma distribuição e calcular os índices de capacidade. A terceira por fim é trabalhar em um modelo sem distribuição definida. Ramos (2000) lembra que o modelo de transformação de dados requer um conhecimento da variação do processo e é o mais rico por ter um modelo de base. Já o ajuste de distribuição é usado quando não se tem conhecimento da distribuição do processo estudado ou ela é inviável. Por fim o método não paramétrico só é aplicado quando os dois anteriores não são viáveis. 3 Estudo de Caso O estudo de caso consiste em analisar a capacidade do sistema de tratamento de efluente de uma empresa do setor metal-mecânico no que diz respeito ao parâmetro DQO, estabelecendo a melhor técnica para isso. Primeiramente coletou-se os dados, obteve-se os gráficos controle estatístico do processo, calculou-se a capacidade do processo assumindo que os dados são normais para futura comparação, verificou-se a não normalidade dos dados coletados através de teste de hipóteses (Anderson-Darling), e após determinar o melhor método para calcular a capacidade do processo dentre os relacionados no referencial teórico. 17
Para isso foi usado um software estatístico que além de verificar a não normalidade dos dados é capaz de realizar as transformações e técnicas aplicáveis e calcular os índices de capacidade. (a) FIGURA 2: Gráficos para valores individuais, (a) antes de remoção da causas especiais e (b) sob controle (b) (a) FIGURA 3: Gráficos para amplitudes móveis, (a) antes de remoção da causas especiais e (b) sob controle A Figura 2 e 3 mostram os gráficos para valores individuais com amplitude móvel dos dados coletados. Foram encontrados os motivos que geraram as causas especiais e as mesmas foram removidas e os limites de controle recalculados. O limite superior do processo exigido em legislação é de 330 mg/l de efluente tratado, porém como a idéia é uma melhoria do processo, foi estabelecida internamente pela empresa uma meta menor, de 60 mg/l para a DQO e este foi o valor utilizado como limite superior de especificação neste estudo e será usado para a comparação entre as capacidades obtidas com as técnicas usadas para tratar os dados não normais. Como se pode ver na Figura 4 foi calculada a capacidade do processo do sistema de tratamento de efluentes no que diz respeito ao parâmetro DQO, assumindo que a distribuição dos dados coletados é normal. O resultado foi um processo pouco capaz com índice C pk de 1,04 P pk de 0,82 evidenciando a não capacidade deste processo para o limite estabelecido. (b) 18
FIGURA 4: Análise capacidade do processo assumindo que os dados são normais A Figura 5 mostra o resultado do teste de Andreson-Darling obtido, como se pode reparar a hipótese de normalidade é rejeitada pelo valor de p menor que 0,5%. Sendo assim, os dados devem ser trabalhados como não normais a fim de se não incorrer em erros de super (ou sub) estimar os índices de capacidade. 3.1 A transformação Box-cox FIGURA 5 : Análise de normalidade pelo método Andreson-Darling Trata-se de um método muito simples. Basta fazer uma transformação na variável de controle. A transformação, segundo Oliveira et al. (2005), é a seguinte: λ Y = Y (3) Deve-se testar diversos valores de λ a fim de se determinar a melhor distribuição, ou seja,a que após a transformação mais se aproxima da normalidade e, por conseqüência, apresenta um menor desvio padrão. A Tabela 2 apresenta os valores da transformação para Y em função de λ e Figura 6 os valores de desvio padrão para cada λ. Como se pode observar o valor λ indicado é 0,5. 19
TABELA 2: Transformação para alguns valores de λ -2-1 -0,5 0 0,5 1 2 FONTE: Oliveira (2005) Sem transformação FIGURA 6: Gráfico de λ pelo desvio padrão para determinar o valor da transformação Box-Cox Após determinado o valor para a aplicação do método Box-Cox procedeu-se a transformação dos dados e a posterior análise de sua normalidade. A Figura 7 mostra a análise dos dados transformados, pelo teste de Anderson-Darling. Pode-se verificar que mesmo com a transformação o valor de p para a normalidade é baixo, ou seja, a transformação pouco melhorou a normalidade dos dados a fim de avaliar a capacidade do processo por este método. FIGURA 7: Análise de normalidade pelo método Andreson-Darling dos dados transformados Procedendo a análise de capacidade mesmo para um valor baixo de p de normalidade temos os resultados constantes na Figura 8. 20
FIGURA 8: Análise capacidade do processo depois de transformados os dados pelo método Box-cox Como se vê a capacidade cai com relação ao tratamento direto dos dados assumindo sua normalidade, o valore de C pk foi 0,85 P pk de 0,68 evidenciando a não capacidade deste processo para o limite estabelecido. 3.2 A transformação de Johnson A transformação de Johnson ajusta uma distribuição empírica aos dados e gera os índices C m e C mk proporcional ao percentual de peças fora dos limites de especificação. As curvas são ajustadas pela seguinte equação (4) JOHNSON (1949): Z = γ + δf (y) (4) Onde o valor f(y) é cada uma das famílias definidas limitada (Sb), logonormal (Sl) ou ilimitada (Su). O valor para f(y) esta na Tabela 3. TABELA 3: famílias da transformação de Johnson Família f(y) função Sb Limitada (bounded) Sl Logonormal Su Ilimitada (unbounded) x ξ log λ + ξ x x log FONTE: Adaptado de Johnson (1949) ξ λ x ξ senh 1 λ Os valores ξ e λ são parâmetros de ajuste das curvas. Os cálculos de ajuste dos dados são feitos pelo software estatístico que também já executa o teste de normalidade de Anderson-Darling para os dados transformados, além de explicitar a equação obtida. Como se pode observar na Figura 9 os dados foram transformados pela família lognormal e foi obtida uma distribuição normal com os dados transformados, o que possibilitaria também o uso dos índices de capacidade comuns nos dados transformados, desde que transformados também os limites. 21
FIGURA 9: Transformação dos dados por Johnson e análise de normalidade pelo método Anderson-Darling dos dados transformados Foi então calculada a capacidade para o processo com a transformação de Johnson feita. O limite de 60 passa para 1,71 aplicando-se a equação da transformação. Nota-se na Figura 10 que a curva em pouco se difere da obtida sem a transformação. O resultado foi um processo não capaz com índice C pk de 0,88 P pk de 0,70 evidenciando a não capacidade deste processo. FIGURA 10: Análise capacidade do processo com os dados transformados pela transformação de Johnson 3.3 Ajuste de Distribuições (Best fiting) Como o ajuste de Johnson e o Box-Cox se mostraram pobres com respeito ao teste de normalidade, foi utilizada a técnica de ajuste de distribuição nos dados. Para tanto foram consideradas as seguintes distribuições: Normal (para referência), Exponencial, Logonormal (função usada por Johnson) e Weibull. 22
FIGURA 11: Ajuste dos dados a diversas distribuições Como se pode observar na Figura 11, o valor AD (estatística de Anderson-Darling) e o seu valor P indicam que a distribuição que representa o modela mais adequado para os dados obtidos é a Weibull, seguida da Logonormal, porém o p-valor P é significativo e esta distribuições serão usadas apenas a título de comparação com os demais métodos apresentados. Sendo assim, a capacidade foi calculada assumindo estas duas distribuições e os resultados podem ser observados nas Figuras 12 e 13. Para ambas o resultado foi um processo não capaz com índice P pk de 0,69 para Weibull e P pk de 0,28 para logonormal, evidenciando a não capacidade deste processo. Nota-se, no entanto que qualquer das duas distribuições modela melhor os dados que a distribuição normal, utilizando ou não as transformações Box- Cox e Johnson. FIGURA 12: Análise de capacidade do processo com os dados pela distribuição de Weibull 23
FIGURA 12: Análise capacidade do processo com os dados pela distribuição Logonormal 4. Considerações Finais Comparando o resultado de todas as técnicas utilizadas para tratar os dados de DQO a fim de obter sua capacidade podem ser vistos de forma resumida na Tabela 4. TABELA 4: Valores de Cpk e Ppk obtidos Distribuição C pk P pk PPM acima do LSE por P pk Normal 1,04 0,82 7089 Normal (Box Cox) 0,85 0,68 20904 Normal (Johnson) 0,88 070 17327 Weibull 0,69 16022 Logonormal 0,28 64543 Nota-se uma grande diferença nos valores de dos índices P pk obtidos com a distribuição normal e com as técnicas aplicadas, sejam elas de transformação de dados ou ajuste de distribuição, o que se reflete no número de peças fora do limite. Caso se assumisse a distribuição dos valores de DQO como normais, o processo, para o limite mais estreito estabelecido pela empresa, estaria mais perto de ser capaz e gerando apenas 7089 PPM fora das especificações o que na verdade não ocorre uma vez que por qualquer das técnicas descritas (transformação de dados ou ajuste de curva) tem-se um resultado maior no número de amostras acima do LSE e sendo assim uma menor capacidade do processo. Esta comparação de resultados evidencia a necessidade de se saber se os dados de um sistema de controle de qualidade são normais e se não forem à utilização do método mais correto para avaliação da capacidade do processo estudado se mostra imprescindível para que se avalie de forma correta a capacidade do processo e se consiga garantir a qualidade desejada. Referências BRAILE, P. M.; CAVALCANTI, J.E.W.A. Manual de Tratamento de Águas Residuárias Industriais. São Paulo: CESTESB, 1993. CURIA, A. C. Caracterização da Estação de Tratamento de Efluentes da Empresa Agco do Brasil Comércio e Indústria Ltda. Dissertação (Mestrado Profissionalizante em Engenharia Ambiental e Tecnologias Limpas) Escola de Engenharia, Universidade Federal do Rio Grande do Sul UFRGS, Porto Alegre, 2003. 24
FÉRIS, L. A. Tratamento eficiente de efluentes e reuso da água na indústria: uma meta a ser atingida. Revista do CREA/RS, p.44, 2008. JOHNSON, N.L. Systems of Frequency Curves Generated by Methods of Translation. Biometrika, v.36, p. 149-176, 1949. KOTZ, S.; JOHNSON, N. L. Process capability indices - a review, 1992-2000/Discussion /Response. Journal of Quality Technology, v. 34, n. 1, p. 2-52, 2002. MIRANDA, R. G. Um Modelo para Análise de Capacidade de Processos com Ênfase na Transformação de Dados. Dissertação (Mestrado em Engenharia de Produção) Departamento de Engenharia de Produção, Universidade Federal de Santa Catarina UFSC, Florianóplois, 2005. MONTGOMERY, D. Introduction to Statistical Quality Control 5th ed. New York: John Wiley & Sons, 2005. MORAES, C. F.; PAIVA, A. P.; FERREIRA, J. R. Um estudo sobre índice de capabilidade sigma para dados não normais. XXVI ENEGEP, Fortaleza, CE, Brasil, 9 a 11 de Outubro de 2006. OLIVEIRA, E. S. Análise de dados não-normais no contexto da metodologia six sigma. Trabalho de diplomação (Graduação em Engenharia de Produção e Gestão) Instituto de Engenharia de Produção e Gestão, Universidade Federal de Itajubá UNIFEI, Itajubá, 2005. RAMOS, A. W. Cep para Processos Contínuos e em Bateladas. São Paulo: Editora Edgar Blücher, 2000 TCHOBANOGLOUS, G.; BURTON, F.; STENSEL, H.D. Wastewater engineering Treatament and Reuse. New York: McGraw Hill, 2002. 25