Gráfico EWMAREG aplicado no monitoramento de processos

Gráfico EWMAREG aplicado no monitoramento de processos Danilo Cuzzuol Pedrini (UFRGS) danilo@producao.ufrgs.br Ângelo Márcio Oliveira Sant Anna (UFRGS) angelo@producao.ufrgs.br Carla Schwengber ten Caten (UFRGS) tencaten@producao.ufrgs.br Resumo: Para a implementação dos gráficos de controle é necessário assumir que os dados sejam independentes e identicamente distribuídos. Estas suposições podem não ser atendidas quando as características de qualidade do processo forem dependentes das variáveis de controle e estas variarem durante a execução do processo, já que, neste caso o modelo de referência do processo pode não ser o mesmo para todas as amostras provenientes do processo. Se os valores das variáveis de controle do processo são conhecidos com boa precisão, é possível utilizar o gráfico de controle EWMAREG. Este artigo tem como objetivo propor uma sistemática para a aplicação do gráfico de controle EWMAREG em processos industriais. A sistemática proposta foi aplicada em um processo de uma indústria de borracha. Nesta aplicação explicitaram-se os passos intermediários das fases de implementação de gráficos de controle, ressaltando a facilidade que esta sistematização pode gerar. Palavras-chave: EWMAREG; Resíduos padronizados; Modelos de Regressão. 1. Introdução Os gráficos de controle são as principais ferramentas do controle estatístico de processos (CEP), devido principalmente à sua simplicidade operacional e efetividade na detecção de problemas no processo, sendo utilizados com sucesso no monitoramento do desempenho dos mais diversos processos industriais. De acordo com Montgomery (2004), a utilização dos gráficos de controle requer que os dados monitorados sejam independentes e identicamente distribuídos. Estas suposições podem não ser satisfeitas quando há alterações no ajuste das variáveis de controle do processo, pois nesse caso, ocorre uma alteração na média e na variabilidade dos dados, sendo necessário um gráfico de controle para cada ajuste, o que pode não ser possível devido ao baixo número de amostras a serem analisadas para cada ajuste. Nesses casos, a característica de qualidade (CQ) de um produto ou processo é melhor representada pelo seu relacionamento com as variáveis de controle do processo (JACOBI et al., 2002; SHU et al., 2007). Uma possível solução para esta situação é o gráfico de controle de regressão, proposto por Mandel (1969). Este gráfico contempla o ajuste de um modelo de regressão linear simples que relaciona a CQ do processo a uma variável de controle e o monitoramento da relação entre os valores observados e os valores ajustados pelo modelo. Segundo Mandel (1969), o gráfico de controle de regressão tem como principal função controlar uma variação média da característica de qualidade, que ocorre devido à ação das variáveis de controle do processo, ao invés de controlar uma média constante do processo como é usualmente feito nos gráficos clássicos. Este gráfico de controle, tal qual proposto por Mandel (1969), somente pode ser aplicado em processos que apresentem apenas uma variável de controle, o que inviabiliza a 1

aplicação em vários processos industriais. Desta forma, autores como Haworth (1996) e Loredo et al. (2003) propuseram alternativas que permitem o monitoramento de processos que contenham mais de uma variável de controle, com o uso de modelos de regressão linear múltipla. Tendo em vista a baixa sensibilidade à pequenas alterações dos procedimentos propostos por Haworth (1996) e Loredo et al. (2003), Shu et al. (2004) propuseram o gráfico de controle EWMAREG, que é o monitoramento dos resíduos padronizados de um modelo de regressão através de um gráfico EWMA. O trabalho de Shu et al. (2004) concentra-se na obtenção do número médio de amostras até o sinal (NMA) do gráfico EWMAREG, apresentando brevemente o gráfico sem, no entanto, apresentar uma sistemática para a sua aplicação. Uma breve revisão sobre os gráficos de controle de regressão são apresentados por Shu et al. (2007). Dessa forma, o presente trabalho tem como objetivo apresentar uma sistemática que oriente a aplicação do gráfico EWMAREG em um processo industrial. A sistemática proposta foi subdividida nas duas fases de implantação de gráficos de controle: análise retrospectiva (Fase I) e monitoramento do processo (Fase II). Como validação da sistemática, aplicou-se o gráfico EWMAREG em um processo de uma indústria de borrachas. 2. Revisão Bibliográfica 2.1 Modelos de Regressão Linear A análise de regressão é uma técnica estatística que utiliza uma expressão matemática para expressar a relação entre uma CQ, também chamada de variável resposta, e algumas variáveis de controle. De acordo com Montgomery et al. (2001), o modelo de regressão linear múltipla que relaciona a CQ, também chamada de variável resposta y, às k variáveis de controle do processo é representado na equação (1). y = k β + β x + β x + L + β x 0 1 1 2 2 k + ε (1) Sendoo coeficiente de regressão β 0 chamado de coeficiente de intercepto e os coeficientes β 1, β 2,..., β k chamados de coeficientes de inclinação. Para apresentar o modelo de forma mais compacta, a equação (1) pode ser reescrita em notação matricial: y = Xβ + ε (2) O vetor dos erros aleatórios ε é representado pelo estimador e, composto pelos resíduos de regressão e i, definidos pela diferença entre os valores observados e os valores estimados pelo modelo, podendo ser escritos em notação matricial: e i = y y (3) Se o número de observações (n) for maior que o número de variáveis de controle (k), o método utilizado para estimar a equação de regressão é o método de mínimos quadrados ordinários (MQO), que visa minimizar as somas dos quadrados dos resíduos da regressão (SQR) (MONTGOMERY et al., 2001). O estimador de mínimos quadrados ordinários de β é obtido pela resolução da equação (4): ( X ' X ) X ' y ˆ 1 β = (4) Para utilizar o MQO, segundo Montgomery e Runger (2003), é necessário assumir que os resíduos sejam normal e independentemente distribuídos, com média igual a zero e desvio- 2

padrão constante e desconhecido. Estas suposições devem ser verificadas após a construção do modelo, para a validação do mesmo. Os valores estimados da variável resposta são representados por: 1 ( X ' X ) X ' y Hy y ˆ = X βˆ = X = (5) Montgomery et al. (2001) e Weisberg (2005) comentam que a matriz H é chamada de matriz chapéu, pois transforma os valores observados y em valores estimados. Essa matriz é de grande importância na regressão, principalmente na detecção de informações influentes. 2.2 Gráfico de Controle de Regressão Em linhas gerais, o gráfico de controle de regressão é basicamente uma combinação dos gráficos de controle de Shewhart com a análise de regressão. A linha central do gráfico de controle de regressão é estimada pela equação de regressão estimada pela equação (1). A estimativa da variância do gráfico de controle de regressão é dada pelo desvio-padrão do modelo de regressão, estimado por: e' e SQR ˆ σ 2 e = = = MQR (6) n p n p Dessa forma, os limites de controle e linha central do gráfico de controle de regressão são dados por: LSCi = yˆ + wσˆ e (7) LSC i = yˆ (8) LSC = yˆ wσˆ (9) i O valor da constante w varia entre 2 e 3, conforme a sensibilidade desejada para o gráfico de controle. O procedimento proposto por Mandel (1969) restringe-se a modelos de regressão linear simples, ou seja, processos que apresentem apenas uma variável de controle. Dessa forma, Haworth (1996) modificou o procedimento clássico do gráfico de controle de regressão de forma a poder ser utilizado em processos mais complexos que apresentem mais de uma variável de controle significativa para explicar a característica de qualidade. Rothschild e Roth (1986) e Loredo et al. (2003) propuseram a aplicação dos gráficos de controle de regressão linear para amostras individuais, utilizando a amplitude móvel dos resíduos para estimar o desvio-padrão a ser utilizado no gráfico. 2.3 Gráfico de Controle EWMAREG Shu et al. (2004) propuseram o gráfico EWMAREG, que consiste no monitoramento dos resíduos padronizados de um modelo de regressão linear múltipla através de gráficos EWMAREG. Este método é bastante similar a um dos métodos de monitoramento de perfis lineares apresentados por Kang e Albin (2000). De acordo com Pedrini (2009), o gráfico EWMAREG apresenta menor NMA para pequenas alterações no processo, quando comparado aos procedimentos propostos por Haworth (1996) e Loredo et al. (2003). No método proposto por Shu et al. (2004), a variável a ser amortizada exponencialmente é o resíduo padronizado de Pearson, apresentado na equação (10): e = (10) 3

A CQ monitorada são os resíduos padronizados exponencialmente ponderados, obtidos pela aplicação da equação (11). Ressalta-se que usualmente adota-se U 0 igual a 0. =λ +(1 λ) (11) Os limites de controle para o gráfico de controle EWMAREG são iguais aos limites dos gráficos EWMA, com a substituição da média por 0, que é o valor esperado para a média dos resíduos de um modelo estimado pelo MQO. Estes limites são apresentados nas equações (12) e (14). =+L λ 2 λ [1 (1 λ) ] (12) =0 (13) = L λ 2 λ [1 (1 λ) ] (14) Segundo Pedrini e Caten (2008), os procedimentos apresentados por Haworth (1996), Loredo et al. (2002) e Shu et al. (2004) apresentam a vantagem adicional de preservar a ordem temporal dos dados. 3. Sistemática Proposta A sistemática proposta no presente artigo é baseado no método para aplicação do gráfico de controle de regressão múltipla, apresentado por Pedrini et al. (2009). Este método é estruturado em duas fases: Fase I - análise retrospectiva e Fase II - monitoramento do processo, conforme sugestão apresentada por Faltin et al. (1997). Segundo Faltin et al. (1997), a maioria dos trabalhos encontrados na literatura sobre gráficos de controle falha justamente em não separar essas duas fases em sua metodologia, o que dificulta a aplicação prática dos diversos procedimentos teóricos encontrados na literatura. O trabalho de Shu et al. (2004) também apresenta esta falha. Durante a Fase I de implantação dos gráficos de controle, é realizada uma análise de dados históricos do processo a ser monitorado, com o objetivo de definir os parâmetros do gráfico de controle de regressão e, se o processo for considerado como estável, prossegue-se para a Fase II. A Fase II é o monitoramento do processo propriamente dito, onde se compara as amostras coletadas com os limites sendo calculados a partir dos parâmetros obtidos na Fase I (PEDRINI, 2009). Para a aplicação da sistemática proposta são necessárias duas suposições: (i) a CQ do processo deve ser uma variável contínua e sua relação com as variáveis de controles deve ser ajustável por um modelo de regressão linear e (ii) os resíduos da regressão devem ser normal, independentemente e identicamente distribuídos, com média zero e desvio-padrão constante. 3.1 Fase I Análise Retrospectiva As etapas de execução desta fase são: (i) ajuste do modelo de regressão linear simples ou múltipla e (ii) elaboração do gráfico de controle para a Fase I do método. 3.1.1 Estimação do Modelo de Regressão Linear Para a Fase I do método coleta-se uma amostra significativa do processo, de forma a permitir estimar todos os coeficientes de regressão, além de disponibilizar o maior número 4

possível de graus de liberdade para o termo de erro do modelo, o que aumenta a confiabilidade dos resultados. Os dados coletados devem conter o valor da característica de qualidade monitorada e os valores das variáveis de controle do processo referentes ao ajuste do processo no momento de coleta. Ressalta-se que para a utilização do método de MQO para estimar os coeficientes de regressão, o número de amostras (m) deve ser maior que o número de variáveis de controle (k) mais um (MONTGOMERY e RUNGER, 2003). Utiliza-se o método de MQO para estimar o modelo de regressão linear múltipla. A seguir, testa-se a significância do modelo de regressão estimado, utilizando a estatística F- Snedecor proveniente da análise de variância da regressão. Neste teste, se o valor-p for menor que o nível de significância adotado, a variável resposta é linearmente relacionada com pelo menos uma das variáveis de controle utilizadas para estimar o modelo, caso contrário, o modelo ajustado não é adequado para descrever a relação entre a característica de qualidade e as variáveis de controle. O próximo passo é o uso do fator de inflação da variância (FIV) para a verificação da presença de multicolinearidade entre as variáveis de controle. Para este trabalho, considera-se um FIV j, j = 1,..., m, maior que 5 como sendo um indício de multicolinearidade entre as variáveis de controle, conforme sugerido por Montgomery et al. (2001). As possíveis soluções para o problema de multicolinearidade do modelo são: exclusão das variáveis de controle nãosignificativas, coleta de novos dados ou o uso da regressão ridge. A seguir, testam-se os coeficientes individuais de regressão, de forma a verificar a significância da relação entre cada uma das variáveis de controle e a característica de qualidade. Neste passo, se o teste de hipótese t para algum dos coeficientes de inclinação β j apresentar um valor-p maior que o nível de significância adotado, a variável de controle x j não é estatisticamente significativa para o modelo e, desta forma, o modelo de regressão deve ser estimado novamente, com a retirada desta variável de controle. Uma vez realizadas as etapas anteriores, analisam-se as suposições de que os resíduos são normalmente distribuídos com média zero e desvio-padrão constante. Para a verificação de que os resíduos tenham desvio-padrão constante, é necessário construir um gráfico dos resíduos versus os valores estimados. A verificação da normalidade dos resíduos pode ser realizada de maneira subjetiva através do gráfico de probabilidade normal. Para uma análise objetiva, recomenda-se o teste de normalidade de Kolmogorov-Smirnov, adotando um nível de significância de 5%. Outro teste necessário para a validação do modelo de regressão estimado é o uso da estatística de Durbin-Watson para verificar a hipótese de que os resíduos são independentes. De acordo com Montgomery et al. (2001), este teste é composto por dois testes: (i) teste de autocorrelação positiva e (ii) teste de autocorrelação negativa. Em ambos os testes, as decisões são feitas com base em duas constantes tabeladas, chamadas de d l e d u. Se essas suposições forem aceitas, o modelo é validado, sendo possível prosseguir para a construção do gráfico de controle EWMAREG da Fase I. 3.1.2 Gráfico EWMAREG da Fase I Uma vez estimado e validado o modelo de regressão é possível obter as estimativas da resposta média da variável resposta e, assim, estimar os resíduos do modelo através da equação (3). Para a Fase I do método proposto, a variável monitorada pelo gráfico de controle passa a ser o resíduo padronizado de Pearson estimado pela equação (10).Para definir os 5

valores das constantes L e λ do gráfico de controle EWMAREG, é necessário definir: (i) taxa de ocorrência de alarmes falsos e (ii) alteração na média dos resíduos que se deseja detectar. Para a escolha dos valores destas constantes, recomenda-se Crowder (1988; 1989), Lucas e Sacucci (1990) e Shu et al. (2004). Os limites de controle e linha central da Fase I são dados nas equações (12), Erro! Fonte de referência não encontrada. e (14). Ressalta-se que estes limites são estreitos no início do procedimento, mas se alargam à medida que se aumenta o número da amostra e, a partir de uma amostra i muito grande, estes limites serão praticamente constantes (MONTGOMERY, 2004; COSTA et al., 2006). Caso alguma amostra exceda os limites de controle, o processo será considerado como estando fora de controle estatístico e, dessa forma, as causas especiais que alteraram o estado do processo deverão ser investigadas. Se as causas especiais forem detectadas, a equação de regressão e os limites de controle deverão ser calculados novamente, desconsiderando-se os pontos fora de controle. Caso não existam novos pontos fora de controle, procede-se para a Fase II do método proposto. 3.2 Fase II Monitoramento do Processo A Fase II é subdividida em duas etapas de execução: (i) monitoramento das variáveis de controle (ii) monitoramento da CQ. Segundo Faltin et al. (1997), para a aplicação da Fase II é necessário supor que os dados monitorados e os dados utilizados na Fase I sigam a mesma distribuição. Para a Fase II do método proposto é necessária a coleta de amostras individuais do processo, coletadas em intervalos regulares de tempo. Ressalta-se que os dados coletados devem conter o valor da CQ monitorada e respectivos valores das variáveis de controle do processo. 3.2.1 Monitoramento das Variáveis de Controle Uma vez estimado o modelo de regressão é possível obter, através da equação de regressão ajustada, a previsão do valor da característica de qualidade e, conseqüentemente, o valor do resíduo. Para o presente trabalho, o valor previsto pelo modelo é considerado como o valor ideal para o processo, dado os valores das variáveis de controle. Antes do monitoramento da amostra coletada, é necessário verificar se os valores das variáveis de controle referentes a esta amostra não estão extrapolando a região original definida pelo conjunto de variáveis de controle utilizadas para estimar o modelo de regressão. De acordo com Montgomery et al. (2001), a extrapolação pode gerar uma estimativa ruim para a característica de qualidade, prejudicando, conseqüentemente, o desempenho do gráfico de controle EWMAREG. Para verificar se ocorre extrapolação de cada amostra coletada, utiliza-se o gráfico de controle de extrapolação, proposto por Pedrini (2009). Segundo Pedrini (2009), a variável monitorada pelo gráfico de controle de extrapolação é o elemento h jj, apresentado na equação (15). Este gráfico apresenta somente o LSC, que é igual ao maior valor de h ii dentre todos os vetores x i utilizados para estimar o modelo de regressão da Fase I. Caso algum h jj exceda o LSC está ocorrendo a extrapolação dos valores das variáveis de controle do modelo de regressão e as causas especiais que geraram esta amostra fora de controle devem ser identificadas. h jj ' j 1 ( ' ) x j = x X X (15) onde: x j é o vetor das variáveis de controle da j-ésima observação; X é uma matriz definida por todos os vetores de valores das variáveis de controle utilizadas para estimar o modelo de regressão. 6

3.2.2 Monitoramento da Característica de Qualidade Por se tratar de uma nova amostra, considerada independente das amostras utilizadas para estimar o modelo de regressão, é necessário corrigir desvio-padrão da previsão de uma nova observação para cada amostra em relação ao afastamento do novo vetor de variáveis de controle em relação ao valor médio de cada variável de controle da Fase I (HAWORTH, 1996; MONTGOMERY et al., 2001). Para isso, utiliza-se o elemento h jj, apresentado na equação (15), que é referente ao vetor x j coletado. A partir da correção no desvio-padrão, altera-se o cálculo dos resíduos padronizados, gerando-se os resíduos padronizados na forma student, apresentados na equação (16). e j rj = (16) σˆ 1+ h Assim, a variável monitorada pelo gráfico EWMAREG é obtida pela equação (17). jj =λ +(1 λ) (17) 1+h Os limites de controle para a Fase II do gráfico EWMAREG são adaptados a partir dos limites de controle da Fase I, considerando-se que o índice j é um número muito grande. Dessa forma, os limites de controle serão fixos e paralelos à linha central. =+L λ 2 λ (18) =0 (19) = L λ 2 λ Ressalta-se que o gráfico de controle EWMAREG, o valor dos resíduos fora dos limites de controle indica, necessariamente, uma diferença incomum entre o valor observado da CQ e o valor estimado pelo modelo de regressão. Neste caso, deve-se proceder com a investigação das causas especiais que levaram a este valor incomum. (20) 4. Aplicação da Sistemática Proposta A sistemática proposta foi aplicada em um processo de Extrusão de Bandas de Rodagem de uma indústria multinacional de borrachas. A CQ a ser monitorada no processo estudado é o tempo de estabilização, que é medido a partir do momento em que o processo começa a operar após setup de um novo ajuste das variáveis de controle até o momento em que o processo se estabiliza. Esta característica de qualidade é uma variável contínua, que está diretamente relacionada à perda de matéria-prima e de tempo útil de processo, já que enquanto o processo está desestabilizado o produto produzido apresenta baixa qualidade, sendo posteriormente descartado. As variáveis de controle (x j ) deste processo são: temperatura na fieira (x 1 ); nível de plastificação (x 2 ); parâmetro de carregamento (x 3 ); fator de enchimento (x 4 ); temperatura da hélice (x 5 ); temperatura no eixo Y (x 6 ) e tempo de setup (x 7 ). 4.1 Aplicação da Fase I Os dados utilizados para a Fase I foram obtidos através de um experimento realizado 7

na empresa. Neste experimento, utilizou-se um projeto fatorial fracionado em quatro partes, com as variáveis de controle ajustadas em dois níveis (2 7-2 ) resultando em 32 amostras individuais. Devido à escolha deste experimento fatorial fracionado, as interações x 4* x 6, x 5* x 6 e x 6* x 7 estarão confundidas com outras interações de primeira ordem e não poderão ser incluídas no modelo a ser estimado. O modelo de regressão, estimado pelo método de MQO, é apresentado na equação (21): yˆ i = 227,1 + 14,8x + x x (21) 1 16,9x4 + 12,9x7 + 11,4 x1x3 + 14,4x2 x5 + 11,9 x2 x6 8, 10 Este modelo apresenta um coeficiente de determinação de aproximadamente 76,8% e um coeficiente de determinação ajustado de 76,1%. A estatística C p de Mallows para este modelo foi igual a 7,9, que é bastante próxima do número de parâmetros do modelo. Para testar a significância do modelo de regressão estimado, utiliza-se a estatística F, calculada através da análise de variância (ANOVA) da regressão, que é apresentada na Tabela 1. TABELA 1 ANOVA para o modelo estimado. Fonte SQ GL QM F Valor p Regressão 38913,7 7 5559,1 11,37 0,00 Erro 11732,7 24 488,9 Total 50646,4 31 Como o valor p para o teste de significância do modelo de regressão, apresentado na Tabela 1, é menor que o nível de significância adotado (5%) rejeita-se a hipótese nula deste teste, logo, há fortes evidências estatísticas para considerar que a CQ seja linearmente dependente de pelo menos uma variável de controle. Seguindo o método proposto, apresenta-se na Tabela 2 o Fator de Inflação de Variância (FIV) para verificar a presença de multicolinearidade no modelo. Na Tabela 2 também são apresentados os resultados dos testes individuais para a significância dos coeficientes do modelo de regressão. TABELA 2 Testes t individuais e valores FIV para as variáveis de controle e coeficiente de intercepto.. Termo Estimativa Desvio-padrão T Valor P FIV Intercepto 227,076 3,91 19,72 0,000 - x 1 14,805 3,91 3,79 0,001 1,0 x 4-16,922 3,91-4,33 0,000 1,0 x 7 12,924 3,91 3,31 0,003 1,0 x 1* x 3 11,373 3,91 2,91 0,008 1,0 x 2* x 5 14,399 3,91 3,68 0,001 1,0 x 2* x 6 11,884 3,91 3,04 0,006 1,0 x 3* x 4 8,098 3,91 2,07 0,049 1,0 Como é possível observar na Tabela 2, os valores do FIV de todas variáveis incluídas no modelo foram menores que 5, logo, o modelo estimado na equação (21) não apresenta multicolinearidade e as variáveis de controle incluídas no modelo podem ser consideradas independentes. Os testes t para o coeficiente de intercepto e os de inclinação apresentam valor p menores que 5%, que é o nível de significância adotado. Dessa forma, conclui-se que estes coeficientes são estatisticamente significativos e, portanto, as variáveis de controle e interações incluídas no modelo têm um efeito significativo sobre a CQ monitorada. Para validação do modelo, apresenta-se na Figura 1 o gráfico de normalidade dos resíduos e o gráfico de resíduos versus valores estimados do modelo. 3 4 8

(a) (b) FIGURA 1 Gráficos dos resíduos para validação do modelo. Através da análise da Figura 1(a), observa-se que a variância dos resíduos pode ser considerada como aproximadamente constante, já que esta se aproxima do padrão descrito por Montgomery e Runger (2003), não apresentando evidências de que a variância sofra variações com a alteração do valor estimado pelo modelo. Na Figura 1(b), os resíduos podem ser considerados como sendo normalmente distribuídos, já que se aproximam razoavelmente da reta. Como o modelo estimado foi validado, utiliza-se o gráfico de controle EWMAREG da Fase I para verificação de estabilidade dos dados utilizados para estimar o modelo de regressão linear. Para este gráfico, adotou-se L = 2,8 e λ = 0,15, que confere um NMA 0 de aproximadamente 370 (MONTGOMERY, 2004). Adotando ˆ σ = 22, 1 e substituindo os valores das constantes L e λ nas equações (12) e (14), os limites de controle da Fase I são: =+0,797 1 0,9 (22) = 0,797 1 0,9 (23) Adotando estes limites de controle, o gráfico EWMAREG para o monitoramento dos resíduos padronizados de Pearson é apresentado na Figura 2: 0,90 0,60 0,30 U i 0,00-0,30-0,60-0,90 1 6 11 16 21 26 31 Amostra FIGURA 2 Gráfico de controle EWMAREG da Fase I Como o gráfico EWMAREG, apresentado na Figura 2 não apresentou nenhuma evidência de presença de causas especiais, o processo pode ser considerado como estando sob controle estatístico. Dessa forma, o modelo de regressão apresentado na equação (21) e o desvio-padrão do processo podem ser utilizados na Fase II para monitorar o processo de 9

Extrusão de Bandas de Rodagem. 4.2 Aplicação da Fase II Após a Fase I, inicia-se a Fase II do método proposto, que consiste basicamente na coleta de amostras individuais do processo, na verificação se as variáveis de controle extrapolam a região original de dados utilizados para estimar o modelo de regressão e, por fim, o monitoramento da CQ do processo. Os dados coletados devem conter: o valor da CQ e os valores das variáveis de controle no momento de coleta dos dados. Para a aplicação da Fase II do método proposto, utilizou-se 122 amostras provenientes do processo de Extrusão de Bandas de Rodagem, coletadas pelos operadores do processo. Após a coleta dos dados, utiliza-se o gráfico de controle de extrapolação para verificar se os valores do conjunto de variáveis de controle extrapolam a região formada pelos dados utilizados para estimar o modelo de regressão. O LSC encontrado para este gráfico é igual a 0,25, que foi o maior falor de hii dos dados utilizados para estimar o modelo de regressão na Fase I. O gráfico de controle de extrapolação é apresentado na Figura 3. Ressalte-se que para facilitar a identificação dos pontos fora de controle, estes foram marcados em vermelho. FIGURA 3 Gráfico de controle de extrapolação Como é possível observar na Figura 3, apenas a amostra 41 apresentou h jj maior que este valor, sendo, portanto, desconsiderada do monitoramento do gráfico de controle de regressão múltipla. Após a exclusão desta amostra restaram 121 amostras que serão monitoradas pelo gráfico de controle de regressão múltipla proposto. Adotando o valor do ˆ σ = QMR = 488,9 = 22,1 do modelo estimado, os resíduos padronizados student podem ser obtidos através da sequinte equação: r j e j = 22,1 1+ h Os limites de controle para a Fase II são apresentados nas equações (25) e (26): jj (24) 10

=+0,797 (25) = 0,797 (26) A Figura 4 apresenta o gráfico de controle de regressão para o monitoramento da CQ do processo de Linhas de Extrusão de Bandas de Rodagem. 0,9 0,6 0,3 U i 0,0-0,3-0,6-0,9 1 21 41 61 81 101 121 FIGURA 4 Gráfico de controle EWMAREG da Fase II Através da análise da Figura 4, conclui-se que o processo está sob controle estatístico, já que o gráfico de controle proposto não indicou nenhuma amostra como estando fora da região definida pelos limites de controle. Também se observa no gráfico de controle da Figura 4 que não ocorreram seqüências de oito pontos localizados do mesmo lado da linha central ou seqüências de seis pontos em seqüência crescente ou decrescente. 5. Considerações Finais Amostra O presente trabalho teve como objetivo principal propor uma sistemática para a aplicação do gráfico EWMAREG em um sistema produtivo, que foi elaborado a partir de outros métodos encontrados na literatura. Dessa forma, foi proposto um método dividido em duas fases inter-relacionadas: Fase I análise retrospectiva e Fase II monitoramento do processo propriamente dito. A Fase I da sistemática proposta inclui as etapas de coletas de dados, estimação do modelo de regressão linear que relacione a característica de qualidade às variáveis de controle do processo e a verificação da estabilidade do processo no período em que a amostra foi coletada. Se o processo for considerado como estando sob controle estatístico e, assumindo que o modelo de regressão estimado na Fase I do processo esteja correto, prossegue-se à Fase II do método proposto, que consiste na coleta de amostras individuais do processo, verificação da extrapolação da região original dos dados e monitoramento da característica de qualidade. A sistemática proposta foi aplicada e validada em um processo de extrusão de bandas de rodagem de uma indústria de borrachas. Nesta aplicação explicitaram-se os passos intermediários das fases da sistemática proposta, de forma a ressaltar a facilidade de 11

apliacação da mesma. Com o monitoramento com o gráfico EWMAREG, o processo estudado foi considerado como estando sob controle estatístico. Assim, destaca-se a relevância de uma sistemática para aplicação de gráficos de controle a fim de explicitar a implementação de gráficos de controle no monitoramento de processos conforme as fases de análise retrospectiva e de monitoramento de processos. Referências CROWDER, S. V. A Simple Method for Studying Run-Length Distributions of Exponentially Weghted Moving Average Charts. Technometrics, v. 29, n. 4, p. 401-407, 1987. CROWDER, S. V. Design of Exponentially Weighted Moving Average Schemes. Journal of Quality Technology, v. 21, n. 3, p. 155-162, 1989. FALTIN, F. W.; MASTRANGELO, C. M.; RUNGER, G. C.; RYAN, T. P. Considerations in the Monitoring of Autocorrelated and Independent Data. Journal of Quality Technology, v. 29, n. 2, p. 131-133, 1997. HAWORTH, D. A. Regression control chart to manage software maintenance. Software Maintenance: Research and Practice, v. 8, n. 1, p 35-48, 1996. JACOBI, L. F.; SOUZA, A. M.; PEREIRA, J. E. S. Gráfico de Controle de Regressão Aplicado na Monitoração de Processos. Revista Produção, v. 12, n. 1, pág. 46-59, 2002. KANG, L.; ALBIN, S. On-line Monitoring When the Process Yelds Linear Profiles. Journal of Quality Technology, v. 32, n. 4, p. 418-426, 2000. LOREDO, E. N.; JEARKPAPORN, D.; BORROR, C. M. Model-based Control Chart for Autoregressive and Correlated Data. Quality and Reliability Engineering International, v. 18, n. 6, p. 489-496, 2002. LUCAS, J. M.; SACCUCCI, M. S. Exponentially Weighted Moving Average Control Schemes: Properties and Enhancements. Technometrics, v. 32, n.1, p. 1-12, 1990. MANDEL, B. J. The Regression control chart. Journal of Quality Technology, v. 1, n. 1, p. 1-9, 1969. MONTGOMERY, D. C. Introdução ao Controle Estatístico da Qualidade. 4. Ed. Rio de Janeiro: Editora LTC, 2004, 513 p. MONTGOMERY, D. C.; RUNGER, G C. Estatística Aplicada e Probabilidade para Engenheiros. 2. Ed., Rio de Janeiro: Editora LTC, 2003, 463 p. MONTGOMERY, D. C.; VINING, G. G.; PECK, E. A. Introduction to linear regression analysis. 3. Ed., New York: John Wiley & Sons, 2001, 641 p. PEDRINI, D. C. Proposta de um método para aplicação do gráfico de controle de regressão no monitoramento de processos. UFRGS: 2009. Dissertação de Mestrado em Engenharia de Produção. Universidade Federal do Rio Grande do Sul, 2009. PEDRINI, D. C.; CATEN, C. S. ten. Comparação entre gráficos de controle para residuos de modelos. Bauru: XV Simpósio de Engenharia de Produção (SIMPEP), 2008. PEDRINI, D. C.; SANT ANNA, A. M. O.; CATEN, C. S. ten. Sistemática para a aplicação do gráfico de controle de regressão múltipla no monitoramento de processos. Salvador: XXIX Encontro Nacional de Engenharia de Produção (ENEGEP), 2009. (aprovado para publicação). ROTHSCHILD, B. F.; ROTH, S. R. Statistical Process Control of Plating Solutions with Regression Control Charts. The SAMPE Journal, v. 22, n. 5, p. 37-41, 1986. SHU, L; TSUI, K. L.; TSUNG, F. A Review of Regression Control Charts. In: Ruggeri, F.; Faltin, F.; Kenett, R. Encyclopedia of Statistics in Quality and Reliability New York: John Wiley & Sons, p. 1569-1573, 2007. SHU, L; TSUNG, F; TSUI, K. L. Run-length Perfomance of Regression Control Charts with Estimated Parameters. Journal of Quality Technology, v. 36, n. 3, p. 280-292, 2004. 12