consideraÇÃo de tolerÂncias no tempo do … · construídos dois cenários considerando valores...

CONSIDERAÇÃO DE TOLERÂNCIAS NO TEMPO DO TRABALHO HUMANO EM UM MODELO DE SIMULAÇÃO

COMPUTACIONAL

Cibele Nogueira Paiva Universidade Federal de Itajubá (UNIFEI)

Caixa Postal 50, CEP: 37500-903, Itajubá, MG [email protected]

José Arnaldo Barra Montevechi

Universidade Federal de Itajubá (UNIFEI) Caixa Postal 50, CEP: 37500-903, Itajubá, MG

[email protected]

Rafael Florêncio da Silva Costa Universidade Federal de Itajubá (UNIFEI)

Caixa Postal 50, CEP: 37500-903, Itajubá, MG [email protected]

Fabiano Leal

Universidade Federal de Itajubá (UNIFEI) Caixa Postal 50, CEP: 37500-903, Itajubá, MG

[email protected]

José Tadeu de Jesus PadTec Optical Components and Systems

Caixa Postal 50, CEP: 3086-902, Campinas, SP [email protected]

RESUMO

A simulação computacional a eventos discretos tem sido bastante empregada para análises de sistemas complexos de manufatura. Contudo, tem se observado que o elemento humano não tem sido corretamente representado, pois este pode apresentar variações naturais em seu desempenho. O que pode gerar grandes folgas entre o desempenho previsto por alguns modelos de simulação e os resultados obtidos no sistema real. Neste artigo procurou-se analisar se a inclusão de tolerâncias no tempo de trabalho humano em um modelo de simulação determinístico de uma célula de manufatura é significativa, no sentido de melhorar os resultados obtidos. Foram construídos dois cenários considerando valores de tolerâncias sugeridas pela literatura e um cenário considerando os tempos cronometrados na célula. Os resultados obtidos a partir dos testes de hipóteses mostram que a inclusão de tolerâncias é significativa quando comparados com o modelo determinístico. PALAVRAS-CHAVES: Aplicações à Indústria. Simulação Computacional. Fatores Humanos.

ABSTRACT

Discrete event simulation based on computer has been used to analyze complex manufacturing systems. However, it has been observed that the human element has not been correctly represented, once it can presents natural variations on its performance. This fact can produce wide gaps between the forecasted performance of some simulation models and the results gained from the real system. The purpose of this paper is to analyze whether the inclusion of tolerances

XLI SBPO 2009 - Pesquisa Operacional na Gestão do Conhecimento Pág. 2306

in the human work time inside a deterministic simulation model of a manufacturing cell is significant, in a sense of to improve the results. Two scenarios were built by considering values of tolerance suggested in the literature and one scenario by considering the gathered data. The results from the hypothesis tests suggested the inclusion of tolerances inside the simulation model is significant in comparison to mean model. KEYWORDS: Application to the industry. Computer simulation. Human factors. 1. Introdução

Os sistemas de manufatura são geralmente construções complexas e seu comportamento é de natureza dinâmica e estocástica. Eles consistem de amplas interações entre pessoas, informações, materiais e máquinas. Segundo Siebers (2007), sistemas tais como as linhas de montagem podem parecer bastante simples porque suas tarefas são realizadas principalmente em ordem seqüencial. Na realidade, esses sistemas são construções muito complexas devido à variação natural nos tempos de processamento que são não determinísticos e às interrupções que ocorrem por vários motivos.

As interrupções podem ocorrer devido às falhas das máquinas, porém, em sistemas tais como as linhas de montagem, onde as pessoas são fundamentais para a execução das atividades, elas podem surgir devido aos fatores que afetam e influenciam o desempenho humano, tais como fadiga, gênero, idade, ritmo circadiano, habilidades e competências, satisfação no trabalho, fatores físicos e organizacionais, dentre outros.

Segundo Chwif e Medina (2006), devido à complexidade dos sistemas reais, a simulação consegue capturar com mais fidelidade as características dinâmicas e aleatórias desses sistemas, procurando repetir em um modelo computacional o mesmo comportamento que o sistema apresentaria quando submetido às mesmas condições.

A simulação a eventos discretos é geralmente reconhecida como um auxílio importante para as tomadas de decisões estratégicas e táticas que são requeridas no estágio de avaliação dos projetos dos sistemas de manufatura.

Os modelos de simulação a eventos discretos são usados para determinar a quantidade de máquinas, estoques e operadores que são necessários para produzir uma quantidade objetiva de produção. Os especialistas em simulação têm um alto nível de responsabilidade para assegurar a precisão dos resultados. A imprecisão pode gerar altos custos, e isto pode levar a um desempenho deficiente do sistema e falhar no que diz respeito à demanda da produção.

A simulação computacional hoje tem sido utilizada tradicionalmente nos aspectos tecnológicos dos sistemas e representam estes com dados determinísticos e estocásticos. No entanto, tal simulação superestima freqüentemente a capacidade da produção dos sistemas de manufatura. Isto pode causar sérios problemas quando o sistema proposto é executado, e então não se obtém os resultados esperados.

Segundo Baines et al. (2004), a diferença entre o desempenho predito e real é pela maior parte devido a alguns modelos de simulação que não incorporam adequadamente alguns relacionamentos chaves, tais como o desempenho humano e os fatores que impactam neste.

Como conseqüência da abstração e simplificação, os modelos dos sistemas tendem a modelar o mundo real de forma otimizada comparados aos sistemas reais. As previsões de desempenho dos sistemas envolvendo uma alta proporção de tarefas manuais são notavelmente menos precisas que aquelas de sistemas altamente automatizados.

Algumas abordagens atuais de representar operadores dentro da simulação a eventos discretos ignora o potencial grande que a variação no desempenho humano pode ter no desempenho do sistema de manufatura de mão-de-obra intensiva.

Para Baines et al. (2005), uma mudança chave para essa situação seria melhorar o conhecimento dos engenheiros sobre o impacto que os fatores humanos têm sobre seus projetos, de tal maneira que a inclusão desses fatores fosse feita logo no início dos projetos, o que seria mais fácil e economicamente possibilitado neste estágio. Esse mesmo autor sugere que a modelagem deve permitir a avaliação dos fatores humanos mais significativos no modelo, o que seria um meio valioso de estimular a consideração desses fatores durante o projeto.


O objetivo principal deste trabalho é analisar se a inclusão de tolerâncias devido a fatores humanos em um modelo de simulação a eventos discretos é significativa, adotando as tolerâncias apresentadas por Barnes (1977), Toledo Júnior (1989) e Slack et al. (1995). 2. Metodologia de Pesquisa 2.1 Classificação da Metodologia de Pesquisa

Uma pesquisa pode ser classificada quanto à sua natureza, abordagem, objetivos e procedimentos técnicos.

Quanto à natureza, esta pesquisa é aplicada, pois objetiva gerar conhecimentos para aplicação prática e é dirigida à solução de problemas específicos.

Quanto aos objetivos, esta pesquisa é explicativa, visando identificar os fatores que determinam ou contribuem para a ocorrência dos fenômenos.

Quanto à abordagem, esta pesquisa é quantitativa, pois considera que tudo pode ser quantificado, o que significa traduzir em números as opiniões e informações para classificá-las e analisá-las.

Finalmente, quanto aos procedimentos técnicos, esta pesquisa é classificada como modelagem e simulação, por se tratar de modelos baseados em um conjunto de variáveis que variam ao longo de um domínio específico, tendo relações quantitativas e causais entre as variáveis previamente definidas.

Segundo Bertrand e Fransoo (2002), tradicionalmente a metodologia de pesquisa na modelagem quantitativa de gestão de operações não é percebida como um assunto. A mais antiga contribuição para a discussão sobre metodologia em simulação foi apresentada por Mitroff (1974). Segundo esse modelo, a abordagem inicial usada na pesquisa operacional consiste em quatro fases: conceitualização, modelagem, solução pelo modelo e implementação.

A metodologia escolhida para o desenvolvimento desta pesquisa é a metodologia sugerida por Chwif e Medina (2006), cujo desenvolvimento de um modelo de simulação compõe-se de três grandes fases: concepção, implementação e análise (Ver Figura 1).

Figura 1 - Fases de um projeto de simulação

Fonte: Chwif e Medina (2006) Na fase de concepção, o analista de simulação deve entender claramente o sistema a ser simulado e os seus objetivos, através da discussão do problema com especialistas. Os dados de entrada também são coletados nesta fase. Ainda na etapa de concepção, o modelo que está na mente do analista (modelo abstrato) deve ser representado de acordo com alguma técnica de representação de modelos de simulação, a fim de torná-lo um modelo conceitual. Na fase de implementação do modelo, o modelo conceitual é convertido em um modelo computacional através da utilização de alguma linguagem de simulação ou de um simulador comercial. O modelo computacional implementado deve ser comparado ao modelo conceitual,


com a finalidade de avaliar se a sua operação atende ao que foi estabelecido na etapa de concepção. Alguns resultados devem ser gerados para a validação do modelo computacional, observando-se se o modelo é uma representação precisa da realidade. Na terceira fase, análise dos resultados, o modelo computacional está pronto para a realização de experimentos, dando origem ao modelo experimental ou modelo operacional. Nesta etapa são efetuadas várias rodadas do modelo e os resultados da simulação são analisados e documentados. A partir dos resultados, conclusões e recomendações sobre o sistema podem ser geradas. Caso necessário, o modelo pode ser modificado, e este ciclo é reiniciado. 2.2 Estrutura do Método de Pesquisa

A metodologia nos trabalhos de simulação busca sistematizar os passos de seu desenvolvimento, otimizando a integração entre software, modelador e usuário, e evitando desperdício de tempo, dinheiro e resultados frustrantes.

Baines et al. (2004) sugere que a seleção dos modelos de desempenho humano seja baseada em três critérios, apresentados a seguir:

• Os modelos devem ser válidos no contexto o qual eles foram derivados originalmente; • Deve existir literatura suficiente para indicar que o fator representado pelo modelo está

presente no contexto industrial; • As entradas requeridas para os modelos devem ser fáceis de serem obtidas. Nesse caso é

desejável que os modelos consistam de funções matemáticas. Para a condução dessa pesquisa, pretende-se seguir as etapas sugeridas por Baines et al.

(2004), como mostra a abaixo (ver figura 2).

Figura 2 – Etapas para a seleção dos modelos de desempenho humano

Fonte: Adaptado de Baines et al. (2004). 3. Referencial Literário 3.1 Simulação a eventos discretos

Para Harrel et al. (2000) e Law e Kelton (1991), simulação é a imitação de um sistema real modelado em computador para posterior realização de experimentos para avaliação e melhoria de seu desempenho.

A simulação a eventos discretos é utilizada para modelar sistemas que mudam o seu estado em momentos discretos no tempo, a partir da ocorrência de eventos (CHWIF e MEDINA


2006). Segundo Duarte (2003), a simulação não é uma ferramenta que substitui o trabalho de interpretação humana, mas sim uma ferramenta capaz de fornecer resultados para análises mais elaboradas a respeito da dinâmica do sistema, permitindo desta maneira uma interpretação mais profunda e abrangente do sistema estudado.

De acordo com Banks et al. (2005), a simulação é uma das ferramentas mais utilizadas em sistemas de manufatura do que em qualquer outra área. Algumas razões podem ser enumeradas a seguir:

• O aumento da produtividade e qualidade na indústria é um resultado direto da automação. Como os sistemas de automação são cada vez mais complexos estes só podem ser analisados pela simulação;

• Os custos de equipamentos e instalações são relativamente altos; • Os custos dos computadores estão cada vez mais baixos e os processadores mais

rápidos.

Melhorias nos softwares de simulação reduziram o tempo de desenvolvimento de modelos. A disponibilidade de animação resultou em maior compreensão e utilização dos gestores da manufatura. 3.2 Fatores Humanos

Segundo Lewin (1935) o comportamento humano é uma função de interações entre a pessoa e o ambiente em uma dada situação em um determinado momento. A teoria de Lewin mostra a importância de entender o comportamento humano dentro de uma situação e sua variabilidade natural em diferentes situações.

Segundo Williams e Fletcher (2002), é comumente aceito que os fatores humanos influenciam os comportamentos das pessoas em seus ambientes de trabalho. Com isso, o desafio é encontrar quais são os fatores relevantes que influenciam o comportamento humano.

Hadfield et al. (2002) desenvolveu uma teoria para a modelagem do desempenho do trabalhador, baseada no modelo de Lewin, mencionado acima. Essa abordagem identifica os principais fatores e medidas de desempenho para o comportamento do trabalhador através de uma extensiva revisão e síntese da literatura relevante usando critérios baseados na seguinte avaliação: relevância geral, relevância contextual, robustez da evidência e mensurabilidade.

Segundo Baines et al. (2004), em um sistema de manufatura, as pessoas são tratadas como elementos pseudo-tecnológicos e espera-se que elas se comportem da mesma forma que as máquinas. Porém, esse conceito é limitado na aplicação da simulação e modelagem do comportamento e desempenho humano. Este problema é especialmente agudo quando se modelam sistemas com altas proporções de trabalho manual, como em uma linha de montagem. Na condução de determinadas tarefas, as pessoas não as fazem da mesma forma que as máquinas, uma vez que elas são inerentes, instáveis, imprevisíveis e capazes de ações independentes. Os construtores dos modelos supõem que os trabalhadores sempre começam a trabalhar na hora prevista, operam a uma taxa constante durante todo o dia e interrompem seu trabalho nos intervalos previstos. No entanto, tal comportamento regular raramente ocorre na prática.

Segundo Baines et al. (2005) uma desejável melhora para simulação pode ser obtida através de uma representação mais realística das variações no desempenho humano e dos fatores humanos que influenciam essas variações. Segundo Baines (2002) e Kay (2002), essa capacidade pode ser melhorada através da integração de uma ferramenta de modelagem do desempenho humano com a simulação computacional.

O desenvolvimento dessa capacidade oferece dois principais benefícios. Primeiro, possibilita a criação de modelos dos sistemas de manufatura mais válidos, o que permite que as decisões de investimentos sejam tomadas com maior confiança. Segundo, por permitir uma maior consideração dos fatores humanos no início do projeto dos sistemas de manufatura, isto faz com que os projetistas criem ambientes de trabalho mais favoráveis ao maior desempenho da força de trabalho.


3.2.1 Primeira proposta de tolerâncias analisada Segundo Slack et al. (1997), o tempo padrão refere-se ao tempo concedido para o

trabalho sob circunstâncias específicas. Isto porque o tempo padrão inclui tolerâncias para pausa e descanso, que devem ser permitidos devido às condições sob as quais o trabalho é realizado. Logo, o tempo-padrão para cada elemento consiste principalmente em duas partes (embora em alguns casos possam ser aplicadas tolerâncias extras).

• Tempo básico: tempo levado por um trabalhador qualificado, fazendo um trabalho especificado com desempenho padrão;

• Tolerância para descanso: concessões acrescentadas ao tempo básico para permitir descanso, relaxamento e necessidades pessoais.

Tabela 1 – Fatores de Tolerância Fatores de Tolerância Exemplo Tolerância (%)

Energia Necessária Desprezível Nenhuma 0 Muito leve 0-3 Kg 3 Leve 3-10 Kg 5 Média 10-20 Kg 10 Pesada 20-30 Kg 15 Muito pesada Acima de 30 kg 15-30

Postura Exigida Normal Sentada 0 Ereta Em pé 2 Continuamente Ereta Em pé por longos períodos 3 Deitada De lado, de frente ou de costas 4 Difícil Agachada, etc. 4/out

Fadiga Visual Atenção quase contínua 2 Atenção contínua com foco variável 3 Atenção contínua com foco fixo 5

Temperatura Muito baixa Abaixo de 0ºC Acima de 10 Baixa 0-12ºC 0-10 Normal 12-23ºC 0 Alta 23-30ºC 0-10 Muito Alta Acima de 30ºC Acima de 10

Condições Atmosféricas Boas Bem ventilado 0 Regulares Abafado/malcheiroso 22 Insatisfatórias Com poeira/precisa de filtro 2-7 Ruins Precisa de máscara respiratória 7-12

Fonte: Slack et al. 1997

Há diversas tolerâncias que podem ser aplicadas ao tempo básico, dependendo das circunstâncias. A principal é a tolerância para descanso. A tolerância para descanso é definida como: “... um acréscimo ao tempo básico planejado para proporcionar ao trabalhador a


oportunidade de se recuperar dos efeitos fisiológicos e psicológicos da realização do trabalho especificado sob condições especificadas e para permitir a satisfação de necessidades pessoais. A duração da tolerância dependerá da natureza do trabalho”.

A forma como são calculadas as tolerâncias para descanso e as tolerâncias exatas dadas a cada um dos fatores que determinam a extensão das tolerâncias variam consideravelmente entre organizações diferentes.

Neste artigo, optou-se por utilizar a tabela 1, que ilustra as tolerâncias usadas por uma empresa que fabrica eletrodoméstico, embora o contexto de aplicação da pesquisa seja o setor eletrônico. Ela mostra a tolerância percentual a ser aplicada a cada elemento do trabalho. 3.2.2 Segunda proposta de tolerâncias analisada

Segundo Barnes (1977), o tempo padrão é o tempo necessário para executar uma operação de acordo com um método estabelecido, em condições determinadas por um operador apto e treinado, possuindo habilidade média, trabalhando em esforço médio, durante todas as horas de serviço. No caso de tempos de ciclo muito curtos, existe a monotonia. Pode ser observado na tabela 2 que quanto menor o ciclo maior o abono.

Tabela 02 – Abonos por Monotonia

ABONO POR MONOTONIA CICLO (MIN) ABONO %

0,00 - 0,05 7,8 0,06 - 0,25 5,4 0,26 - 0,50 3,6 0,51 - 1,00 2,1 1,00 - 4,00 1,5 4,00 - 8,00 1 8,00 - 12,00 0,6 12,00 - 16,00 0,3

>16,00 0,1

Fonte: Toledo Júnior (1989).

Segundo Toledo Júnior (1989) não existe tarefa que não requeira certa dose de energia

por parte do operador. O esforço dos músculos, a concentração mental, a posição do corpo, a monotonia de movimentos repetidos e muitos outros fatores, determinam no organismo humano um estado fisiológico particular. Para os fisiologistas, a fadiga é um complicado fenômeno de intoxicação dos tecidos. Para o cronotécnico, é simplesmente o efeito do trabalho sobre o organismo do operador, tendo como conseqüência a diminuição progressiva de sua capacidade de produção.

Tabela 3 – Abonos por Fadiga Mental e Física FADIGA MENTAL FADIGA FÍSICA

GRAU ABONO (%) GRAU ABONO

(%) Muito Leve 1,8

Leve (L) 0,6 Leve 3,6 Médio (M) 1,8 Médio 5,4 Pesado (P) 3 Pesado 7,2

Muito Pesado 9

Fonte: Toledo Júnior (1989)


Ainda segundo Toledo Júnior (1989) existe um abono que deve ser adicionado aos tempos normalizados devido à fadiga, conforme a tabela 3. A fadiga mental pode ser ocasionada pela concentração, iluminação ou ruído existentes no ambiente de trabalho, por exemplo. Já a fadiga física pode ocorrer devido à temperatura, peso do material ou à dificuldade dos movimentos.

A tolerância pessoal é o tempo durante o qual o operador atende às suas necessidades fisiológicas como beber água, ir ao banheiro, lavar as mãos e todas as outras exigências pessoais. A duração dessa tolerância pode ser determinada através de um levantamento contínuo ou por amostragem de trabalho. Baseado em estudos em países industrializados, adota-se um coeficiente de 5% de tolerância pessoal por dia. 4. Aplicação Prática

Seguindo o método de pesquisa proposto, a primeira etapa dessa pesquisa consistiu em identificar um modelo que contem fatores humanos e tecnológicos. Assim, a aplicação deste trabalho foi desenvolvida na empresa Padtec Componentes e Sistemas Ópticos. A Padtec é uma empresa brasileira de alta tecnologia, focada na fabricação e desenvolvimento de equipamentos para a comunicação óptica. Pela própria natureza de seus processos, destacam-se algumas características como a multifuncionalidade dos colaboradores, a ausência de métodos-padrão para a execução das atividades e a grande dependência da habilidade manual, mental e experiência profissional do colaborador para a montagem e configuração do produto.

A área de manufatura da empresa é composta por seis células de manufatura, sendo cada célula responsável por montar um grupo de equipamentos. A célula de Transponders, escolhida para ser estudada neste trabalho, é responsável pela fabricação de produtos que respondem por cerca de 40% do faturamento da empresa. Nesta célula, existem dois colaboradores que podem executar qualquer uma das atividades.

Primeiramente, um modelo determinístico de simulação (Modelo 01) foi construído para esta célula, no qual foi considerado um tempo médio para as atividades do processo. A Figura 3 mostra a tela do modelo de simulação construído para a célula.

Figura 3 – Tela do modelo de simulação

A segunda etapa foi identificar tolerâncias devido a fatores de desempenho humano na

literatura para incorporá-los em um modelo de simulação. Neste trabalho os fatores: fadiga mental, fadiga física, monotonia e tolerâncias pessoais, apresentados por Barnes (1977) e Toledo Júnior (1989) foram incluídos no Modelo 02. O modelo 03 contemplou a inclusão dos fatores energia necessária, fadiga visual e temperatura, apresentados por Slack et al. (1997). A tabela 04 mostra os valores percentuais das tolerâncias a serem consideradas no modelo 02 para cada atividade do processo. Esses valores foram escolhidos com base na opinião de um especialista do processo, que com facilidade definiu o grau de tolerância necessário, consultando as tabelas 02 e 03.


Tabela 04 – Abonos por Fadiga, Física, Monotonia e Tolerâncias Pessoais Atividades

Tolerâncias (%) Organizar Atualizar

Projetos

Realizar Teste

Funcional Montar Configurar Consertar Finalizar

Fadiga Mental

1,8 1,8 1,8 1,8 1,8 1,8 1,8

Fadiga Física

5,4 5,4 5,4 5,4 5,4 5,4 5,4

Monotonia 2,1 0,1 1 0,1 0,6 0,1 0,3 Tolerâncias Pessoais

5 5 5 5 5 5 5

Total (%) 14,3 12,3 13,2 12,3 12,8 12,3 12,5

A tabela 05 mostra os valores percentuais das tolerâncias a serem consideradas no modelo 03 para cada atividade do processo. Esses valores foram escolhidos também com base na opinião de um especialista do processo, que com facilidade definiu o grau de tolerância necessário, consultando a tabela 01.

Tabela 05 – Abonos por Energia Necessária, Fadiga Visual e Temperatura Atividades

Tolerâncias (%) Organizar Atualizar

Projetos

Realizar Teste

Funcional Montar Configurar Consertar Finalizar

Energia Necessária

3 3 3 3 3 3 3

Fadiga Visual

3 3 3 3 3 3 3

Temperatura 3 3 3 3 3 3 3 Total (%) 9 9 9 9 9 9 9

Para cada atividade do processo foram cronometrados pelo menos trinta valores de

tempos. De posse desses dados, foram realizados testes de aderência às distribuições de probabilidades (Best Fitting). O resultado deste teste, ou seja, a distribuição que melhor se ajusta a cada amostra (de cada atividade) juntamente com os seus parâmetros são mostrados na tabela 06. Cabe ressaltar que essa coleta de dados foi realizada contemplando diferentes operadores em diferentes dias e horários, com o objetivo de abranger a maior variabilidade possível devido aos fatores humanos envolvidos. Esse cenário é contemplado pelo modelo 04, que é de natureza estocástica, uma vez que para cada atividade foram escolhidas distribuições de probabilidades.

Tabela 06 – Distribuições de probabilidade para cada atividade

Atividades Distribuição de Probabilidade Parâmetros Atualizar Projetos Gamma (2.92, 6.85). Realizar teste funcional Pearson 6 (0.97, 4.97, 11.5). Montar Normal (25.3, 13.9). Configurar Pearson 5 (6.22, 56.1). Consertar Binomial (1.23, 1.74, 2.8, 45). Finalizar Pearson 5 (3.57, 24.9).


Os quatro modelos foram executados para dezoito semanas. Duas medidas de desempenho foram escolhidas neste trabalho: o total de Transponders produzidos por semana e o Lead Time semanal médio.

5. Análise dos Resultados De posse dos dados simulados para as duas variáveis de desempenho escolhidas, foram

realizados testes estatísticos para verificar a significância da inclusão das tolerâncias no modelo de simulação. Primeiramente foi verificado se os dados apresentavam valores não usuais (outliers) através de um diagrama de caixa. Em seguida, foi verificado se as amostras poderiam ser ajustadas a uma distribuição de probabilidades Normal, através de um teste de Normalidade. Sabendo que esses dados obedecem à distribuição Normal, realizou-se um teste F para testar a hipótese nula de igualdade das variâncias das amostras. Uma vez que essa informação é conhecida, passou-se para a execução do teste T para duas amostras independentes (Two-Sample T), considerando um grau de confiança de 95%. Este teste será utilizado para auxiliar na análise dos diferentes modelos que contemplam percentuais de tolerâncias abordados na literatura. O teste T testa a hipótese nula de igualdade de médias. Os P-Values para estes testes são apresentados na tabela 07.

Tabela 07 – Resultados do Teste Estatístico

Two-Sample T P-Value Lead Time Total Produzido

Modelo 01 Modelo 02 0,000 0,000 Modelo 01 Modelo 03 0,000 0,000 Modelo 04 Modelo 02 0,000 0,000 Modelo 04 Modelo 03 0,000 0,000

Pela interpretação da tabela 07, tem-se que a diferença entre o modelo 01(Determinístico considerando apenas a média do tempo das atividades) e o modelo 02 (Determinístico considerando as tolerâncias apresentadas por Barnes (1977) e Toledo Júnior (1989) é significativa para as duas medidas de desempenho. De modo análogo, pode-se perceber que existe diferença estatística entre o modelo 01 e o modelo 03 (Determinístico considerando as tolerâncias apresentadas por Slack et al. (1997). Esses testes implicam que a queda no total produzido e o aumento do lead time, devido à consideração de aspectos humanos no modelo de simulação são significantes. Portanto, aspectos humanos como (fadiga mental, fadiga física, monotonia, tolerâncias pessoais, energia necessária, fadiga visual e temperatura), devem ser considerados na construção do modelo de simulação. As duas últimas linhas da tabela 07 mostram a comparação entre o modelo estocástico (construído considerando as distribuições de probabilidade a partir de dados cronometrados) e os modelos considerando as tolerâncias. Como o modelo estocástico foi validado com dados reais, tem-se que este é o modelo considerado como referência para a célula estudada. Portanto, os testes apontaram que a diferença entre estes modelos é significativa, o que implica em dizer que os modelos de tolerâncias considerados neste trabalho não são adequados para esta empresa onde foi desenvolvido o estudo. Esse fato pode ser justificado, pois as tabelas apresentadas por Toledo Júnior (1989) ilustram as tolerâncias utilizadas no setor de usinagem, e as tabelas apresentadas por Slack et al. (1997) ilustram as tolerâncias utilizadas no setor de eletrodomésticos. Vale ressaltar que as tabelas apresentadas têm valor apenas informativo. Segundo Toledo Júnior (1989), essas tabelas auxiliam no estudo das condições de trabalho, porém é aconselhável que cada empresa construa as suas tabelas de tolerâncias de acordo com as suas condições específicas. 6. Conclusões

Tem se observado que o elemento humano não tem sido corretamente representado em modelos de simulação, pois este pode apresentar variações naturais em seu desempenho. O que


pode gerar grandes folgas entre o desempenho previsto por alguns modelos de simulação e os resultados obtidos no sistema real.

Neste artigo, foram adotadas tolerâncias no tempo de trabalho humano com o intuito de melhorar a qualidade da informação contida em tempos médios. Esta inclusão de tolerâncias no tempo médio de realização de cada atividade compõe o que foi chamado de tempo padrão. Pelos testes de hipóteses realizados, existe diferença significativa entre os resultados do modelo considerando somente médias e os modelos considerando o tempo padrão. Conclui-se pelos resultados obtidos que os aspectos humanos como a fadiga mental, fadiga física, monotonia, tolerâncias pessoais, energia necessária, fadiga visual e temperatura, devem ser considerados na construção de modelos de simulação. Uma vez que estes impactam reduzindo o desempenho humano no sistema de produção, levando a maiores lead times e menores quantidades produzidas, como na aplicação apresentada. A consideração desses aspectos humanos pode ser feita utilizando tabelas de tolerâncias pré-construídas específicas para determinado setor ou através da coleta de dados realizada em horários considerados “críticos” como, por exemplo: início do turno de trabalho, antes do horário de almoço, início da volta do horário de almoço e no final do turno de trabalho. Além disso, a coleta de dados poderá ser feita em turnos diferentes, a fim de incorporar a variação no desempenho do trabalhador devido à variação ocorrida atribuída ao biorritmo. Este trabalho também mostrou que duas das tabelas de tolerâncias apresentadas na literatura por Toledo Júnior (1989) e Slack et al. (1995) não se aplicam para a célula de manufatura estudada. Uma vez que, os resultados do modelo considerando dados cronometrados foram estatisticamente diferentes dos resultados considerando essas tolerâncias. 7. Agradecimentos

Os autores agradecem a FAPEMIG, a CAPES e a empresa Padtec Componentes e Sistemas Ópticos pelo apoio a esta pesquisa.

8. Referências Bibliográficas Baines, T., Asch, R., Hadfield, L., Mason, S., Fletcher, L., Kay, J.M. (2005), Towards a theoretical framework for human performance modeling within manufacturing systems design. Simulation Modelling Practice and Theory 13 (2005) 486–504. Baines, T., Mason, S., Siebers, P.O., Ladbrook, J. (2004), Humans: the missing link in manufacturing simulation? Simulation Modelling Practice and Theory 12 PP. 515-526. Baines, T., Mason, S., J.M. Kay. (2002), Human performance modelling as an aid in the process of manufacturing system design: a pilot study. Int. J. Prod. Res. 40 (10) 2321–2334. Banks, J., Carson, J. S., Nelson, B. L., Nicol, D. M. (2005), Discrete-event system simulation. 4th ed. New Jersey: Prentice Hall. 608 p. ISBN 0-13-144679-7. Barnes, R. M. Estudo de movimentos e de tempos: Projeto e medida do trabalho. São Paulo: Edgard Blucher, 1977. Bertrand J.W.M. e Fransoo J.C. (2002), Modelling and simulation: Operations management research metodologies using quantitative modeling. International Journal of operations & Production Management. Volume 22, 2002. Chwif, L. e Medina, A. C. Modelagem e Simulação de Eventos Discretos: Teoria e Aplicações. São Paulo, Ed. Dos Autores, 2006. Duarte, Roberto N. Simulação computacional: Análise de uma célula de manufatura em lotes do setor de autopeças. Dissertação de mestrado em engenharia de produção. UNIFEI, Itajubá, MG, 2003. Hadfield, L., Fletcher, S., Mason, J.P., Baines, T., & Ladbrook, J. A Theoretical Framework for Human Performance Modelling. Proceedings of the Second International Conference on Systems Thinking in Management (ICSTM02), Salford, UK, 2002. Harrel, Charles R.; GHOSH, Biman K.; Bowden, Royce. Simulation Using ProModel. McGraw-Hill, 2000.


Law, A.M.; Kelton, D.W. Simulation Modeling & Analysis, McGraw-Hill, Inc, 1991. Lewin, K. A Dynamic Theory of Personality: Selected Papers of Kurt Lewin. New York: McGraw-Hill (1935). Mitroff, I, I., Betz, F., Pondy, L.R., Sagasti, F., On Managing science in the systems age. Two schemas for the study of science as a whole systems phenomenon. The institute of Management Scienses. Volume 4, 1974, p. 46-48. Siebers P.O., WorkerPerformance Modelling in Manufacturing Systems Simulation: Proposal for an Agent-Based Approach. Cranfield University, Cranfield, UK, 2007. Slack, N., Chambers, S., Harrison, A., Johnston, R. Administração da Produção, p. 713-721, 1a Edição, Editora Atlas S.A., 1997. Toledo JR. I. Tempos & Métodos, p. 109-121, 6a Edição, 1989. Williams R., & Fletcher, C. Performance Management and Organizational Effectiveness. In Robertson, I.T., Callinan, M., & Bartram, D. Organizational Effectiveness: The Role of Psychology. Chichester: John Wiley & Sons, 2002.


consideraÇÃo de tolerÂncias no tempo do … · construídos dois cenários considerando valores...

Documents