utilizaÇÃo do planejamento de experimentos como ferramenta de otimizaÇÃo de … ·...

UTILIZAÇÃO DO PLANEJAMENTO DE

EXPERIMENTOS COMO FERRAMENTA

DE OTIMIZAÇÃO DE UM PROCESSO

PRODUTIVO DE INJEÇÃO DE

DISPOSITIVOS MÉDICOS

Everson Luiz Cadore (UNIFAE)

[email protected]

Gabriel Gabardo Pellanda (UNIFAE)

[email protected]

JOSE FARLEI OLIVEIRA LIMA (UNIFAE)

[email protected]

RAFAEL ROKS (UNIFAE)

[email protected]

ISABELLA ANDRECZEVSKI CHAVES (UNIFAE)

[email protected]

O DOE (Design Of Experiments - planejamento de experimentos) é

uma técnica utilizada na indústria para o delineamento de seus

processos produtivos. É uma técnica que, quando bem utilizada,

aperfeiçoa a produção, eleva o nível de qualidade e reduz perdas. Este

trabalho fez uso desta técnica para o desenvolvimento de um processo

produtivo de injeção de dispositivos médicos e foi escolhido devido a

existência de várias variáveis e que, atrelada a criticidade do material

injetado, apresentará ao meio acadêmico sua aplicação e eficácia.

Percebeu-se no decorrer deste estudo que os conhecimentos sobre o

processo de injeção, foram utilizados até parte da pesquisa para a

compreensão dos aspectos envolvidos, ponto a partir do qual se

efetuou o uso do software Minitab® para o planejamento e otimização

do processo. Ao final, diante de um processo complexo e

estatisticamente capaz, obteve-se ciência da relevância dessa técnica, e

absorveu-se seu conceito e aplicação.

Palavras-chave: Delineamento de experimentos, capacidade de

processo, moldagem por injeção, indústria farmacêutica.

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Perspectivas Globais para a Engenharia de Produção Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Perspectivas Globais para a Engenharia de Produção

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.

2

1. Introdução

O DOE (Design Of Experiments) ou planejamento de experimentos é uma técnica utilizada na

indústria para o delineamento de seus processos produtivos. É uma técnica que, quando bem

utilizada, aperfeiçoa a produção, eleva o nível de qualidade e reduz perdas. Este artigo se

baseia em um estudo realizado em uma indústria farmacêutica de dispositivos médicos que,

dentre seus processos, apresenta o de moldagem por injeção. Por se tratar de um produto

farmacêutico, portanto, crítico para o usuário final devido sua aplicação, é de suma

importância que as saídas da fabricação sejam controladas independentemente da

complexidade ou manuseio de suas variáveis.

O desafio do controle de variáveis de processos de fabricação não é algo limitado à indústria

farmacêutica. Indústrias de qualquer ramo veem, no exercício do controle estatístico, aumento

de produtividade, redução de perdas e sucatas, redução de retrabalhos e aumento da sua

qualidade. E é neste contexto que será introduzido o uso do planejamento de experimentos

como forma de atingir o processo Seis Sigma.

O DOE usa experimentos para descobrir de que forma um determinado efeito se comporta em

diferentes condições e permite que se realizem estudos no processo com um número eficiente

de experimentos. Além de contribuir para o atingimento do objetivo esperado, o faz com um

número racional de experimentos sem que seja necessária a simulação de cada

comportamento do produto ou processo.

A ferramenta utilizada para o planejamento dos experimentos para a definição de uma janela

de operação para o processo capaz de, consistentemente, atingir as saídas esperadas para o

produto. Foi efetuada a coleta de amostras de acordo com o estudo planejado no software

Minitab®. A análise dos dados obtidos gerou as respostas para os cálculos de capabilidade, os

quais foram utilizados para a avaliação das saídas obtidas no desenvolvimento do processo.

2. Metodologia

Inicialmente a tecnologia do processo foi estudada para o conhecimento básico sobre o

processo de injeção e o correto ajuste dos parâmetros necessários para o funcionamento do

sistema (temperatura do polímero, pressões para movimentação do pistão, perfis de

temperatura da câmara, etc.). Desta forma, foram selecionadas as variáveis inicias a serem

estudadas pelo modelo fatorial (que identificou as variáveis chaves do sistema).

A partir das saídas do estudo fatorial foi planejado o experimento através do modelo



3

superfície de resposta, o qual teve como objetivo encontrar a janela de operação do processo,

alvo deste estudo.

Ao final, foram registrados os desempenhos das características do produto que foram geradas

como saída da janela desenvolvida, para a verificação da sua capabilidade, assim como o

aprendizado gerado durante a pesquisa.

3. Descrição das variáveis de estudo

As variáveis do estudo foram definidas de acordo com a normatização ISO do componente

produzido e padrões de qualidade da empresa em questão, assim como os critérios de

aceitação para cada uma delas.

3.1 Seleção das variáveis

Foi apresentado ao grupo de estudo as especificações do componente a ser injetado, estando

as características variáveis e atributivas descritas na Tabela 1.

Tabela 1 – Especificações e critérios

Cota Tolerância Critério de aceitação

A 11,95±0,05mm 90% lower bound Ppk ≥ 1.01

B 9,27±0,05mm 90% lower bound Ppk ≥ 1.10

C 12,30±0,05mm 90% lower bound Ppk ≥ 1.10

D 3,97±0,05mm 90% lower bound Ppk ≥ 1.10

E 6,0±0,4%

Peças analisadas devem estar dentro

da tolerância e serem aprovadas em

calibre de precisão fornecido pela

empresa.

F 0,165±0,085mm 90% lower bound Ppk ≥ 1.10

Características varíáveis

Características atributivas

Peça falhada, Deformidades, Furos obstruídos, Linhas de solda, Bolhas,

Rebarbas e Marcas de queimado.

Fonte: Os autores (2015)

A eficácia do método será comprovada a partir da não constatação de defeitos visuais e

atingimento da capabilidade (Ppk) requerida para cada característica.

3.2 Apresentação dos fatores do estudo

Depois de identificadas as variáveis passíveis de serem analisadas durante o DOE, foram

estudados os parâmetros do processo de injeção para que se selecionasse aqueles que seriam

estudados nos modelos. Nesta etapa, o objetivo foi distinguir os parâmetros inerentes,



4

estritamente, ao funcionamento e condicionamento do conjunto para a injeção, e àqueles que

poderiam apresentar uma significância para o ajuste fino do processo e controle das variáveis

de saída. Os parâmetros selecionados serão apresentados a seguir, dentro do estudo fatorial

exploratório.

4. Estudo fatorial exploratório

A saída esperada do estudo exploratório é o conhecimento dos efeitos dos fatores sobre as

variáveis de saída, sua significância para cada uma dessas, os fatores e seus níveis para a

aplicação do modelo superfície de resposta, o qual resultará na janela de operação do

processo. A seguir serão apresentados os detalhes do estudo fatorial, partindo da seleção dos

fatores, do modelo de estudo, análise e conclusões preliminares.

4.1 Seleção de fatores e níveis para o estudo fatorial exploratório

O sucesso da aplicação do modelo depende, dentre outros cuidados, da correta seleção dos

fatores e níveis para a simulação. Caso um importante fator não seja selecionado, ou um nível

não seja suficientemente abrangente para a medida do seu efeito nas variáveis respostas, o

resultado do modelo não será acurado para o delineamento do processo, podendo não gerar a

saída esperada e não possuindo uma boa representatividade estatística.

Nesta etapa do estudo foram selecionados os fatores que poderiam exercer influência na

injeção do material e que não fossem relacionados, estritamente, ao funcionamento da

máquina. Para o modelo fatorial, os fatores foram escolhidos a partir do universo de

parâmetros do processo, sendo selecionados àqueles que potencialmente poderiam interferir

nas variáveis repostas. A partir deste critério determinou-se que os parâmetros que deveriam

ter seus comportamentos entendidos analisados seriam: velocidade de injeção, pressão de

recalque, temperatura do plástico, temperatura da água de refrigeração do molde, temperatura

da câmara quente e o tempo de recalque.

Os níveis de operação para cada fator foram definidos conforme abaixo:

Velocidade de injeção: a velocidade de injeção pode apresentar diferentes perfis de acordo

com o curso do pistão (exemplo: de 0 a 15 mm 250 mm/s e 15 a 20 mm 75 mm/s). Portanto,

foram definidos diferentes níveis de estudo para 2 estágios da injeção, denominados de 1 e 2.

Para a definição dos níveis do estágio principal, foi utilizada uma técnica para o

descobrimento do intervalo estável do fluido que considera a variação da viscosidade do

material ao passo que é aumentada a velocidade de injeção. O objetivo foi identificar o ponto



5

a partir do qual a viscosidade do material deixa de apresentar variações e se estabiliza. As

entradas da avaliação são: velocidade de injeção (ajustada em diferentes níveis conforme

disponibilidade do equipamento), volume de material na rosca (definido a partir do volume de

plástico necessário para o preenchimento das cavidades do molde – sem compressão), tempo

de preenchimento esperado (função da velocidade ajustada e volume de material na rosca),

valores reais medidos pela injetora, taxa de cisalhamento (inverso do tempo de

preenchimento) e viscosidade relativa (produto do tempo de preenchimento e pressão do

plástico na injeção).

Tabela 2 – Especificações e critérios

Vel

oci

da

de

de

inje

ção

(%

)

Vel

oci

da

de

aju

sta

da

(mm

/seg

)

Tem

po

de

pre

ench

imen

to

esp

era

do

(se

g)

Tem

po

de

pre

ench

imen

to

rea

l (s

eg)

Pre

ssã

o d

o p

lást

ico

(b

ar)

Ta

xa d

e ci

salh

am

ento

(1/s

eg)

Vis

cosi

da

de

rela

tiv

a (

ba

r-

seg

)

Vel

oci

da

de

rea

l d

a

má

qu

ina

mm

/sec

Va

ria

ção

tem

po

de

pre

ench

imen

to (

% d

iff)

10% 30 2 1,87 613 0,53 1.146 26,738 -7%

19% 60 1 0,96 750 1,04 720 520,833 -4%

29% 90 0,667 0,66 850 1,52 561 757,576 -1%

39% 120 0,5 0,51 900 1,96 459 980,392 2%

48% 150 0,4 0,42 920 2,38 386 1,190,476 5%

58% 180 0,333 0,36 940 2,78 338 1,388,889 7%

68% 210 0,286 0,32 930 3,13 298 156,25 11%

77% 240 0,25 0,3 930 3,33 279 1,666,667 17%

87% 270 0,222 0,28 995 3,57 279 1,785,714 21%

97% 300 0,2 0,26 1.095 3,85 285 1,923,077 23% Fonte: Os autores (2015)

A partir da variação dos valores, conforme a Tabela 2 se obteve a curva abaixo (Figura 1).



6

Figura 1 – Curva de viscosidade


Percebe-se que a curva apresenta uma forma logarítmica e que os valores da viscosidade

relativa estabilizam-se a partir da velocidade de injeção igual a 210 mm/s. Como a máquina

proporciona velocidades de injeção até 300 mm/s segundo, o fator velocidade de injeção 1

estudado foi de 210 mm/s até 300 mm/s.

A velocidade 2, perfil utilizado para o preenchimento da porção final da peça, foi considerada

dentre um intervalo de operação de 20 mm/s até 210 mm/s. Para que se isole o

comportamento do fator, intervalos superiores a 210 mm/s não foram selecionados para que

não se confunda com a velocidade 1 na aleatorização das corridas com as variações de

máximos e mínimos provenientes do modelo.

Pressão de recalque: os níveis deste fator foram selecionados de forma que, em seu valor mais

baixo, a peça não apresentasse um aspecto de incompleta ou ondulada, e em seu valor

máximo, rebarbas pela quantidade excessiva de plástico. Experimentalmente, o intervalo de

700 bar a 1100 bar foi escolhido.

Temperatura do plástico: os níveis deste fator foram escolhidos conforme a sugestão de

processamento do fabricante de polipropileno, que indica um intervalo de 215 a 235ºc.

Temperatura da água do molde: este fator é ajustado a partir de um controlador de

temperatura anexo à máquina, e possui a função de esquentar a água que irá circular no

interior do molde para a refrigeração do mesmo. Para este fator, foi utilizado todo o intervalo

de operação do controlador que apresenta ajustes de 20º (como o equipamento realiza

somente o aquecimento da água, foi selecionada a temperatura ambiente usual) até 38ºc

(limite máximo de sustentação da temperatura).



7

Temperatura da câmara quente: os níveis deste fator foram definidos a partir da temperatura

de processamento do plástico, apresentando um intervalo que proporcione boa fluidez pela

câmara quente sem diferenças bruscas de temperatura. Os níveis foram definidos de 220 a

240ºc. Os níveis deste fator foram ajustados levemente mais altos que a temperatura de

processamento do plástico para que o fluido não iniciasse seu resfriamento no interior da

câmara.

Tempo de recalque: este fator influencia diretamente no processo, pois representa o tempo de

aplicação da pressão de recalque (responsável pela estabilização da peça e congelamento do

ponto de injeção). Para a determinação de seus níveis, foi realizada a variação gradativa de

seu ajuste e monitorado o peso da peça a cada ajuste, conforme Figura 2.

Figura 2 – Estabilização do peso da peça


Percebe-se (Figura 2) que o peso da peça começa a estabilizar-se por volta de 1,7 segundos,

portanto, o nível inferior do fator foi fixado em 1,7s.

Por ter influencia conhecida e direta na injeção, este fator não será explorado no estudo

fatorial e será considerado somente no estudo otimizado.

Por fim, abaixo, na Tabela 3, está o resumo desta fase do estudo, com os fatores definidos e

seus níveis de operação:



8

Tabela 3 – Fatores e níveis definidos no estudo

Fatores Níveis

Velocidade 1 210 - 300 mm/s

Velocidade 2 20 - 210 mm/s

Pressão recalque 700 - 1100 bar

Temperatura do plástico 215 – 235 celsius

Temperatura da água do molde 20 – 38 celsius

Temperatura da câmara quente 220-240 celsius

Tempo de recalque. A partir de 1,7 segundos Fonte: Os autores (2015)

4.2 Nível de confundimento e resolução do estudo

Quando se planeja um experimento, pode-se escolher a sua resolução. Quanto maior a

resolução do estudo, maior será o número de corridas e mais robusto se torna o estudo, pela

possibilidade do isolamento do comportamento de certos fatores e combinações.

Atrelado ao confundimento tem-se o comportamento chamado de alias, que representa quais

fatores e interações estão confundidas entre si. Por exemplo: se for gerado um modelo fatorial

de 4 fatores e 8 corridas, obtém-se uma resolução IV, que significa que fatores de primeira

ordem serão confundidos com fatores de terceira ordem, e de segunda ordem entre si.

À medida que se aumenta a resolução de um estudo, os fatores de primeira ordem se

confundem com fatores de ordem superiores, que podem ser considerados insignificantes para

o estudo (Quadro 1).

De modo a reduzir o tempo despendido com as corridas do modelo, pode-se sacrificar a

resolução do estudo, desde que, as interações confundidas não sejam relevantes na obtenção

de uma resposta precisa. Assim, deve-se ter em mente qual é o objetivo do estudo para não

deixar que interações importantes sejam confundidas e não possam ser propriamente

avaliadas.



9

Quadro 1 – Resolução do estudo e nível de confundimento

Resolução Nível de confundimento

IIIEfeitos principais não são confundidos entre si, mas são confundidos com interações de

segunda ordem.

IV

Efeitos principais não são confundidos entre si e nem com interações de segunda ordem,

mas interações de segunda ordem são confundidas entre si e efeitos principais são

confundidos com fatores de terceira ordem.

V

Efeitos principais e efeitos de segunda ordem não são confundidos com efeitos principais ou

de segunda ordem, mas efeitos de segunda ordem são confundidos com efeitos de terceira

ordem e efeitos principais com interações de quarta ordem. Fonte: Os autores (2015)

4.3 Concepção do modelo fatorial exploratório

Como o objetivo desta fase do estudo era o conhecimento de quais fatores poderiam ser

significativos, a resolução IV foi escolhida, resultante de um modelo fatorial fracionado, onde

neste gera-se 19 corridas, resultando em um número de amostras viáveis e satisfatória para o

estudo, objetivando separar os efeitos principais e suas interações relacionadas ao produto.

Somente uma replicação foi escolhida e nenhum bloco foi definido para as corridas. Ao total,

3 center points foram escolhidos para o controle dos ruídos e balizamento das repostas.

4.4 Execução das simulações

A partir do modelo descrito, o software gerou a aleatorização de corridas a serem simuladas.

Durante as simulações no processo, buscou-se realizar as corridas na mesma ordem

apresentada pelo software para que fosse evitada a criação de blocos desconhecidos pelo

modelo. Após cada corrida, foram coletadas amostras e analisadas conforme as respostas

escolhidas para o estudo.

Para a análise dos dados foram escolhidas como respostas as cotas A, E e F, as quais

representam as cotas representativas para cada porção de interesse do componente. Durante a

análise das amostras foram identificadas algumas bolhas na base do componente, as quais

também serão analisadas como resposta no modelo.

4.5 Análise dos resultados

Para a análise do modelo, os dados foram processados e tiveram seus gráficos gerados para

cada variável resposta:



10

Figura 3 – Fatores significativos para bolha na base

AF

B

AE

D

BD

AD

ABD

BC

BF

F

AC

AB

C

A

E

43210

Te

rm

Standardized Effect

4,303

A V Inj 1

B V Inj 2

C Pr Recalque

D T P lastico

E T A gua Molde

F T C amara

Factor Name

Pareto Chart of the Standardized Effects(response is Bolha Base Luer, Alpha = 0,05)


Bolha na base: Para a variável “bolha na base” percebe-se (Figura 3) que nenhum fator ou

interação apresentou ser significativo, pois os valores de p, para cada uma, estão acima de

0,05 (nível de confiança), o que pode significar duas coisas: a variável não é afetada por

nenhum fator estudado ou os níveis não foram escolhidos de forma a caracterizar a presença

da bolha. Os defeitos foram apresentados ao responsável do processo e foi constatado que

seria possível a melhora da característica com o ajuste dos parâmetros de funcionamento da

máquina, uma vez que a presença de bolhas é determinada pela compactação do material no

cilindro de injeção. A contrapressão foi ajustada para a eliminação da bolha no componente,

mas não foi incluída como fator no estudo otimizado uma vez que possui efeito limitado nas

respostas e se trata de um ajuste inerente ao funcionamento da máquina.



11

Figura 4 – Fatores significativos para a cota A

300255210

12,00

11,99

11,98

21011520 1100900700

235225215

12,00

11,99

11,98

382920 240230220

V Inj 1

Me

an

V Inj 2 Pr Recalque

T Plastico T Agua Molde T Camara

Main Effects Plot for Cota AData Means


Figura 5 – Fatores significativos para a cota E

300255210

9,40

9,38

9,36

9,34

21011520 1100900700

235225215

9,40

9,38

9,36

9,34

382920 240230220

V Inj 1

Me

an

V Inj 2 Pr Recalque


Main Effects Plot for Cota EData Means




12

Cota A: Nota-se através da Figura 4, que o parâmetro de maior significância para a cota A, é a

temperatura da água do molde seguido pela temperatura da câmara, pois estes possuem maior

inclinação da reta no gráfico dos efeitos principais (Figura 4).

Cota E: Para a cota E, constata-se através da Figura 5, que esta dimensão sofre maior

influência pelo fator velocidade de injeção 2.

Figura 6 – Fatores significativos para a cota F

300255210

0,064

0,062

0,060

0,058

21011520 1100900700

235225215

0,064

0,062

0,060

0,058

382920 240230220

V Inj 1

Me

an

V Inj 2 Pr Recalque


Main Effects Plot for Cota FData Means


Cota F: Para a cota F, pode-se verificar através dos gráficos (Figura 6), que esta dimensão

sofre maior influência pelo fator temperatura da água de refrigeração do molde.

Os modelos apresentaram uma excelente representatividade com R2 ajustados iguais a 93,58%

para a cota A, 99,08% para a cota E e 96,71% para a cota F, resultados estes, que fornecem

confiança nas estimativas do modelo para a caracterização do processo.

5. Estudo otimizado

O estudo otimizado, através do modelo superfície de resposta, levou em conta as variáveis

chave identificadas no estudo exploratório, para a determinação de um intervalo de operação

que leve as variáveis resposta a um nível de controle e gere resultados de acordo com os

critérios definidos na seção 3.1.



13

Para tal, as mesmas fases de desenvolvimento adotadas no estudo exploratório foram adotadas

aqui. Foi realizada a escolha dos fatores e níveis (saídas do modelo fatorial), o modelo foi

escolhido, as amostras analisadas e a janela de operação definida através da análise do

modelo.

5.1 Seleção de fatores e níveis para o modelo de superfície de resposta

Conforme as saídas do estudo fatorial, os fatores significativos para o processo foram:

velocidade de injeção 2, pressão de recalque e a temperatura da água de refrigeração do

molde. Os níveis de operação a serem simulados serão os mesmos do modelo fatorial para a

temperatura da água do molde e pressão de recalque. Foi percebido que o intervalo que

apresenta maior influência nas respostas para a velocidade de injeção 2, varia de 20 mm/s até

120 mm/s, portanto, este foi o intervalo adotado.

Como já apresentado anteriormente, o tempo de recalque tem influência conhecida no

processo e, portanto, também foi estudado. Os níveis de estudo para este fator

compreenderam a faixa de 1,5 a 2,5 segundos. O limite inferior de 1,7 segundos definido

experimentalmente foi extrapolado até 1,5 segundos para que se garantisse o maior intervalo

de operação possível. O limite de 2,5 segundos foi estabelecido de forma a garantir um

intervalo de operação, porém, sem que se comprometesse a integridade do produto e/ou

máquina por um tempo excessivo de aplicação do recalque.

5.2 Concepção do modelo superfície de resposta

Como o objetivo desta fase do estudo é a definição do intervalo ótimo de operação, o modelo

central composite full foi escolhido para a modelagem das corridas. Como não há o interesse

de expandir os níveis, a categoria face centered foi escolhida (nesta categoria os pontos axiais

e extremos não mantidos dentro dos níveis selecionados).

5.3 Execução das simulações

A partir do modelo acima, o software gerou a aleatorização das corridas a serem simuladas.

As mesmas diretrizes para execução das corridas no modelo fatorial foram usadas para a

execução destas simulações: execução conforme aleatorização do modelo e coleta de amostras

para cada corrida.

Para a análise dos dados foram escolhidas como respostas as cotas A, B, D e E. Para este

estudo, mais cotas foram selecionadas a fim de se obter uma visão mais ampla sobre o

impacto dos fatores para a definição do intervalo de operação. Durante a análise das amostras



14

foram identificadas algumas peças falhadas, as quais foram incluídas como resposta do

estudo.

5.4 Análise dos resultados do estudo otimizado

Os modelos apresentaram uma representatividade adequada para a análise com R2 ajustados

iguais a 65,15% para a cota A, 81,23% para a cota E, 72,85% para a cota D, 97,46% para a

cota B e 62,51% para peças falhadas, resultados estes, que fornecem confiança nas

estimativas do modelo para a caracterização do processo. Aderências de pelo menos 60% são

consideradas representativas para a análise de modelos estatísticos.

O ponto de partida para a definição da janela de operação foi a identificação do ajuste ótimo

dos fatores em função das variáveis reposta. Para tal, o recurso response optmizer (otimizador

de repostas) foi utilizado (esta análise utiliza um procedimento numérico que procura

conjuntamente as funções-objetivos de todas as respostas de interesse).

Para a definição de um intervalo seguro para a operação, a análise da superfície de resposta de

cada variável em função da combinação dos fatores do estudo foi realizada. Os diferentes

níveis das superfícies foram ajustados em função dos desvios padrão encontrados durante o

estudo, de forma que se pudesse definir o intervalo que resultasse em uma margem segura

para cada dimensão.

Através da análise visual dos gráficos de contorno “contour plots” de cada cota, fez-se a

intersecção dos parâmetros, para cada situação, que compreendiam a área que resultasse na

região mais próxima dos valores nominais de cada cota.

Após definida a janela, a mesma foi analisada através do response optmizer para a verificação

das médias estimadas.

Uma vez que as médias das cotas resultantes em cada extremo definido ficaram a contento e

com uma margem segura para seus limites de especificação, os ajustes do processo, advindos

do DOE, foram:



15

Tabela 4 – Fatores e níveis resultantes do otimizado

Parâmetros de referência Intervalo de operação

Velocidade 1 210 a 300 mm/s

Temperatura do plástico 215 a 235 celsius

Temperatura da câmara quente 220 a 240 ºc

Parâmetros chave para controle do processo Intervalo de operação

Tempo de recalque. 1,5 a 1,8 segundos

Velocidade 2 50 a 65 mm/s

Pressão recalque 1000 a 1100 bar

Temperatura da água do molde 25 a 28 ºc Fonte: Os autores (2015)

6. Confirmação da janela de operação proposta

A fim de desafiar a janela de operação, resultante do modelo superfície de resposta, as

combinações dos piores casos das características, em função das combinações dos parâmetros

de operação do processo, foram geradas.

A partir do recurso do otimizador de respostas (response optmizer) foi possível identificar,

dentro da janela de operação definida, os piores casos para cada característica escolhida como

resposta do modelo de superfície de resposta. Através da visualização do comportamento da

característica em função de cada parâmetro foi possível identificar o “pior” resultado possível

dentro da janela selecionada. A confirmação consiste no princípio de que, mesmo na “pior”

condição da janela de operação, a característica deve apresentar o nível de capabilidade de

acordo com seu critério de aceitação.

Após a identificação dos piores casos, as corridas de confirmação resultantes se apresentaram

conforme Tabela 5.



16

Tabela 5 – Fatores e níveis resultantes do otimizado

Run 01 Run 02 Run 03 Run 04

Tempo de recalque (seg) 1,5 1,5 1,8 1,8

Velocidade 2 (mm/s) 65 50 50 65

Pressão de recalque (bar) 1100 1000 1000 1100

Temp. água do molde (ºc) 28 25 25 28

CTQs a serem

avaliadas

Maiores médias

para as cotas B

e F e menores

médias para as

cotas A e C.

Maior média

para a cota E e

menor média

para a cota D.

Como esta é

combinação dos

limites inferiores

dos parâmetros

as características

visuais também

serão avaliadas.

Maiores médias

para as cotas A

e C, e menores

médias para as

cotas B e F.

Maior média

para a cota D e

menor média

para a cota E.

Como esta é

combinação dos

limites

superiores dos

parâmetros as

características

visuais também

serão avaliadas. Fonte: Os autores (2015)

Uma vez realizadas as corridas de confirmação e retiradas as amostras para análise, as

mesmas foram encaminhadas ao laboratório para avaliação.

Primeiramente, foram avaliadas as corridas 2 e 4 para a verificação de ocorrências visuais nas

situações extremas de operação. Como resultado, das 2500 amostras coletadas em cada

corrida, nenhuma apresentou qualquer defeito visual.

Confirmados os extremos de operação, as amostras de cada uma das 4 corridas foram

submetidas às análises dimensionais, cujos resultados podem ser visualizados na Tabela 6.



17

Tabela 6 – Resultado da confirmação

Cotas Critério de Aceitação

Resultado da

condição com menor

media esperada.

Resultado da

condição com maior

media esperada.

A 90% Lower Bound Cpk ≥ 1.01 Cpk = 1,22 Cpk = 1,06

B 90% Lower Bound Cpk ≥ 1.10 Cpk = 1,19 Cpk = 2,54

C 90% Lower Bound Cpk ≥ 1.10 Cpk = 1,41 Cpk = 1,34

D 90% Lower Bound Cpk ≥ 1.10 Cpk = 1,37 Cpk = 1,36

E

Peças analisadas devem estar

dentro da tolerância e serem

aprovadas em calibre de precisão

fornecido pela empresa.

F90% Lower Bound Cpk / Ppk ≥

1.10Cpk = 2,73 Cpk = 3,16

Todas as amostras do ciclo coletado estavam

dentro da especificação e foram aprovadas pelo

calibre fornecido.


7. Considerações finais e conclusões

Este estudo permitiu demonstrar a utilização, assim como evidenciar a importância da

ferramenta DOE, em processos complexos onde as saídas destes são altamente influenciadas

pelas entradas.

Como demonstrado nos resultados, é de grande importância que, antes de se iniciar a

execução das corridas definidas no DOE, conheça-se o comportamento dos fatores

controláveis dentro do processo estudado, portanto, faz-se necessário um estudo inicial para

que se defina uma faixa, os níveis que serão inseridos no DOE exploratório, dentro de cada

fator. Desta forma, foram identificados os níveis, com base na estabilização da viscosidade do

material e do congelamento do ponto de injeção.

A partir da definição prévia dos níveis a serem estudados no DOE exploratório, o modelo foi

configurado no software Minitab® as corridas foram executadas. As amostras foram coletadas

e medidas e, com base na análise destas saídas, avaliou-se quais eram os fatores principais

atuantes dentro deste processo. Esta seleção foi feita com base avaliação dos gráficos de

efeitos principais e representatibilidade estatística de cada fator para as variáveis de saída.

Com as saídas do exploratório, pôde-se então extrair os principais fatores para se seguir para o

DOE otimizado, que buscou a janela final para o processo. Em relação aos outros fatores,

menos impactantes mas ainda controláveis, definiu-se faixas de operação para controle de

“ruídos” que venham a surgir no decorrer do tempo. Os fatores principais foram inseridos no

software e definidas as corridas para o DOE otimizado. As corridas foram executadas, as

amostras coletadas e medidas e as saídas analisadas dentro do Minitab®, e então extraiu-se



18

uma janela de operação para cada fator, este feito considerando as saídas e as curvas de

comportamento destas em relação a variação de cada fator. Com a janela, supostamente

ótima, foram executas novas corridas, denominadas corridas de confirmação, para verificar a

eficácia das janelas em seus piores casos, onde as características do produto têm seus

máximos e mínimos ainda dentro da especificação. Analisando as amostras coletadas a partir

destas, foi possível atingir, após todo o estudo completo e fazendo todas as considerações

necessárias em cada etapa, o objetivo inicial do estudo, uma janela ótima para operação do

equipamento, considerando as variáveis e especificações, e então garantir a robustez do

processo através da análise da capabilidade.

Foi possível demontrar a aplicação da ferramenta em um desenvolvimento de processo,

tornando este estatisticamente controlado e com alta capacidade. O software Minitab® foi

então utilizado como plataforma de análise dos dados e comprovação dos resultados do

estudo. E ao final, foi possível obter janelas de processo para cada fator, considerado no

estudo importante e de alta influência nas saídas, que garanta o nível de qualidade requerido

para as características do produto.

Referências

MONTGOMERY, D. C. Design and analysis of experiments. 5 th. ed. New York: John Wiley & Sons, Inc.,

2001.

WERKEMA, M. C. C.; AGUIAR, S. Planejamento e análise de experimentos: como identificar e avaliar as

principais variáveis influentes em um processo. Belo Horizonte - MG: QFCO, 1996.

GALDAMEZ, Edwin V. Cardoza; CARPINETTI, Luiz C. Ribeiro. Aplicação das técnicas de planejamento e

análise de experimentos no processo de injeção plástica. Gest. Prod., São Carlos, v. 11, n. 1, Apr. 2004.

Available from: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0104-

530X2004000100011&lng=en&nrm=iso. access on 26 Aug. 2012.

SADAT-SHOJAI, M.; ATAI, M.; NODEHI, A. Design of experiments (DOE) for the optimization of

hydrothermal synthesis of hydroxyapatite nanoparticles. Journal of the Brazilian Chemical Society, v. 22, n.

3, p. 571-582, mar 2011.

PRASAD, K. Siva; RAO, Ch. Srinivasa and RAO, D. Nageswara. Application of design of experiments to

plasma Arc Welding Process: a review. J. Braz. Soc. Mech. Sci. & Eng, v. XXXIV, n. 1, p. 75-81,jan 2012.

utilizaÇÃo do planejamento de experimentos como ferramenta de otimizaÇÃo de … ·...

Documents