Aplicação e sistematização do controle estatístico do processo em uma linha de embalagem de frutas

Diego Jean de Melo; Laila Alves da Silva; Anderson Paulo de Paiva; Roberto da Costa Quinino

doi:10.47456/bjpe.v8i4.37577

Autores

Diego Jean de Melo Instituto de Engenharia de Produção e Gestão (IEPG), Universidade Federal de Itajubá (UNIFEI) Autor https://orcid.org/0000-0002-4486-0585
Laila Alves da Silva Departamento de Estatística (DEST), Universidade Federal de Minas Gerais (UFMG) Autor https://orcid.org/0000-0001-5650-3289
Anderson Paulo de Paiva Instituto de Engenharia de Produção e Gestão (IEPG), Universidade Federal de Itajubá (UNIFEI) Autor https://orcid.org/0000-0002-8199-411X
Roberto da Costa Quinino Departamento de Estatística (DEST), Universidade Federal de Minas Gerais (UFMG) Autor https://orcid.org/0000-0002-2178-1331

DOI:

https://doi.org/10.47456/bjpe.v8i4.37577

Palavras-chave:

Agronegócio, Capacidade de Processo, Gráfico de Controle, CEP, Industria 4.0

Resumo

A agricultura é um dos segmentos mais importante na economia mundial, responsável por alavancar o PIB de muitos países como China, Brasil, Índia e Estados Unidos. Com tal grande representatividade, o desenvolvimento e aplicação de ferramentas de melhoria nesse seguimento se torna altamente relevante. Neste sentido, o presente artigo tem como objetivo apresentar a aplicação do Controle Estatístico do Processos (CEP) integrado com o conceito de Industria 4.0 para reduzir perdas de processo em uma linha de embalagem de uma empresa de fruticultura. Das ferramentas que compõe o CEP foram utilizadas a análise de capacidade e o gráfico de controle I-MR integradas em um sistema digital e online a fim de analisar a adequação do processo com as expectativas do cliente. Os resultados da aplicação do sistema foi a redução na perda por embalagens com peso fora dos padrões de especificação, tendo uma redução da média do peso embalado em 8,10%, e desvio da média do processo para o alvo de apenas 0,17%. O processo também se tornou mais robusto, com uma redução do desvio padrão em 68,33%. Assim é possível concluir a eficiência da aplicação do CEP com um sistema digital para obtenção melhores resultados nos processos agrícolas.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

Diego Jean de Melo, Instituto de Engenharia de Produção e Gestão (IEPG), Universidade Federal de Itajubá (UNIFEI)

Doutorando (previsão 2023) e mestre em Engenharia de Produção pela UNIFEI - Universidade Federal de Itajubá (2019). Graduado em Engenharia de Produção pela UFSJ - Universidade Federal de São João Del Rei (2015). Membro do Núcleo de Otimização da Manufatura e de Tecnologia da Inovação (NOMATI). Trabalho concluído de iniciação cientifica pelo Programa Institucional de Iniciação Científica (PIIC), edital nº 002/2014/PROPE, março/2015 a fevereiro/2016. Foi membro do Gep_LASID - Grupo de Estudo e Pesquisa do Laboratório de Sistemas Dinâmicos de 2014 a 2015. Monitor de Cálculo II em 2011. Monitor de Cálculo I em 2010 e 2011. Especialista em análise Methods-Time Measurement - Universal Analyzing System (MTM-UAS), análise Ergonomic Assessment Work-Sheet (EAWS) e Black Belt em Lean Seis Sigma. Experiência com atuação e desenvolvimento de projetos nas áreas de Melhoria Contínua, Produtividade e Processo. Instrutor de curso Excel 365.
Laila Alves da Silva, Departamento de Estatística (DEST), Universidade Federal de Minas Gerais (UFMG)

Mestra em Engenharia de Produção pela Universidade Federal de Itajubá (UNIFEI), Engenheira de Produção pela Universidade Federal de São João del Rei (UFSJ) e entusiasta nessas áreas. Tem interesse em processos logísticos e métodos estatísticos multivariados aplicados a processos industriais com ênfase no Controle Estatístico da Qualidade, Melhoria Contínua, Planejamento de Experimentos (Design of Experiment - DOE), DMAIC e outros.
Anderson Paulo de Paiva, Instituto de Engenharia de Produção e Gestão (IEPG), Universidade Federal de Itajubá (UNIFEI)

Professor Associado IV da Universidade Federal de Itajubá (UNIFEI/IEPG). Índice Scopus H19. Bolsista de Produtividade em Pesquisa CNPq. Possui graduação em Engenharia Mecânica, mestrado em Engenharia de Produção e doutorado em Engenharia Mecânica (Unifei). Atua na área de Projeto e Análise de Experimentos, Estatística Multivariada e Métodos de Otimização. Linha de Pesquisa principal: Otimização de Processos de Manufatura.
Roberto da Costa Quinino, Departamento de Estatística (DEST), Universidade Federal de Minas Gerais (UFMG)

Atualmente é Professor Titular da Universidade Federal de Minas Gerais - Departamento de Estatística. Possui experiência nas áreas de Controle de Qualidade e Marketing Engineering com ênfase em Aplicações de Modelos Estocásticos. Atua principalmente nos seguintes temas: Taguchi on-line, processo markoviano de decisão, erros de classificação, otimização, planejamento de cartas de controle, análise de regressão, planejamento de experimentos e modelo de escolhas discretas. Orienta trabalhos em nível de Graduação, Especialização, Mestrado e Doutorado. Publicou trabalhos em periódicos de circulação nacional e internacional. É sócio da Associação Brasileira de Estatística (ABE), Sociedade Brasileira de Pesquisa Operacional (SOBRAPO), Associação Brasileira de Engenharia de Produção (ABEPRO), Sociedade Brasileira de Matemática (SBM), Sociedade Brasileira de Matemática Aplicada e Computacional (SBMAC) e Sociedade Brasileira para o Progresso da Ciência (SBPC).

Referências

Abbas, Z., Nazir, H. Z., Akhtar, N., Abid, & M., Riaz, M. (2020). On designing an efficient control chart to monitor fraction nonconforming. Quality and Reliability Engineering International, 36(2), 547–564. https://doi.org/10.1002/qre.2590

Addeh, J., Ebrahimzadeh, A., Azarbad, M., & Ranaee, V. (2014). Statistical process control using optimized neural networks: A case study. ISA Transactions, 53(5), 1489–1499. https://doi.org/10.1016/j.isatra.2013.07.018

American Society for Quality (2000). ANSI/ISO/ASQ 9004-2000. Milwaukee: ASQ Quality Press.

Aslam M., Azam M., Khan N., & Jun C. (2015). A mixed control chart to monitor the process. International Journal of Production Research, 53(15), 4684–4693. https://doi.org/10.1080/00207543.2015.1031354

Casella, G. & Berger, R. L. (1990). Statistical Inference (2ª ed.). Florida: Duxbury Press.

Cheng, C. B. (2005). Fuzzy process control: construction of control charts with fuzzy numbers. Fuzzy sets and Sustems, 154(2), 287-303. https://doi.org/10.1016/j.fss.2005.03.002

Cooksey, R. W. (2020). Illustrating Statistical Procedures: Finding Meaning in Quantitative Data. (3ª ed). Nova Iorque: Springer.

Darestani, S. A., & Nasiri, M. (2016). Statistical process control: Fuzzy X ̅-S control chart and process capability índices in normal data environment. International Journal of Quality & Reliability Management, 33(1), 2-24. https://doi.org/10.1108/IJQRM-08-2013-0130

Deming, W. E. (1986). Out of the Crisis (1ª ed.). Cambridge: Massachusetts Inst Technology.

Faria S., C. E., Jardim, F. S., Camargo, V. C. B., Lizarelli, F. L., & Oprime, P. C. (2020). Unconditional performance of the X ̅ chart: Comparison among five standard deviation estimators. Quality and Reliability Engineering International, 36(5), 1808-1819. https://doi.org/10.1002/qre.2661

Finnerty, P., Provost, L., O’donnell, E., Selk, S., Stephens, K., Kim, J., & Berns, S. (2019). Using Infant Mortality Data to Improve Maternal and Child Health Programs: An Application of Statistical Process Control Techniques for Rare Events. Maternal and Child Health Journal, 23(6), 739–745. https://doi.org/10.1007/s10995-018-02710-3

Fonseca, L. A., Jr., Gomes, L. C. P., Santos, A. G., & Peruchi, R. S. (2019). Análise da percepção da satisfação dos clientes de uma empresa de produtos de máquinas e implementos agrícolas. Brazilian Journal of Production Engineering, 5(3), 1-18. https://doi.org/10.0001/V05N03_01

Haq, A. & Munir, W. (2021). New CUSUM and Shewhart-CUSUM chart for monitoring the process mean. Quality and Reliability Engineering International, 37(8), 3512-3528. https://doi.org/10.1002/qre.2930

Jardim, F. S., Chakraborti, S., & Epprecht, E. K. (2019). X ̅ Chart with Estimated Parameters: The Conditional ARL Distribution and New Insights. Production and Operations Management, 28(6), 1545–1557. https://doi.org/10.1111/poms.12985

Keller, D. S., Paula, T. R., Yu, G., Zhang, H., Al-Mazrou, A., & Kiran, R. P. (2020). Statistical Process Control (SPC) to drive improvement in length of stay after colorectal surgery. The American Journal of Surgery, 219(1), 1006-1011. https://doi.org/10.1016/j.amjsurg.2019.08.029

Kennedy, C. W., Hoffman E. G., & Bond S. D. (1987). Inspection and gaging (6ª ed.). NewYork: Industrial Press Inc.

Khan, M. Z., Khan, M. F., Aslam, M., Akhavan Niaki, S. T., & Mughal, A. R. (2018). A fuzzy EWMA attribute control chart to monitor process mean. Information (Switzerland), 9(12), 1-13. https://doi.org/10.3390/info9120312

Knauer, W. A., Godden, S. M., Dietrich, A., Hawkins, D. M., & James, R. E. (2018). Evaluation of applying statistical process control techniques to daily average feeding behaviors to detect disease in automatically fed group-housed preweaned dairy calves. Journal of Dairy Science, 101(9), 8135-8145. https://doi.org/10.3168/jds.2017-13947

Kottner, J. (2014). The value of Statistical Process Control in quality improvement contexts: Commentary on Unbeck et al. (2013). International Journal of Nursing Studies, 51(1), 346-349. https://doi.org/10.1016/j.ijnurstu.2013.04.011

Kringel, D. H., Dias, A. R. G., Zavareze, E. R., & Gandra, E. A. (2020). Fruit Wastes as Promising Sources of Starch: Extraction, Properties, and Applications. Starch ‐ Stärke, 72(3-4), 1-9. https://doi.org/10.1002/star.201900200

Lee, L. Y., Khoo, M. B. C., Teh, S. Y., & Lee, M. H. (2015). A variable sampling interval synthetic Xbar chart for the process mean. PLoS ONE, 10(5), 1-18. https://doi.org/10.1371/journal.pone.0126331

Lilliefors, H. W. (1967). On the Kolmogorov-Smirnov Test for Normality with Mean and Variance Unknown. Journal of the American Statistical Association, 62, 399-402. https://doi.org/10.2307/2283970

Lim, S. A. H., Antony, J., He, Z., & Arshed, N. (2017). Critical observations on the statistical process control implementation in the UK food industry: A survey. International Journal of Quality & Reliability, 34(5), 684-700. https://doi.org/10.1108/IJQRM-03-2015-0035

Mizaei, N., Niroomand, S., & Zare, R. (2016). Application of statistical process control in service industry. Journal of Modelling in Management, 11(3), 763-782. https://doi.org/10.1108/JM2-06-2014-0046

Montgomery, D. C. (2019). Introduction to Statistical Quality Control (7ª ed.). Nova Jersey: John Wiley & Sons.

Montgomery, D. C. & Runger, G. C. (2020). Applied Statistics and Probability for Engineers (6ª ed.). Nova Jersey: John Wiley & Sons.

Oakland, J. & Oakland, R. (2018). Statistical Process Control (7ª ed.). Nova Iorque: Routledge.

Oliveira, G. D., Santos, J. D., Silva, V. L., & Röder, C. (2018). Aplicação do controle estatístico do processo em uma indústria de autoadesivos. Exacta, 16(2), 135-154. https://doi.org/10.5585/exactaep.v16n2.7340

Peruchi, R. S., Rotela, P., Jr., Brito, T. G., Paiva, A. P., Balestrassi, P. P., & Araújo, L. M. M. (2020). Integrating multivariate statistical analysis into Six Sigma DMAIC projects: A case study on AISI 52100 hardened steel turning. IEEE Access, 8(1), 34246-34255. http://dx.doi.org/10.1109/ACCESS.2020.2973172

Polhemus, N. W. (2017). Process Capability Analysis (1ª ed.). Florida: CRC Press.

Prata, E. R. B. A., Chaves, J. B. P., Gomes, S. G. S., & Passos, F. J. V. (2020). Statistical quality control in the food industry: a risk-based approach. International Journal of Quality & Reliability Management, 38(2), 437-452. https://doi.org/10.1108/IJQRM-08-2019-0272

Raji, I. A., Lee, M. H., Riaz, M., Abujiya, M. R., Abbas, N. A robust multivariate Shewhart chart for contaminated normal environments. Quality and Reliability Engineering International, 37(6), 2665-2684. https://doi.org/10.1002/qre.2882

Riaz M., & Does R. J. M. M. (2009). A process variability control chart. Computational statistics, 24(2), 345–368. https://doi.org/10.1007/s00180-008-0122-z

Ross, J. E. (2017). Total Quality Management: Text, Cases and Readings (3ª ed.). Nova Iorque: Routledge.

Sahay, A. (2017). Process Capability Analysis for Quality and Lean Six Sigma (1ª ed). Nova Iorque: QMS Global LLC.

Shewhart, W. A. (1931). Economic Controlo of Quality of Manufactured Product (1ª ed). Nova Iorque: Van Nostrand.

Shewhart, W. A. (1939). Statistical Method from the Viewpoint of Quality Control (1ª ed). Whashington: Graduate School of the Department of Agriculture.

Soela, D. M., Vitória, E. L., Oliveira, R. F., Crause, D. H., Freitas, I. L. J., & Locatelli, T. (2020). Controle Estatístico de Processo em pulverização usando veículo aéreo não tripulado na cultura do café Conilon. Brazilian Journal of Production Engineering, 6(4), 52-63. https://periodicos.ufes.br/bjpe/article/view/30180/20928

Sower, V. E., Quarles, R., & Broussard, E. (2007). Cost of quality usage and its relationship to quality system maturity. International Journal of Quality & Reliability Management, 24(1), 121–140. https://doi.org/10.1108/02656710710722257

Sutterfield, J. S. & Daramola, T. R. (2016). Using the Tools of Quality to Improve Production Operations at Wilmington Textile. ProQuest, 9(2), 118-133. https://www.proquest.com/scholarly-journals/using-tools-quality-improve-production-operations/docview/2044296482/se-2

Vetter, T. R. & Morrice, D. (2019). Statistical Process Control: No Hots, No Runs, No Errors? Anesthesia and analgesia, 128(2), 374-382. https://doi.org/10.1213/ane.0000000000003977

Wiemken, T. L., Furmanek, S. P., Mattingly, W. A., Wright, M. O., Persaud, A. K., Guinn, B. E., Carrico, R. M., Arnold, F. W., & Ramirez, J. A. (2018). Methods for computational disease surveillance in infection prevention and control: Statistical process control versus Twitter's anomaly and breakout detection algorithms. American Journal of Infection Control, 46(2), 124-132. https://doi.org/10.1016/j.ajic.2017.08.005

Zerbato, C., Furlani, C. E. A., Ormond, A. T. S., Girio, L. A. S., Carneiro, F. M., & Silva, R. P. da (2017) Statistical process control applied to mechanized peanut sowing as a function of soil texture. (Research Article)(Report). PLoS ONE, 12(7), 1-14. https://doi.org/10.1371/journal.pone.0180399

Zhao, F., Chen, L., Xia, T., Ye, Z., & Zheng, Y. (2019). Gas turbine exhaust system health management based on recurrent neural networks. Procedia CIRP, 83, 630–635. https://doi.org/10.1016/j.procir.2019.04.122

Zhou, W., Cheng, C., & Zheng, Z. (2019). Optimal design of an attribute control chart for monitoring the mean of autocorrelated processes. Computers and Industrial Engineering, 137(January), 106081, 2019. http://dx.doi.org/10.1016/j.cie.2019.106081