VLT Presentation

1
(No Transcript)
2
Clientes - Normas
QAV-1/2
3
NORMAS DA QUALIDADE Requisitos Estatísticos
4
(No Transcript)
5
Por que as empresas automobilísticas Montadoras
e Sistemistas necessitam de Estatística ?

• Para entender a variação A MAIOR INIMIGA DA
  QUALIDADE
• Para atingir o ZERO defeitos
• Para aumentar a qualidade e a vida útil dos
  produtos
• Para evitar a ocorrencia de RECALL
• Para atender as normas ISO 9000, QS9000 ( Ford
  Chrysler GM ) ,TS 16949, PNQ e normas
  especificas de cada cliente.
• As empresas do segmento automotivo são muito
  cobradas pelas montadoras para terem um sistema
  de controle de qualidade que garanta a qualidade
  dos produtos.
• Para usar uma abordagem cientíifica nas análises
  de problemas.

6
Entradas - Saídas
7
SISTEMAS DE MEDIÇÃO
8
ANÁLISE DO SISTEMA DE MEDIÇÃO MSA -
QS-9000 O Sistema de medição deve ser
confiável. Evidências de estudos da variação
presente nos resultados de cada
sistema de medição. ( RR, Viés,
Lineariedade,Estabilidade, Incerteza de
medição,etc )
9
Fontes de variação em um sistema de medição
Instrumento
Peça
Repetitividade do instr. Reprodutividade do
instr. Lineariedade do instr. Estabilidade do
instr. Tendência do instr. Incerteza de medição
do instr. Discriminação do instr.
Deformação elástica Limpeza Geometria da
peça Expansao térmica Contaminaçao da peça
Variabilidade no sistema de medição
Iluminação Temperatura Ventilação(
balança) Poluiçao do ar Contaminação
Vibração Ergonomia
Habilidade Treinamento Atitude Definicóes
operacionais Limitações visuais Entendimento

Ambiente
Pessoas
10
MINITAB Resultado do RR
Gage RR Study - ANOVA Method - Gage RR for
Response Two-Way ANOVA Table With
Interaction Source DF SS MS
F P Part 9 2.05871
0.228745 39.7178 0.00000 Operator 2
0.04800 0.024000 4.1672 0.03256 OperatorPart
18 0.10367 0.005759 4.4588
0.00016 Repeatability 30 0.03875 0.001292
Total 59 2.24912
Gage RR
Contribution Source VarComp
(of VarComp) Total Gage RR 0.004437 10.67
Repeatability 0.001292 3.10
Reproducibility 0.003146 7.56
Operator 0.000912 2.19
OperatorPart 0.002234 5.37
Part-To-Part 0.037164 89.33 Total
Variation 0.041602 100.00
StdDev Study Var Study Var
Tolerance Source (SD) (5.15SD)
(SV) (SV/Toler)
Total Gage RR
0.066615 0.34306 32.66 22.87
Repeatability 0.035940 0.18509 17.62
12.34 Reproducibility 0.056088 0.28885
27.50 19.26 Operator 0.030200
0.15553 14.81 10.37 OperatorPart
0.047263 0.24340 23.17 16.23
Part-To-Part 0.192781 0.99282 94.52
66.19 Total Variation 0.203965 1.05042
100.00 70.03 Number of Distinct
Categories 4
11
67
12
RR Método ANOVA
Algum destes p-values são menores que 0.05 ?
-
Se for, as fontes de variação são consideradas
estatisticamente
significantes, ou seja, influenciam no resultado
A high F statistic indicates a significant effect.
13
CAPACIDADE DO PROCESSO
14
CAPACIDADE DO PROCESSO PPAP - QS9000 Produtos
devem atender as especificações. Estudos de
Capacidade Preliminar devem ser conduzidos em
todas características especiais em novos
processos, produtos e fornecedores. (PP, PPK,
CPM, PPM, DPMO, FTY,etc )
15
Glossário de termos...
PP Índice de Performance Potencial - Long term
(Longo período) PPK Índice de Performance do
Processo Long term CP Índice de Capacidade
Potencial - Short term CPK Índice de
Capacidade do Processo Short term MSA
Análise do Sistema de Medição RR
Repetitividade e Reprodutividade ( Detecta
erros entre operadores e dentro dos
operadores) CEP- (SPC) Controle Estatístico do
Processo Tolerância Diferença entre o LSE e o
LIE. Tolerância LSE - LIE
16
CP Índice de Capacidade Potencial
Capacidade do processo atender a tolerância
Créditos Elsmar Cove Forum
17
CPK
É um índice de capacidade que considera a
dispersão e a centralização do processo.
Créditos Elsmar Cove Forum
18
Capacidade do Processo
19
Capacidade do Processo
Normalidade
Através do resultado do teste Anderson- Darling
Normality Test, concluimos que os dados seguem
uma distribuição normal, pois o valor p_value é
maior que 0.05. Neste caso p_value0.599
20
Interpretação dos histogramas
LSE
LIE
Nominal
Situação ideal - Dispersão baixa em relação a
tolerância, o centro da curva coincide com o
nominal da especificação (Ex. Cpk1.67 ) Manter
a melhoria
Descentralizado em relação ao nominal, produção
de peças além da especificação superior na
população. Provável inspeção e retirada de peças
além da espec. na amostra. Requer a centralização
da média com o nominal
21
Interpretação dos histogramas
LSE
LIE
Distribuição truncada O lote provavelmente
sofreu uma inspeção 100 , onde foram retiradas
as peças além do LSE Não há o ajuste a
distribuição normal.
Dispersão alta Probabilidade de produção de
peças além do especificado. Requer a redução da
variação e não necessita de deslocamento da média.
22
LIE
LSE
Distribuição Bimodal ( dois picos)
possibilidade das peças estarem sendo produzidas
por duas máquinas diferentes, ou dois tipos de
matéria-prima, dois turnos, etc.
Possível mistura de peças produzidas em
condições diferentes, ex.peças de ajustes ou
preparação de máquina.
23
CONTROLE ESTATÍSTICO DO PROCESSO CEP
24

• CEP Controle Estatístico do Processo
• SPC - QS9000
• Estabilidade e capacidade deve ser demonstrada
  em caracteristicas especiais para processos de
  fabricação corrente abordagem preventiva.
• O pessoal deve conhecer conceitos de
  variabilidade causa comum e especial
• ( CEP Causas Comuns e especiais, CP e CPK )

25
TEOREMA DO LIMITE CENTRAL Controle Estatístico
do Processo
Curva de Gauss
TEMPO
26
Representação gráfica
X
Y
Efeito
Sabemos que uma característica varia de produto
a produto. este fenômeno chamamos de
variabilidade, representada acima pela curva do
Sino ( Normal , ou Gauss)
27
Relação entre a curva normal e o Gráfico de CEP
LSC
LIC
28
Relação entre a curva normal e o Gráfico de CEP
LSC
LIC
29
Relação entre a curva normal e o Gráfico de CEP
LSC
LIC
30
Relação entre a curva normal e o Gráfico de CEP
LSC
LIC
31
Relação entre a curva normal e o Gráfico de CEP
LSC
LIC
32
Relação entre a curva normal e o Gráfico de CEP
LSC
LIC
33
Relação entre a curva normal e o Gráfico de CEP
LSC
LIC
34
Relação entre a curva normal e o Gráfico de CEP
LSE
LIE
35
Relação entre a curva normal e o Gráfico de CEP
LSE
LIE
36
Relação entre a curva normal e o Gráfico de CEP
6 ? 5 ? 4 ? 3 ? 2 ? 1 ?
LSE
Retrabalho
1 ? 2 ? 3 ? 4 ? 5 ? 6 ?
Refugo
LIE
66.807 dpmo
37
Quando um gráfico de CEP tem variações não
aleatórias, sabemos que causas especiais de
variação afetaram o processo. Neste caso, devemos
interferir no processo tomando as ações
corretivas necessárias.
38
Interpretação da existência de Causas especiais
1-   pontos fora dos limites de controle.
2 - Sete ou mais pontos consecutivos crescentes
3 - Sete ou mais pontos consecutivos
decrescentes.
39
4 - Sequência de sete ou mais pontos acima da
média.
5 - Sequência de sete ou mais pontos
abaixo da média .
6 - Configuração dos pontos não aleatória
ou variação cíclica
40
7 - Maioria dos pontos próximos dos limites de
controle.
8 - Maioria dos pontos próximos da média
41

• Vantagens do CEP
• Redução de custo e melhoria da qualidade.
• Separam causas comuns de causas especiais,
• É um meio de prevenção de defeitos
• Fornece ao operador , informações necessárias
  para o ajuste de um processo.

42
METODOLOGIA 6 SIGMA
m
DPMO (long term)
233
3,4
6.210
66.807
1s
1 2 3 4 5 6
T
LSE
43
(No Transcript)
44
Abordagem 6 Sigma - DMAIC
Medir
Analisar
Problema prático
Problema Estatístico
Solução Estatística
Solução prática
Melhorar
Controlar
45
Esta característica é 6 sigma
LSE
Retrabalho
6 ? 5 ? 4 ? 3 ? 2 ? 1 ?
1 ? 2 ? 3 ? 4 ? 5 ? 6 ?
LIE
Refugo
3,4 dpmo
46
(No Transcript)
47
Creditos Six sigma Academy
Jairo Brandao Visteon Guarulhos - SP