Desde o século XIX com as revoluções industriais muitos se dedicaram a entender como aumentar a lucratividade da produção industrial a partir da racionalização da produção. Frederick Taylor, tendo como princípio a Administração Científica, difundiu o estudo dos tempos e movimentos dos processos industriais, buscando uma “única maneira certa”, base do sistema de gestão que levou seu nome, o Taylorismo.
Os princípios do Taylorismo seguem presentes até os dias de hoje, e o estudo dos tempos e movimentos pode ser aprimorado a partir de sensores instalados nas linhas de produção e técnicas estatísticas para identificar – por exemplo- os chamados “Golden Batch”.
O que é um Golden Batch?
Sempre que um processo de produção em lotes é executado, o objetivo é obter a melhor saída possível. No entanto, muitas variáveis podem afetar a produtividade ou a qualidade dos lotes de saída. Por exemplo, mudanças de temperatura em determinada fase do processo podem afetar a qualidade do produto final.
O Golden Batch pode ser definido como um modo de produção ótimo ou ideal. Isto significa que neste modo, o processo de produção está perfeitamente balanceado e orientado a atingir o máximo lucro. Na definição do Golden Batch é considerando os três principais fatores que influenciam na lucratividade.
A Produtividade
A Qualidade do produto
O Custo do processo
O conceito de Golden Batch serve então para o sistema recriar as condições exatas que anteriormente produziram o lote ideal. Isso requer registrar os valores do processo ao longo do tempo e analisar os dados resultantes para determinar as variáveis críticas. À medida que cada lote é executado, o sistema compara as variáveis críticas com o perfil Golden Batch e faz ajustes para corresponder a esse perfil. Isso resulta em uma produção consistente de produtos de alta qualidade.
Encontrando o Golden Batch a partir de uma base de dados
MURABEI desenvolveu um projeto para um cliente industrial, líder no setor, que possui um processo de fluxo contínuo de produção. Os objetivos do projeto eram, primeiro, identificar os modos de produção simulando uma visão por lotes e caracterizar especificamente os lotes Golden Batch. Seguidamente, implementar um sistema que possibilite o monitoramento online dos modos de produção. E por último desenvolver algoritmos de otimização para passar um modo de produção não ótimo para a condição Golden Batch da forma mais economicamente viável.
No projeto, tratamos um conjunto de dados da produção de um determinado produto. As variáveis coletadas foram divididas em três grupos:
- Produtividade: Variável contínua da quantidade produzida em uma unidade de tempo.
- Qualidade: Medidas referentes a qualidade do produto. Estas variáveis são coletadas de forma discreta em períodos de tempo específicos.
- Parâmetros de produção: variáveis do processo produtivo que podemos controlar
Dito isso, o objetivo se resume a encontrar os parâmetros de produção dos lotes mais produtivos e dentro da qualidade especificada e comparar com os demais. Definimos os lotes da seguinte forma:
- Dentro da especificação de qualidade – 20% mais produtivos
- Fora da especificação de qualidade – 80% menos produtivos
Logo, os Golden Batch é a intersecção dos grupos 20% mais produtivos e dentro da especificação de qualidade.
Análise dos parâmetros de produção
Por meio de ferramentas estatísticas analisamos cada parâmetro de produção individualmente, e procuramos entender a partir deles quais são os parâmetros mais importantes e quais devem ser o seu valor para se atingir o Golden Batch.
Para classificar os parâmetros usamos medidas estatísticas que chamaremos de significância e expressividade:
- Significância: Probabilidade de que os grupos Golden Batch (GB) e Não Golden Batch (NGB) tenha a mesma distribuição dos dados (Hipótese Inicial), se essa probabilidade for muito baixa dizemos que rejeitamos a hipótese inicial para algum nível de significância determinado
- Expressividade: diferença nas médias dos grupos Golden Batch e Não Golden Batch
Usando o tipo de gráfico “Volcano Plot” onde cada ponto representa um parâmetro de produção, conseguimos entender quais são os mais importantes tanto pela significância e expressividade.
Os dados que se encontram acima da linha vermelha estão no nível de significância no qual rejeitamos a hipótese inicial, que os grupos GB e NGB para esse parâmetro de produção tem a mesma distribuição dos dados, ou seja, temos evidência de que esses grupos pertencem a distribuições distintas.
Vamos considerar expressivos os parâmetros de produção tanto à esquerda quanto à direita do centro do gráfico, para ambos os lados a interpretação é de que as amostras GB e NGB possuem médias distantes uma da outra .
Resultados
Escolhendo os parâmetros de produção mais relevantes e aplicando a média de cada parâmetro para grupos GB, obtemos então uma maneira de se produzir um Golden Batch. Esta metodologia foi implementada em um sistema online de monitoramento e pode ser aplicada em qualquer processo produtivo que tenha objetivos semelhantes, trazendo uma abordagem robusta para um problema complexo.
A MURABEI, pode ajudar na implementação da análise Golden Batch, por meio de soluções modernas e escaláveis para otimizar os processos de produção, dando continuidade à remota aspiração de Frederick Taylor! Entre em contato! >>
Autores: Jesse Rocha e Lucas Ribeiro
