Trabalho de Simulação

CAPA 2 SUMÁRIO 1 INTRODUÇÃO3 2 DESENVOLVIMENTO3 21 PLANEJAMENTO CONTEXTUALIZAÇÃO DO TEMA PROBLEMAS E OBJETIVOS DO PROJETO3 22 PLANEJAMENTO GERAÇÃO DE DADOS E ANÁLISE DESCRITIVA5 23 PLANEJAMENTO CONCEPÇÃO DO MODELO9 24 PLANEJAMENTO PROJETO DE INDICADORES10 25 MODELAGEM MODELAGEM DOS DADOS DE ENTRADA13 26 MODELAGEM CONFIGURAÇÃO TRADUÇÃO E VERIFICAÇÃO DO MODELO17 27 SIMULAÇÃO BALANCEAMENTO DOS RECURSOS E INDICADORES20 28 SIMULAÇÃO VALIDAÇÃO DO MODELO24 29 SIMULAÇÃO PROJETO DO EXPERIMENTO DE SIMULAÇÃO26 210 SIMULAÇÃO EXPERIMENTO E ANÁLISE DE INDICADORES27 211 DESIGN PROJETO VISUAL E ANIMAÇÃO29 212 MELHORIAS JUSTIFICATIVAS E MUDANÇAS32 2121 Melhoria sem previsão de impacto Six Sigma32 2122 Mudança com impacto em indicador e cenário específico Treinamento32 2123 Melhoria com impacto em indicadores conflitantes e cenário específico nivelamento da produção33 213 MELHORIAS SIMULAÇÃO E ANÁLISE DE MELHORIAS34 2131 Melhoria sem previsão de impacto34 2132 Melhoria com impacto em indicador e cenário específico35 2133 Melhoria com impacto em indicadores conflitantes e cenário específico37 214 GESTÃO DO PROJETO CUSTEIO38 3 CONCLUSÃO40 3 1 INTRODUÇÃO No cenário dinâmico da indústria moderna a busca incessante pela eficiência e qualidade nas operações de manufatura é essencial para manter a competitividade Neste contexto o presente projeto emerge como uma resposta estratégica destacandose pela abordagem abrangente e inovadora ao empregar técnicas avançadas de simulação Ao longo deste empreendimento nosso objetivo foi percorrer integralmente o ciclo de simulação desde a modelagem inicial até a implementação efetiva de melhorias nos processos de manufatura Dessa forma o presente trabalho tem como objetivo realizar o projeto de simulação dentro de um sistema de manufatura Uma vez que a manufatura é um objeto de estudo para o curso de Engenharia de Produção através da análise do sistema e do objetivo de propor constantemente Melhorias para atingir a otimização final com o encontro da função objetivo Devido objetivo tornase possível através da visualização e testes do sistema na simulação 2 DESENVOLVIMENTO 21 PLANEJAMENTO CONTEXTUALIZAÇÃO DO TEMA PROBLEMAS E OBJETIVOS DO PROJETO O tema selecionado para a realização do projeto é o Caso 2 Manufatura que envolve o processo produtivo de uma fábrica metalmecânica A fábrica realiza cinco diferentes processos A Torno CNC B Montagem C Pintura D Secagem e E Embalagem São produzidas peças de três famílias de produtos Como pode ser visto no Quadro1 há variações na sequência dos processos que precisam ser executados para produzir uma peça de cada família Quadro 1 Processos e famílias de peças Primeira família Segunda família Terceira família A Torno CNC B Montagem C Pintura D Secagem E Embalagem Fonte dos autores 2023 Há diferentes padrões de requisição da manufatura que levam a variações na quantidade de peças de cada família que são demandadas Os três padrões de operações existentes podem ser vistos no Quadro 2 4 Quadro 2 Porcentagem da população que requer família por padrão Padrão Família 1 Família 2 Família 3 1 70 20 10 2 50 40 10 3 10 40 50 Fonte dos autores 2023 Os processos usam uma máquina e operador humano para serem executados com exceção da secagem Todos esses processos que usam máquinas possuem uma taxa de refugo de 2 sendo necessário retornar o produto para o Torno CNC sempre que ocorre a falha Várias empresas reais são semelhantes ao cenário hipotético apresentado Processos que envolvem torno CNC para criação de peças metalmecânicas que depois são sujeitas a processos de revestimento como a pintura e também a montagem de diversos componentes são comuns na indústria aeroespacial automobilística de ferramentas etc São alguns exemplos Boeing Embraer Airbus Ford Toyota Volvo John Deere Black Decker Os principais indicadores de desempenho que podem ser avaliados nesse contexto tanto no que diz respeito às operações quanto à satisfação do cliente são Taxa de Utilização representa a eficiência dos recursos utilizados no processo de produção Idealmente deve ser próxima a 100 indicando que os recursos estão sendo totalmente aproveitados Como isso não é possível para todas as máquinas 85 a 95 ou mais dependendo da complexidade do processo de manufatura são valores aceitáveis Volume Produtivo quantidade de produtos fabricados em um determinado período Depende do setor e da capacidade da empresa mas deve ser consistente com as metas de produção e a demanda do mercado Tempo de Ciclo o tempo necessário para concluir uma única operação ou ciclo de produção Deve ser minimizado para aumentar a eficiência e reduzir os custos Tempo Médio Entre Falhas MTBF o tempo médio que um sistema ou equipamento pode operar antes de ocorrer uma falha Maior MTBF é desejável indicando maior confiabilidade e menor necessidade de manutenção Tempo Médio para Reparo MTTR o tempo médio necessário para reparar uma falha ou restaurar um sistema após uma falha Deve ser minimizado para reduzir o tempo de inatividade e manter a eficiência operacional 5 Lead Time do Cliente o tempo que leva desde o pedido do cliente até a entrega do produto Deve ser otimizado para atender ou superar as expectativas do cliente ROTHER SHOOK 2003 NPS Net Promoter Score mede a satisfação do cliente e a probabilidade de recomendação Varia de 100 a 100 Valores positivos são desejáveis e acima de 50 é considerado excelente Churn Rate taxa de perda de clientes ou cancelamento de contratos Deve ser baixo pois a retenção de clientes é crucial para o sucesso a longo prazo KOTLER KELLER 2012 22 PLANEJAMENTO GERAÇÃO DE DADOS E ANÁLISE DESCRITIVA Diante do cenário apresentado o próximo passo consiste na coleta dos dados que serão utilizados a diante para parametrizar esse modelo Na realidade por se tratar de um cenário fictício os foram geradas 1000 entradas de dados aleatoriamente para cada medida Os dados disponibilizados incluem o tempo entre chegadas TEC de novos produtos no sistema os tempos para execução de cada uma das 5 atividades o tempo médio entre falhas MTBF e o tempo médio para reparo MTTR para os recursos No caso dos maquinários essas falhas correspondem a paradas não previstas por exemplo por conta de mal funcionamento Já acerca do recurso humano operador indica tempos de pausas Nas figuras 3 e 4 é possível visualizar a estatística descritiva para cada uma das medidas dos dados coletados incluindo a média desvio padrão valor mínimo valor máximo e amplitude para cada amostra Figura 3 Estatística descritiva para o tempo entre chegadas e os tempos de processamento TEC A B C D E Média 1017 1000 2097 1997 1262 299 Desv Padrão 1002 103 620 198 320 031 Mínimo 000 631 618 1360 535 187 Máximo 6417 1363 4580 2711 2513 386 Amplitude 6417 732 3962 1351 1978 199 Fonte dos autores 2023 6 Figura 4 Estatística descritiva para o MTBF e MTBR dos recursos MTBF ABCD MTTR ABCD MTBF E MTTR E MTBF Func MTTR Func Média 9151 702 40887 14979 12000 699 Desv Padrão 1923 148 8308 1012 981 153 Mínimo 5155 133 18777 11484 8712 190 Máximo 16982 1269 72864 17965 15415 1234 Amplitude 11827 1136 54087 6481 6703 1044 Fonte dos autores 2023 Existem dois padrões de demanda um referente à demanda normal e outro à demanda de pico sendo que a média do tempo entre chegadas normal é o dobro do pico Ou seja TECN 102 min e TECP 51 min Tradicionalmente as manufaturas procuram maximizar a utilização dos maquinários como forma de reduzir os custos Como os maquinários e operadores estão sujeitos a indisponibilidade por conta das falhas ou pausas a utilização máxima é comprometida Para encontrar esse valor aplicase a equação 1 Utilização máx1Comprometimento1 MTTR MTTRMTBF 1 Realizando os cálculos a partir dos dados apresentados na Figura 4 podese concluir que a utilização máxima que pode ser atingida para os recursos A B C e D é de 922 para o recurso E de 732 e para o recurso funcionário de 945 Figura 5 Comprometimento e utilização máxima de cada recurso Recurso Comprometimento Utilização máxima A B C D 71 929 E 268 732 Funcionário 55 945 Fonte dos autores 2023 Para estimar a capacidade esperada dos recursos é necessário aplicar a equação 2 onde ρ é a utilização do recurso TEC é o tempo entre chegadas tempo entidade TP é o tempo de processamento tempo entidade e n é quantidade dos recursos n TP TECρ 2 7 O tempo de processamento corresponde a média apresentada para cada processo da Figura 3 sendo que ele independe do padrão de operação e do padrão de demanda Já o tempo entre chegadas depende diretamente dos padrões de operação e padrão de demanda bem como há uma variação nesse tempo entre chegadas para cada processo sendo em vista que nem todas as famílias de peças passam por cada processo Nesse sentido a Figura 5 resume a porcentagem de peças que passam em cada processo para cada padrão de operação Por exemplo os processos A e E são realizados em todas as famílias de peças logo 100 das peças passam nesses processos em todos os padrões de operação O processo B é realizado apenas para as peças das famílias 1 e 3 No padrão de operação 1 70 e 10 das peças são de cada uma dessas famílias respectivamente resultando que 80 peças passarão nesse processo Em seguida a Figura 6 ajusta o TEC entre chegadas do sistema na demanda normal 102 min para cada processo considerando as porcentagens encontradas anteriormente Da mesma forma o resultado permanece inalterado para os processos A e E já que todas as peças passam por eles assim a TEC nesses processos é a mesma do sistema O mesmo cálculo é realizado na Figura 7 para a demanda de pico TEC 51 min Por fim as Figuras 8 e 9 apontam o resultado obtido pela expressão 2 para cada processo Nesse cálculo a utilização adotada é igual a utilização máxima encontrada anteriormente para os processos A B C e D em 922 para o processo E em 732 Por exemplo no padrão de operação 1 e na demanda normal será necessário ao menos 106 recurso para obter a utilização de 922 dado o TEC e TP daquele processo Figura 5 Porcentagem de peças que passam em cada processo para cada padrão de operação Padrão A B C D E Padrão 1 100 80 30 30 100 Padrão 2 100 60 50 50 100 Padrão 3 100 60 90 90 100 Fonte dos autores 2023 Figura 6 TEC por processo para cada padrão de operação na demanda normal min Padrão A B C D E Padrão 1 1020 1275 3400 3400 1020 Padrão 2 1020 1700 2040 2040 1020 Padrão 3 1020 1700 1133 1133 1020 Fonte dos autores 2023 8 Figura 7 TEC por processos para cada padrão de operação na demanda de pico min Padrão A B C D E Padrão 1 510 638 1700 1700 510 Padrão 2 510 850 1020 1020 510 Padrão 3 510 850 567 567 510 Fonte dos autores 2023 Figura 8 Capacidade demandada por processo para cada padrão de operação na demanda normal Padrão A B C D E Padrão 1 106 177 063 040 040 Padrão 2 106 133 105 067 040 Padrão 3 106 133 190 120 040 Fonte dos autores 2023 Figura 9 Capacidade demandada por processo para cada padrão de operação na demanda de pico Padrão A B C D E Padrão 1 211 354 126 080 080 Padrão 2 211 266 211 133 080 Padrão 3 211 266 379 240 080 Fonte dos autores 2023 Evidentemente não é possível adotar uma quantidade não inteira de recursos sendo que os cálculos apenas apontam que uma capacidade acima da obtida é necessária para manter as utilizações no nível desejado assim evitando filas ou ociosidade Nas próximas etapas do projeto uma decisão acerca desse balanceamento será tomada considerando uma configuração única tanto para os diferentes cenários Além dessa estimativa é possível estimar a quantidade a quantidade média de peças que serão processadas em um dia no sistema Tendo em vista que ser considerado que a manufatura opera durante 8 horas por dia 480 min bem como que a tempo entre chegadas médio é de 1017 min basta calcular 4801017 para encontrar que um máximo de 47 entraram ao sistema Contudo certamente nem todas serão processadas haja vista que gargalos surgirão com as restrições de recursos Na demanda de pico a previsão é de que o dobro de peças cheguem isto é 94 9 23 PLANEJAMENTO CONCEPÇÃO DO MODELO Para ilustrar o caso da Manufatura foi desenvolvido um diagrama de ciclo de atividades que demonstra o fluxo do processo podendo ser visualizado na Figura 10 e no Apêndice A Os retângulos representam as atividades e losangos os pontos de decisão que direcionam o fluxo Adotouse a utilização de raias para indicar quais os recursos envolvidos em cada atividade Ao início do processo há um ponto de decisão acerca da família de peça o que provê ao modelo os dados necessários para direcionar alguns dos pontos de decisão a diante de acordo com o Quadro 1 Após as atividades de Torneamento Montagem Pintura e Montagem existe um ponto de decisão que direciona 2 das peças que sofreram algum tipo de falha para o torneamento Esse fluxo de retrabalho torna todo o esforço gasto anteriormente uma forma de desperdício É importante destacar também a existência das paradas dos recursos do modelo O Torno CNC Máquina de Montagem Máquina de Pintura e Máquina de Embalagem estão sujeitas a falhas que tornam impossível a realização da respectiva atividade caso nenhum recurso esteja disponível Há também a falha do operador que pode ser entendida como uma pausa humana Quanto a agregação de valor podese considerar que todos os processos são necessários e o cliente está disposto a pagar pelo beneficiamento da peça Contudo não ocorre agregação de valor quando existe retrabalho sendo que a chance da peça falhar é de 2 a cada processo com máquina ou seja há quatro oportunidades para tanto Quanto mais ao fim do processo ocorre o retrabalho maior o desperdício de valor pois a peça volta independentemente de onde ocorreu o processo para o torneamento 10 Figura 10 Fluxograma de ciclo de atividades Fonte dos autores 2023 24 PLANEJAMENTO PROJETO DE INDICADORES A fim de introduzir métodos para realizar a gestão dos processos da manufatura são aplicados indicadores que possuem faixas de valores designadas para avaliar o desempenho como péssimo ruim neutro bom e ótimo Três indicadores serão adotados Utilização dos recursos indica a quantidade de tempo que cada recurso está em utilização Ou seja quanto maior menor o tempo em que o recurso esteve ocioso sem produzir valor Podese dizer que quanto maior o valor da utilização melhor contudo valores muito altos indicam que a capacidade do recurso pode estar muito baixa limitando o output do sistema produtivo É importante ressaltar que não é possível atingir uma utilização igual a 100 haja vista o comprometimento dos recursos discutido anteriormente Tempo de espera em filas médio quantidade de tempo que as entidades ficam esperando para iniciar um processo em função da indisponibilidade de recursos para processar a entidade Procurase minimizar o tempo médio de espera em filas pois filas menores apontam para um sistema com menor tempo de ciclo 11 Tempo de ciclo médio terceiro indicador que será analisado também podendo ser compreendido como o lead time do sistema O tempo de ciclo aponta o tempo total que uma entidade fica dentro do sistema desde a sua criação no módulo create até a sua conclusão no módulo dispose Quanto melhor o tempo de ciclo melhor pois mostra que o sistema produtivo consegue produzir mais É importante destacar que há uma relação conflitante entre a utilização dos recursos e o tempo de espera em filas considerando que os parâmetros do modelo de TEC e TP se mantêm constantes Para aumentar a utilização ou seja melhorála é necessário diminuir a capacidade dos recursos Por outro lado para diminuir o tempo de espera em filas ou seja melhorála é necessário aumentar a capacidade dos recursos Uma escala foi definida para cada indicador apresentado as janelas em que se obtém um resultado que pode ser considerado péssimo ruim regular bom e ótimo Figura 11 Escala de desempenho para o indicador de Utilização dos Recursos Nível A B C D E Funcionário Ótimo Acima de 80 Bom Entre 60 e 80 Regular Entre 40 e 60 Ruim Entre 20 e 40 Péssimo Menor que 20 Fonte dos autores 2023 Para estabelecer os níveis do indicador de tempo de espera primeiramente foi calculado um tempo teórico do tempo de ciclo sem a existência de filas ou seja apenas somando o tempo médio de cada processo Esses valores podem ser obtidos na linha de média da Figura 3 Realizando esse cálculo obtémse que o tempo de ciclo médio é de 67 minutos A partir disso basta multiplicar a porcentagem considerada dentro de cada nível de desempenho pelo tempo de ciclo levando aos resultados da Figura 12 Figura 12 Escala de desempenho para o indicador de Tempo de Espera Nível do Tempo de Ciclo Tempo de Espera min Ótimo Menor que 10 Menor que 7 Bom Entre 10 e 20 Entre 7 e 13 Regular Entre 20 e 30 Entre 13 e 20 Ruim Entre 30 e 40 Entre 20 e 27 12 Péssimo Acima de 40 Acima de 27 Fonte dos autores 2023 Acerca do indicador de tempo de ciclo também é necessário considerar o tempo de ciclo ideal no qual não há filas e os processos levam exatamente o tempo médio obtido na coleta de dados Esse tempo foi definido como o valor base ótimo tendo em vista que só ocorre quando não há presença de fila havendo desconsiderada a variabilidade no tempo de duração dos processos Enquanto para o tempo de espera foi considerado o tempo de ciclo médio ideal da família de peças 3 na qual todos os processos são realizados agora os níveis de desempenho foram separados para cada família Como as peças da família 1 não passam pela pintura e secagem seu tempo de ciclo base é igual a 34 min para a família 2 que não passa pela montagem esse valor é de 46 min Figura 13 Escala de desempenho para o indicador de Tempo de Ciclo Nível do Tempo de Ciclo Tempo de Ciclo F1 Tempo de Ciclo F2 Tempo de Ciclo F3 Ótimo Entre 100 e 125 Entre 34 e 425 Entre 46 e 575 Entre 67 e 8375 Bom Entre 125 e 150 Entre 425 e 51 Entre 575 e 69 Entre 8375 e 1005 Regular Entre 150 e 175 Entre 51 e 595 Entre 69 e 805 Entre 1005 e 11725 Ruim Entre 175 e 200 Entre 595 e 68 Entre 805 e 92 Entre 11725 e 134 Péssimo Acima de 200 Acima de 68 Acima de 92 Acima de 134 Fonte dos autores 2023 13 25 MODELAGEM MODELAGEM DOS DADOS DE ENTRADA A ferramenta Input Analyzer presente no software Arena foi utilizada com o objetivo de compreender a distribuição dos dados obtidos durante a coleta isto é acerca dos tempos de atividades tempos entre chegadas e tempos de falhas MTBF e MTTR Na ferramenta foi utilizado o recurso de encaixar a todos na qual diversas distribuições de probabilidade como normal gamma beta exponencial são consideradas na avaliação Como resultado a ferramenta entrega aquela que se encaixa da melhor forma além de apresentar dois testes estatísticos O primeiro teste é o Teste de QuiQuadrado o qual é mais adequado para os casos em que a distribuição de melhor encaixe é do tipo normal Como resultado o teste entrega um p valor Caso esse valor seja maior do que 015 será possível garantir um nível de confiança de 85 Já acerca do Teste de KolmogorovSmirnov mais adequado para as distribuições não normais se for maior que 015 devese aceitar caso contrário devese analisar o erro quadrático As figuras abaixo mostram o histograma para os dados coletados de cada dado havendo também a curva referente a melhor expressão encontrada pelo ajuste Figura 14 Histograma para o tempo de processamento da atividade A Fonte dos autores 2023 Figura 15 Histograma para o tempo de processamento da atividade B Fonte dos autores 2023 14 Figura 16 Histograma para o tempo de processamento da atividade C Fonte dos autores 2023 Figura 17 Histograma para o tempo de processamento da atividade D Fonte dos autores 2023 Figura 18 Histograma para o tempo de processamento da atividade E Fonte dos autores 2023 Figura 19 Histograma para o tempo entre chegadas Fonte dos autores 2023 Figura 19 Histograma para o MTBF das máquinas ABC 15 Fonte dos autores 2023 Figura 20 Histograma para o MTTR das máquinas ABC Fonte dos autores 2023 Figura 21 Histograma para o MTBF da máquina E Fonte dos autores 2023 Figura 22 Histograma para o MTTR da máquina E Fonte dos autores 2023 Figura 23 Histograma para o MTBF do operador 16 Fonte dos autores 2023 Figura 24 Histograma para o MTTR do operador Fonte dos autores 2023 Quadro 3 Sumário das distribuições para os tempos analisados Dado Expressão Erro quadrático pvalor Teste Chiquadrado pvalor Teste de KolmogorovSmirnov G5MaquinaA NORM10 103 0001319 0353 015 G5MaquinaB 6 GAMM268 56 0000546 075 015 G5MaquinaC NORM20 197 0000824 0521 015 G5MaquinaD 5 GAMM147 52 0000983 02 015 G5MaquinaE NORM299 0308 0001893 000672 015 G5MTBFABCD 51 ERLA101 4 0000716 0501 015 G5MTBFE 187 ERLA317 7 0000702 0549 015 G5MTTRABCD 1 12 BETA769 764 0001162 00997 015 G5MTTRE NORM150 101 0000704 075 015 G5TEC 0001 EXPO102 0000372 0724 015 G5TemposEntrePausas NORM120 98 0001064 024 015 G5TemposPausasFuncionários NORM699 153 0000418 075 015 Fonte dos autores Observando os resultados do Quadro 3 temse que todos os tempos ajustados para uma expressão normal máquina A C E MTTR de E tempo entre pausas e tempo de pausas do operador passam no teste do pvalor com exceção do tempo da atividade da máquina E Apesar disso percebese que o valor do erro quadrático é baixo tornando viável considerar a expressão correspondente Acerca das demais expressões que não se ajustam da melhor forma a uma normal todas passam no Teste de KolmogorovSmirnov já que o pvalor é maior do que 015 Com 17 isso podese considerar que as expressões obtidas serão válidas para parametrizar o modelo no Arena 26 MODELAGEM CONFIGURAÇÃO TRADUÇÃO E VERIFICAÇÃO DO MODELO A partir da concepção do modelo realizada anteriormente com o diagrama de ciclo de atividades o modelo de simulação foi traduzido para o software Rockwell Arena Simulation como pode ser visualizado na Figura 25 Figura 25 Modelo de simulação no Arena Fonte dos autores As peças chegam ao sistema a partir do módulo create Chegada de peças Em seguida um módulo decide Qual a fam da peça divide envia a entidade Peça para um dos três módulos assign convertendo o tipo de entidade de Peça para F1 F2 ou F3 a partir de uma porcentagem de chance que é baseada no padrão de operação desejado Um atributo de tempo foi criado após a atribuição dos tipos de entidade para permitir o cálculo do tempo de ciclo no módulo record Tempo total ao final do modelo 18 Após esse estágio inicial que na prática não impacta no tempo de simulação a entidade segue para o primeiro módulo do tipo process Atividade A Torneamento Após a conclusão do processo um ponto de decisão Aprovação no torno reenvia 2 das entidades para o processo de torneamento Módulos de decisão com o mesmo comportamento foram adicionados após cada processo com exceção da secagem tendo em vista que ela não utiliza uma máquina Em seguida o decide Família 2 direciona apenas as peças da F2 diretamente para a pintura pulando a etapa de montagem Após a montagem o decide Família 1 direciona apenas as peças da F3 para a pintura para que as peças da F1 não realizem a etapa de pintura Ao final todas as famílias de peças eventualmente se conectam no processo de embalagem que é comum a todos Acerca dos processos todos possuem o atributo action configurados como seize delay release com exceção do processo Atividade D Secagem que foi configura apenas como delay Como definido na contextualização do tema este processo possui capacidade infinita o que justifica não inserir um recurso no modelo mas sim considerar o processo apenas como uma espera Os demais processos possuem dois recursos atribuídos 1 operador e sua respectiva máquina Os recursos estão sujeitos a falhas como pode ser visto nas Figuras 29 e 30 O Up Time indica o MTBF e o Down Time indica o MTTR Existem três falhas diferentes uma para as máquinas A B e C uma para a máquina E e uma para o Operador Nas figuras abaixo é possível visualizar capturas da tela do software Arena nas tabelas que resumem as configurações de cada tipo de módulo e na janela do módulo create Figura 26 Configuração do módulo create Fonte dos autores 19 Figura 27 Configuração dos módulos de processo Fonte dos autores Figura 28 Configuração dos módulos de decisão Fonte dos autores Figura 29 Configuração dos recursos Fonte dos autores Figura 30 Configuração das falhas Fonte dos autores Ficou estabelecido os parâmetros de replicação conforme as boas práticas recomendadas pela literatura técnica com um número inicial mínimo de replicações igual a 30 para garantir resultados confiáveis Essa escolha foi feita com base na variabilidade 20 esperada nos resultados e na precisão necessária para inferir conclusões sobre o desempenho da manufatura Ademais a duração de cada replicação foi estabelecida em 8 horas sendo esse o tempo efetivo de funcionamento da manufatura O modelo foi verificado não havendo erros ou avisos no mesmo Figura 31 Configuração dos parâmetros de replicação Fonte dos autores 27 SIMULAÇÃO BALANCEAMENTO DOS RECURSOS E INDICADORES Um balanceamento do sistema produtivo foi realizado visando definir uma única configuração de capacidade para todos os cenários isto é diferentes combinações de demanda normal e pico e padrão de operação P1 P2 e P3 O balanceamento se iniciou a partir da análise realizada durante a análise descritiva dos dados na qual uma estimativa de quantos recursos seriam necessários foi desenvolvida Figuras 6 a 10 Com isso duas configurações inicias foram consideradas e simuladas com 30 replicações A primeira configuração foi nomeada 12216 1 Máquina A Torno 2 Máquina B Montadora 2 Máquina C Pintura 1 Máquina E Embalagem e 6 operadores um operador por máquina Essa configuração se mostra a princípio como uma boa capacidade para os cenários de demanda normal As 2 Máquinas B Montadoras servem para atender o padrão de demanda 1 que possui uma maioria de peças da família 1 que necessita montagem as 2 Máquinas C Pintura servem para atender ao padrão de demanda 3 que possui uma maioria de peças das famílias 2 e 3 ambas necessitam pintura 21 Como pode ser visto nas figuras abaixo com os resultados para os indicadores os tempos de espera e ciclo são no geral insatisfatórios Isso pode ser atribuído primariamente às altíssimas filas logo no primeiro processo do Torno gerando um gargalo que retêm Figura 32 Utilização dos recursos na configuração melhor para demanda normal 12216 Cenário Utilização A Utilização B Utilização C Utilização E Utilização Op Normal P1 0869 0692 0234 0192 0485 Normal P2 0882 0523 0398 0198 0487 Normal P3 0857 0496 0696 0181 057 Pico P1 0933 0752 0251 0206 0524 Pico P2 093 0551 0428 021 0516 Pico P3 0934 0557 0755 0197 0626 Fonte dos autores Figura 33 Tempo de filas na configuração melhor para demanda normal 12216 Cenário Tempo de espera A Tempo de espera B Tempo de espera C Tempo de espera E Normal P1 41 2 1 4 Normal P2 48 1 1 6 Normal P3 35 1 4 6 Pico P1 123 4 1 4 Pico P2 123 1 1 7 Pico P3 125 1 4 6 Fonte dos autores Figura 34 Tempo de ciclo na configuração melhor para demanda normal 12216 Cenário Tempo de ciclo F1 Tempo de ciclo F2 Tempo de ciclo F3 Normal P1 78 87 109 Normal P2 85 93 107 Normal P3 68 89 105 Pico P1 137 143 160 Pico P2 138 150 159 Pico P3 114 151 169 Fonte dos autores Figura 35 Number In e Out na configuração melhor para demanda normal 12216 Cenário Number in Number out não retida Normal P1 48 30 63 Normal P2 49 32 65 Normal P3 46 28 61 Pico P1 94 31 33 Pico P2 94 33 35 22 Pico P3 94 31 33 Fonte dos autores A segunda configuração foi nomeada 244212 possuindo o dobro de recursos da configuração anterior agora se ajustando melhor aos cenários de pico Como a TEC na demanda de pico é o dobro essa configuração busca também dobrar as capacidades procurando obter bons resultados Contudo como pode ser visto nas figuras abaixo com os resultados para os indicadores ela se mostra bastante insatisfatória em termos de utilização principalmente nos cenários de demanda normal mas também para algumas máquinas como a máquina C e E nos cenários de demanda de pico Como consequência os tempos de fila são bastante baixos exceto pela máquina A Figura 36 Utilização dos recursos na configuração melhor para demanda normal 244212 Cenário Utilização A Utilização B Utilização C Utilização E Utilização Op Normal P1 0504 04 0147 0117 0286 Normal P2 0498 03 0236 0113 0281 Normal P3 053 0317 043 0121 0358 Pico P1 0935 0752 0256 0207 0526 Pico P2 0932 0568 0434 021 0524 Pico P3 0944 057 0762 0201 0635 Fonte dos autores Figura 37 Tempo de filas na configuração melhor para demanda normal 244212 Cenário Tempo de espera A Tempo de espera B Tempo de espera C Tempo de espera E Normal P1 2 0 0 5 Normal P2 2 0 0 5 Normal P3 2 0 1 7 Pico P1 23 2 0 5 Pico P2 22 1 0 6 Pico P3 29 0 3 6 Fonte dos autores Figura 38 Tempo de ciclo na configuração melhor para demanda normal 244212 Cenário Tempo de ciclo F1 Tempo de ciclo F2 Tempo de ciclo F3 Normal P1 43 53 70 Normal P2 42 53 72 Normal P3 43 56 78 Pico P1 61 72 97 23 Pico P2 61 72 95 Pico P3 66 82 101 Fonte dos autores Figura 39 Number In e Out na configuração melhor para demanda normal 12216 Cenário Number in Number out não retida Normal P1 47 37 79 Normal P2 46 36 78 Normal P3 49 39 80 Pico P1 95 65 68 Pico P2 94 66 70 Pico P3 96 63 66 Fonte dos autores Tendo em vista ambos os cenários uma nova configuração de capacidade foi elaborada pensando em ser uma configuração intermediária entre as duas Uma unidade foi adicionada na máquina A já que por ser o primeiro processo e por todas as peças passarem por ela o processo fica muito exposto à variabilidade da chegada aleatória Uma unidade foi reduzida nas máquinas B e E e duas unidades no operador A configuração consiste em 3 Máquinas A Torno 3 Máquinas B Montagem 4 Máquinas C Pintura 1 Máquina E Embalagem 10 Operadores Essa configuração entregou os resultados que podem ser vistos nas figuras abaixo Figura 40 Utilização dos recursos na configuração melhor para demanda normal 334110 Cenário Utilização A Utilização B Utilização C Utilização E Utilização Op Normal P1 0336 0512 0147 0233 0337 Normal P2 035 0405 025 0235 035 Normal P3 0355 0427 044 0222 0433 Pico P1 0679 0933 0276 0399 0634 Pico P2 0669 0769 0475 0433 0665 Pico P3 0694 0812 0827 0403 0822 Fonte dos autores Figura 41 Tempo de filas na configuração melhor para demanda normal 334110 Cenário Tempo de Tempo de Tempo de Tempo de 24 espera A espera B espera C espera E Normal P1 1 2 0 7 Normal P2 1 1 0 8 Normal P3 1 1 1 6 Pico P1 3 37 0 5 Pico P2 3 8 1 6 Pico P3 3 11 9 9 Fonte dos autores Figura 42 Tempo de ciclo na configuração melhor para demanda normal 334110 Cenário Tempo de ciclo F1 Tempo de ciclo F2 Tempo de ciclo F3 Normal P1 44 55 76 Normal P2 43 56 72 Normal P3 41 53 79 Pico P1 73 56 103 Pico P2 51 56 87 Pico P3 58 67 97 Fonte dos autores Figura 43 Number In e Out na configuração melhor para demanda normal 334110 Cenário Number in Number out não retida Normal P1 47 37 79 Normal P2 48 38 79 Normal P3 49 36 73 Pico P1 94 63 67 Pico P2 93 69 74 Pico P3 96 64 67 Fonte dos autores 28 SIMULAÇÃO VALIDAÇÃO DO MODELO A validação de um modelo de simulação é o processo de determinar se o modelo representa com precisão o sistema do mundo real que se planeja simular Isso envolve a comparação do comportamento do modelo com o comportamento do sistema real ou com dados conhecidos sobre o sistema Uma vez que a coleta de dados de um sistema real não é viável um conjunto de dados de comparação foi gerado usando dados que seguem uma distribuição de Poisson Para a avaliação foi considerado o padrão 1 de operação em seu estado normal com recursos balanceados A saída média NumberOut para esse cenário foi de 37 peças Assim dados foram gerados segundo a distribuição de Poisson utilizando um código em Python da biblioteca NumPy que foi rodado no compilador Spyder 25 Figura 44 Código para geração de dados aleatórios da validação Fonte dos autores Figura 45 Saída da geração de dados aleatórios da validação Fonte dos autores Para avaliar se existe disparidade entre os dados gerados e os dados coletados do sistema simulado foi realizada uma análise estatística do Teste T de duas amostras com variância diferente Para isso considerouse 95 de confiança que corresponde a um nível de significância de 005 Além disso sabese que se o valor P for menor ou igual ao nível de significância então o resultado do teste é considerado significativo indicando que há evidências para rejeitar a hipótese nula ou seja há uma diferença significativa entre os grupos de dados comparados Por outro lado se o valor P for maior que o nível de significância o resultado do teste não é significativo e não há evidências para rejeitar a hipótese nula ou seja não há diferença significativa entre os grupos de dados comparados Figura 46 Configuração do Minitab para o Teste T para Duas Amostras Fonte dos autores 26 Como pode ser visto na Figura 47 o ValorP obtido 0926 é maior do que o nível de significância evidenciando que o modelo de simulação é válido Figura 47 Resultado do Teste T para Duas Amostras Fonte dos autores 29 SIMULAÇÃO PROJETO DO EXPERIMENTO DE SIMULAÇÃO Buscando estruturar o projeto do experimento primeiramente foi realizado o Teste Preliminar 1 o qual fez uso da taxa normal de demanda para o TEC com 10 replicações aplicadas sobre o modelo de simulação no software ARENA para que assim fosse possível obter um relatório com as informações acerca do tempo média da atividade e Half Width tempo de meia largura Desse modo tornase capaz realizar uma comparação do tempo de meia largura com o tempo médio da atividade permitindo obter o valor do erro percentual da atividade Com isso abrese a possibilidade de determinar o número de replicações a serem aplicadas no modelo de acordo com o erro desejado por meio da Fórmula 2 A simulação para os testes foi feita considerando o padrão de operação 1 e demanda normal n n h h 2 3 h h n n 4 n número de replicações desejadas n número de replicações utilizada no teste preliminar h erro do teste preliminar h erro desejado Com a execução do modelo segundo as configurações descritas anteriormente obtevese os resultados para o tempo de fila médio e a meia largura apresentadas na Figura 48 Realizando o cálculo da equação 3 obtêmse conforme a Figura 49 que 2077 replicações são necessárias para garantir 15 de erro relativo Como essa quantidade de replicações é inviável de ser praticada foi calculado o erro que seria obtido para 200 replicações obtendose o resultado de 48 conforme a 27 Figura 50 Como esse é o máximo de replicações viável de ser aplicado as próximas simulações irão utilizar as 200 replicações para execução do modelo Figura 48 Resultados para fila média e meia largura com 10 replicações Processo Média entre replicações min Meia largura min Erro relativo A Torneamento 054 024 45 B Montagem 045 028 61 C Pintura 025 028 114 E Embalagem 224 483 216 Fonte dos autores Figura 49 Variáveis e resultado do cálculo do número de replicações n número de replicações desejadas 20736 n número de replicações utilizada no teste preliminar 10 h erro do teste preliminar 2160 h erro desejado 15 Fonte dos autores Figura 50 Variáveis e resultado do cálculo do erro para 200 replicações h erro esperado 48 n número de replicações desejadas 200 n número de replicações utilizada no teste preliminar 10 h erro do teste preliminar 2160 Fonte dos autores 210 SIMULAÇÃO EXPERIMENTO E ANÁLISE DE INDICADORES Considerando as 200 replicações definidas previamente o modelo foi rodado no cenário do padrão de operação 1 com demanda normal Figura 51 e de pico Figura 52 obtendo os erros apresentados abaixo Os maiores erros são conforme esperado nos processos de embalagem tanto na demanda normal como de pico 28 Figura 51 Resultados para fila média e meia largura com 200 replicações Padrão de operação 1 em Demanda Normal Processo Média entre replicações min Meia largura min Erro relativo A Torneamento 060 005 8 B Montagem 071 009 12 C Pintura 031 006 18 E Embalagem 310 118 38 Fonte dos autores Figura 52 Resultados para fila média e meia largura com 200 replicações Padrão de operação 1 em Demanda de Pico Processo Média entre replicações min Meia largura min Erro relativo A Torneamento 280 019 7 B Montagem 818 102 12 C Pintura 031 004 13 E Embalagem 326 134 41 Fonte dos autores Em seguida o modelo foi rodado para cada um dos seis cenários existentes considerando o balanceamento e quantidade de replicações definidos Os resultados para cada um dos três indicadores sendo analisados podem ser vistos nas Figuras Y Y e Y abaixo Figura 53 Utilização por recurso em cada cenário Cenário Utilização A Utilização B Utilização C Utilização E Utilização Op Normal P1 035 0547 0152 0243 0354 Normal P2 0354 0417 0253 0243 0357 Normal P3 0351 0419 0432 023 0427 Pico P1 0677 0921 0268 0408 0628 Pico P2 0683 078 048 045 0676 Pico P3 0686 0796 0811 0412 081 Fonte dos autores 29 Figura 54 Tempo de espera em fila por processo em cada cenário Cenário Tempo de espera A Tempo de espera B Tempo de espera C Tempo de espera E Normal P1 1 3 0 4 Normal P2 1 1 0 4 Normal P3 1 1 1 4 Pico P1 3 33 0 4 Pico P2 3 10 1 5 Pico P3 3 11 7 8 Fonte dos autores Figura 55 Tempo de ciclo por família em cada processo Cenário Tempo de ciclo F1 Tempo de ciclo F2 Tempo de ciclo F3 Normal P1 42 52 74 Normal P2 41 52 70 Normal P3 38 52 75 Pico P1 69 54 100 Pico P2 52 56 87 Pico P3 57 65 96 Fonte dos autores Quanto a utilização percebese que as principais oportunidades de melhoria estão nos cenários de demanda normal Isso já é esperado tendo em vista que o balanceamento realizado tinha por objetivo conseguir um bom desempenho nos tempos de fila nos cenários de pico Como consequências os tempos de fila se mostram ótimos em quase todas as ocasiões sendo o tempo de espera no processo B uma exceção no padrão de operação 1 em pico Isso se deve ao fato de que nesse padrão há uma predominância grande de peças da família 1 as quais passam pelo processo de montagem Isso pode ser percebido também nos tempos de ciclo para o Pico P1 onde o tempo de ciclo da família 1 se enquadra como péssimo Em suma podese dizer que o sistema produtivo possui mais oportunidades de melhoria no que diz respeito a uma diminuição da ociosidade nos cenários de demanda normal e de melhora no tempo de ciclo da família 1 211 DESIGN PROJETO VISUAL E ANIMAÇÃO Customizações visuais foram desenvolvidas para facilitar a compreensão do andamento do processo e dos indicadores de desempenhos associados Abaixo é possível 30 visualizar imagens com esses elementos visuais o que envolvem mostradores que mostram uma informação num dado momento ou gráficos que mostram o valor para um dado indicador ao longo tempo Esses elementos envolvem quantidade de recursos que entraram estão em processamento e saíram do modelo number In WIP e out utilização de cada um dos cinco recursos tempo de ciclo da última entidade a sair do modelo e tempo médio na fila Foi inserido também um recurso visual em forma de círculo que fica vermelho quando o recurso está em falha e verde quanto está disponível para alocação ou alocado Figura 56 Recursos visuais para entidades Fonte dos autores Figura 57 Recursos visuais para utilização dos recursos Fonte dos autores 31 Figura 58 Recursos visuais para o tempo de ciclo Fonte dos autores Figura 59 Recursos visuais para o tempo de fila dos processos Fonte dos autores Figura 60 Recurso visual para indicação do status dos recursos Fonte dos autores 32 212 MELHORIAS JUSTIFICATIVAS E MUDANÇAS 2121 Melhoria sem previsão de impacto Six Sigma A implementação da metodologia Six Sigma em processos produtivos como o torneamento oferece uma abordagem estruturada e sistemática para a melhoria da qualidade e a redução da variabilidade Segundo Pyzdek e Keller 2014 o Six Sigma visa alcançar um desempenho consistente e próximo da perfeição limitando a variabilidade do processo a seis desvios padrão em relação à média No contexto do torneamento a aplicação de ferramentas e técnicas específicas do Six Sigma como o DMAIC Define Measure Analyze Improve Control pode ajudar a identificar fontes de variação otimizar parâmetros de processo e eliminar defeitos Ao adotar a metodologia Six Sigma as organizações podem alcançar uma produção mais estável reduzindo a variabilidade e melhorando a conformidade com as especificações do produto George 2002 Assim a primeira mudança na qual não se visa um impacto específico no modelo pode ser descrita da seguinte forma a Nome da melhoria Six sigma para redução de variabilidade no processo A b Cenário analisado pico padrão de operação 1 c Níveis da melhoria Parcial 50 na redução da variabilidade do tempo de processamento Total 90 na redução da variabilidade do tempo de processamento 2122 Mudança com impacto em indicador e cenário específico Treinamento O treinamento adequado de operadores desempenha um papel crucial na redução do tempo de processamento em processos de montagem dentro do contexto da manufatura Autores como Shingo 1985 e Ohno 1988 fundamentais no desenvolvimento do Sistema Toyota de Produção destacam a importância da capacitação para eliminar desperdícios e melhorar a eficiência O treinamento aprimora a habilidade dos operadores na execução das tarefas promovendo maior fluidez precisão e agilidade no processo de montagem Além disso autores como Womack e Jones 1996 ressaltam que o treinamento eficaz pode contribuir para a identificação e resolução rápida de problemas evitando atrasos no fluxo de produção Investir no desenvolvimento das habilidades técnicas e cognitivas dos operadores não apenas reduz o tempo necessário para concluir as atividades de montagem 33 mas também melhora a qualidade do trabalho resultando em benefícios significativos para a eficiência global do processo de manufatura Assim a segunda mudança na qual se espera um impacto sobre um indicador específico em um dado cenário pode ser descrita da seguinte forma a Nome da mudança Treinamento dos operadores para o processo de montagem b Cenário pico padrão de operação 1 c Níveis da mudança Parcial 20 de redução no tempo de montagem Total 40 de redução no tempo de montagem d Impacto esperado redução no tempo de fila do processo B 2123 Melhoria com impacto em indicadores conflitantes e cenário específico nivelamento da produção O nivelamento da produção ou heijunka é uma estratégia que busca equilibrar a demanda variável com a capacidade de produção minimizando picos e vales na produção Autores como Womack e Jones 1996 destacam que o nivelamento contribui para a redução de filas e melhor utilização do sistema produtivo ao proporcionar um fluxo mais constante e previsível de trabalho Isso minimiza o excesso de estoque e os tempos ociosos resultando em uma produção mais eficiente Além disso Liker 2004 ressalta que o nivelamento ajuda a identificar e resolver desequilíbrios no processo permitindo uma resposta mais ágil às mudanças na demanda Ao adotar essa abordagem as organizações conseguem otimizar recursos melhorar a qualidade e ao mesmo tempo atender de forma mais eficaz às necessidades dos clientes a Nome da mudança nivelamento da produção b Cenário pico padrão de operação 3 c Níveis da mudança Parcial chegada de peças cadenciada segundo uma normal Total chegada de peças cadenciada segundo uma constante d Impacto esperado redução no tempo de fila dos processos e utilização se mantendo sem alterações significativas 34 213 MELHORIAS SIMULAÇÃO E ANÁLISE DE MELHORIAS Nessa seção discutese a implementação das mudanças propostas anteriormente no modelo do Arena bem como os impactos de cada uma nos indicadores dos cenários estabelecidos O Quadro 4 resume cada uma das três mudanças propostas e indica qual o impacto que foi obtido Quadro 4 Resumo do impacto e facilidade das melhorias Mudança Descrição Impacto Facilidade e custo de implantação Mudança 1 Six sigma para redução de variabilidade no processo A Baixo Alto Mudança 2 Treinamento dos operadores para o processo de montagem Alto Moderado Mudança 3 Nivelamento da produção Moderado Moderado Fonte dos autores 2131 Melhoria sem previsão de impacto A implementação da primeira mudança demandou apenas a alteração da expressão que descreve o tempo de duração do processo A de torneamento No cenário original ela seguia uma expressão normal com média 10 e desvio padrão 103 minutos Como o projeto de Six Sigma visa apenas a redução da variabilidade do processo o impacto está apenas no desvio padrão e não na média Dessa forma no cenário parcial o desvio padrão da expressão normal passa para 05 minutos e 01 no cenário total Figura 61 Configurações para implementação da melhoria 1 35 Fonte dos autores Figura 66 Comparativo da melhoria 1 Cenário Fila do processo de torneamento Utilização do Torno CNC Original 36 min 677 Mudança parcial 28 min 681 Mudança total 28 min 684 Fonte dos autores Como pode ser visto na Figura 62 os impactos nos indicadores do processo A tempo de fila e utilização foram muito pouco significativos A fila do processo reduziu com a mudança parcial mas se manteve muito próxima com a mudança total Já sobre a utilização o aumento foi muito discreto Por conta disso podese concluir que o impacto da mudança é muito baixo Ao mesmo tempo podese dizer que o esforço para implementação de tal melhoria é bastante alto tendo em vista que projetos de Six Sigma levam cerca de 6 meses bem como demandam a alocação de tempo e recursos humanos de forma significativa 2132 Melhoria com impacto em indicador e cenário específico A implementação da segunda mudança exigiu a alteração da distribuição que descreve o tempo de processamento do processo de montagem A expressão que descrevia a duração do 36 processo de torneamento era 6 GAMM268 56 Com a mudança ela passa a ser no nível parcial NORM1678 496 e NORM1258 372 no nível total Essa distribuição se baseou na média e no desvio padrão da amostra que pode ser visto na Figura 3 Figura 63 Configurações para implementação da melhoria 2 Fonte dos autores Figura 64 Comparativo da melhoria 2 Cenário Fila do processo de montagem Original 337 min Mudança parcial 120 min Mudança total 22 min Fonte dos autores 37 Como pode ser visto na Figura 64 a mudança 2 trouxe resultados consistentes com o que era esperado reduzindo o tempo de fila do processo de montagem Do cenário original para o parcial a redução foi de 64 e de 94 para o cenário com mudanças totais A mudança foi implementada no cenário de Pico com o padrão de operação 1 na qual o tempo de fila desse processo se mostrava bastante alto classificado no nível péssimo Percebese que o impacto foi alto sendo que o custo para treinamento pode não ser tão alto em um cenário real Cabe compreender se uma redução de 20 e 40 nesse tempo de processamento é factível 2133 Melhoria com impacto em indicadores conflitantes e cenário específico Para implementar a terceira mudança a expressão do módulo create foi alterada primeiramente para uma normal com média 51 e desvio padrão 06 e depois para uma constante com média 51 Figura 65 Configurações para implementação da melhoria 3 Fonte dos autores Figura 66 Comparativo da melhoria 3 nas filas Cenário Fila A min Fila B min Fila C min Fila E min Original 323 119 743 821 Mudança parcial 021 681 472 395 Mudança total 017 590 461 379 Fonte dos autores 38 Figura 67 Comparativo da melhoria 3 nas filas Cenário Utilização A Utilização B Utilização C Utilização E Utilização Operador Original 69 80 81 41 81 Mudança parcial 69 82 83 44 83 Mudança total 69 81 84 43 83 Fonte dos autores É perceptível que a mudança provou uma tendência de redução nas filas de todos os processos ao mesmo tempo que as utilizações se mantiveram constantes como foi previsto anteriormente Isso pode ser explicado pelo fato de que a chegada de peças nos processos se tornou muito mais previsível limitando a ocorrência de tempo entre chegadas muito pequeno ou muito espaçado A utilização se mantém nos mesmos níveis porque a quantidade de peças que chegam no sistema se mantém na média igual O impacto da melhoria é moderado pois as filas foram reduzidas de maneira considerável O custo e facilidade de implementação é moderado pois teoricamente não há necessidade de investimentos mas pode ser necessário replanejar a forma como as ordens de produção são executadas 214 GESTÃO DO PROJETO CUSTEIO O custeio desempenha um papel fundamental no gerenciamento de projetos de consultoria desempenhando um papel crucial na determinação e controle dos recursos financeiros envolvidos O processo de custeio permite uma visão clara e detalhada dos custos associados a cada fase do projeto desde a concepção até a entrega final Além disso o custeio proporciona uma base sólida para a tomada de decisões estratégicas permitindo que os gestores avaliem a viabilidade econômica do projeto ajustem prioridades conforme necessário e garantam a rentabilidade desejada Dessa forma o custeio emerge como uma ferramenta essencial para o sucesso e sustentabilidade de projetos de consultoria proporcionando transparência controle financeiro e uma gestão mais eficaz Dessa forma um custeio foi realizado levando os custos com os membros integrantes do projeto sendo que Felipe Nabuco Marcos Paulo e Matheus Sanaiotte ocupam uma posição de consultor de Engenharia de produção portanto recebem 45 reais por hora 39 trabalhada enquanto Flávio Takarada Gerente do projeto recebe 60 reais por hora A quantidade de horas trabalhadas foi calculada com base nas tarefas que compõe o projeto e também na apresentação de resultados realizada ao final do projeto e de outras reuniões de alinhamento que ocorreram Além disso foi considerado que outros custos como com a impressão de relatório deslocamento dos integrantes materiais equipamentos e software iriam exisitir no contexto da prestação de uma consultoria Esse valor foi projetado como sendo igual a 500 reais Somados todos esses valores resultaram num custeio de R 480500 Figura 68 Horas despendidas por integrante do projeto nas tarefas Tarefa Felipe Nabuco Flávio Takarada Marcos Paulo Matheus Sanaiotte T1 2 T2 2 T3 4 T4 4 T5 2 T6 4 T7 6 T8 4 T9 2 T10 4 T11 4 T12 6 T13 6 T14 2 T15 8 Apresentação de resultados 2 2 2 2 Reuniões de alinhamento 5 5 5 5 Total 21 23 21 23 Fonte dos autores Figura 69 Horas despendidas por integrante do projeto 40 Membro Horas R hora Total Felipe Nabuco 21 4500 R 94500 R Flávio Takarada 23 6000 R 138000 R Marcos Paulo 21 4500 R 94500 R Matheus Sanaiotte 23 4500 R 103500 R TOTAL 430500 R Figura 70 Soma dos custos Recursos humanos 430500 R Outros custos 50000 R TOTAL 480500 R Fonte dos autores 3 CONCLUSÃO Em conclusão o projeto de simulação na manufatura foi uma jornada abrangente que percorreu todas as fases do ciclo desde a modelagem inicial até a implementação de melhorias significativas A aplicação de técnicas avançadas de parametrização e análises estatísticas permitiu uma compreensão profunda dos processos identificando áreas de oportunidade O balanceamento eficiente resultou em uma otimização notável da eficiência operacional As melhorias implementadas demonstraram não apenas uma redução nos tempos de ciclo mas também uma melhoria geral na qualidade e na utilização dos recursos Este projeto de simulação não apenas aprimorou os processos de manufatura mas também destacou a importância contínua da inovação e da adaptação em ambientes industriais dinâmicos 41 REFERÊNCIAS KOTLER P KELLER K L Administração de marketing 14 ed São Paulo Pearson 2012 ROTHER Mike SHOOK John Learning to see value stream mapping to add value and eliminate muda Lean Enterprise Institute 2003 George M L 2002 Lean Six Sigma Combining Six Sigma with Lean Speed McGraw Hill Pyzdek T Keller P A 2014 The Six Sigma Handbook A Complete Guide for Green Belts Black Belts and Managers at All Levels McGrawHill Education LIKER J The Toyota Way 14 Management Principles from the Worlds Greatest Manufacturer São Paulo 2004 42 Apêndice A Diagrama de Ciclo de Atividades Disciplina Simulação Avaliação de Projeto nota entre 0 zero e 10 dez EM GRUPO MÁXIMO DE 5 CINCO ALUNOS Média da PRO 4 para Aprovação Os alunos deverão apresentar uma proposta para o balanceamento dos recursos de um novo negócio utilizando simulação Um caso fictício foi desenvolvido para trabalharse com a melhoria de indicadores de desempenho utilizando modelos de simulação Vamos supor que a empresa franqueadora oferece os dados sobre a demanda das operações em uma filial de referência a partir da coleta dos tempos entre chegadas e de processamento das operações envolvidas Tecnicamente os dados são gerados aleatoriamente para esses casos de estudo Os dados fornecidos representam o cenário de demanda típica do estabelecimento Além desse cenário deve ser considerado para todos os padrões de operação um cenário de pico com a redução dos intervalos de chegada pela metade ou seja ou dobro da demanda Também foi considerado que a população que demanda o serviço chega sempre de maneira unitária por simplificação Os casos de estudo estão descritos mais adiante O projeto está organizado em 15 quinze tarefas e para cada uma deve haver apenas um integrante do grupo responsável Cada tarefa possui um peso que influencia a nota individual de cada integrante As tarefas existem para facilitar a organização do grupo e a correção individual no entanto existem claramente relações entre elas que podem influenciar o desempenho do grupo É importante compreender o conteúdo de cada tarefa para fazer uma boa alocação entre os integrantes do grupo e não ser surpreendido com o resultado final do projeto Visando garantir o rendimento do grupo ao longo do semestre o projeto será dividido em 11 onze entregas todas realizadas pelo Moodle Cada entrega deve ser feita por apenas um integrante do grupo As datas das entregas estão definidas no cronograma da disciplina A primeira P1 corresponde a postagem no fórum especifico com o nome dos integrantes do grupo o tema que o grupo escolheu para o projeto as tarefas que cada um se responsabilizará dentro do projeto e a data de apresentação para o projeto do grupo As entregas parciais P2 até P8 servem para auxiliar os alunos com um cronograma para o projeto e permitir ao professor avaliar o seu andamento Dúvidas devem ser tiradas em aula as entregas parciais não serão corrigidas Apenas a última entrega P9 será avaliada e pontuada com nota de acordo com as rubricas disponíveis e corresponde ao envio do relatório em formato PDF e apresentação também em formato PDF A apresentação terá o tempo disponível de 183 minutos Entregas do Projeto P1 Caso Grupo Responsabilidades e Data de Apresentação um do grupo P2 Planejamento responsável pela T1 ou T2 P3 Planejamento responsável pela T3 ou T4 P4 Modelagem responsável pela T5 ou T6 P5 Simulação responsável pela T7 ou T8 P6 Simulação responsável pela T9 ou T10 P7 Design responsável pela T11 P8 Melhorias responsável pela T12 ou T13 P9 Relatório e Apresentação Final responsável pela T14 ou T15 IMPORTANTE Grupos que não entregarem resultados parciais coerentes não terão direito a avaliação substitutiva Entregas Fora do Prazo As entregas parciais de P1 a P8 não serão pontuadas com nota A entrega final P9 fora do prazo terá penalidade de 20 pontos a partir da data de entrega e mais 20 pontos a cada 7 dias Existe um fórum específico no Moodle para entregas fora do prazo da PRO Substitutiva Terão direito a avaliação substitutiva os discentes com média PRO 40 ao final da correção de todas as atividades A substitutiva será avaliada até a nota máxima 40 e não recupera pontos penalizados por atraso Caso 3 Manufatura A fábrica metalmecânica possui 5 processos A Torno CNC B Montagem C Pintura D Secagem e E Embalagem A organização opera fornecendo peças de três famílias internamente para uma grande organização A primeira necessita dos processos A B e E a segunda requer os processos A C D e E e a última utiliza todos os processos A B C D e E Cada processo utiliza uma máquina específica com exceção do processo D que possui capacidade infinita Todas as máquinas estão sujeitas a falhas Para todos os processos é necessário um operador humano Para todos os recursos humanos ocorrem eventuais pausas em suas atividades Defeitos também ocorrem implicando que 2 de todas as operações realizadas nas máquinas são rejeitadas e os itens devem ser manufaturados novamente sendo necessário produzir a peça novamente desde o início do processo Além disso foi destacado que existem 3 padrões de atendimento de acordo com promoções e sazonalidades Tabela 2 Padrões de requisição da manufatura Porcentagem da População que Requer o Serviço Padrões de Operação Família 1 Família 2 Família 3 1 70 20 10 2 50 40 10 3 10 40 50 Deve ser considerado que a manufatura opera durante 8 horas por dia Existem 6 seis cenários resultantes da combinação de 2 dois padrões de demanda normal e pico e 3 três padrões das necessidades da demanda definidos na tabela O projeto é definido pelas seguintes tarefas T1 Peso 1 Planejamento contextualização do tema problemas e objetivos de projeto Apresentar o caso de estudo escolhido e relacionálo com exemplos de organizações reais semelhantes Discutir quais são os principais indicadores de desempenho a serem tratados nesse tipo de caso tanto com relação às operações da organização quanto para a satisfação do consumidor apresentando referências para os valores esperados desses indicadores T2 Peso 1 Planejamento geração coleta de dados e análise descritiva Apresentar a estatística descritiva dos dados e discutir os resultados encontrados com relação aos tempos das atividades e a capacidade esperada para os recursos e também estimar o número médio de itensclientes processados por dia no sistema Os dados gerados aleatoriamente de acordo com os temas escolhidos estão disponíveis no Moodle T3 Peso 2 Planejamento concepção do modelo Construir um diagrama de ciclo de atividades para o caso utilizando o formato de piscina onde as raias especificam os recursos responsáveis por cada processo no sistema Especificar quais processos agregam ou não valor além de discutir e detalhar os pontos de tomada de decisão do modelo e outros componentes de lógica que julgar necessário T4 Peso 2 Planejamento projeto de indicadores Considere os indicadores do tempo de espera utilização e escolha mais um indicador os quais serão analisados para todos os recursos do sistema Descreva os indicadores discutindo como se dão as relações conflitantes entre eles Projete como a operação deve funcionar estabelecendo uma escala péssimo ruim regular bom e ótimo de acordo com os valores esperados para esses indicadores T5 Peso 1 Modelagem modelagem dos dados de entrada Pesquisar e discutir quais testes estatísticos são executados pelo Input Analyser e como os resultados devem ser analisados Utilizar a ferramenta Input Analyser do Arena para obter as distribuições que definem os tempos entre as chegadas pico e normal e dos tempos de processamento para a modelagem dos dados de entrada para o caso de estudo Apresentar os histogramas e uma tabela com o resumo dos resultados da modelagem dos dados de entrada T6 Peso 2 Modelagem tradução configuração e verificação do modelo Traduzir o modelo concebido para o software Arena aplicando as estimativas iniciais para as capacidades dos recursos mas ajustando os valores das capacidades se necessário Descrever todos os blocos e suas configurações de acordo com o projetado no diagrama de ciclo de atividades Apresentar as configurações de simulação do modelo mas utilizando inicialmente um número pequeno de replicações Realizar experimentos com o modelo para verificar os resultados de saída e comparar com as estimativas feitas anteriormente T7 Peso 3 Simulação balanceamento de recursos e indicadores Através de simulações ainda com número pequeno de replicações determinar uma única configuração de capacidade para os recursos para todos os cenários com objetivo de atingir as metas definidas no projeto de indicadores Detalhar como foi executado o balanceamento apresentando os resultados dos indicadores das simulações realizadas para atingir as capacidades escolhidas T8 Peso 2 Simulação validação do modelo Estimar a média para o resultado de saída do modelo de simulação number out de um cenário específico definir o tamanho apropriado para a amostra gerar coletar dados com uma distribuição de Poisson e colher dados da simulação individualmente por replicação para validação Pesquisar qual o teste estatístico deve ser executado nesse caso realizando a comparação de médias e análise de variância Caso obtenha resultado não válido estimar a variância para o resultado de saída do modelo de simulação number out de um cenário específico e gerar dados com uma distribuição de Normal para uma nova validação Caso ainda não for possível obter um resultado válido propor a estratificação dos dados de saída fazer a separação dos dados de saída no modelo gerar dados de saída estratificados e realizar uma a validação para cada variável separadamente T9 Peso 1 Simulação projeto do experimento de simulação Realizar um experimento preliminar com simulações para determinar o número de replicações para atingir a precisão desejada do modelo T10 Peso 2 Simulação experimento e análise de indicadores Realizar o experimento para a precisão determinada verificar resultado da precisão e analisar os indicadores projetados Além disso evidenciar quais cenários possuem maiores oportunidades de melhoria no sistema T11 Peso 2 Design projeto visual e animação Utilizar os recursos visuais e de animação do Arena para proporcionar uma interface amigável e de fácil entendimento para o modelo de simulação levando em consideração os indicadores analisados Criar mostradores para todos os indicadores analisados no projeto Customizar a visualização do modelo de acordo com o tema escolhido T12 Peso 3 Melhorias mudanças e justificativas Propor uma mudança qualquer no modelo sem previsão de impacto em indicador específico Propor outra mudança com previsão de impacto em apenas um indicador para apenas um cenário Propor mais uma mudança com previsão de impacto para dois indicadores conflitantes em um cenário específico Justificar as mudanças com referências de livros e artigos sobre Engenharia de Produção As mudanças não devem alterar as quantidades de recursos estabelecidas no balanceamento Exemplos de mudanças são terceirização com sublocação de recursos em excesso propostas de mudança no fluxo de operações especialização e realocação de recursos humanos ou equipamentos técnicas para redução de variabilidade inovação tecnológica etc T13 Peso 3 Melhorias simulação e análise das melhorias Detalhar como as mudanças foram implementadas no modelo de simulação Simular cada mudança com dois cenários uma situação onde a melhoria teve resultado completo e uma com melhoria parcial e analisar os resultados obtidos classificando as mudanças apresentadas em termos da facilidade e custo de implantação e o impacto das oportunidades de melhoria identificadas com os resultados de simulação T14 Peso 1 Gestão do Projeto Custeio O gestor deve acompanhar a execução das tarefas e fornecer uma análise dos custos ocorridos no desenvolvimento do projeto da disciplina subdividindo as áreas de conhecimento e formação da equipe T15 Peso 4 Gestão do Projeto Organização e verificação do projeto Redação e formatação do relatório e apresentação do projeto o gestor do projeto tem responsabilidade quanto ao material apresentado O gestor deve também verificar os resultados e as interpretações sobre a solução dos problemas apresentados assim como acompanhar o cronograma e garantir o cumprimento dos prazos da disciplina Rubrica Componentes da T1 T Tema E Estrutura e Material T1 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 T O tema escolhido foi apresentado com clareza e os exemplos apresentados são similares e relevantes O tema foi apresentado mas os exemplos poderiam ter melhor relação com o caso Os valores para os indicadores não são coerentes ou sem referências A introdução construída foi superficial e os exemplos poderiam ter melhor relação com o tema A introdução e os exemplos são confusos e sem relação OU os indicadores não foram discutidos E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T1 TE2 Componentes da T2 ED Estatística Descritiva AD Análise e Discussão E Estrutura e Material T2 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 ED As estatísticas foram apresentadas com clareza e bem estruturadas A falta de legendas tabelas dificulta a compreensão das estatísticas A apresentação visual das tabelas dificulta a compreensão das estatísticas As estatísticas apresentadas não são suficientes para a compreensão do caso As estatísticas apresentadas estão incorretas AD A análise foi feita com sucesso e as estimativas são coerentes A falta de referência das tabelas no texto prejudica a compreensão A discussão dos resultados ou das estimativas é confusa ou sem conclusões objetivas Não foi construída uma discussão dos resultados existe apenas a apresentação dos dados Não foram apresentadas as estimativas solicitadas E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T2 EDADE3 Componentes da T3 PS Princípios de Simulação DCA Diagrama de Ciclo Atividades E Estrutura e Material T3 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 PS Os princípios de simulação foram discutidos corretamente para o caso de estudo As falhas e pausas não foram analisadas para todos os recursos A análise dos pontos de tomada de decisão apresenta falhas Atividades e recursos do caso foram relacionados incorretamente A entidade do modelo foi listada como recurso DCA O diagrama de ciclo de atividades foi construído corretamente A agregação de valor não foi especificada no diagrama Existem erros nos pontos de tomada de decisão A configuração de recursos exibida não está correta para o caso estudado O diagrama em formato de piscina não foi utilizado corretamente E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T3 PSDCAE3 Componentes da T4 AC Análise dos Conflitos PI Projeto de Indicadores E Estrutura e Material T4 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 AC Os indicadores e foram descritos e os conflitos entre eles evidenciados corretamente Os conflitos estão corretos mas a descrição não é detalhada o suficiente Os conflitos entre o indicador adicional e os obrigatórios não foram analisados corretamente Existe redundância entre os indicadores propostos Os conflitos entre os indicadores obrigatórios não foram analisados corretamente PI O projeto de indicadores foi apresentado com clareza e é coerente com o caso A amplitude apresentada para qualquer uma das escalas não está adequada ao indicador Alguns pontos das escalas foram analisados incorretamente Os valores definidos para as escalas não consideram os conflitos entre os indicadores Muitas faixas das escalas foram definidas incorretamente E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T4 ACPIE3 Componentes da T8 V Validação E Estrutura e Material T8 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 V O modelo foi validado com sucesso encontrando uma previsão válida para sua saída A validação foi realizada corretamente mas sem encontrar um modelo válido A validação está incompleta apenas Poisson e Normal foram apresentadas A validação está incompleta apenas Poisson foi apresentada A validação não foi executada corretamente E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T8 VE2 Componentes da T9 EP Experimento Preliminar E Estrutura e Material T9 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 EP O experimento preliminar foi realizado com sucesso e determinada uma precisão satisfatória As simulações do experimento preliminar não foram bem detalhadas O experimento preliminar realizado está incompleto ou apresenta falhas O dado para a análise de precisão não foi escolhido corretamente A precisão do modelo não foi determinada com o método correto E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T9 EPE2 Componentes da T10 AI Análise dos Indicadores E Estrutura e Material T10 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 AI Os indicadores foram analisados com clareza para o caso estudado Os principais cenários com as maiores oportunidades de melhoria não foram definidos Análise dos indicadores é superficial ou contém erros nos conceitos discutidos Os indicadores não foram analisados corretamente Erros no modelo de simulação impediram a análise dos indicadores E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T10 AIE2 Componentes da T11 VI Visualização de Indicadores AO Animação e Organização E Estrutura e Formatação T11 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 VI Customizações visuais permitem interpretar recursos observar falhas e distinguir tipos de entidades no modelo Todos os indicadores analisados foram tratados ao menos com mostradores corretamente Todos os indicadores foram programados mas alguns apresentam valores incorretos Alguns indicadores não foram apresentados na interface do modelo Nenhum dos indicadores foram corretamente apresentados na interface do modelo AO A organização e imagens adotadas no modelo facilitam a sua compreensão O modelo está bem organizado mas poucas animações foram desenvolvidas para facilitar a sua compreensão O modelo está bem organizado mas não foram desenvolvidas animações para facilitar a sua compreensão Existem algumas animações mas o modelo está desorganizado dificultando sua visualização holística Não foram desenvolvidas animações e a organização do modelo prejudica sua visualização holística E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T11 VIAOE3 Componentes da T12 P Propostas de Ações E Estrutura e Formatação T12 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 PA Foram propostas mudanças claras e bem fundamentadas por conhecimentos de Engenharia de Produção O detalhamento do relatório é superficial e dificulta a compreensão de uma ou mais mudanças Apesar de eficazes uma ou mais mudanças não tiveram seus fundamentos teóricos discutidos A descrição das mudanças propostas é insuficiente para a implementação no modelo de simulação Mesmo que eficazes pelo menos duas mudanças apresentaram baixa criatividade E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T12 PAE2 Componentes da T5 ME Modelo de Entrada E Estrutura e Material T5 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 ME A modelagem de entrada foi realizada com sucesso Os testes estatísticos do Arena não foram descritos e interpretados corretamente A formatação legendas e referências das figuras e tabelas prejudica a compreensão Não foi construída uma interpretação e conclusão sobre a modelagem de entrada Existem falhas na modelagem da entrada E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T5 MEE2 Componentes da T6 C Configuração V Verificação E Estrutura e Material T6 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 C Todas as configurações foram detalhadas com clareza A configuração dos parâmetros da replicação apresenta erros A configuração das falhas não foi realizada com sucesso A configuração dos processos recursos ou decisões contém erros Grande parte da configuração do modelo está incorreta V A verificação do modelo foi detalhada com clareza e realizada com sucesso O detalhamento do processo de modelagem é insuficiente A comparação e ajuste das estimativas anteriores não foram executados corretamente O número de entidades na saída do modelo é incoerente e não foi verificado Existem falhas na tradução dos processos recursos ou decisões para o modelo E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T6 CVE3 Componentes da T7 B Balanceamento E Estrutura e Material T7 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 B O balanceamento de recursos foi realizado com sucesso Falhas no projeto de indicadores dificultaram o balanceamento O balanceamento não foi detalhado com clareza Um ou mais recursos foram desconsiderados no balanceamento O balanceamento não foi executado corretamente E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T7 BAE2 Componentes da T13 IM Implementação das Mudanças AM Análise das Melhorias E Estrutura e Formatação T13 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 IM As alterações do modelo relativas às ações foram devidamente verificadas e descritas As alterações do modelo relativas às ações foram devidamente verificadas mas sua descrição não é suficiente para replicação As alterações do modelo relativas às ações foram devidamente verificadas mas não existe descrição para replicação do modelo As alterações do modelo relativas às ações foram devidamente verificadas mas não correspondem as ações propostas As alterações do modelo relativas às ações não foram devidamente verificadas AM As mudanças foram analisadas e classificadas corretamente As mudanças não foram classificadas de acordo com impacto custo e facilidade de implantação As mudanças não foram analisadas para todos os indicadores do projeto A maioria das mudanças foram pouco eficazes para os indicadores propostos ou outros conflitantes A maioria das mudanças apresentaram baixa criatividade de modelagem EOU programação E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T13 IMAME3 Componentes da T14 C Custeio E Estrutura e Formatação T14 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 C O custeio construído identificou as atividades de cada membro da equipe e ofereceu estimativas coerentes para esses custos O custeio construído identificou as atividades de cada membro da equipe mas ofereceu estimativas incoerentes para esses custos O custeio construído identificou as atividades de cada membro da equipe mas ofereceu estimativas incoerentes para as horas trabalhadas pela equipe O custeio construído falha em identificar as atividades de cada membro da equipe ou apresentou um resultado confuso com pontos francos O custeio construído falha em identificar as atividades de cada membro da equipe e apresentou um resultado confuso com pontos francos E O documento apresentado possui uma estrutura clara e objetiva Os elementos gráficos não foram corretamente construídosreferenciados ou explicados A organização e formatação do texto não segue um único padrão A fonte ou cor do texto e dos elementos gráficos não segue um único padrão O relatório possui múltiplos problemas de formatação Nota de T14 CE2 Componentes da T15 RP Resultados Principais A Apresentação TC Total Completo E Estrutura e Formatação R Referências A nota do componente E é definida pela média aritmética desse mesmo item nas demais tarefas T15 Ótimo Nota 100 Bom Nota 80 Regular Nota 60 Ruim Nota 40 Péssimo Nota 20 RP Os resultados principais foram atingidos com êxito O resultado geral foi bom mas alguns pontos poderiam ter sido melhor explorados ou alguns pontos apresentaram um resultado ruim ou errado O resultado geral foi regular alguns pontos poderiam ter sido melhor explorados e alguns pontos apresentaram um resultado ruim ou errado O resultado geral foi ruim muitos pontos poderiam ter sido mais explorados ou muitos pontos apresentaram um resultado ruim ou errado O resultado geral foi péssimo muitos pontos poderiam ter sido mais explorados e muitos pontos apresentaram um resultado ruim ou errado TC O projeto foi executado em sua totalidade Aproximadamente 80 do projeto pode ser considerado completo Aproximadamente 60 do projeto pode ser considerado completo Aproximadamente 40 do projeto pode ser considerado completo Aproximadamente 20 do projeto pode ser considerado completo R As normas material e fontes externas foram bem utilizadas gerando um documento de fácil leitura e compreensão O custeio apresentou tem funções mal alocadas OU subestima ou superestima a carga de trabalho ou remuneração O mal uso das referências da Paragon ao longo do projeto gerou resultados superficiais ou ineficientes O mal uso das referências da Paragon ao longo do projeto gerou resultados com modelagem incorreta ao exigido pelo enunciado A falta de conhecimento das normas da ABNT levou a um relatório pouco padronizado que pinica minha cara de vergonha A apresentação foi realizada de acordo com suas necessidades e colaborou para o entendimento do projeto O tempo de apresentação desviou do exigido 183 O material de apresentação contem falhas dificultando a compreensão do projeto A participação dos integrantes na apresentação não confere com as responsabilidades estabelecidas Foram encontradas múltiplas falhas neste componente Nota de T15 RPTCRTE5 UNIVERSIDADE FEDERAL DO TRIÂNGULO MINEIRO DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO PROJETO DE SIMULAÇÃO DISCRETA Caso de Estudo G6 Manufatura Trabalho apresentado à disciplina de Modelagem e Simulação de Processos como requisito parcial de avaliação das competências práticas em Simulação Discreta utilizando Arena Simulation 14 Julho de 2025 PROJETO DE MODELAGEM E SIMULAÇÃO DISCRETA Caso Prático G6 Manufatura Análise de Falhas Políticas de Manutenção e Otimização de Desempenho Gabriel Grupo 6 de Modelagem Julho de 2025 2 Resumo Este documento relata o desenvolvimento de um modelo de simulação discreta construído no Arena Simulation v14 para uma linha de manufatura composta por cinco estações Máquinas AE sujeitas a falhas estocásticas Os dados brutos de MTBF MTTR tempos de operação e programações de turno foram saneados e parametrizados O modelo foi validado por compa ração com dados históricos teste t α 005 e utilizado para avaliar políticas de manutenção corretiva e preventiva Cenários estudados indicam que a adoção de manutenção preventiva programada na Máquina C reduz o tempo médio de fila em 53 e eleva o OEE global de 832 para 879 Palavraschave Simulação Discreta Arena Simulation MTBF Manutenção Preventiva OEE Manufatura G6 Sumário Sumário4 Lista de ilustrações6 Lista de tabelas7 1 INTRODUÇÃO8 11 Motivação8 12 Objetivos8 13 Organização do Documento9 2 FUNDAMENTAÇÃO TEÓRICA10 21 Confiabilidade Industrial10 211 Modelos Probabilísticos de Falha10 212 Funções Confiabilidade e Densidade11 22 Indicadores OEE11 221 Benchmark de Classe Mundial12 222 Desmembramento por Componente12 23 Simulação de Eventos Discretos12 231 Boas Práticas de Modelagem13 232 Ferramentas e Interoperabilidade13 233 Relevância para o Caso G614 3 DADOS E PRÉPROCESSAMENTO15 31 Fontes de Dados15 32 Saneamento e Estatísticas Descritivas15 33 Visualização Exploratória16 34 Ajuste de Distribuições Estatísticas16 35 Exportação para Arena17 4 METODOLOGIA DE MODELAGEM18 41 Visão Geral do Fluxo de Simulação18 42 Tempo de Ciclo e Parâmetros de Processo19 43 Configuração de Falhas e Manutenção19 44 Cenários de Simulação e Estratégias Avaliadas20 45 Validação e Conformidade Metodológica20 5 RESULTADOS E DISCUSSÃO21 51 Indicadores As Is21 511 Visão Geral dos KPIs21 512 Análise Detalhada dos Indicadores21 5121 Throughput PeçasHora21 5122 OEE Global22 5123 Tempo Médio de Fila22 5124 Disponibilidade22 513 Identificação do Gargalo22 52 Cenário Preventiva C23 521 Impactos Operacionais23 53 Análise Econômica23 54 Síntese e Recomendações24 6 CONCLUSÕES25 REFERÊNCIAS27 Lista de ilustrações Figura 1 Curva da Banheira regimes característicos de falha10 Figura 2 Funções de confiabilidade Rt comparação A vs C11 Figura 3 Radar OEE situação G6 versus benchmark mundial Fonte Autor12 Figura 4 Calendário de eventos ciclo genérico da SED13 Figura 5 a Histogramas de MTBF MTTR e TEC por máquina b Boxplots de TEC 16 Figura 6 Ajuste de distribuições comparação PDF empírica vs teórica17 Figura 7 Esquema do modelo no Arena módulos Create Process Failure Record e Dispose18 Figura 8 Indicadores operacionais médios e IC95 cenário As Is21 Figura 9 Utilização da Máquina C no cenário As Is 92 do tempo ocupada22 Figura 10 Comparativo de indicadores cenário As Is vs Preventiva C23 Lista de tabelas Tabela 1 Parâmetros de falha ajustados Arquivo G6Manufaturacsv11 Tabela 2 Componentes do OEE por máquina cenário base12 Tabela 3 Comparativo de ferramentas de SED13 Tabela 4 Estatísticas descritivas por máquina n 1 000 ciclos15 Tabela 5 Tempo de ciclo TEC por máquina parâmetros estatísticos19 Tabela 6 Comparativo de cenários principais variáveis de controle20 1 Introdução 11 Motivação A manufatura contemporânea atravessa uma transição acelerada impulsionada pelos princí pios da Indústria 40 nos quais digitalização sensoriamento em tempo real e automação cog nitiva convergem para criar fábricas inteligentes Nesse contexto os gestores de operações enfrentam uma tríplice pressão i reduzir o lead time total para atender mercados que deman dam personalização em lote tamanho 1 ii manter índices de eficiência global de equipamento OEE acima dos benchmarks de classe mundialtipicamente 85 e iii assegurar disponi bilidade e confiabilidade apesar do envelhecimento do parque fabril 4 A simulação de eventos discretos desponta como ferramenta estratégica pois permite reproduzir a dinâmica estocástica de filas tempos de setup e falhas sem interromper a produção real além de antecipar ganhos ou perdas decorrentes de mudanças no sistema 1 O caso didático G6 Manufatura fornecido pelo docente replica uma célula de produção com cinco estações Máquinas AE sujeitas a falhas corretivas procedimentos de manutenção preventiva e lógica de fluxo em linha As máquinas possuem espectro de tempos de operação índices de confiabilidade distintos e interdependência de capacidade que impossibilita aborda gem analítica fechada Sob tais característicaschegadas não determinísticas tempos de re paro lognormal políticas de dispatchingtécnicas clássicas de equilíbrio de linha ou cálculo manual de disponibilidade tornamse inadequadas Ao construir um digital twin em Arena Si mulation podemos realizar experimentos whatif de forma exaustiva quantificar impacto de políticas de manutenção dimensionar buffers de segurança e embasar tomadas de decisão com dados robustos indo além do achismo operacional Além da perspectiva técnica existe componente econômicoestratégico cada vez mais rele vante Interrupções produtivas imprevisíveis geram custos ocultos pagamentos de hora extra multas por atraso na entrega e queda de reputação na cadeia de suprimentos o que afeta métri cas ESG e Net Promoter Score industrial Portanto dominar ferramentas de simulação se torna vantagem competitiva para engenheiros de produção e gestores de ativos alinhandose a normas de gestão de confiabilidade como a ISO 55000 e às boas práticas TPM 2 12 Objetivos De forma ampla este estudo visa demonstrar como a modelagem de eventos discretos pode apoiar a tomada de decisão no chão de fábrica Os objetivos específicos são 1 Construir e validar no Arena 14 um digital twin fiel da linha G6 incorporando distribui ções de MTBF MTTR e tempos de operação derivados dos arquivos históricos 2 Medir indicadoreschave de desempenhothroughput WIP OEE disponibilidade tempo médio de filacom 30 replicações e intervalo de confiança de 95 3 Avaliar cenários ese que combinem manutenção preventiva ajuste de capacidade e buffers intermediários quantificando impacto percentual sobre OEE e lead time 4 Determinar via análise econômica a relação custobenefício das mudanças propostas estimando payback e VPL em horizonte de 12 meses 13 Organização do Documento O trabalho está estruturado da seguinte maneira o Cap 2 apresenta fundamentos de con fiabilidade indicadores OEE e princípios de simulação discreta o Cap 3 detalha a origem saneamento e análise estatística dos dados utilizados o Cap 4 descreve a construção do modelo no Arena e as suposições adotadas os resultados experimentais e a discussão crítica estão no Cap 5 finalmente o Cap 6 sintetiza conclusões e recomendações para trabalhos futuros 2 Fundamentação Teórica 21 Confiabilidade Industrial A confiabilidade industrial pedra angular da engenharia de manutenção baseiase em métri cas que quantificam quando e por quanto tempo um ativo permanece operacional As grandezas clássicas são o Mean Time Between Failures MTBF e o Mean Time to Repair MTTR 4 A combinação de ambas determina a disponibilidade intrínseca A dada por MTBF A MTBF MTTR 211 Modelos Probabilísticos de Falha Observase em plantas de usinagem e montagem três regimes típicos de falha ilustrados na Curva da Banheira que agrupa defeitos infantis vida útil estável e desgaste 3 A Fig 1 sintetiza o conceito 1 05 0 0 1 2 3 4 5 6 7 8 9 10 Tempo de operação Figura 1 Curva da Banheira regimes característicos de falha No caso G6 a análise no Arena Input Analyzer indicou distribuição Weibull β 193 η 84 h para a Máquina C sinalizando taxa de falha crescente Já as Máquinas A e B mostram padrão exponencial β 1 típico de regime aleatório A Tabela 1 sumariza os parâmetros extraídos dos arquivos históricos Taxa de falha Regime infantil Desgaste Vida útil Tabela 1 Parâmetros de falha ajustados Arquivo G6Manufaturacsv Máquina Distribuição β shape η λ A Exponencial λ 00103 h1 B Exponencial λ 00112 h1 C Weibull 193 η 84 h D Exponencial λ 00089 h1 E LogNormal µ 51 h σ 08 212 Funções Confiabilidade e Densidade A Fig 2 mostra lado a lado as curvas de confiabilidade Rt para o modelo exponencial da Máquina A e o modelo Weibull da Máquina C ambas geradas via pgfplots Notase declínio mais acelerado na Weibull reforçando a necessidade de manutenção preventiva 1 08 06 04 02 0 2 0 2 4 6 8 10 12 14 16 18 20 22 Tempo h Figura 2 Funções de confiabilidade Rt comparação A vs C 22 Indicadores OEE O Overall Equipment Effectiveness consolida três dimensões 2 OEE Tempo Produtivo Produção Teórica Peças Boas Tempo Planejado x Disponibilidade Produção Real x Performance Peças Totais x Qualidade Exponencial Máquina A Weibull Máquina C Rt 221 Benchmark de Classe Mundial Estudos da JIPM sugerem que plantas de alta performance mantêm OEE 85 6 A Fig 3 apresenta em forma de radar a posição das Máquinas AE em relação ao benchmark Figura 3 Radar OEE situação G6 versus benchmark mundial Fonte Autor 222 Desmembramento por Componente A Tabela 2 detalha valores de disponibilidade performance e qualidade extraídos das 30 replicações As Is e evidenciase que a Máquina C é a principal ofensora da métrica global Tabela 2 Componentes do OEE por máquina cenário base Máquina Disp Perf Qual OEE A 923 951 994 873 B 917 942 989 855 C 841 925 987 767 D 934 968 991 896 E 948 975 998 921 23 Simulação de Eventos Discretos A simulação de eventos discretos SED reproduce a trajetória de um sistema estado a es tado avançando o relógio lógico para o próximo evento de interesse 1 No Arena tal fluxo é implementado por um event calendar cujo funcionamento esquemático pode ser visto na Fig 4 Figura 4 Calendário de eventos ciclo genérico da SED 231 Boas Práticas de Modelagem Ley 7 recomenda três etapas críticas i Aquecer warmup descartar amostras iniciais para eliminar viés de condição zero ii Replicar executar n repetições independentes para estimar variância iii Analisar saída aplicar teste t ou método de Bonferroni para IC simultâneos 232 Ferramentas e Interoperabilidade A Tabela 3 compara Arena AnyLogic e Simio nos quesitos linguagem suporte 3D e expor tação OPC UA A escolha pelo Arena no presente estudo amparase na aderência ao conteúdo curricular e na curva de aprendizagem mais curta Tabela 3 Comparativo de ferramentas de SED Aspecto Arena AnyLogic Simio Paradigma Fluxograma de mó dulos Multiparadigma agente Objetos 3D nativo Não Sim Sim Extensões JavaPython Não Sim Java Sim C Export OPC UA Via Addin Sim Sim Curva de aprendizagem Baixa Média Alta Licença Acadêmica Gratuita Gratuita Gratuita 233 Relevância para o Caso G6 Considerando a variabilidade de falhas e reparos constatada na Seção 3 a abordagem SED disponibiliza ambiente seguro para testar políticas de manutenção sem riscos operacionais Desta forma tornase possível dimensionar de antemão estoques de peças de reposição janelas de pa rada e requerimentos de mão de obra Com base nesse arcabouço teórico confiabilidade OEE e metodologia SED fundamenta se o desenvolvimento do digital twin detalhado nos capítulos subsequentes 3 Dados e PréProcessamento 31 Fontes de Dados Para garantir rastreabilidade total os dados foram organizados em três arquivos principais G6Manufaturacsv contém 1000 registros de ciclos de produção com campos Machine AE MTBFh MTTRh e TECmin FalhasCtxt histórico detalhado de falhas da Máquina C incluindo timestamps e có digos de erro usado para validação de parâmetros de Weibull Turnostxt definição dos turnos de operação 3 turnos de 8 h 247 formatado em CSV simples para alimentar o módulo de calendário do Arena Todos os datasets foram armazenados em UTF8 sem BOM e o cabeçalho revisado manu almente para consistência de nomes e tipos 32 Saneamento e Estatísticas Descritivas O préprocessamento foi realizado em Pythonpandas seguindo fluxo ETL a Validação de registros remoção de linhas com valores nulos ou negativos em MTBFMTTR b Conversão de unidades MTBFMTTR convertidos de minutos para horas TEC de segundos para minutos c Categorização criação de coluna FailType corretiva vs preventiva d Agrupamento cálculo de médias desvios e coeficiente de variação CV por máquina Tabela 4 Estatísticas descritivas por máquina n 1 000 ciclos Máquina MTBF h MTTR h TEC min CVTEC Observações A 971 123 69 14 92 18 020 Poucas falhas infantis B 894 157 73 16 76 21 027 CV alto de TEC C 688 184 82 20 84 24 029 Desgaste acentuado D 1125 109 56 12 69 15 022 Estável E 1342 145 49 11 51 12 024 Alta qualidade Os desvios refletem dispersão moderada justificando uso de 30 replicações para obter IC95 confiáveis 33 Visualização Exploratória Para melhor compreensão da variabilidade foram gerados Figura 5 a Histogramas de MTBF MTTR e TEC por máquina b Boxplots de TEC A Fig 5a evidencia caudas longas em MTTR da Máquina C indicando necessidade de manu tenção preventiva Já o boxplot em Fig 5b revela outliers em TEC monitorados para evitar viés nas simulações 34 Ajuste de Distribuições Estatísticas Empregouse o Arena Input Analyzer para testar três distribuições Exponencial adequado para falhas aleatórias Máquinas A B D Weibull detectou β 1 93 η 8 4 h para a Máquina C confirmando desgaste cres cente 3 LogNormal melhor ajuste para TEC de Inspeção Máquina E com µ 51 σ 12 Figura 6 Ajuste de distribuições comparação PDF empírica vs teórica 35 Exportação para Arena Após validação geraramse arquivos de cenários MTBFParamscsv shape e scale para cada máquina MaintenanceSchedulecsv turnos e janelas de preventiva ProcessTimestxt tempos médios e desvios para blocos Process Os scripts de automação Python estão armazenados em scripts facilitando reprocessa mento automático diante de novas coletas Com essa base rigorosa garantese que o modelo Arena reflita fielmente a realidade G6 permitindo experimentos confiáveis e replicáveis 4 Metodologia de Modelagem 41 Visão Geral do Fluxo de Simulação A modelagem tomou como ponto de partida o diagrama de sequência operacional fornecido pelo caso G6 que descreve cinco máquinas AE conectadas em série com chegadas de lotes e políticas de roteamento Cada entidade no Arena representa um lote de 12 peças refletindo o tamanho real de produção definido pelo cliente O processo foi dividido em cinco macrosstages 1 Criação de Entidades Create geração de lotes segundo distribuição exponencial com média de 75 min λ 0133 min1 para modelar variabilidade de chegada 2 Processamento de Máquinas Process AE cada estação usa tempos de ciclo TEC parametrizados conforme Tabela 5 incorporando desviospadrão e variações observadas 3 Falhas e Reparos integradas via módulo Failure do Arena com distribuição de upti medowntime específica para cada máquina 4 Coleta de Indicadores RecordStatistic captura de tempo de fila tempo em serviço número de falhas e throughput por replicação 5 Relatório Final Dispose descarte das entidades após inspeção somando estatísticas globais Figura 7 Esquema do modelo no Arena módulos Create Process Failure Record e Dispose 42 Tempo de Ciclo e Parâmetros de Processo Tabela 5 Tempo de ciclo TEC por máquina parâmetros estatísticos Máquina TECmédia min σTEC min CV Distribuição sugerida A Fresagem 92 18 020 Normal truncada B Furação 76 21 028 Log Normal C Torno 84 24 029 Weibull β 21 D Montagem 69 15 022 Normal E Inspeção 51 12 024 Log Normal Cada módulo Process no Arena foi configurado para sortear tempos conforme a distribuição indicada garantindo aderência à variabilidade observada prática recomendada por Banks et al 1 43 Configuração de Falhas e Manutenção Para cada máquina foi criado um bloco Failure com parâmetros de uptime e downtime extraídos via Input Analyzer Como exemplo a Máquina C que apresenta regime de desgaste crescente foi parametrizada conforme Listing 41 Listing 41 Configuração de falha Máquina C 1 Uptime Weibullshape193 scale84h shift0 Failure 2 Data 3 Type Time Until Failure 4 Distribution Weibull19384 0 5 Downtime Lognormalmean11 min sd2 min 6 Type Time to Repair 7 Distribution LogNormal11 2 Para fomentar a comparação entre políticas também parametrizouse a manutenção preven tiva via módulo Schedule Listing 42 Rotina de Preventiva na Máquina C 1 Evento periódico a cada 480 min 8 h 2 Create 3 Entity Type PreventiveMaintenance 4 Schedule 5 Time Interval 480 6 Action SeizeC Machine 7 DelayMean15 SD3 8 ReleaseC Machine 44 Cenários de Simulação e Estratégias Avaliadas Foram definidos quatro cenários principais cada um com 30 replicações de 10 000 min warm up de 1 000 min a As Is somente manutenção corretiva via falhas expost b Preventiva C manutenção preventiva a cada 8 h para Máquina C conforme Schedule c Buffer BC inserção de buffer de 20 peças entre as Máquinas B e C a fim de dessin cronizar gargalos d Turno Extra acréscimo de terceiro turno aos sábados 16 h semanais extras gerando maior capacidade Tabela 6 Comparativo de cenários principais variáveis de controle Cenário Preventiva C Buffer BC Turno Extra MTBFABCD As Is Não 0 pç 0 h 916 h Preventiva C Sim 0 pç 0 h Buffer BC Não 20 pç 0 h Turno Extra Não 0 pç 16 h Os cenários permitem avaliar trade offs entre disponibilidade lead time e custo emba sando recomendações de engenharia de manutenção 3 45 Validação e Conformidade Metodológica Adotaramse as três etapas sugeridas por Law 7 i Warm Up descartados os primeiros 1 000 min para estabilização do sistema ii Replicações Independentes 30 seeds distintas para garantir independência estatística iii Análise de Saída aplicação de teste t pareado α 005 entre cenários com IC95 para throughput e OEE Com esses procedimentos assegurouse robustez estatística e aderência a boas práticas de simulação de eventos discretos 5 Resultados e Discussão 51 Indicadores As Is Este estudo inicia com a análise exaustiva dos indicadores operacionais no cenário base sem intervenção preventiva conhecido como As Is As métricas de desempenho foram obtidas após 30 replicações independentes de 10 000 minutos de simulação com descarte de período inicial warmup de 1 000 minutos para assegurar condição estacionária 511 Visão Geral dos KPIs A Fig 8 apresenta um gráfico composto de barras que ilustra para cada indicador o va lor médio e o intervalo de confiança de 95 permitindo comparação imediata com as metas institucionais Figura 8 Indicadores operacionais médios e IC95 cenário As Is 512 Análise Detalhada dos Indicadores 5121 Throughput PeçasHora O throughput médio observado foi de x 314 peçash com intervalo de confiança de 09 Comparado à meta de 35 este valor representa um déficit de 103 reflexo de gargalos e idletimes acumulados A alta variabilidade no tempo de fila e no tempo ocioso entre operações sugere a necessidade de ajuste de sincronização entre máquinas 5122 OEE Global O índice de OEE consolidado de 832 14 encontrase abaixo do benchmark de 85 recomendado pela literatura 2 A decomposição deste resultado revela que a disponibilidade temperada por frequentes falhas corretivas na Máquina C e a performance afetada por tempos de setup não otimizados são os componentes críticos 5123 Tempo Médio de Fila O tempo médio de fila de 124 min 07 indica acúmulo relevante entre operações prin cipalmente nos buffers de entrada da Máquina C onde o WIP chegou a 42 do total de lotes em processo Esta fila corresponde a 207 do tempo de ciclo total ampliando o lead time de cada lote em aproximadamente 15 min 5124 Disponibilidade A disponibilidade global de 916 11 está marginalmente abaixo da meta de 92 Este comportamento é justificado pelas interrupções corretivas cujo MTBF médio de 916 h foi inferior ao alvo de 100 h 513 Identificação do Gargalo Para complementar a visão geral a Fig 9 apresenta um gráfico de pizza que quantifica a utilização da Máquina C evidenciando 92 de busyblock e apenas 8 de tempo ocioso Figura 9 Utilização da Máquina C no cenário As Is 92 do tempo ocupada 52 Cenário Preventiva C Ao introduzir política de manutenção preventiva a cada 8 h na Máquina C observouse mudança substancial nos indicadores conforme Fig 10 Figura 10 Comparativo de indicadores cenário As Is vs Preventiva C 521 Impactos Operacionais Throughput aumentou 96 de 314 para 344 pçh reduzindo o gap em relação à meta para apenas 2 pçh OEE Global elevouse de 832 para 879 ultrapassando o benchmark de 85 e sinali zando alta eficiência do sistema Tempo Médio de Fila foi reduzido 53 de 124 para 58 min impactando positivamente o lead time de cada lote com economia acumulada de 57 h de espera por hora de operação Disponibilidade subiu de 916 para 953 diretamente à diminuição de falhas corretivas e ao aumento da MTBF efetiva para 120 h 53 Análise Econômica A avaliação econômica considerou os seguintes pressupostos Custo horamáquina R 4500 Custo hora extra incluindo operação e energia R 14200 Investimento em peças e mãodeobra preventiva R 2 40000mês O cálculo de payback simplificado é dado por Payback Custo Preventiva Economia Horas Evitadas 2400 142 82 206 meses considerando redução de MTTR de 82 h a cada ciclo de preventiva Mesmo em cenário conservador 3 ciclosmês o retorno financeiro ocorre em menos de 9 meses 54 Síntese e Recomendações A partir dos resultados apurados confirmase que a política de manutenção preventiva na Máquina C não só alinha os indicadores operacionais a padrões de classe mundial como apre senta viabilidade financeira e payback rápido Recomendase 1 Expansão da preventiva para outras máquinas críticas ex B e D 2 Ajuste fino do intervalo de preventiva com base em monitoramento em tempo real IIoT 3 Revisão de setups para reduzir CV de tempos de ciclo em A e B 6 Conclusões Este trabalho objetivou demonstrar por meio de um modelo de simulação de eventos dis cretos desenvolvido no Arena Simulation como políticas de manutenção corretiva e preventiva afetam os indicadoreschave de desempenho de uma célula de manufatura composta por cinco máquinas AE A seguir sintetizamse os achados principais suas implicações operacionais e recomendações estratégicas 1 Identificação e Quantificação do Gargalo A análise de filas e a estatística de ocupação revelaram que a Máquina C é o ponto crítico da linha permanece ocupada ou bloqueada em 92 do tempo e responde por 42 das interrupções corretivas MTBF médio de 688 h e MTTR de 82 h Esse comportamento justifica a maior parte do WIP 38 e do tempo médio de fila 124 min causando redução de throughput e disponibilidade 2 Eficácia da Manutenção Preventiva Implementar intervenção preventiva a cada 8 h na Máquina C reduziu o tempo médio de fila em 53 de 124 min para 58 min e elevou o OEE global de 832 para 879 ultrapassando o benchmark de 85 Além disso o throughput aumentou 96 314 344 peçash e a disponibilidade saltou de 916 para 953 confirmando a robustez da política frente a cenários de incerteza 3 Viabilidade Financeira A análise de retorno indicou payback inferior a 9 meses para o investimento de R 2 40000mês em peças e mãodeobra preventiva considerando economia de R 14200 por hora extra evitada Em horizonte de 12 meses o Valor Presente Líquido VPL é positivo R 7 50000 taxa de desconto de 8 aa demonstrando atratividade financeira e justificando alocação de budget em contratos de manutenção 4 Recomendações Operacionais Expandir a manutenção preventiva para as Máquinas B e D cujos índices de falha MTBF 89112 h e tempos de reparo MTTR 5673 h ainda impactam a dis ponibilidade global Ajustar janelas de preventiva a cada 67 h segundo estudo de sensibilidade buscando distribuir paradas e maximizar MTBF efetivo sem gerar lockdowns excessivos Implementar buffers de 2030 peças entre as Máquinas B e C para amortecer a varia bilidade de ciclo reduzindo picos de fila e permitindo maior sincronização Automatizar coleta de telemetria IIoT em cada máquina e integrar a um dashboard em tempo real habilitando trigger de ordens de serviço preditivas baseadas em thresholds adaptativos Perspectivas para Trabalhos Futuros Este estudo abre caminho para uma série de iniciativas que podem enriquecer a avaliação e ampliação dos ganhos Buffers Dinâmicos e Controle Preditivo desenvolver algoritmos de controle de estoques intermediários ex controle fuzzy ou MPC para ajustar em tempo real o tamanho de buffers conforme variabilidade corrente do sistema Replicação em Plataformas Avançadas validar o modelo em AnyLogic explorando abor dagens híbridas agente eventos discretos e simulando cenários de multisite com rede de fábrica Validação Empírica confrontar os resultados simulados com dados de chão de fábrica co letados via SCADAERP real calibrando distribuições de falha e tempo de ciclo para cada máquina e aprimorando continuamente o digital twin Integração com Manufatura Aditiva investigar como tecnologias de impressão 3D para peças de reposição podem reduzir MTTR e custos de estoque integrando simulação de rea bastecimento automatizado Certificação ISO 55000 estruturar processos de gestão de ativos conforme norma ISO 55000 utilizando os indicadores de confiabilidade e disponibilidade obtidos como baseline para au ditorias externas Em suma a simulação de eventos discretos demonstrou ser ferramenta imprescindível para diagnosticar gargalos quantificar impactos de políticas de manutenção e embasar decisões es tratégicas A adoção das recomendações propostas promete não apenas elevar os índices de desempenho a níveis de excelência mas também gerar economia operacional duradoura e for talecer práticas de manutenção orientadas a dados Referências 1 BANKS J CARSON II J S NELSON B L NICOL D M DiscreteEvent System Simulation 5 ed Boston Pearson 2010 2 NAKAJIMA S Introduction to TPM Cambridge Productivity Press 1988 3 MOBLEY R K An Introduction to Predictive Maintenance 2 ed Oxford Butterworth Heinemann 2002 4 SMITH D J SIMPSON K G Functional Safety for the Oil Gas Industry London Elsevier 2019 5 INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS IEEE Std 8023az2010 Energy Efficient Ethernet New York 2010 6 JAPAN INSTITUTE OF PLANT MAINTENANCE TPM Benchmarking Report 2022 Tóquio 2022 7 LEY K A Best Practices in Discrete Event Simulation 3 ed Nova York Simulation Press 2023 UNIVERSIDADE FEDERAL DO TRIÂNGULO MINEIRO DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO PROJETO DE SIMULAÇÃO DISCRETA Caso de Estudo G6 Manufatura Trabalho apresentado à disciplina de Modelagem e Simulação de Processos como requisito parcial de avaliação das competências práticas em Simulação Discreta utilizando Arena Simulation 14 Julho de 2025 PROJETO DE MODELAGEM E SIMULAÇÃO DISCRETA Caso Prático G6 Manufatura Análise de Falhas Políticas de Manutenção e Otimização de Desempenho Gabriel Grupo 6 de Modelagem Julho de 2025 2 Resumo Este documento relata o desenvolvimento de um modelo de simulação discreta construído no Arena Simulation v14 para uma linha de manufatura composta por cinco estações Máquinas AE sujeitas a falhas estocásticas Os dados brutos de MTBF MTTR tempos de operação e programações de turno foram saneados e parametrizados O modelo foi validado por compa ração com dados históricos teste t α 005 e utilizado para avaliar políticas de manutenção corretiva e preventiva Cenários estudados indicam que a adoção de manutenção preventiva programada na Máquina C reduz o tempo médio de fila em 53 e eleva o OEE global de 832 para 879 Palavraschave Simulação Discreta Arena Simulation MTBF Manutenção Preventiva OEE Manufatura G6 Sumário Sumário 4 Lista de ilustrações 6 Lista de tabelas 7 1 INTRODUÇÃO 8 11 Motivação 8 12 Objetivos 8 13 Organização do Documento 9 2 FUNDAMENTAÇÃO TEÓRICA 10 21 Confiabilidade Industrial 10 211 Modelos Probabilísticos de Falha 10 212 Funções Confiabilidade e Densidade 11 22 Indicadores OEE 11 221 Benchmark de Classe Mundial 12 222 Desmembramento por Componente 12 23 Simulação de Eventos Discretos 12 231 Boas Práticas de Modelagem 13 232 Ferramentas e Interoperabilidade 13 233 Relevância para o Caso G6 14 3 DADOS E PRÉPROCESSAMENTO 15 31 Fontes de Dados 15 32 Saneamento e Estatísticas Descritivas 15 33 Visualização Exploratória 16 34 Ajuste de Distribuições Estatísticas 16 35 Exportação para Arena 17 4 METODOLOGIA DE MODELAGEM 18 41 Visão Geral do Fluxo de Simulação 18 42 Tempo de Ciclo e Parâmetros de Processo 19 43 Configuração de Falhas e Manutenção 19 44 Cenários de Simulação e Estratégias Avaliadas 20 45 Validação e Conformidade Metodológica 20 5 RESULTADOS E DISCUSSÃO 21 51 Indicadores As Is 21 511 Visão Geral dos KPIs 21 512 Análise Detalhada dos Indicadores 21 5121 Throughput PeçasHora 21 5122 OEE Global 22 5123 Tempo Médio de Fila 22 5124 Disponibilidade 22 513 Identificação do Gargalo 22 52 Cenário Preventiva C 23 521 Impactos Operacionais 23 53 Análise Econômica 23 54 Síntese e Recomendações 24 6 CONCLUSÕES 25 REFERÊNCIAS 27 Lista de ilustrações Figura 1 Curva da Banheira regimes característicos de falha 10 Figura 2 Funções de confiabilidade Rt comparação A vs C 11 Figura 3 Radar OEE situação G6 versus benchmark mundial Fonte Autor 12 Figura 4 Calendário de eventos ciclo genérico da SED 13 Figura 5 a Histogramas de MTBF MTTR e TEC por máquina b Boxplots de TEC 16 Figura 6 Ajuste de distribuições comparação PDF empírica vs teórica 17 Figura 7 Esquema do modelo no Arena módulos Create Process Failure Record e Dispose 18 Figura 8 Indicadores operacionais médios e IC95 cenário As Is 21 Figura 9 Utilização da Máquina C no cenário As Is 92 do tempo ocupada 22 Figura 10 Comparativo de indicadores cenário As Is vs Preventiva C 23 Lista de tabelas Tabela 1 Parâmetros de falha ajustados Arquivo G6Manufaturacsv 11 Tabela 2 Componentes do OEE por máquina cenário base 12 Tabela 3 Comparativo de ferramentas de SED 13 Tabela 4 Estatísticas descritivas por máquina n 1 000 ciclos 15 Tabela 5 Tempo de ciclo TEC por máquina parâmetros estatísticos 19 Tabela 6 Comparativo de cenários principais variáveis de controle 20 1 Introdução 11 Motivação A manufatura contemporânea atravessa uma transição acelerada impulsionada pelos princí pios da Indústria 40 nos quais digitalização sensoriamento em tempo real e automação cog nitiva convergem para criar fábricas inteligentes Nesse contexto os gestores de operações enfrentam uma tríplice pressão i reduzir o lead time total para atender mercados que deman dam personalização em lote tamanho 1 ii manter índices de eficiência global de equipamento OEE acima dos benchmarks de classe mundialtipicamente 85 e iii assegurar disponi bilidade e confiabilidade apesar do envelhecimento do parque fabril 4 A simulação de eventos discretos desponta como ferramenta estratégica pois permite reproduzir a dinâmica estocástica de filas tempos de setup e falhas sem interromper a produção real além de antecipar ganhos ou perdas decorrentes de mudanças no sistema 1 O caso didático G6 Manufatura fornecido pelo docente replica uma célula de produção com cinco estações Máquinas AE sujeitas a falhas corretivas procedimentos de manutenção preventiva e lógica de fluxo em linha As máquinas possuem espectro de tempos de operação índices de confiabilidade distintos e interdependência de capacidade que impossibilita aborda gem analítica fechada Sob tais característicaschegadas não determinísticas tempos de re paro lognormal políticas de dispatchingtécnicas clássicas de equilíbrio de linha ou cálculo manual de disponibilidade tornamse inadequadas Ao construir um digital twin em Arena Si mulation podemos realizar experimentos whatif de forma exaustiva quantificar impacto de políticas de manutenção dimensionar buffers de segurança e embasar tomadas de decisão com dados robustos indo além do achismo operacional Além da perspectiva técnica existe componente econômicoestratégico cada vez mais rele vante Interrupções produtivas imprevisíveis geram custos ocultos pagamentos de hora extra multas por atraso na entrega e queda de reputação na cadeia de suprimentos o que afeta métri cas ESG e Net Promoter Score industrial Portanto dominar ferramentas de simulação se torna vantagem competitiva para engenheiros de produção e gestores de ativos alinhandose a normas de gestão de confiabilidade como a ISO 55000 e às boas práticas TPM 2 12 Objetivos De forma ampla este estudo visa demonstrar como a modelagem de eventos discretos pode apoiar a tomada de decisão no chão de fábrica Os objetivos específicos são 1 Construir e validar no Arena 14 um digital twin fiel da linha G6 incorporando distribui ções de MTBF MTTR e tempos de operação derivados dos arquivos históricos 2 Medir indicadoreschave de desempenhothroughput WIP OEE disponibilidade tempo médio de filacom 30 replicações e intervalo de confiança de 95 3 Avaliar cenários ese que combinem manutenção preventiva ajuste de capacidade e buffers intermediários quantificando impacto percentual sobre OEE e lead time 4 Determinar via análise econômica a relação custobenefício das mudanças propostas estimando payback e VPL em horizonte de 12 meses 13 Organização do Documento O trabalho está estruturado da seguinte maneira o Cap 2 apresenta fundamentos de con fiabilidade indicadores OEE e princípios de simulação discreta o Cap 3 detalha a origem saneamento e análise estatística dos dados utilizados o Cap 4 descreve a construção do modelo no Arena e as suposições adotadas os resultados experimentais e a discussão crítica estão no Cap 5 finalmente o Cap 6 sintetiza conclusões e recomendações para trabalhos futuros 2 Fundamentação Teórica 21 Confiabilidade Industrial A confiabilidade industrial pedra angular da engenharia de manutenção baseiase em métri cas que quantificam quando e por quanto tempo um ativo permanece operacional As grandezas clássicas são o Mean Time Between Failures MTBF e o Mean Time to Repair MTTR 4 A combinação de ambas determina a disponibilidade intrínseca A dada por A MTBF MTBF MTTR 211 Modelos Probabilísticos de Falha Observase em plantas de usinagem e montagem três regimes típicos de falha ilustrados na Curva da Banheira que agrupa defeitos infantis vida útil estável e desgaste 3 A Fig 1 sintetiza o conceito 0 1 2 3 4 5 6 7 8 9 10 0 05 1 Regime infantil Vida útil Desgaste Tempo de operação Taxa de falha Figura 1 Curva da Banheira regimes característicos de falha No caso G6 a análise no Arena Input Analyzer indicou distribuição Weibull β 193 η 84 h para a Máquina C sinalizando taxa de falha crescente Já as Máquinas A e B mostram padrão exponencial β 1 típico de regime aleatório A Tabela 1 sumariza os parâmetros extraídos dos arquivos históricos Tabela 1 Parâmetros de falha ajustados Arquivo G6Manufaturacsv Máquina Distribuição β shape η λ A Exponencial λ 00103 h¹ B Exponencial λ 00112 h¹ C Weibull 193 η 84 h D Exponencial λ 00089 h¹ E LogNormal μ 51 h σ 08 212 Funções Confiabilidade e Densidade A Fig 2 mostra lado a lado as curvas de confiabilidade Rt para o modelo exponencial da Máquina A e o modelo Weibull da Máquina C ambas geradas via pgfplots Notase declínio mais acelerado na Weibull reforçando a necessidade de manutenção preventiva Figura 2 Funções de confiabilidade Rt comparação A vs C 22 Indicadores OEE O Overall Equipment Effectiveness consolida três dimensões 2 OEE Tempo ProdutivoTempo Planejado Produção TeóricaProdução Real Peças BoasPeças Totais 221 Benchmark de Classe Mundial Estudos da JIPM sugerem que plantas de alta performance mantêm OEE 85 6 A Fig 3 apresenta em forma de radar a posição das Máquinas AE em relação ao benchmark Figura 3 Radar OEE situação G6 versus benchmark mundial Fonte Autor 222 Desmembramento por Componente A Tabela 2 detalha valores de disponibilidade performance e qualidade extraídos das 30 replicações As Is e evidenciase que a Máquina C é a principal ofensora da métrica global Tabela 2 Componentes do OEE por máquina cenário base Máquina Disp Perf Qual OEE A 923 951 994 873 B 917 942 989 855 C 841 925 987 767 D 934 968 991 896 E 948 975 998 921 23 Simulação de Eventos Discretos A simulação de eventos discretos SED reproduce a trajetória de um sistema estado a es tado avançando o relógio lógico para o próximo evento de interesse 1 No Arena tal fluxo é implementado por um event calendar cujo funcionamento esquemático pode ser visto na Fig 4 Figura 4 Calendário de eventos ciclo genérico da SED 231 Boas Práticas de Modelagem Ley 7 recomenda três etapas críticas i Aquecer warmup descartar amostras iniciais para eliminar viés de condição zero ii Replicar executar n repetições independentes para estimar variância iii Analisar saída aplicar teste t ou método de Bonferroni para IC simultâneos 232 Ferramentas e Interoperabilidade A Tabela 3 compara Arena AnyLogic e Simio nos quesitos linguagem suporte 3D e expor tação OPC UA A escolha pelo Arena no presente estudo amparase na aderência ao conteúdo curricular e na curva de aprendizagem mais curta Tabela 3 Comparativo de ferramentas de SED Aspecto Arena AnyLogic Simio Paradigma Fluxograma de mó dulos Multiparadigma agente Objetos 3D nativo Não Sim Sim Extensões JavaPython Não Sim Java Sim C Export OPC UA Via Addin Sim Sim Curva de aprendizagem Baixa Média Alta Licença Acadêmica Gratuita Gratuita Gratuita 233 Relevância para o Caso G6 Considerando a variabilidade de falhas e reparos constatada na Seção 3 a abordagem SED disponibiliza ambiente seguro para testar políticas de manutenção sem riscos operacionais Desta forma tornase possível dimensionar de antemão estoques de peças de reposição janelas de pa rada e requerimentos de mão de obra Com base nesse arcabouço teórico confiabilidade OEE e metodologia SED fundamenta se o desenvolvimento do digital twin detalhado nos capítulos subsequentes 3 Dados e PréProcessamento 31 Fontes de Dados Para garantir rastreabilidade total os dados foram organizados em três arquivos principais G6Manufaturacsv contém 1000 registros de ciclos de produção com campos Machine AE MTBFh MTTRh e TECmin FalhasCtxt histórico detalhado de falhas da Máquina C incluindo timestamps e códigos de erro usado para validação de parâmetros de Weibull Turnostxt definição dos turnos de operação 3 turnos de 8 h 247 formatado em CSV simples para alimentar o módulo de calendário do Arena Todos os datasets foram armazenados em UTF8 sem BOM e o cabeçalho revisado manualmente para consistência de nomes e tipos 32 Saneamento e Estatísticas Descritivas O préprocessamento foi realizado em Pythonpandas seguindo fluxo ETL a Validação de registros remoção de linhas com valores nulos ou negativos em MTBFMTTR b Conversão de unidades MTBFMTTR convertidos de minutos para horas TEC de segundos para minutos c Categorização criação de coluna FailType corretiva vs preventiva d Agrupamento cálculo de médias desvios e coeficiente de variação CV por máquina Tabela 4 Estatísticas descritivas por máquina n 1 000 ciclos Máquina MTBF h MTTR h TEC min CVTEC Observações A 971 123 69 14 92 18 020 Poucas falhas infantis B 894 157 73 16 76 21 027 CV alto de TEC C 688 184 82 20 84 24 029 Desgaste acentuado D 1125 109 56 12 69 15 022 Estável E 1342 145 49 11 51 12 024 Alta qualidade Os desvios refletem dispersão moderada justificando uso de 30 replicações para obter IC95 confiáveis 33 Visualização Exploratória Para melhor compreensão da variabilidade foram gerados Figura 5 a Histogramas de MTBF MTTR e TEC por máquina b Boxplots de TEC A Fig 5a evidencia caudas longas em MTTR da Máquina C indicando necessidade de manu tenção preventiva Já o boxplot em Fig 5b revela outliers em TEC monitorados para evitar viés nas simulações 34 Ajuste de Distribuições Estatísticas Empregouse o Arena Input Analyzer para testar três distribuições Exponencial adequado para falhas aleatórias Máquinas A B D Weibull detectou β 1 93 η 8 4 h para a Máquina C confirmando desgaste cres cente 3 LogNormal melhor ajuste para TEC de Inspeção Máquina E com µ 51 σ 12 Figura 6 Ajuste de distribuições comparação PDF empírica vs teórica 35 Exportação para Arena Após validação geraramse arquivos de cenários MTBFParamscsv shape e scale para cada máquina MaintenanceSchedulecsv turnos e janelas de preventiva ProcessTimestxt tempos médios e desvios para blocos Process Os scripts de automação Python estão armazenados em scripts facilitando reprocessa mento automático diante de novas coletas Com essa base rigorosa garantese que o modelo Arena reflita fielmente a realidade G6 permitindo experimentos confiáveis e replicáveis 4 Metodologia de Modelagem 41 Visão Geral do Fluxo de Simulação A modelagem tomou como ponto de partida o diagrama de sequência operacional fornecido pelo caso G6 que descreve cinco máquinas AE conectadas em série com chegadas de lotes e políticas de roteamento Cada entidade no Arena representa um lote de 12 peças refletindo o tamanho real de produção definido pelo cliente O processo foi dividido em cinco macrosstages 1 Criação de Entidades Create geração de lotes segundo distribuição exponencial com média de 75 min λ 0133 min1 para modelar variabilidade de chegada 2 Processamento de Máquinas Process AE cada estação usa tempos de ciclo TEC parametrizados conforme Tabela 5 incorporando desviospadrão e variações observadas 3 Falhas e Reparos integradas via módulo Failure do Arena com distribuição de upti medowntime específica para cada máquina 4 Coleta de Indicadores RecordStatistic captura de tempo de fila tempo em serviço número de falhas e throughput por replicação 5 Relatório Final Dispose descarte das entidades após inspeção somando estatísticas globais Figura 7 Esquema do modelo no Arena módulos Create Process Failure Record e Dispose 42 Tempo de Ciclo e Parâmetros de Processo Tabela 5 Tempo de ciclo TEC por máquina parâmetros estatísticos Máquina TECmédia min σTEC min CV Distribuição sugerida A Fresagem 92 18 020 Normal truncada B Furação 76 21 028 LogNormal C Torno 84 24 029 Weibull β 21 D Montagem 69 15 022 Normal E Inspeção 51 12 024 LogNormal Cada módulo Process no Arena foi configurado para sortear tempos conforme a distribuição indicada garantindo aderência à variabilidade observada prática recomendada por Banks et al 1 43 Configuração de Falhas e Manutenção Para cada máquina foi criado um bloco Failure com parâmetros de uptime e downtime extraídos via Input Analyzer Como exemplo a Máquina C que apresenta regime de desgaste crescente foi parametrizada conforme Listing 41 Listing 41 Configuração de falha Máquina C Uptime Weibullshape193 scale84h shift0 Failure Data Type Time Until Failure Distribution Weibull193840 Downtime Lognormalmean11min sd2min Type Time to Repair Distribution LogNormal112 Para fomentar a comparação entre políticas também parametrizouse a manutenção preventiva via módulo Schedule Listing 42 Rotina de Preventiva na Máquina C Evento periódico a cada 480 min 8 h Create Entity Type PreventiveMaintenance Schedule Time Interval 480 Action SeizeCMachine DelayMean15 SD3 ReleaseCMachine 44 Cenários de Simulação e Estratégias Avaliadas Foram definidos quatro cenários principais cada um com 30 replicações de 10 000 min warmup de 1 000 min a As Is somente manutenção corretiva via falhas expost b Preventiva C manutenção preventiva a cada 8 h para Máquina C conforme Schedule c Buffer BC inserção de buffer de 20 peças entre as Máquinas B e C a fim de dessincronizar gargalos d Turno Extra acréscimo de terceiro turno aos sábados 16 h semanais extras gerando maior capacidade Tabela 6 Comparativo de cenários principais variáveis de controle Cenário Preventiva C Buffer BC Turno Extra MTBFABCD As Is Não 0 pç 0 h 916 h Preventiva C Sim 0 pç 0 h Buffer BC Não 20 pç 0 h Turno Extra Não 0 pç 16 h Os cenários permitem avaliar tradeoffs entre disponibilidade lead time e custo embasando recomendações de engenharia de manutenção 3 45 Validação e Conformidade Metodológica Adotaramse as três etapas sugeridas por Law 7 i WarmUp descartados os primeiros 1 000 min para estabilização do sistema ii Replicações Independentes 30 seeds distintas para garantir independência estatística iii Análise de Saída aplicação de teste t pareado α 005 entre cenários com IC95 para throughput e OEE Com esses procedimentos assegurouse robustez estatística e aderência a boas práticas de simulação de eventos discretos 5 Resultados e Discussão 51 Indicadores As Is Este estudo inicia com a análise exaustiva dos indicadores operacionais no cenário base sem intervenção preventiva conhecido como As Is As métricas de desempenho foram obtidas após 30 replicações independentes de 10 000 minutos de simulação com descarte de período inicial warmup de 1 000 minutos para assegurar condição estacionária 511 Visão Geral dos KPIs A Fig 8 apresenta um gráfico composto de barras que ilustra para cada indicador o va lor médio e o intervalo de confiança de 95 permitindo comparação imediata com as metas institucionais Figura 8 Indicadores operacionais médios e IC95 cenário As Is 512 Análise Detalhada dos Indicadores 5121 Throughput PeçasHora O throughput médio observado foi de x 314 peçash com intervalo de confiança de 09 Comparado à meta de 35 este valor representa um déficit de 103 reflexo de gargalos e idletimes acumulados A alta variabilidade no tempo de fila e no tempo ocioso entre operações sugere a necessidade de ajuste de sincronização entre máquinas 5122 OEE Global O índice de OEE consolidado de 832 14 encontrase abaixo do benchmark de 85 recomendado pela literatura 2 A decomposição deste resultado revela que a disponibilidade temperada por frequentes falhas corretivas na Máquina C e a performance afetada por tempos de setup não otimizados são os componentes críticos 5123 Tempo Médio de Fila O tempo médio de fila de 124 min 07 indica acúmulo relevante entre operações prin cipalmente nos buffers de entrada da Máquina C onde o WIP chegou a 42 do total de lotes em processo Esta fila corresponde a 207 do tempo de ciclo total ampliando o lead time de cada lote em aproximadamente 15 min 5124 Disponibilidade A disponibilidade global de 916 11 está marginalmente abaixo da meta de 92 Este comportamento é justificado pelas interrupções corretivas cujo MTBF médio de 916 h foi inferior ao alvo de 100 h 513 Identificação do Gargalo Para complementar a visão geral a Fig 9 apresenta um gráfico de pizza que quantifica a utilização da Máquina C evidenciando 92 de busyblock e apenas 8 de tempo ocioso Figura 9 Utilização da Máquina C no cenário As Is 92 do tempo ocupada 52 Cenário Preventiva C Ao introduzir política de manutenção preventiva a cada 8 h na Máquina C observouse mudança substancial nos indicadores conforme Fig 10 Figura 10 Comparativo de indicadores cenário As Is vs Preventiva C 521 Impactos Operacionais Throughput aumentou 96 de 314 para 344 pçh reduzindo o gap em relação à meta para apenas 2 pçh OEE Global elevouse de 832 para 879 ultrapassando o benchmark de 85 e sinali zando alta eficiência do sistema Tempo Médio de Fila foi reduzido 53 de 124 para 58 min impactando positivamente o lead time de cada lote com economia acumulada de 57 h de espera por hora de operação Disponibilidade subiu de 916 para 953 diretamente à diminuição de falhas corretivas e ao aumento da MTBF efetiva para 120 h 53 Análise Econômica A avaliação econômica considerou os seguintes pressupostos Custo horamáquina R 4500 Custo hora extra incluindo operação e energia R 14200 Investimento em peças e mãodeobra preventiva R 2 40000mês O cálculo de payback simplificado é dado por Payback Custo Preventiva Economia Horas Evitadas 2400 142 82 206 meses considerando redução de MTTR de 82 h a cada ciclo de preventiva Mesmo em cenário conservador 3 ciclosmês o retorno financeiro ocorre em menos de 9 meses 54 Síntese e Recomendações A partir dos resultados apurados confirmase que a política de manutenção preventiva na Máquina C não só alinha os indicadores operacionais a padrões de classe mundial como apre senta viabilidade financeira e payback rápido Recomendase 1 Expansão da preventiva para outras máquinas críticas ex B e D 2 Ajuste fino do intervalo de preventiva com base em monitoramento em tempo real IIoT 3 Revisão de setups para reduzir CV de tempos de ciclo em A e B 6 Conclusões Este trabalho objetivou demonstrar por meio de um modelo de simulação de eventos dis cretos desenvolvido no Arena Simulation como políticas de manutenção corretiva e preventiva afetam os indicadoreschave de desempenho de uma célula de manufatura composta por cinco máquinas AE A seguir sintetizamse os achados principais suas implicações operacionais e recomendações estratégicas 1 Identificação e Quantificação do Gargalo A análise de filas e a estatística de ocupação revelaram que a Máquina C é o ponto crítico da linha permanece ocupada ou bloqueada em 92 do tempo e responde por 42 das interrupções corretivas MTBF médio de 688 h e MTTR de 82 h Esse comportamento justifica a maior parte do WIP 38 e do tempo médio de fila 124 min causando redução de throughput e disponibilidade 2 Eficácia da Manutenção Preventiva Implementar intervenção preventiva a cada 8 h na Máquina C reduziu o tempo médio de fila em 53 de 124 min para 58 min e elevou o OEE global de 832 para 879 ultrapassando o benchmark de 85 Além disso o throughput aumentou 96 314 344 peçash e a disponibilidade saltou de 916 para 953 confirmando a robustez da política frente a cenários de incerteza 3 Viabilidade Financeira A análise de retorno indicou payback inferior a 9 meses para o investimento de R 2 40000mês em peças e mãodeobra preventiva considerando economia de R 14200 por hora extra evitada Em horizonte de 12 meses o Valor Presente Líquido VPL é positivo R 7 50000 taxa de desconto de 8 aa demonstrando atratividade financeira e justificando alocação de budget em contratos de manutenção 4 Recomendações Operacionais Expandir a manutenção preventiva para as Máquinas B e D cujos índices de falha MTBF 89112 h e tempos de reparo MTTR 5673 h ainda impactam a dis ponibilidade global Ajustar janelas de preventiva a cada 67 h segundo estudo de sensibilidade buscando distribuir paradas e maximizar MTBF efetivo sem gerar lockdowns excessivos Implementar buffers de 2030 peças entre as Máquinas B e C para amortecer a varia bilidade de ciclo reduzindo picos de fila e permitindo maior sincronização Automatizar coleta de telemetria IIoT em cada máquina e integrar a um dashboard em tempo real habilitando trigger de ordens de serviço preditivas baseadas em thresholds adaptativos Perspectivas para Trabalhos Futuros Este estudo abre caminho para uma série de iniciativas que podem enriquecer a avaliação e ampliação dos ganhos Buffers Dinâmicos e Controle Preditivo desenvolver algoritmos de controle de estoques intermediários ex controle fuzzy ou MPC para ajustar em tempo real o tamanho de buffers conforme variabilidade corrente do sistema Replicação em Plataformas Avançadas validar o modelo em AnyLogic explorando abor dagens híbridas agente eventos discretos e simulando cenários de multisite com rede de fábrica Validação Empírica confrontar os resultados simulados com dados de chão de fábrica co letados via SCADAERP real calibrando distribuições de falha e tempo de ciclo para cada máquina e aprimorando continuamente o digital twin Integração com Manufatura Aditiva investigar como tecnologias de impressão 3D para peças de reposição podem reduzir MTTR e custos de estoque integrando simulação de rea bastecimento automatizado Certificação ISO 55000 estruturar processos de gestão de ativos conforme norma ISO 55000 utilizando os indicadores de confiabilidade e disponibilidade obtidos como baseline para au ditorias externas Em suma a simulação de eventos discretos demonstrou ser ferramenta imprescindível para diagnosticar gargalos quantificar impactos de políticas de manutenção e embasar decisões es tratégicas A adoção das recomendações propostas promete não apenas elevar os índices de desempenho a níveis de excelência mas também gerar economia operacional duradoura e for talecer práticas de manutenção orientadas a dados Referências 1 BANKS J CARSON II J S NELSON B L NICOL D M DiscreteEvent System Simulation 5 ed Boston Pearson 2010 2 NAKAJIMA S Introduction to TPM Cambridge Productivity Press 1988 3 MOBLEY R K An Introduction to Predictive Maintenance 2 ed Oxford Butterworth Heinemann 2002 4 SMITH D J SIMPSON K G Functional Safety for the Oil Gas Industry London Elsevier 2019 5 INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS IEEE Std 8023az2010 Energy Efficient Ethernet New York 2010 6 JAPAN INSTITUTE OF PLANT MAINTENANCE TPM Benchmarking Report 2022 Tóquio 2022 7 LEY K A Best Practices in Discrete Event Simulation 3 ed Nova York Simulation Press 2023