Simulação de Estratégias de Manutenção Corretiva E O Impacto em Um Sistema Produtivo

XXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO
A integração de cadeias produtivas com a abordagem da manufatura sustentável.

Rio de Janeiro, RJ, Brasil, 13 a 16 de outubro de 2008
SIMULAÇÃO DE ESTRATÉGIAS DE
MANUTENÇÃO CORRETIVA E O
IMPACTO EM UM SISTEMA
PRODUTIVO.
CAMILA RODRIGUES VIEIRA MACHADO (pitagoras)
camilarvm@hotmail.com
SAMARA LOPES BARBOSA (pitagoras)
samaralb@hotmail.com
WEDERLEY MENDES MIRANDA (pitagoras)
wederley@yahoo.com.br
A manutenção existe para evitar a degradação, corrigir falhas e, mais

recentemente, também para melhorar o desempenho dos equipamentos
e instalações. O dimensionamento dos recursos da manutenção, em
especial para atendimento às ocorrências de manutenção corretiva, é
de fundamental importância para se evitar perdas de produção
consideráveis ou super-dimensionamento de equipes. Diante deste
cenário, foi desenvolvido neste trabalho um modelo com o objetivo de
simular as falhas dos equipamentos em um processo produtivo e as
diferentes estratégias de atendimento da manutenção corretiva, para se
estudar o seu impacto na produtividade. Foi utilizado o software
Arena® como ferramenta para criação do modelo e após a simulação
de vários cenários, foi mostrado como aumentar a produtividade
através da otimização do atendimento corretivo. Foi feita uma análise
estatística dos tempos médios entre falhas e do tempo médio de reparo
de cada falha, baseando-se em dados reais. A variabilidade destes
tempos foi considerada, permitindo assim simular o processo como um
processo estocástico.
Palavras-chaves: manutenção, manutenção corretiva, simulação,

processo estocástico, Arena.
2. Introdução
As atividades de manutenção existem para evitar a degradação dos equipamentos e

instalações, causada pelo seu desgaste natural e pelo uso. Esta degradação se manifesta de
diversas formas, desde a aparência externa ruim dos equipamentos até perdas de desempenho
e paradas da produção, fabricação de produtos de má qualidade e poluição ambiental
(XENOS, 2004). Ainda, segundo Xenos (2004), a manutenção corretiva é a atuação para a
correção da falha ou do desempenho menor que o esperado, ou seja, é realizada sempre depois
que a falha ocorreu. Kardec & Nascif (2001) apresentam os demais métodos, manutenção
preventiva e preditiva, como evolução da manutenção corretiva, e afirmam que executar as
preventivas e preditivas não garante que não haverá mais corretiva. Pois, a manutenção
preventiva é insuficiente para a conquista da quebra zero/ falha zero. Muitos julgam que a
condução de um programa de manutenção preventiva é suficiente para resguardar o bom
funcionamento das máquinas. Entretanto, isto não se confirma (NAKAJIMA, 1989).
Resumindo, Xenos (2004) afirma que a tendência mundial é escolher, para cada caso, o
método mais adequado, eficiente e econômico, abandonando de vez a discussão de qual
manutenção é melhor. Este é o conceito de manutenção produtiva.
Segundo Mendes (2006), as empresas estão, cada vez mais, preocupadas em gerenciar
adequadamente a manutenção em suas instalações com o intuito de melhorar a rentabilidade,
reduzir o uso de recursos e aumentar a produtividade. Recente pesquisa divulgada pela
ABRAMAN (Associação Brasileira de Manutenção) apresenta alguns números que refletem
essa preocupação nas empresas brasileiras. Os custos relativos com manutenção sobre o
faturamento bruto das empresas no Brasil têm se mantido constante com aproximadamente
4%. Enfatizando a necessidade do investimento em manutenção corretiva, dados do
Documento Nacional (ABRAMAN, 2007) demonstram que as empresas empregam cerca de
26% do tempo de trabalho dos seus funcionários de manutenção em ações corretivas.
Segundo Bazzo (2002), a evolução da informática nos últimos anos tornou o computador um
importante aliado do homem na resolução de problemas gerenciais, utilizando, por exemplo, a
simulação de situações reais. Em função disto, a tecnologia está associada diretamente aos
sistemas produtivos industriais, como também a todos aqueles setores que necessitam de
constante otimização de seus processos de planejamento, gestão, controle e produção (JUNG
2004). Na engenharia, a simulação é uma técnica utilizada para estudar o comportamento e
reações de um determinado sistema por meio de modelos, que imitam na totalidade ou em
parte as propriedades e comportamentos deste sistema em uma escala menor, permitindo
assim sua manipulação e estudo detalhado (BAZZO, 2002). Conforme Mello (2007), de modo
geral, o uso da simulação é recomendado principalmente em dois casos. Primeiro, quando a
solução de problemas é muito cara ou mesmo impossível através de experimentos. E em
segundo, quando os problemas são muito complexos para tratamento analítico. Para o
presente trabalho é importante considerar também que a coleta e análise de dados de paradas
de equipamentos é essencial para se implementar modelos de simulação confiáveis
(WILLIAMS, 1994).
Dessa forma, a simulação pode contribuir significativamente para tomadas de decisão nas
empresas, inclusive na manutenção industrial. Portanto, o objetivo deste trabalho é apresentar
um modelo que simule as falhas dos equipamentos em um processo produtivo e as diferentes
estratégias de atendimento da manutenção corretiva. Esta simulação servirá como instrumento
2
importante para se otimizar as estratégias de atendimento corretivo.

3. Modelagem
O modelo para simulação foi desenvolvido no software Arena®(Marca registrada da
Rockwell Software Corporation) versão 11.0 student, que é um ambiente gráfico integrado de
simulação e contém vários recursos para modelagem, animação, análise estatística, análise de
resultados. O Arena® usa a abordagem por processos para execução da simulação. Essa
técnica de simulação pode ser considerada como uma situação onde elementos estáticos,
formando um ambiente bem definido com suas regras e propriedades, interagem com
elementos dinâmicos, que fluem dentro desse ambiente (PARAGON, 2008). O programa
Arena® surgiu em 1993, da junção de dois outros programas denominados SIMAN e
CINEMA (NETO & PINTO, 2004). Segundo Prado (1999), o SIMAN é uma linguagem de
simulação e, em 1983, deu nome ao primeiro programa de simulação para computadores
pessoais (PC). O CINEMA foi o primeiro programa para animação de simulação em PC e
surgiu em 1984.
Para a observação das falhas e do atendimento da manutenção corretiva, que é objetivo deste
estudo, foi utilizado o Arena® para criar um processo produtivo, composto por três unidades
que estão sujeitas a falhas, definidas por uma distribuição de probabilidades baseada em
dados reais. O reparo das falhas é realizado por equipes de manutenção corretiva específicas,
que se deslocam de uma oficina central e realizam o reparo durante um tempo também
definido por valores probabilísticos. A variabilidade dos tempos entre as falhas e do tempo de
reparo permite analisar o processo como um processo estocástico.
Os dados de falhas pertencem a uma empresa do segmento metalúrgico, datam do período de
02 de julho de 2006 a 16 de julho de 2007 e são baseados em um estudo de RCM (Reliability
Centered Maintenance) das falhas mecânicas e elétricas de uma ponte rolante (SANTOS, et
al, 2007). Em seguida, estes dados foram tratados estatisticamente, com um intervalo de
confiança de 90%. A amostra foi ajustada à distribuição de probabilidade que apresentou o
menor erro quadrático quando comparada aos padrões de distribuição conhecidos, como a
distribuição normal e a distribuição triangular. Deste modo, foram obtidos os modelos
estatísticos do tempo médio de reparo MTTR (Mean Time To Repair) e do tempo médio entre
falhas MTBF (Mean Time Between Failures) para falhas mecânicas e elétricas, que foram
utilizados na simulação.
A partir do modelo desenvolvido, foram simulados alguns cenários para verificar a influência
das estratégias de manutenção no desempenho do processo produtivo.
4. Desenvolvimento do Modelo
As etapas do modelo desenvolvido estão ilustradas na Figura 1 e podem ser descritas como:
a) As máquinas do processo produtivo apresentam falhas de acordo com o tempo definido no
MTBF.
b) Cada falha gera uma OS (ordem de serviço) que contém as informações relacionadas com a
falha.
c) A OS é direcionada para a equipe específica (Manutenção Elétrica; Manutenção Mecânica).
d) A máquina é bloqueada para não funcionar até que seja concluída sua OS
e) Se a equipe estiver disponível, ela se desloca até a máquina, demorando um tempo de
deslocamento pré-estabelecido. Se não estiver disponível, a OS fica em uma fila, seguindo
uma ordem de prioridade.
3
f) Ao chegar à máquina, a equipe executa o reparo durante o tempo MTTR daquela falha.
g) Ao concluir o serviço, a OS é fechada, a máquina é liberada, e a equipe retorna à oficina.
Máquina com Máquina Equipe executa o Máquina liberada

falha bloqueada serv iço
OS emitida OS na fila de
atendimento OS é direcionada
Equipe retorna
para a equipe
Figura 1 - Etapas da lógica utilizada no modelo de simulação
O modelo é composto de três partes: processo produtivo, verificador de falhas e processo de

atendimento corretivo.
O processo produtivo é composto de três unidades produtivas em série, permitindo que parte
da produção de uma unidade seja enviada para a unidade seguinte, e outra parte seja colocada
diretamente no mercado. O verificador de falhas foi desenvolvido para criar uma ligação entre
o processo produtivo e o processo de atendimento corretivo. O processo de atendimento
corretivo emite a OS que vai para uma fila, obedecendo à prioridade previamente definida
para cada equipamento. Quando a equipe recebe a OS que estava na fila, é considerado o
tempo de deslocamento da equipe e o tempo de execução do serviço, MTTR. Com a OS
concluída, a máquina é liberada para a produção.
5. Resultados
Após o tratamento estatístico dos dados de falha apresentados por Santos et al (2007), foram
obtidas as distribuições de probabilidade triangular e normal para o MTTR e MTBF,
respectivamente, conforme mostrado a seguir:
MTTR = TRIA(0.21, 0.905, 1.62) ; MTBF = NORM(215, 73.1), onde os valores são dados em
horas.
Para a simulação do processo produtivo foram consideradas três máquinas trabalhando em
série, recebendo matéria-prima a cada 15 minutos e com os tempos de processamento de 15
minutos em cada. Não foi considerado tempo de deslocamento do produto entre as unidades.
5.1 Teste de Convergência
4
Para definir o tempo de simulação necessário, foram realizados testes com tempos de
replicação de 10h a 100h, com intervalos de 10h entre eles. Para cada tempo, foram feitas 10
replicações, e registrados o resultado do número de peças produzidas por hora até que o
processo se tornasse estável, ou seja, até que o número de peças produzidas por hora
apresentasse pouca variação. Por motivos de simplificação, foi adotado um MTBF reduzido
(Tabela1).
TABELA 1 - Parâmetros das falhas para o teste de convergência
Parâmetro Valor
Tempo de deslocamento da equipe mecânica 6 min
Tempo de deslocamento da equipe elétrica 6 min
MTBF NORM( 10, 1)
MTTR TRIA(0.21, 0.905, 1.62)
Foi possível analisar as simulações realizadas, comparando-se a quantidade de peças

produzidas ao final, tendo em vista que um dos objetivos principais da manutenção é
aumentar a disponibilidade da máquina ou sistema para que isso reflita positivamente na
produtividade.
Figura 2 - Teste de convergência do volume produzido ao longo do tempo de simulação
Na Figura 2, observa-se que um tempo de 120 horas de replicação foi suficiente para se obter
uma convergência de aproximadamente 99% dos resultados do número de peças produzidas
por hora (três peças).
Este mesmo teste pôde ser realizado para diversos cenários da simulação: reduzindo o MTTR,
reduzindo a variabilidade do MTTR e utilizando prioridade no atendimento da OS. Estes
resultados ilustram como as diferentes estratégias de manutenção influenciam nos resultados
da produção. A Tabela 2 apresenta as características das falhas que foram utilizadas nas
simulações (5.2) e (5.3) a seguir.
Unidade / Falha Equipe Urgência

UNIDADE 1 / Falha 1 MEC 5
UNIDADE 1 / Falha 2 ELE 5
5

Tabela 2 – Características das falhas
Outro parâmetro importante é a capacidade de atendimento das equipes de manutenção

corretiva, que foi fixada em 2. Isto significa que cada equipe (mecânica ou elétrica) é capaz de
atender até duas OS simultaneamente. Os demais parâmetros são listados individualmente na
descrição de cada resultado.
5.2 Redução da variabilidade do MTTR
Nesta simulação foram usadas as mesmas prioridades acima, reduzindo-se a variabilidade do
MTTR. Foi apenas reduzido o valor máximo da distribuição triangular, de 1,62h para 1,0h. Os
valores mínimo e moda foram mantidos, como mostrado na Tabela 3. Foram adotados valores
alterados no MTBF por motivo de praticidade, para se forçar um maior número de falhas.
Cenário 1 Cenário 3
MTTR TRIA(0.210, 0.905, 1.620) TRIA(0.210, 0.905, 1.00)
MTBF 1 50 50
MTBF 2 53 53
MTBF 3 57 57
MTBF 4 63 63
MTBF 5 67 67
MTBF 6 71 71
MTBF 7 81 81
MTBF 8 83 83
Tempo de simulação 400h 400h
Replicações 10 10
Deslocamento MEC 0.1 h = 6 min 0.1 h = 6 min
Deslocamento ELE 0.1 h = 6 min 0.1 h = 6 min
Tabela 3 - Redução da Variabilidade do MTTR
Os resultados são apresentados no Figura 3, de onde pode-se afirmar que:

1) A redução na variabilidade do MTTR reduziu, sensivelmente, a variabilidade do úmero de
peças produzidas (medido pela variável “Saida3”).
2) Ao se reduzir em 38% o máximo do MTTR, foi possível aumentar a produtividade em
cerca de 1,4% , com uma média de 21 peças produzidas a mais para o período de 400h. Em
termos práticos, isto significa que se uma indústria produz 16h por dia, 5 dias por semana, ela
produzirá 4160h por ano. Portanto, o retorno em produtividade será de aproximadamente 218
peças no ano. Suponhamos que cada peça forneça um lucro líquido de R$1.000,00. Então o
lucro anual será de cerca de R$218.000,00. Um investimento em treinamento da ordem de
R$200.000,00 para se reduzir esta variabilidade do tempo de reparo poderá trazer retorno em
apenas um ano!
6
Figura 3 – Redução na variabilidade do MTTR e o impacto na produtividade
5.3 Redução do MTTR

Neste exemplo foram usados tempos entre falha (MTBF) fictícios, com o objetivo de forçar
um grande número de atendimentos corretivos, para se analisar como a redução do MTTR
pode influenciar na produtividade. Foi estipulada uma redução de 50% no tempo médio de
reparo (MTTR). Foi reduzido também o parâmetro max da distribuição triangular do MTTR,
veja na Tabela 4.
Cenário inicial Cenário com redução do MTTR
MTTR TRIA(0.210, 0.905, 1.620) TRIA(0.210, 0.453, 0.810)
MTBF 1 50 50
MTBF 2 53 53
MTBF 3 57 57
MTBF 4 63 63
MTBF 5 67 67
MTBF 6 71 71
MTBF 7 81 81
MTBF 8 83 83
Tempo de simulação 400h 400h
Replicações 10 10
Deslocamento MEC 0 0
Deslocamento ELE 0 0
Tabela 4 – Simulação com redução do MTTR
7
Os resultados desta simulação podem ser vistos na Figura 4 e demonstram que a redução do
MTTR em 50% reflete positivamente na produção, que aumento em 2,5% o número de peças
produzidas, com uma média de 39 peças produzidas a mais para o período de 400h. Além
disso, reduz também a variabilidade na produção, deixando a saída do processo mais estável.
Cenário inicial Cenário com redução do MTTR
Figura 4 – Gráficos com os resultados da redução no MTTR
5.4 Alteração nas prioridades de atendimento

Neste exemplo será analisada a influência da prioridade do atendimento corretivo nos
resultados da produção. Como o processo produtivo possui três unidades produtivas em série,
é evidente que uma falha na Unidade 1 irá interromper imediatamente o suprimento da
Unidade 2. O mesmo ocorre entre as Unidades 2 e 3. Desta forma, o modelo original
apresenta maior prioridade de atendimento, ou maior urgência, para as Unidades 1 e 2, como
mostrado no Cenário 1 da Tabela 5. Para simular um atendimento sem critério de prioridade
foi criado o Cenário 2, onde as falhas serão reparadas na ordem em que ocorrem,
independentemente da unidade produtiva. Para ambos cenários foram mantidos os MTBF do
exemplo anterior, fixado um MTTR= TRIA(0.210, 0.905, 1.620) e um tempo de simulação
de 260h.
Urgência Urgência
Unidade / falha Equipe
(Cenário 1) (Cenário 2)
UNIDADE 1 / Falha 1 MEC 5 1
UNIDADE 1 / Falha 2 ELE 5 1
8

Tabela 5 – Parâmetros de urgência das falhas
A Figura 5 mostra o número de peças produzidas nos dois cenários. No cenário 1 as equipes
atendem preferencialmente as falhas na Unidade 1, enquanto no cenário 2 o atendimento é
feito por ordem de chegada da OS. As médias na produção foram 944 peças e 932 peças,
respectivamente. Apesar da variabilidade do MTTR gerar oscilações consideráveis nas
curvas, é possível perceber que na maioria das replicações houve uma redução da produção no
cenário 2, onde não há prioridade para atender a OS. Na média, foram produzidas 12 peças a
menos a cada 260h, o que equivale a cerca de 1,3%.
Atendimento com prioridade Atendimento sem prioridade
Figura 5 – Gráficos comparando a produtividade quando há atendimento prioritário na OS
A estratégia de se priorizar o atendimento corretivo em função da importância da máquina no

processo produtivo mostrou ser válida. Mesmo com uma diferença pequena, pode-se estimar
uma projeção desta perda para períodos mais longos. Se considerarmos, por exemplo, uma
indústria que produz 16h por dia, 5 dias por semana, ela operará durante 4160h no ano. Se
forem mantidas as perdas de 12 peças a cada 260h, a projeção indica que serão perdidas 192
peças por ano.
9
6. Conclusão
A coleta de dados de paradas de equipamentos é essencial para se implementar modelos de
simulação confiáveis. Entretanto deve-se tomar cuidados especiais e ter critérios durante a
coleta, onde erros de anotação e outros problemas podem levar a resultados equivocados.
A análise estatística dos dados utilizados em um modelo estocástico é importante para uma
melhor adequação destes na obtenção de resultados coerentes com a realidade.
Em um modelo estocástico, como o desenvolvido, o ajuste da amostra a uma distribuição
probabilística conhecida é importante, pois permite simular diferentes cenários com boa
aproximação com o sistema físico real.
A partir dos resultados das simulações realizadas pode-se concluir que:
- Ao realizar o Teste de Convergência foi possível concluir a sua importância para determinar
o tempo necessário de simulação. Os processos estocásticos requerem este tipo de análise,
pois os resultados aleatórios tendem a convergir, em média, com o aumento do tempo de
simulação.
- Como era de se esperar, foi possível confirmar que a redução no tempo de reparo ocasiona
um aumento da produtividade, como mostrado nos itens (5.2) e (5.3). Este é um bom
argumento para se investir em treinamento, qualidade e padronização dos processos de
manutenção.
- De acordo com o item 5.4 foi possível ilustrar que a estratégia de se priorizar o atendimento
para as máquinas mais críticas contribui para o aumento da produtividade.
O modelo desenvolvido é aplicável a diversas indústrias que pretendam estudar as estratégias
de atendimento de manutenção corretiva. No entanto, é necessário ajustá-lo, uma vez que
cada empresa apresenta uma realidade peculiar.
Referências
BAZZO, W.A. Introdução à Engenharia. 6ª ed., Santa Catarina: Editora da UFSC, 2002.
JUNG, Carlos Fernando. Metodologia para pesquisas & desenvolvimento - Aplicada a Novas Tecnologias,
Produtos e Processos. Editora: AXECEL BOOKS. Rio de Janeiro – RJ. 2004.
KARDEC, Alan & NASCIF, Júlio. Manutenção: Função Estratégica. Rio de Janeiro – RJ:Qualitymark Ed.,
2001.
MELLO, Bráulio Adriano de. Modelagem e simulação de sistemas. Santo Ângelo, 2007.
NAKAJIMA, Seiichi. Introdução ao TPM - Total Productive Maintenance. Trad. Mário Nishimura. São Paulo:
IMC Internacional Sistemas Educativos, 1989.
PARAGON. http://www.paragon.com.br, consultado em 04/03/2008 às 11:28h.
XENOS, Harilaus Georius D’ Philippos. Gerenciando a Manutenção Produtiva. Nova Lima, Editora: INDG,
2004.
MENDES, Alexandre Cottini. Aplicação da simulação de teoria de filas nos estudos de confiabilidade e
otimização de equipes de manutenção. 2006. http://www.abraman.org.br/biblioteca_e_publicacoes, consultado
em 06/03/2008 às 16:52h.
ABRAMAN, Documento Nacional 2007. http://www.abraman.org.br/biblioteca_e_publicacoes/art_36.asp,
consultado em 06/03/2008 às 15:50h.
SANTOS, G. E. et al, Ferramentas de Gestão da Manutenção Aplicadas a uma Ponte Rolante, Faculdade
Pitágoras, Monografia do Curso de Engenharia de Produção, 2007.
10
NETO, A. N. R. & PINTO, L. R.. Template do programa Arena para a simulação das operações de
carregamento e transporte em minas a céu aberto. Revista Escola de Minas, vol.57, n.1. Ouro Preto, 2004.
PRADO, D. S. Usando o Arena em simulação, Série Pesquisa Operacional. Belo Horizonte: Editora de
Desenvolvimento Gerencial. 1999. v. 3.
WILLIAMS, E. J. Downtime Data -- Its Collection, Analysis. And Importance, Proceedings of the 26th
conference on Winter simulation, Orlando, Florida, United States, pp.: 1040 - 1043, 1994.
11

Simulação de Estratégias de Manutenção Corretiva E O Impacto em Um Sistema Produtivo

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Simulação de Estratégias de Manutenção Corretiva E O Impacto em Um Sistema Produtivo

Hochgeladen von

Copyright:

Verfügbare Formate

XXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO

A integração de cadeias produtivas com a abordagem da manufatura sustentável.

A manutenção existe para evitar a degradação, corrigir falhas e, mais

Palavras-chaves: manutenção, manutenção corretiva, simulação,

As atividades de manutenção existem para evitar a degradação dos equipamentos e

importante para se otimizar as estratégias de atendimento corretivo.

Máquina com Máquina Equipe executa o Máquina liberada

Figura 1 - Etapas da lógica utilizada no modelo de simulação

O modelo é composto de três partes: processo produtivo, verificador de falhas e processo de

Foi possível analisar as simulações realizadas, comparando-se a quantidade de peças

Figura 2 - Teste de convergência do volume produzido ao longo do tempo de simulação

Unidade / Falha Equipe Urgência

UNIDADE 2 / Falha 5 MEC 4

Outro parâmetro importante é a capacidade de atendimento das equipes de manutenção

Os resultados são apresentados no Figura 3, de onde pode-se afirmar que:

Figura 3 – Redução na variabilidade do MTTR e o impacto na produtividade

5.3 Redução do MTTR

Figura 4 – Gráficos com os resultados da redução no MTTR

5.4 Alteração nas prioridades de atendimento

UNIDADE 2 / Falha 6 ELE 3 1

Tabela 5 – Parâmetros de urgência das falhas

Atendimento com prioridade Atendimento sem prioridade

Figura 5 – Gráficos comparando a produtividade quando há atendimento prioritário na OS

A estratégia de se priorizar o atendimento corretivo em função da importância da máquina no

Das könnte Ihnen auch gefallen