By Eduardo Spina
Em uma reunião recente da administração da TBM, observamos como a qualidade é um fator crítico na retenção de clientes para fabricantes de embalagens. Nesta indústria, os desafios de qualidade variam dependendo do tipo de produto.
Por exemplo, ao fabricar um copo de papel revestido de polipropileno ou outro recipiente para alimentos, todos os componentes devem ser impressos, cortados, formados e unidos corretamente. As tolerâncias são restritas, especialmente quando diferentes tipos de materiais se juntam, como papel em que o aro deve acomodar uma tampa de plástico rígido. Rastrear as causas de vazamentos e outras falhas pode apontar para problemas de engenharia na linha ou nos fornecedores de papel. Identificamos problemas de qualidade como pontos vazios e ondulações no processo de extrusão do papel e como os rolos de papel revestido foram embalados e empacotados para envio.
As embalagens plásticas termoformadas apresentam outros desafios. Além do processo de formação em si, as unidades devem ser empilhadas e empacotadas corretamente. As bandejas de embalagem de alimentos, por exemplo, quando carregadas nas máquinas dos clientes, não podem grudar ou obstruirão o equipamento.
Quando se trata de recursos de manufatura digital, as empresas ficam em algum lugar em um continuum. Em uma extremidade estão as operações que coletam e armazenam poucos ou nenhum dado da máquina / processo. Na outra extremidade estão aqueles que estão monitorando o desempenho e coletando dados de vários pontos em cada equipamento em suas linhas.
Entre esses extremos, alguns fabricantes estão coletando dados da máquina, mas não os armazenam ou agregam. Outros podem reunir fluxos de dados diversos, mas não fizeram muito com isso ainda. Operações de embalagem, fábricas de papel, fábricas de produtos químicos, alimentos e operações de produção semelhantes têm monitorado, em tempo real, os parâmetros do processo por décadas, mas eles não coletaram e armazenaram os dados.
Nossos compromissos com clientes da indústria de embalagens geralmente incluem uma série de questões relacionadas à qualidade que requerem atenção. Os defeitos podem estar causando estornos e aumentando a devoluções de clientes, corroendo as margens. Ou as paradas de máquinas e as taxas crescentes de rejeição estão fazendo com que a sucata e o retrabalho aumentem, o que também aumenta os custos.
Para aqueles de nós que estão na indústria há uma década ou mais, ainda é incrível ver os terabytes de dados de máquina que agora podem ser capturados de maneira econômica, especialmente em comparação com os métodos manuais demorados do passado não muito distante. Alguns fabricantes estão capturando esses conjuntos de dados, mas ninguém está olhando para os dados ou analisando o impacto que as entradas estão tendo nas saídas.
Em um projeto recente, a planta registrava manualmente os dados de paradas e quebras de máquinas. Quando uma equipe examinou os dados, o maior motivo para a interrupção da linha foi um código abrangente, que não foi muito útil para seus esforços de resolução de problemas. Para melhorar a precisão e confiabilidade dos dados, eles começaram a capturar dados de paralisação diretamente do CLP e dos sensores da máquina. Com códigos de tempo e motivo precisos, as áreas problemáticas da máquina eram muito mais fáceis de identificar.
Para problemas de qualidade do produto que chegam aos clientes, uma análise preliminar deve determinar rapidamente se a fonte é interna ou externa. Para produtos de embalagem, os problemas externos de qualidade geralmente giram em torno do manuseio e envio de materiais, o que pode exigir alterações nos métodos de embalagem, empacotamento e carregamento.
Métodos simples à prova de erros podem evitar que problemas externos de qualidade minem a confiança do cliente. Uma das máquinas de nossos clientes pode imprimir simultaneamente quatro fluxos com 4 produtos impressos diferentes em cada fluxo, produzindo quatro pilhas de caixas planas impressas, vincadas e cortadas, que são então paletizadas. Para evitar que as caixas se misturem com outros produtos ou sejam colocadas em paletes errados, eles adicionaram um mini código de barras na fase de impressão. O código é verificado automaticamente na máquina de selagem, impossibilitando que os trabalhadores enviem o produto errado aos clientes.
Alguns dos custos associados a problemas internos de qualidade incluem testes e inspeção extras, o tempo de inatividade do equipamento enquanto os problemas são corrigidos e o tempo gasto analisando e identificando as causas raízes, o que pode ser significativo. É aqui que a tecnologia de manufatura digital – monitoramento, coleta e análise de dados, especificamente – pode ser uma grande ajuda.
Ao longo de nossas carreiras, realizamos a análise de Pareto em milhares de processos de produção para determinar as causas raízes da qualidade e outros problemas. A árvore de classificação e regressão (em inglês Classification and Regression Tree – CART) é outra ferramenta analítica que usamos regularmente para identificar as variáveis mais importantes em um conjunto de dados.
A coleta de dados, que normalmente não requer muitos recursos, sempre foi o elemento que consome mais tempo de tais projetos. Com a tecnologia de manufatura digital de hoje, os dados já podem estar disponíveis e só precisam ser segregados e analisados, acelerando muito a busca por soluções.
Quando surgem problemas de qualidade e você deseja realizar uma análise rápida de dados, primeiro você deve coletar os dados apropriados nos pontos de verificação de controle de qualidade em seus processos de produção. Você pode então, preencher as lacunas de monitoramento e armazenamento de dados. O objetivo desse trabalho de preparação é encurtar o tempo entre os alertas de qualidade e quando os problemas são corrigidos, minimizando qualquer impacto financeiro. Modelos analíticos pré-construídos podem localizar rapidamente as principais variáveis que estão tendo o maior impacto nas causas dos defeitos.
Algumas palavras de cautela, no entanto. Vimos clientes instalarem recursos de monitoramento eletrônico de dados que acionaram um fluxo interminável de alertas, quando as temperaturas estavam quase cinco graus acima ou abaixo da banda especificada, por exemplo. Não demorou muito para que os operadores e supervisores começassem a ignorar os alertas porque sabiam que tais variações não teriam impacto na produção ou na qualidade. Isso criou uma cultura em que se tornou rotina ignorar ou silenciar esses alertas. Quando a linha parou, eles olharam os dados e puderam ver quando poderiam ter agido para evitar o desligamento se estivessem prestando atenção ao ponto de dados correto.
O problema nesses casos não está no nível da linha, mas sim quando os recursos de coleta de dados e alertas foram configurados. Ninguém perguntou aos engenheiros, às pessoas que administravam a linha ou à equipe de manutenção quais os pontos de dados mais importantes. Esta pode parecer uma questão básica, mas não é feita com muita frequência, especialmente quando fornecedores externos realizam a integração de tecnologia.
Mesmo quando tudo permanece dentro dos parâmetros e especificações do objetivo, a análise de tendências pode destacar problemas crescentes antes que se tornem sérios. Essa abordagem é semelhante a programas de gerenciamento de segurança que rastreiam “quase acidentes” e mitigam problemas antes que um acidente de trabalho possa ocorrer. É claro que qualquer programa proativo, seja relacionado à segurança ou qualidade, requer um nível mais alto de comprometimento da gestão em termos de estratégia e alocação de recursos.
Você conseguiu alavancar os recursos de manufatura digital para responder mais rapidamente aos problemas de qualidade? Nesse caso, adoraríamos ouvir sobre seus desafios e soluções.
Key Takeaways
Don’t miss industry expert insights.
Join a community committed to excellence.
