DEFINING THE MOST BOTTLENECKED WORKSTATION IN PRODUCTION LINES: A CASE STUDY USING THE PROMÉTHÉE II METHOD AND LEVELS OF AUTOMATION
REGISTRO DOI: 10.69849/revistaft/ni10202511282116
Gladstone Frederico de Pinho1
Dalton Garcia Borges de Souza2
Resumo
O objetivo deste artigo é identificar o posto de trabalho considerado como o de maior gargalo de uma linha de produção em uma empresa que fornece produtos e serviços para o setor de Óleo e Gás, visando o aumento da produtividade deste posto através de melhorias em tecnologias da automação. Por meio da metodologia de Estudo de Caso foi possível levantar dados de produção, entender os processos produtivos e os recursos necessários. Foi utilizado o método DYNAMO para medir o nível de automação atual de cada posto e o método multicritério de apoio à decisão PROMÉTHÉE II, para fornecer um ranking entre os nove postos de trabalho desta linha, considerando critérios técnicos e estratégicos da empresa. Os resultados apresentados permitiram avaliar a eficácia do método utilizado, apontando o posto de maior gargalo, suas deficiências e possíveis melhorias. A pesquisa contribui metodologicamente para o planejamento e otimização de linhas de produção em setores industriais que exigem maior robustez e adaptabilidade.
Palavras chaves: métodos multicritério, níveis de automação, PROMÉTHÉE.
Abstract
The objective of this article is to identify the workstation considered the biggest bottleneck in a production line at a company that supplies products and services to the Oil and Gas sector, aiming to increase the productivity of this workstation through improvements in automation technologies. Using the Case Study methodology, it was possible to collect production data, understand the production processes, and identify the necessary resources. The DYNAMO method was used to measure the current level of automation at each workstation, and the PROMÉTHÉE II multi-criteria decision support method was used to provide a ranking among the nine workstations on this line, considering the company’s technical and strategic criteria. The results presented allowed for the evaluation of the effectiveness of the method used, identifying the workstation with the biggest bottleneck, its deficiencies, and possible improvements. This research contributes methodologically to the planning and optimization of production lines in industrial sectors that require greater robustness and adaptability.
Keywords: multicriteria methods, automation levels, PROMÉTHÉE.
1 Introdução
A crescente competitividade nos mercados globais tem impulsionado as organizações industriais a buscarem continuamente melhorias em seus processos produtivos. Nesse contexto, a identificação e a gestão de gargalos tornam-se elementos centrais para o aumento da eficiência operacional, dada sua influência direta sobre o fluxo de produção, os custos e a capacidade de atendimento à demanda (Su et al., 2022). Em linhas de produção de manufatura, mesmo pequenos desequilíbrios entre postos de trabalho podem provocar atrasos significativos, elevar o tempo de ciclo e comprometer o desempenho geral do processo. Dessa forma, compreender as variáveis que determinam o comportamento dos postos, bem como adotar métodos robustos de avaliação multicritério, é essencial para subsidiar decisões técnicas e estratégicas.
Entre essas variáveis, o tempo de ciclo desempenha papel fundamental na análise de desempenho de operações industriais, pois representa o ritmo com que produtos avançam ao longo da linha e determina, em grande medida, a capacidade produtiva do sistema (Mahmoodi et al., 2022). Paralelamente, os níveis de automação na manufatura têm se destacado como fatores críticos na busca por maior produtividade, padronização e redução de variabilidades inerentes às operações manuais (li et al., 2020).
Para aprimorar a qualidade e assegurar um funcionamento eficaz, a automação é um elemento fundamental em um sistema de manufatura, baseado nos princípios da indústria 4.0. O objetivo é reduzir ao máximo tempo de ciclo de uma máquina, tornando-a cada vez mais automática, dispensando a necessidade de intervenção humana direta. Essa abordagem aceita que os operadores realizem tarefas que agreguem valor, em vez de monitorar continuamente o funcionamento das máquinas (Moura et al., 2022).
Além do aspecto técnico, a automação também assume um papel estratégico na gestão organizacional, contribuindo para o crescimento da capacidade produtiva, redução de variabilidades operacionais, mitigação de falhas humanas e melhoria nos indicadores de desempenho. Segundo Lima et al. (2023), as empresas que integram automação com processos decisórios baseados em dados são mais resilientes e ágeis diante de pressões de mercado, variações de demanda e exigências regulatórias.
A relação entre automação, desempenho operacional e custos torna necessária uma avaliação integrada, capaz de considerar simultaneamente múltiplos critérios de natureza distinta. Diante dessa complexidade, métodos de análise de níveis de automação e métodos multicritério de apoio à decisão surgem como ferramentas eficazes para auxiliar gestores e engenheiros na avaliação de diferentes alternativas, considerando múltiplos critérios de forma estruturada.
Frente ao exposto e coadunando a realidade existente, o presente artigo traz a aplicação do método DYNAMO e do método PROMÉTHÉE II para avaliar os postos de trabalho de uma linha de produção, considerando critérios relacionados ao tempo de ciclo e aos níveis de automação, além de outros fatores operacionais relevantes. O objetivo é identificar o posto de maior gargalo com base em uma análise multicritério abrangente, oferecendo subsídios para ações de balanceamento, investimentos em automação e melhorias contínuas. Essa abordagem metodológica permitirá a construção e validação de uma solução prática, através de um estudo de caso, gerado a partir de um problema real observado em uma empresa do setor de Óleo e Gás, que possui em sua planta, uma linha de produção pouco desenvolvida em termos de níveis de automação, denominada Linha de Reparos Tubing.
Para realizar as etapas de produção desta linha, responsável por processar tubos petrolíferos de 3 ½ a 10 ¾ de polegadas, máquinas e ferramentas são utilizadas, dependendo em grande parte da habilidade e conhecimento dos operadores para as manipularem, onde essa demanda por habilidades também é requisitada durante os processos de tomada de decisão para liberação e controle de qualidade dos produtos processados.
2 Referencial teórico
2.1 Níveis de automação – LoA
A automação industrial tem se consolidado como um dos principais pilares da modernização dos sistemas produtivos. Dentro desse contexto, os Níveis de Automação (LoA – Levels of Automation) surgem como uma ferramenta estratégica para definir o grau de envolvimento entre o ser humano e a tecnologia nos processos de produção. Essa classificação permite identificar até que ponto o controle das atividades pode ser transferido para sistemas automatizados, o que influencia diretamente a eficiência, a segurança e a produtividade das operações industriais.
Ao aplicar corretamente o LoA, as organizações conseguem reduzir falhas humanas, otimizar o uso de recursos, diminuir o tempo de ciclo e melhorar a tomada de decisão em tempo real. Além disso, o uso equilibrado da automação contribui para um ambiente de trabalho mais seguro, confiável e sustentável, ao mesmo tempo que aumenta a competitividade da empresa no mercado (Moreira; Augusto, 2022). Os Níveis de Automação, representam os diferentes graus de responsabilidade entre o ser humano e a máquina em um processo automatizado. Eles descrevem até que ponto uma tarefa é realizada pelo sistema automatizado e quanto ainda depende da decisão humana. Essa visão é importante para entender como o controle pode ser distribuído entre o operador e a tecnologia, permitindo avaliar quando e como a automação deve agir em cada situação, especialmente em áreas como indústria, transporte, aviação, saúde e defesa (Granlund, 2014).
Segundo Vagia et al. (2016), os níveis de automação contribuem para o desempenho e redução de falhas na produção. A adoção de níveis adequados de automação permite diminuir erros humanos, aumentar a precisão das tarefas repetitivas e agilizar processos produtivos, o que impacta diretamente na eficiência operacional e nos resultados da empresa.
Níveis mais altos de automação aumentam a necessidade de garantir a resiliência das capacidades e competências tecnológicas, enquanto níveis mais baixos de automação dependem de habilidades humanas individuais de, por exemplo, operadores de chão de fábrica (Li et al. 2022). Os humanos são mais flexíveis, respondem melhor a incertezas e se sentem confortáveis com ambientes dinâmicos e não estruturados. As máquinas são fisicamente mais fortes e mais precisas em comparação com os humanos.
O conceito de Níveis de Automação mais utilizado em indústrias de manufatura e adotado no Estudo de Caso deste artigo, foi definido por Frohm (2008), como: “A alocação de tarefas físicas e cognitivas entre humanos e tecnologia, descrita como um continuum que varia de totalmente manual a totalmente automático”.
O autor, define tarefas físicas como o nível de automação para atividades mecânicas, “LoA Mecânico”, enquanto o nível de habilidades para tarefas cognitivas é chamado de LoA de informação ou “LoA Cognitivo”. Esta escala está apresentada na Tabela 1.
Tabela 1 – Escala dos níveis de automação para tarefas mecânicas e cognitivas
| Nível | LoA Mecânico/Físico | LoA de Informação/Cognitivo |
| 1 | Totalmente manual: trabalho totalmente manual, sem o uso de ferramentas, apenas a força dos próprios músculos. Por exemplo, força manual. | Totalmente manual: o usuário cria seu próprio entendimento da situação e desenvolve seu curso de ação baseado em experiências e conhecimentos anteriores. Por exemplo, tarefa passada de forma verbal. |
| 2 | Ferramenta manual estática: trabalho manual com o apoio de uma ferramenta estática. Por exemplo, a chave de fenda. | Tomada de Decisão: o usuário recebe as informações sobre o que fazer e pode propor como a tarefa será realizada. Por exemplo, Ordem de Serviço. |
| 3 | Ferramenta manual flexível: trabalho manual com apoio de uma ferramenta manual flexível. Por exemplo, chave inglesa. | Ensinando: o usuário recebe instruções sobre como a tarefa deve ser executada. Por exemplo, Padrão Operacional, Checklists, Manual técnico. |
| 4 | Ferramenta manual automática: trabalho manual com apoio de uma ferramenta automática. Por exemplo, parafusadeira pneumática. | Questionamento: a tecnologia questiona a execução, caso se desviar do que a tecnologia considera ser adequada. Por exemplo, Sistemas de Intertravamentos, Controle por PLC. |
| 5 | Máquina ou estação de trabalho estática: trabalho automático pela máquina que é projetada para uma tarefa específica. Por exemplo, Torno Convencional. | Supervisão: a tecnologia exige a atenção do usuário e o direciona para a tarefa corrente. Por exemplo, Sistemas Supervisórios. |
| 6 | Máquina ou estação de trabalho flexível: trabalho automático pela máquina que pode ser reconfigurada para diferentes tarefas. Por exemplo, Torno CNC. | Intervenção: a tecnologia assume o controle e corrige a ação, se as execuções se desviarem do que a tecnologia considerar adequado. Por exemplo, Controle em Malha Fechada, Controle PID. |
| 7 | Totalmente automático: trabalho totalmente automático, a máquina soluciona todos os desvios ou problemas que ocorrem sozinhas. Por exemplo, sistemas autônomos. | Totalmente automático: toda a informação e controle são realizados pela tecnologia. O usuário nunca é envolvido. Por exemplo, Sistemas Autônomos. |
Fonte: Fasth et al. (2009) adotada da taxonomia de Frohm (2008).
A taxonomia e definição para níveis de automação usados em sistemas de manufatura proposta por Frohm (2008), consiste em uma escala de referência de sete níveis, para LoA Mecânico e Cognitivo, com o objetivo de quantificar tarefas devido ao LoA. A taxonomia foi então desenvolvida e definida por Fasth (2012) como:
Automação física/mecânica é definida como soluções técnicas e ferramentas, ajudando o operador a montar os produtos, por exemplo, ferramentas de montagem (Níveis 1-4) e máquinas de montagem (Níveis 5-7); Automação cognitiva é definida como soluções técnicas e informação, ajudando o operador, por exemplo, sobre como montar (Níveis 1-3) e controle de situação (Níveis 4-7).
O modelo conceitual, desenvolvido a partir de Frohm (2008) de tarefas físicas e cognitivas entre recursos (humanos e tecnológicos), descritos como passos discretos de 1 (totalmente manual) a 7 (totalmente automático), formam uma matriz LoA 7 por 7 contendo 49 tipos possíveis de soluções. Segundo Fasth et al. (2009), o valor de LoA medido e os valores mínimo e máximo relevantes para cada tarefa são ilustrados em uma matriz. Isso resulta em um Quadrado de Melhorias Possíveis (SoPI – Square of Possible Improvements), com possibilidades de automação física e cognitiva ilustradas na Figura 1.
Figura 1 – Matriz de LoA com Quadro de Melhorias Possíveis
A área pintada de “Azul” representa o Nível de Automação Mecânico e Cognitivo atual de uma máquina ou posto de trabalho, já a área pintada de “Amarelo” representa o mínimo relevante e a área “Verde” o máximo relevante. Existem casos em que o mínimo e/ou o máximo relevante serão o próprio nível atual do posto ou máquina, não sendo possível diminuir ou aumentar o nível de LoA. Os principais fatores para que isso aconteça são: limitações físicas da linha de produção, posto de trabalho ou máquina; complexidade do processo produtivo; complexidade para converter uma tarefa humana em tarefa de máquina.
2.2 Medição do nível de automação atual – método DYNAMO
O projeto DYNAMO (Dynamic Levels of Automation for Robust Manufacturing System) foi desenvolvido entre 2004 a 2007 em associação com cinco empresas Suecas com o objetivo de medir os níveis de automação e fluxo de informação em sistemas de manufatura modernos, utilizando uma escala de sete níveis (ver Tabela 1) para automação mecânica e cognitiva (Frohm et al., 2005; Frohm, 2008).
O método possui oito etapas que são usadas para responder a diferentes perguntas, a fim de redesenhar o sistema de forma estruturada e evitar o excesso ou a falta de sistemas automatizados, sendo elas: 1) Planejar com antecedência; 2) Pré estudo no local para identificar o processo; 3) Documentar o fluxo de produção; 4) Identificar a tarefa principal para cada Posto de Trabalho; 5) Identificar as subtarefas para cada Posto de Trabalho; 6) Medir o LoA; 7) Definir o máximo e mínimo relevantes e 8) Análise dos resultados.
O foco do desenvolvimento posterior está na análise e esclarece se o LoA dos sistemas atuais é muito alto, muito baixo ou muito estático para atender aos gatilhos de mudança das empresas, por exemplo, demandas internas ou externas. Além de redesenhar esse sistema de forma estruturada com o LoA mais vantajoso.
Segundo Fasth (2012), a abrangência de diferentes soluções de automação contribui para uma abrangência maior de soluções possíveis para substituição e otimização em tempo real. As tarefas podem ser integradas em um sistema automatizado, semiautomatizado ou manual e podem ser medidas e analisadas ao mesmo tempo. O objetivo da metodologia DYNAMO é medir e obter uma imagem precisa da abrangência de soluções possíveis para que LoA execute as tarefas. Por exemplo, uma operação de aperto de parafuso pode ser feita usando uma chave de boca comum (LoA&M = 2), uma chave de boca regulável (LoA&M = 3) ou por uma máquina (LoA&M = 5).
2.3 Métodos multictitério de apoio à decisão
A tomada de decisão, especialmente em ambientes complexos e incertos, é comum deparar-se com situações que envolvem múltiplos critérios conflitantes entre si. Entretanto, os métodos de apoio à decisão multicritério (MCDM – Multicriteria Decision Making) nascem como ferramentas essenciais para auxiliar na escolha, ordenação ou classificação de alternativas de forma mais objetiva e estruturada. Entre os vários métodos existentes, se destaca o PROMÉTHÉE (Preference Ranking Organization Method for Enrichment Evaluation), desenvolvido por Jean-Pierre Brans no início da década de 1980, como uma interpretação alentada e complexa para avaliar possíveis problemas decisórios (Oliveira et al., 2019).
O método PROMÉTHÉE permite comparar alternativas através de diversos critérios, levando em consideração as preferências do decisor e oferecendo uma análise mais transparente do processo de decisão. Sua finalidade de aplicação é referente a flexibilidade de se adaptar em diversas áreas, de uma organização. Para o estudo de caso deste artigo será utilizado o método PROMÉTHÉE II.
Segundo Brans e Vincke (1985), criadores do método, o PROMÉTHÉE I permite estabelecer uma ordenação parcial das alternativas. Ele identifica, com base nas preferências calculadas, quais alternativas são claramente melhores, claramente piores ou incomparáveis, ou seja, não é plausível afirmar qual é melhor entre duas alternativas em certos casos. Já o PROMÉTHÉE II busca produzir uma ordenação completa das alternativas, utilizando o cálculo do índice líquido de preferência. Esse índice é obtido subtraindo o fluxo de preferência negativo do fluxo positivo, permitindo classificar todas as alternativas da melhor para a pior, mesmo que algumas decisões sejam forçadas.
3 Metodologia
A pesquisa pode ser caracterizada como a sistematização de um pensamento reflexivo que, ao ser submetido a um tratamento científico, busca revelar realidades – sejam elas totais ou parciais (Lakatos; Marconi, 2021). Nesse sentido, desenvolver uma investigação científica implica buscar respostas e soluções para problemas e questionamentos, utilizando-se de métodos científicos apropriados (Prodanov, 2013). Para conduzir um projeto de pesquisa, é fundamental, em um primeiro momento, delimitar claramente o problema a ser estudado. A partir disso, formulam-se hipóteses que nortearão o trabalho. Com essas diretrizes iniciais estabelecidas, procede-se à coleta, organização, análise e interpretação dos dados, culminando na apresentação dos resultados (Lakatos; Marconi, 2021).
A metodologia descrita na presente seção, traz o detalhamento de cada passo das atividades que norteiam o desenvolvimento dessa pesquisa. Tal estruturação é fundamental para entendimento e compreensão dos desdobramentos desse artigo.
3.1 Classificação da pesquisa
A primeira etapa do processo metodológico abordado nesse artigo trata da classificação da pesquisa. Conforme citado por Menezes et al. (2001), as pesquisas científicas podem ser classificadas em diversos aspectos, porém não há um consenso entre os autores quanto a quantidade de categorias estabelecidas para sua classificação. A classificação deste trabalho será feita conforme os parâmetros citados por Prodanov (2013) que destrincha a pesquisa quanto a sua abordagem, natureza, seus objetivos, e procedimentos técnicos.
3.1.1 Quanto à abordagem
Segundo Gerhardt et al. (2009), a pesquisa científica pode ser classificada com base na abordagem: Qualitativa, quantitativa ou uma combinação de ambas. Conhecida as características principais dos tipos de abordagem, a atual pesquisa é classificada como quantitativa e qualitativa, pois busca entender um fenômeno específico em profundidade, com foco nos processos do objeto de estudo, que são representados por dados numéricos (quantitativos) extraídos do estudo, bem como das variáveis linguísticas, caracterizadas pela opinião e experiência (qualitativa) de um grupo foco de especialistas e dos tomadores de decisão.
3.1.2 Quanto à natureza
A pesquisa científica tem uma visão que pode ser classificada quanto à natureza, gerando a pesquisa básica ou pesquisa aplicada, nesse estudo será aplicada. A pesquisa básica tende a obter e extrair novos conhecimentos, coadunando com a veracidade dos fatos, como exemplos importantes para o avanço da ciência. (Gerhardt et al., 2009), coadunando com o conceito do autor acima, à natureza dessa pesquisa é a aplicada, pois busca gerar soluções práticas para problemas específicos da organização estudada.
3.1.3 Quanto aos objetivos
Gil (2002) aborda que as pesquisas podem ser divididas em três grupos com base em seus objetivos: Exploratórias, descritivas ou explicativas. No presente artigo, a pesquisa se enquadra como exploratória, trazendo informações reais e específicas dos artifícios utilizados para solucionar o problema existente na empresa e ao mesmo tempo, conseguir identificar o posto de trabalho de maior gargalo na linha de produção estudada. Isso demanda a consideração tanto de dados quantitativos quanto de dados qualitativos, baseados em um levantamento dos requisitos do processo produtivo junto aos especialistas da empresa em análise. O objetivo central deste estudo é avaliar se o método de Análise Multicritério à Decisão (AMD), selecionado com base na pesquisa bibliográfica realizada, se mostra eficaz na determinação de qual posto de trabalho representa o maior gargalo em uma linha de produção da empresa em análise. Isso implica lidar com a atual complexidade e dinâmica da empresa.
3.1.4 Quanto aos procedimentos
De acordo com Fonseca (2002), a pesquisa científica é o resultado de um inquérito ou exame minucioso, realizado com o objetivo de resolver um problema, recorrendo a procedimentos científicos. São vários os procedimentos e métodos científicos existentes, onde os principais, de acordo com Gerhardt et al. (2009), são a pesquisa experimental, pesquisa bibliográfica, pesquisa documental, pesquisa de campo, pesquisa ex-post-facto, pesquisa de levantamento, pesquisa survey, estudo de caso, pesquisa participante, pesquisa-ação, pesquisa etnográfica e pesquisa etnometodológica.
Após estudar cada tipo de procedimento citado anteriormente, o procedimento que melhor se enquadra neste artigo é o Estudo de Caso pois investiga profundamente uma ou poucas unidades (indivíduo, grupo, organização, comunidade etc.) com o objetivo de compreender suas particularidades, podendo utilizar diferentes técnicas de coleta de dados, como: entrevistas, observação e análise documental.
A unidade de análise da pesquisa se trata de uma das quatro linhas de produção existentes na empresa objeto de estudo. A coleta dos dados foi realizada utilizando técnicas de pesquisa documental, observação direta in loco, entrevistas e questionários e serão melhor detalhadas na Seção 4.
Para medição e análise do nível de automação atual da linha de produção, a pesquisa bibliográfica revelou o método DYNAMO (Frohm, 2008), como sendo o mais eficaz entre os métodos pesquisados. O método além de mostrar uma visão clara do nível de automação atual de uma linha de produção, célula ou posto de trabalho, também é capaz de projetar até que nível de automação essa linha ou posto de trabalho pode alcançar, dada as limitações do processo produtivo.
Como seleção do método AMD a ser utilizado, a pesquisa bibliográfica serviu como base para seleção do método PROMÉTHÉE II, dentre os métodos identificados nas principais publicações referentes a automação na indústria de manufatura, por ser um método de fácil compreensão e que fornece um ranqueamento parcial e total das alternativas.
4 Estudo de caso
O estudo de caso apresentado neste artigo ocorreu em uma das linhas de produção de uma indústria de manufatura que fornece produtos e serviços para o setor de Óleo e Gás nacional e internacional. A empresa será denominada como “alvo”, buscando confidencialidade e respeitando suas políticas de segurança da informação. A empresa alvo conta ao todo com quatro linhas de produção, sendo: Linha de Reparos Tubing, Linha de Reparos Casing, Inspeção Tubo Curto e Longo e Fábrica de Acessórios. O foco deste artigo será a Linha de Reparos Tubing. Essa linha é uma unidade produtiva organizada em um layout continuo, com interligação física de abastecimento e desabastecimento entre os recursos através de bancas, removedores e linha de rolos. Para melhor entendimento do funcionamento da linha, cada parte do processo será denominado como “Posto” e será enumerado na sequência do fluxo produtivo.
Posto 1 – Serra de fita: equipamento responsável por cortar a ponta do tubo eliminando a conexão que foi danificada e/ou recusada no posto de inspeção dimensional;
Posto 2 – Calibradora: equipamento responsável por fazer uma deformação a frio na extremidade do material. Desta forma, é possível usinar conexões cônicas sem precisar de tubos com grande espessura de parede;
Posto 3 – Forno de alívio: equipamento responsável por promover um aquecimento controlado no material após ser calibrado.
Posto 4 – Torno CNC 1: equipamento responsável por usinar conexões em materiais de diâmetro externo entre 3 ½” a 10 ¾”;
Posto 5 – Inspeção Dimensional: neste posto, a conexão usinada no Torno 1 passa por uma verificação de conformidade em suas dimensões. Após essa verificação o Inspetor decide se a conexão está “Aprovada” e pronta para seguir para a próxima etapa do processo ou se a conexão foi “Recusada” e deverá voltar para o Posto 1, onde será cortada e descartada;
Posto 6 – Jato de óxido de alumínio: o jateamento por óxido de alumínio é um processo mecânico de tratamento superficial, realizado em conexões. Esse processo é feito sob demanda, não sendo obrigatório em todos os Pedidos que passam na linha;
Posto 7 – Tanque de fosfato: a fosfatização é um processo de tratamento superficial químico, utilizado para proteger as conexões contra oxidações;
Posto 8 – Aperto mecânico: equipamento utilizado para conectar ou apertar uma luva em um tubo ou dependendo da situação, sacar uma luva que já estava apertada.
Posto 9 – Acabamento e Liberação: no posto são feitas as marcações, pinturas, identificações e uma última inspeção visual no tubo, antes de ser liberado para retirada da banca de saída. Os tubos liberados são retirados por uma pá carregadeira e armazenados em estaleiros para então serem despachados para o cliente. A Figura 2 mostra o layout da Linha de Reparos Tubing com a disposição dos postos de 1 a 9.
Figura 2 – Layout da Linha de Reparos Tubing
4.1 Aplicação do método DYNAMO
A medição e análise do nível de automação dos postos de trabalho foram aplicados seguindo as etapas da metodologia DYNAMO. As descrições das tarefas realizadas nos postos foram levantadas com base em entrevistas com os operadores e observações das rotinas diárias de trabalho na linha de produção.
O levantamento de tarefas possibilitou um melhor entendimento das atividades físicas e cognitivas que são realizadas no local. Permitiu também, conhecer as ferramentas mecânicas e tecnológicas utilizadas pelos operadores para desempenhar cada tarefa. Para a realização da medição de LoA mecânico e cognitivo de cada posto, foi utilizada como referência a taxonomia de Níveis de Automação na manufatura (Frohm, 2008) apresentada na Tabela 1. A Tabela 2 apresenta o resultado dos níveis de automação nos postos de trabalho.
Tabela 2 – Resultado do LoA nos Postos de Trabalho
| Posto | Descrição da tarefa | LoA Mecânico | LoA Cognitivo |
| 1 | Serrar a ponta do tubo | 5 | 3 |
| 2 | Calibrar a ponta do tubo | 5 | 3 |
| 3 | Aquecer a ponta do tubo | 5 | 6 |
| 4 | Rosquear a conexão no tubo | 6 | 5 |
| 5 | Inspecionar a conexão | 4 | 3 |
| 6 | Jatear a conexão | 5 | 3 |
| 7 | Fosfatizar a conexão | 5 | 3 |
| 8 | Apertar/Sacar a luva | 5 | 6 |
| 9 | Acabamento e liberação | 4 | 2 |
A aplicação do método DYNAMO possibilitou entender qual o nível de automação em que cada posto se encontra. Suas deficiências e vantagens frente a um possível investimento em modernização do posto. Os resultados de LoA Mecânico e Cognitivo de cada posto será utilizado como critério na aplicação do método PROMÉTHÉE.
4.2 Aplicação do método PROMÉTHÉE II
O método foi aplicado no estudo de caso com a finalidade de obter um ranqueamento dos postos de trabalho e consequentemente apontar o posto mais crítico, considerado como o de maior gargalo da linha de produção.
4.2.1 Definição das alternativas
As alternativas foram definidas com base no número de Postos de Trabalho da linha de produção estudada. Tendo a linha de produção um total de nove postos, as alternativas foram definidas de seguinte forma: P1, P2, P3, P4, P5, P6, P7, P8 e P9
4.2.2 Definição dos critérios
A obtenção dos critérios foi realizada através de um processo dividido em duas etapas. Na primeira etapa as informações foram coletadas através de um questionário aplicado aos especialistas eleitos durante a fase de caracterização dos decisores, solicitando que listassem dez critérios que julgassem mais impactantes para a Linha de Reparos Tubing. Abaixo foi apresentada a lista das respostas dadas por cada especialista com base em suas respectivas experiências na área de atuação e no processo produtivo da linha.
Engenheiro de Produção: Segurança; Qualidade; Produtividade; Custo de Produção; Tempo de Ciclo; Prazo de entrega; Manutenção; Custo Mão de Obra; Meio Ambiente; Retrabalho.
Supervisor de Produção: Segurança; Qualidade; Produtividade; Tempo de Ciclo; Prazo de entrega; Manutenção; Dificuldade de movimentação; Custo de Produção; Custo Mão de Obra; Utilidades.
Técnico de Segurança: Segurança; Meio Ambiente; Utilidades; Qualidade; Satisfação do Cliente; Produtividade; Prazo de entrega; Armazenamento das peças; Dificuldade de movimentação; Manutenção.
Engenheiro da Qualidade: Segurança; Qualidade; Satisfação do Cliente; Meio Ambiente; Prazo de entrega; Auditorias; Retrabalho; Produtividade; Flexibilidade; Custo Mão de Obra.
Engenheiro de Projetos: Segurança; Qualidade; Flexibilidade; Meio Ambiente; Custo de Produção; Custo com Mão de Obra; Dificuldade de movimentação; Prazo de entrega; Utilidades; Manutenção.
Na segunda etapa, depois de respondidos os questionários individualmente, os especialistas foram convocados novamente para responderem a um novo questionário de forma coletiva, onde foi solicitado que escolhessem os cinco critérios mais importantes dentre os dez critérios listados por cada um. Os critérios escolhidos foram:
- Segurança (RPI – Risk Priority Index ou Índice de Prioridade de Risco);
- Qualidade (INC – Indice de Não Conformidades);
- Tempo de Ciclo;
- Custo com Mão de Obra;
- Flexibilidade;
Além dos cinco critérios escolhidos pelos especialistas, mais dois critérios foram inseridos, sendo: Critério Nível de Automação Mecânico de cada posto de trabalho “LoA Mecânico” e Nível de Automação Cognitivo de cada posto “LoA Cognitivo”, ficando um total de sete critérios.
Critério Segurança – RPI: Os dados do critério Segurança foram levantados com base no Procedimento de Processo “PP-AMS SEG 03” da empresa alvo que possui uma metodologia corporativa para calcular os riscos existentes nos postos de trabalho. Essa metodologia chamada de RPI, “Risk Priority Index” ou Índice de Prioridade de Risco, é o índice de risco considerando certos critérios de avaliação, incluindo os meios de controle já existentes. A metodologia tem como objetivo quantificar os riscos e atuar de maneira preventiva.
Critério Qualidade – INC: Para o critério Qualidade, será utilizado o indicador INC – Índice de Não Conformidades de processo. Esse indicador é adotado pela empresa alvo em todas as suas linhas de produção e tem o objetivo de mapear e criar um histórico de problemas de qualidade, ocorridos durante o processamento de um Pedido, além de possibilitar uma análise de falha mais assertiva quando necessário. Não conformidades é todo desvio, irregularidades ou erros encontrados durante o processamento de um Pedido.
Critério Tempo de Ciclo: Os valores de tempo de ciclo foram extraídos da tabela de tempo de ciclo de cada posto de trabalho. O tempo de ciclo de cada posto é medido desde o momento em que a peça entre no posto até o momento em que ela é liberada. O tempo de ciclo de cada posto está apresentado na Tabela 3.
Tabela 3 – Tempo de Ciclo por Posto de Trabalho
| Posto | Processo | Diâmetro | Conexão | Aço | TC |
| 1 | Serra | 10 3/4″ | CNX 21 HT | AX 110 HCSS | 00:16:26 |
| 2 | Calibradora | 10 3/4″ | CNX 21 HT | AX 110 HCSS | 00:13:45 |
| 3 | Forno | 10 3/4″ | CNX 21 HT | AX 110 HCSS | 00:11:39 |
| 4 | Torno | 10 3/4″ | CNX 21 HT | AX 110 HCSS | 00:17:58 |
| 5 | Inspeção Dimensional | 10 3/4″ | CNX 21 HT | AX 110 HCSS | 00:35:22 |
| 6 | Jato de Óxido | 10 3/4″ | CNX 21 HT | AX 110 HCSS | 00:15:13 |
| 7 | Fosfato | 10 3/4″ | CNX 21 HT | AX 110 HCSS | 00:29:05 |
| 8 | Aperto | 10 3/4″ | CNX 21 HT | AX 110 HCSS | 00:15:08 |
| 9 | Acabamento e liberação | 10 3/4″ | CNX 21 HT | AX 110 HCSS | 00:42:00 |
Critério Mão de Obra: O cálculo do custo com mão de obra em uma linha de produção envolve considerar todos os gastos relacionados aos trabalhadores que operam ou dão suporte à produção. No caso da Linha de Reparos Tubing, o custo com mão de obra é calculado por posto de trabalho, levando em consideração a quantidade de operadores, o custo de cada operador por hora e o tempo por peça produzida (Tempo de Ciclo).
Critério Flexibilidade: Slack (2020) descreve a flexibilidade de mix como a habilidade de alterar a variedade de produtos produzidos pelas operações em um dado período. Quanto maior o Nível de Automação, menor a Flexibilidade da linha de produção, o que significa um maior tempo de setup entre troca de produtos.
Critério LoA Mecânico: foi obtido através da medição do nível de automação mecânico de cada posto de trabalho através da aplicação do método DYNAMO, apresentado na Tabela 2.
Critério LoA Cognitivo: foi obtido através da medição do nível de automação cognitivo de cada posto de trabalho através da aplicação do método DYNAMO, apresentado na Tabela 2.
Definidas e descritas as Alternativas e os Critérios do modelo, a Matriz de Avaliação com os valores de cada critério foi apresentada na Tabela 4.
Tabela 4 – Matriz de Avaliação dos critérios
| Segurança RPI | Qualidade INC – % | Tempo de Ciclo – Min | Custo Mão de Obra – R$ | Flexibilidade | LoA Mecânico | LoA Cognitivo | |
| Posto 1 | 36 | 1 | 16 | 5,2 | 6 | 5 | 3 |
| Posto 2 | 60 | 5 | 13 | 4,2 | 3 | 5 | 3 |
| Posto 3 | 108 | 2 | 11 | 3,6 | 3 | 5 | 6 |
| Posto 4 | 24 | 8 | 17 | 5,6 | 1 | 6 | 5 |
| Posto 5 | 12 | 5 | 35 | 11,6 | 12 | 4 | 3 |
| Posto 6 | 6 | 2 | 15 | 5,0 | 4 | 5 | 3 |
| Posto 7 | 6 | 3 | 29 | 9,6 | 12 | 5 | 3 |
| Posto 8 | 36 | 8 | 15 | 5,0 | 6 | 5 | 6 |
| Posto 9 | 300 | 20 | 42 | 84,0 | 12 | 4 | 2 |
Fonte: Elaborado pelo autor (2025).
4.2.3 Avaliação intracritério
Na etapa de avaliação intracritério, cada critério foi associado à sua função de preferência estabelecendo o comportamento de cada alternativa. Para este artigo, a definição das associações citadas, foi baseada nas recomendações de Mareschal (2018) e teve seu comportamento validado junto aos especialistas com base em seus entendimentos quanto ao processo e, em seguida, com a validação do Decisor (Gerente da empresa alvo). As características de cada critério, assim como suas respectivas funções de preferência, limites de preferência p e indiferença q e a direção estão relacionadas na Tabela 5.
Tabela 5 – Função de Preferência
| Critério | Função | Limites | Direção |
| Segurança – RPI | Linear | q = 79 p = 269 | Minimizar |
| Qualidade – INC | Linear | q = 1 p = 5 | Minimizar |
| Tempo de Ciclo | Linear | q = 5,00 p = 15,00 | Minimizar |
| Mão de Obra | Linear | q = 1,00 p = 10,00 | Minimizar |
| Flexibilidade | Usual | – | Maximizar |
| LoA Mecânico | Linear | q = 2 p = 5 | Minimizar |
| LoA Cognitivo | Linear | q = 2 p = 5 | Minimizar |
4.2.4 Avaliação intercritério
A etapa de avaliação intercritério corresponde ao estabelecimento dos pesos de cada um dos critérios elencados para o modelo (Almeida et al., 2015). Em uma aplicação de métodos AMD (Análise Multicritério à Decisão), o estabelecimento dos critérios requer muita atenção, pois qualquer inconsistência na ponderação dos pesos dos critérios pode gerar um resultado insatisfatório para os objetivos estabelecidos (Mufazzal et al., 2021).
A definição do peso dos critérios foi realizada junto aos especialistas onde foi solicitado que comparassem os critérios em pares e informassem se entre cada par havia uma relação de indiferença ou de superação na importância entre os dois critérios avaliados. O resultado do peso dos critérios foi o seguinte:
- Segurança = 0,25;
- Qualidade = 0,10;
- Tempo de Ciclo = 0,20;
- Mão de obra = 0,06;
- Flexibilidade = 0,04;
- LoA Mecânico = 0,20.
- LoA Cognitivo = 0,15
Estabelecido o peso de cada um dos critérios, encerra-se a fase de modelagem e torna o modelo pronto para avaliação das alternativas e obtenção dos resultados na fase de conclusão.
4.2.5 Resultado da aplicação do método PROMÉTHÉE II
Os cálculos foram realizados utilizando o software “Métodos PROMÉTHÉE I, II e III”, desenvolvido pelos alunos do Departamento de Engenharia de Produção – TEP da Universidade Federal Fluminense, tendo como base os valores dos critérios apresentados na Tabela 3, e parâmetros de funções de preferências definidos na Tabela 5. Os resultados dos fluxos positivo, negativo e de preferência, além da ordenação das alternativas, estão apresentados na Tabela 6.
Tabela 6 – Fluxos positivo, negativo, preferência e ordenação
| Alternativas | Φ+ | Φ- | Φ | Ordenação |
| P1 | 0.222 | 0.026 | 0.196 | 1 |
| P2 | 0.17 | 0.07 | 0.1 | 5 |
| P3 | 0.195 | 0.055 | 0.14 | 4 |
| P4 | 0.151 | 0.122 | 0.029 | 6 |
| P5 | 0.117 | 0.243 | – 0.126 | 8 |
| P6 | 0.214 | 0.037 | 0.177 | 2 |
| P7 | 0.159 | 0.184 | – 0.025 | 7 |
| P8 | 0.229 | 0.089 | 0.14 | 3 |
| P9 | 0.036 | 0.667 | – 0.631 | 9 |
4.2.6 Discussão dos resultados
Os resultados apresentados na Tabela 6, mostram uma ordenação dos postos de trabalho no sentido crescente, sendo o número 1 o menos crítico e o número 9 o posto mais crítico da linha, ou seja, o de maior gargalo. Neste caso o Posto de Trabalho 9 – Acabamento e liberação recebeu o ranking 9. Em um primeiro momento o posto 9 pode parecer ser o de maior gargalo da linha de produção pelo fato dele ser o último posto do processo produtivo. Porém ao serem analisados os dados da Tabela 3, fica evidente que o posto 9 é o de maior gargalo por conta de seu tempo de ciclo muito alto, baixa segurança e baixo nível de automação. São necessários no mínimo três operadores para processar cada tubo nesse posto, utilizando uma forma de trabalho quase que artesanal.
A forma mais prática de aumentar a produtividade desse posto e tirá-lo da posição de maior gargalo da linha, seria elevando o nível de automação mecânico e cognitivo do posto. Porém essa pratica requer um cuidadoso estudo pois geralmente tecnologias de automação requerem um alto investimento.
5 Conclusão
O presente artigo abordou a aplicação do método PROMÉTHÉE II para criar um ranqueamento entre os nove postos de trabalho de uma linha de produção e definir qual o posto considerado como de maior gargalo da linha
Os critérios Tempo de Ciclo e Nível de Automação atual de cada posto foram determinantes para identificar o posto de maior gargalo durante a aplicação do processo decisório, pois comprovaram que um baixo tempo de ciclo ou um baixo nível de automação impactam diretamente na performance de um posto de trabalho e consequentemente na linha de produção.
A aplicação do método DYNAMO para encontrar o nível de automação atual de cada posto se mostrou bastante assertivo, dando uma visão clara da situação atual, as tecnologias utilizadas, suas deficiências e pontos de melhorias de cada posto.
Apesar da taxonomia de níveis de automação em sistemas de manufatura ter sido criada entre 2005 a 2008, ela ainda se mostra bastante atual e está fortemente alinhada com os conceitos da Industria 4.0, pois auxilia na medição e análise do nível de automação atual de uma linha de produção, posto de trabalho ou máquina, possibilita ter uma perspectiva de até que nível essa automação pode atingir e quais tecnologias podem ser empregadas para cada caso.
Uma vez identificado o posto de maior gargalo, juntamente com a informação de tempo de ciclo desse posto e o nível de automação mecânico e cognitivo em que ele se encontra, se faz necessário como trabalhos futuros, a criação de um plano de ação para a implantação de tecnologias da automação, visando o aumento da produtividade, segurança, qualidade e satisfação dos clientes, ficando a cargo dos Gestores da empresa, tomar a decisão de quando investir nessas novas tecnologias e se elas serão implantadas parcialmente ou em sua totalidade.
Referências
Almeida, A. T.; Cavalcante, C. A. V.; Alencar, M. H., Ferreira, R. J. P.; Almeida-Filho, A. T.; Garcez, T. V. Multicriteria and multiobjective models for risk, reliability and maintenance decision analysis. Cham: Springer International Publishing, 2015. v. 5, n. 3, p. 395. DOI: http://dx.doi.org/10.1007/978–3–319–17969–8.
Brans, J. P.; Vincke, P. Um método de organização de classificação de referências: o método PROMÉTHÉE para critérios múltiplos. Tomada de decisão. Ciência da Administração, v. 31, p. 647–656, 1985. DOI: http://dx.doi.org/10.1287/mnsc.31.6.647.
Endsley, M. R. From here to autonomy: Lessons learned from human-automation research. Human Factors, v. 59, n. 1, p. 5–27, 2017. DOI: https://doi.org/10.1177/0018720816681350.
Fasth, Å.; Lundholm, T.; Mårtensson, L.; Dencker, K.; Stahre, J.; Bruch, J. Designing proactive assembly systems – Criteria and interaction between automation, information, and competence. Asian International Journal of Science and Technology in Production and Manufacturing Engineering, v. 2, n. 4, p. 1–13, 2009. Disponível em: https://www.researchgate.net/publication/200494172.
Fasth, Å. Quantifying levels of automation – to enable competitive assembly systems. 2012. Tese (Doutorado) – Chalmers University of Technology, Gotemburgo, Suécia. Disponível em: https://research.chalmers.se/publication/157074.
Fonseca, J. J. S. Apostila de metodologia da pesquisa científica. 2002. Disponível em: http://www.ia.ufrrj.br/ppgea/conteudo/conteudo–20121/1SF/Sandra/apostilaMetodologia.pdf.
Frohm, J. Levels of automation in production system. 2008. Tese (Doutorado) – Chalmers University of Technology, Göteborg, Sweden. DOI: http://dx.doi.org/10.13140/RG.2.1.2797.7447.
Frohm, J.; Lindström, V.; Bellgran, M. A model for parallel levels of automation within manufacturing. In: PASQUINO, R. (ed.). Proceedings of the 18th International Conference on Production Research, Fisciano, Italy, 2005. Disponível em: https://www.researchgate.net/publication/313444892.
Gerhardt, M. P. Sistemática para aplicação de procedimentos de balanceamento e linhas de montagem multi-modelos. 2009. Dissertação (Mestrado) – Universidade Federal do Rio Grande do Sul. Disponível em: https://lume.ufrgs.br/handle/10183/5825.
Gil, A. C. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas, 2002. Disponível em: https://files.cercomp.ufg.br/weby/up/150/o/Anexo_C1_como_elaborar_projeto_de_pesq uisa_-_antonio_carlos_gil.pdf.
Granlund, A.; Wiktorsson, M.; Grahn, S.; Friedler, N. Lean automation development: Applying lean principles to the automation development process. 21st EurOMA Conference, Palermo, Italy, 2014. Disponível em: https://www.researchgate.net/publication/287199513.
Lakatos, E. M.; Marconi, M. D. A. Fundamentos de metodologia científica. 9. ed. São Paulo: Atlas, 2021. Disponível em: https://cursosextensao.usp.br/pluginfile.php/300164/mod_resource/content/1/MC2019% 20Marconi%20Lakatos–met%20cient.pdf.
Li, L.; Mao, C.; Sun, H.; Yuan, Y.; Lei, B. Digital twin driven green performance evaluation methodology of intelligent manufacturing: Hybrid model based on fuzzy rough-sets AHP, multistage weight synthesis, and PROMETHEE II. Complexity, v. 2020, art. 3853925, 2020. DOI: https://doi.org/10.1155/2020/3853925.
Li, D.; Fast-Berglund, Å.; Paulin, D.; Thorvald, P. Exploration of digitalized presentation of information for Operator 4.0: Five industrial cases. Computers & Industrial Engineering, v. 168, 108048, 2022. DOI: https://doi.org/10.1016/j.cie.2022.108048.
Lima Júnior, G. S. Revisão bibliográfica sobre o impacto da automação na produtividade industrial. 2024. Trabalho de Conclusão de Curso – Universidade Federal Rural do Semi-Árido, Mossoró. Disponível em: https://repositorio.ufersa.edu.br/handle/prefix/11893.
Mahmoodi, E.; Fathi, M.; Ghobakhloo, M. The impact of Industry 4.0 on bottleneck analysis in production and manufacturing: Current trends and future perspectives. Computers & Industrial Engineering, v. 174, 108801, 2022. Disponível em: https://dl.acm.org/doi/10.1016/j.cie.2022.108801.
Mareschal, B. Visual PROMÉTHÉE: Preference functions and thresholds. VPSolutions, 2018. Disponível em: https://bertrand.mareschal.web.ulb.be/PG2024/assets/preffunctions.pdf.
Métodos PROMÉTHÉE I, II e III. Software desenvolvido pelos alunos do Departamento de Engenharia de Produção – TEP da Universidade Federal Fluminense. Niterói, RJ. Disponível em: http://tep.uff.br/softwares/.
Moreira, A.; Augusto, M. Automação dos processos contábeis. 2022. Trabalho de Conclusão de Curso – Universidade Federal de Uberlândia. Disponível em: https://repositorio.ufu.br/handle/123456789/34347.
Moura, G. G.; Bonaldo, S. A. Protótipo de automação residencial para tecnologia assistida. 2022. Trabalho de Conclusão de Curso – Universidade Federal de Santa Maria. Disponível em: http://repositorio.ufsm.br/handle/1/24002.
Mufazzal, S.; Masood, S.; Khan, N. Z.; Muzakkir, S. M.; Khan, Z. A. Towards minimization of overall inconsistency involved in criteria weights for improved decision making. Applied Soft Computing, v. 100, 106957, 2021. DOI: http://dx.doi.org/10.1016/j.asoc.2020.106936.
Neto, L. D. P.; Oliveira, A. S. D.; Santos, L. M. D. S.; Pedroza, J. K. B. R.; Souza, G. S. D. Instrumentos gerenciais e o processo de tomada de decisão: Um estudo em empresas do setor de autopeças em Bayeux/PB. Management Control Review, v. 4, n. 1, 2019. DOI: https://doi.org/10.51720/mcr.v4i1.2638.
Prodanov, C. C. Metodologia do trabalho científico: métodos e técnicas da pesquisa e do trabalho acadêmico. 2. ed. Novo Hamburgo: Feevale, 2013. Disponível em: https://www.feevale.br/Comum/midias/0163c988–1f5d–496f–b118–a6e009a7a2f9/Ebook%20Metodologia%20do%20Trabalho%20Cientifico.pdf.
Silva, E. L. da; Menezes, E. M. Metodologia da pesquisa e elaboração de dissertação. 2001. Disponível em: https://cursos.unipampa.edu.br/cursos/ppgcb/files/2011/03/Metodologia-da-Pesquisa3a-edicao.pdf.
Slack, N.; Chambers, S.; Johnston, R. Administração da produção. 5. ed. São Paulo: Atlas, 2020. Disponível em: https://books.google.com.br/books/about/Administração_da_produção.html?id=VCkM QgAACAAJ.
Su, X.; Zhang, Y.; Li, H., Wang, L.; Liu, Q. Dynamic bottleneck identification of manufacturing resources in complex manufacturing systems based on effective buffers and fine-grained machine states (DBI-BS). Applied Sciences, v. 12, n. 9, 4195, 2022. DOI: https://doi.org/10.3390/app12094195.
Vagia, M.; Traneth, A. A.; Fjerdingen, S. A. A literature review on the levels of automation during the years: What are the different taxonomies that have been proposed? Applied Ergonomics, v. 53, p. 190–202, 2016. DOI: https://doi.org/10.1016/j.apergo.2015.09.013.
1, 2Universidade Federal Fluminense, UFF, Rio de Janeiro, RJ