Processo de design de incorporação – Parte 2

Depois de cumpridas todas as etapas do projeto da concretização, são construídos os primeiros protótipos. Esta é uma parte muito importante do processo, uma vez que a construção de protótipos é muito cara. Portanto, a quantidade de protótipos solicitados deve ser a menor possível. Existem alguns tipos de protótipos, como pode ser visto na Figura 1.

FIGURE 1 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

Os protótipos são divididos em físicos ou analíticos numéricos. Dentro destas estão as categorias focadas e abrangentes. O primeiro é utilizado no início do processo, quando é necessário testar comportamentos específicos do componente. Por exemplo, se for necessário verificar o comportamento do sistema em relação a um requisito específico, é possível construir um protótipo focado ou analítico. O protótipo abrangente é o final produzido.

FIGURE 2 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

Os protótipos analíticos são geralmente mais flexíveis que os físicos, conforme sugerido pela Figura 2. No entanto, os protótipos físicos podem fornecer muito mais informações do que os analíticos. Na verdade, este tipo de protótipo pode ser um modelo simplificado. Assim, apenas o protótipo físico pode obter uma validação final. Como os protótipos são caros, é possível utilizar protótipos virtuais para reduzir custos, mas isso é uma questão de planejamento.

FIGURE 3 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

Neste caso, alguns pontos devem ser definidos. Primeiro, o propósito do protótipo deve estar bem definido no início do plano de prototipagem. Em seguida deverá ser estabelecido o nível de aproximação do protótipo ao produto real.

FIGURE 4 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

O experimento deve ser cuidadosamente planejado, pois muitos testes diferentes são realizados. Se possível, é útil aproveitar as vantagens de um projeto de experimentos (DoE) ou de uma abordagem de projeto de experimento simulado (DoSE) para criar um cronograma de testes direcionado e análise experimental.

Marcos da prototipagem

Em termos de progressão dos testes, existem diferentes fases de protótipos. Estes são o alfa, o beta e os protótipos de pré-produção. Um protótipo alfa tem geometria e material definitivos, mas é um protótipo do ponto de vista da tecnologia de produção e fabricação. Isto significa que, na fase alfa, ainda não está definido o processo de produção, apesar de a geometria e o material já estarem definidos. Os protótipos beta geralmente são entregues ao cliente ou ao piloto de teste adequado para avaliação em um ambiente real. No caso dos protótipos alfa, os testes ocorrem em laboratório ou ambiente fechado. Os protótipos beta também têm o processo de produção definido, mas a ordem de montagem não. A razão é porque apenas um pequeno número de peças foi produzido. A pré-produção não é a final, tem produção limitada em termos de capacidade de processo e se caracteriza como produto final.

Planejando experimentos

FIGURE 5 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

O ponto mais importante na realização de qualquer experimento é o plano experimental. A programação do plano experimental deverá adotar alguns conceitos. Uma delas é a robustez do design. Na engenharia, isso significa a capacidade de ser dependente ou independente no que diz respeito e na realização de experimentos para melhorar a robustez de produtos e processos. Outro conceito introduzido é o ruído. A Figura 5 ilustra um exemplo desse tipo de conceito. Qualquer experimento retorna respostas sobre alguns parâmetros. Na verdade, esses são os efeitos dos experimentos. O que é medido depende de alguns parâmetros de projeto selecionados no início. Portanto, algumas soluções de design devem ser selecionadas. Uma solução de design representa um fator que deve ser considerado. De acordo com a Figura 5, uma solução de projeto 1 representa o fator A no nível 1 e a solução de projeto 2 representa o fator A no nível 2. A medida do efeito desses parâmetros de projeto, ou seja, o comportamento do sistema, é feita em ambas as soluções. Uma segunda solução é proposta, que é o fator B, também com dois níveis (Figura 5). Uma vez que existem duas soluções com duas variantes cada, é possível combinar soluções e variantes. O número de combinações depende da quantidade de fatores e níveis. No entanto, é possível alterar a configuração do experimento. Uma dessas mudanças é a introdução de algum ruído. Isto significa que estão sendo introduzidas algumas características que não podem ser controladas no experimento. Conseqüentemente, o resultado final mudará. Os diagramas ilustrados na Figura 5 sugerem que existe uma curva gaussiana entre os limites. Uma curva gaussiana representa um processo normal, portanto não há vieses ou mudanças neste processo. Portanto, é um processo padrão que está sob controle. Portanto, é possível concluir que cada solução de projeto tem sua própria resposta. A questão é como definir a melhor solução em relação à robustez. Pode-se notar que A1 e A2 produzem mais ou menos a mesma resposta. Portanto, uma mudança em A1 e A2 produzirá uma resposta dentro dos limites esperados. No caso da solução de projeto B1, a variação da resposta é menor. Se A1 e B1 fossem combinados, obter-se-ia uma solução mais robusta. A razão é porque a variação é independente de sua condição.

Projeto de experimentos (DoE)

FIGURE 6 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

O desenho de experimentos faz parte das ferramentas da qualidade, foi desenvolvido por Taguchi na década de 60 na Toyota. Isso ajudou a empresa a se tornar a primeira montadora em termos de vendas. Uma análise de problema usando DoE possui algumas etapas. Primeiramente é necessária a identificação do controle, do ruído e dos fatores de desempenho. Os fatores de controle são parâmetros que podem ser controlados na experimentação. Os fatores de ruído são o oposto, estes não podem ser controlados. Os fatores de desempenho são parâmetros medidos ao final do experimento para classificar a solução. O segundo passo é a formulação de uma função objetivo, que é a definição do tipo de desempenho que é melhor em relação aos fatores de desempenho. Os próximos passos são basicamente o fluxo do processo, que consiste em rodar o experimento, analisar os dados, selecionar os pontos de ajuste dos fatores e avaliar os resultados. Se necessário, o experimento pode ser repetido. A Figura 6 ilustra o planejamento de experimentos para um problema de cinto de segurança. O objetivo é medir o desempenho do cinto de segurança de acordo com alguns parâmetros de projeto. Por exemplo, os fatores de controle são a rigidez da cinta do cinto, a fricção da cinta do cinto, o limitador de força do cinto subabdominal, a rigidez da ancoragem superior, a rigidez do cabo da fivela, o reforço do encosto do banco dianteiro, o atrito da lingueta e a geometria da fixação. Estes são todos os parâmetros que podem ser considerados no projeto. As métricas de desempenho descrevem a maneira de medir a solução.

Formule uma função objetivo

A segunda etapa do DoE é a formulação de uma função objetivo. Este é basicamente o objetivo que se deseja para a solução, que pode ser maximizar, minimizar, atingir um valor alvo ou otimizar a relação sinal-ruído. Este último define o quanto um sinal muda em função de um ruído. Em outras palavras, o conceito de robustez.

Desenvolvimento do plano experimental

FIGURE 7 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

A terceira etapa do DoE é a elaboração da lista de testes que deverão ser realizados. Nesta etapa existem algumas técnicas matemáticas como o fatorial completo, o fatorial fracionário, a matriz ortogonal e o fator um por vez. Neste caso existem 7 fatores e 2 níveis para cada fator, portanto 2 valores diferentes que devem ser testados, ou 2 rigidezes diferentes para o caso do cinto de segurança. O objetivo não é definir a melhor combinação de parâmetros de projeto. Na verdade, é modificar um parâmetro por vez. A vantagem desta abordagem é que é possível testar muitos parâmetros. No entanto, os experimentos são feitos um por um e podem levar um longo tempo de cálculo. O DoE é muito útil pois é possível explorar o mesmo domínio, reduzindo o número de testes. O ponto principal é que a combinação dos diferentes níveis e fatores são controlados de acordo com uma determinada estrutura matemática, que é descrita em relação a diversas possibilidades. O método fatorial completo considera todas as combinações. O fatorial fracionário considera apenas um pequeno número de combinações, mas com a ideia de explorar as mesmas possibilidades de domínio.

FIGURE 8 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

A Figura 8 ilustra o exemplo de 7 fatores e 2 níveis. Como pode ser observado, são 8 execuções em que cada fator possui um parâmetro diferente, com exceção da primeira, que é uma execução de todos os fatores do nível 1. As demais possuem fatores com diferentes combinações de níveis. É possível visualizar na Figura 8 que existem duas combinações diferentes de ruído. Este é um parâmetro não controlado. Assim, as configurações são preparadas considerando o ruído resumido na Figura 8. Ao final, são 8 experimentos, mas com 2 configurações de ruído diferentes, ou seja, 16 experimentos em vez de 128. Esta abordagem explora o mesmo domínio de possibilidades. É possível realizar esta abordagem com experimentos físicos e de simulação. A diferença é que, no ambiente computacional, para os casos que são adotados a mesma configuração e conjunto de insumos, os resultados serão os mesmos. Por outro lado, em experimentos físicos com a mesma entrada e configuração, o resultado não será o mesmo. No entanto, estes irão variar em torno do mesmo valor. A razão é que, no ambiente real, existem ruídos que não podem ser controlados. Na verdade, esta é também, de certa forma, a diferença entre o planejamento de experimentos e o planejamento de experimentos simulados.

Executando o experimento

FIGURE 9 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

Após o plano do experimento, os experimentos são executados. Conforme visto na Figura 9, existem 2 níveis diferentes de ruídos e métricas de desempenho. Estes últimos são dados pela média e pela amplitude do ângulo posterior. No caso da Figura 9, o ângulo posterior é o parâmetro de projeto selecionado para o experimento.

Conduzindo a análise

FIGURE 10 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

O próximo passo é a análise dos dados. No exemplo iniciado na Figura 6, pode-se observar na Figura 10 que, considerando os fatores de controle, a média e o intervalo, A1 apresenta melhores resultados em relação a A2, pois o objetivo é minimizar o valor médio do ângulo posterior. Portanto, a melhor combinação é A1B2C2D1E1G1.

FIGURE 11 – K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019.

É bastante fácil observar que D não é sensível a este parâmetro de projeto. Considerando a faixa do ângulo traseiro, a melhor combinação é A2C2D1E1F2G1. Como pode ser visto, há um gráfico muito claro do efeito dos diferentes fatores.

Selecionando e confirmando pontos de ajuste

Os pontos importantes da utilização desta abordagem são o entendimento de que tal abordagem deve explorar todo o domínio de interesse. Além disso, devem ser definidos os melhores conjuntos de parâmetros que podem ser utilizados para otimizar a função. Os gráficos da Figura 11 ajudam a identificar quais fatores podem ser combinados para melhorar a robustez, ou seja, para reduzir a variância. Além disso, é possível melhorar o fator de vedação já que esses gráficos facilitam a identificação dos melhores fatores para isso.

Refletindo e repetindo

A abordagem ANOVA é estatística que pode ser usada para otimizar o conjunto de parâmetros. Isso é chamado de análise de variância e fornece uma forma de calcular a influência dos resultados do efeito do fator de acordo com o erro experimental observado.

Referências

  1. K.T. Ulrich, S.D. Eppinger, Product Design and development, Mcgraw-Hill, 2019;
  2. G. Pahl, W. Beitz, J. Feldhusen, K.H. Grote. Engineering Design – A Systematic Approach. Springer, 2007.