D
inputs.overall = c("máquinas", "biomassa")
outputs.overall = c("Densidade", "Durabilidade", "Seco")
steps = c("Picar", "Secar", "Moer", "Comprimir e cortar")
io = list()
io[[1]] = list("Toras de madeira", "Picador")
io[[2]] = list("Fornalha")
io[[3]] = list("Maravalha", "Moinho de martelo")
io[[4]] = list("Compressor", "Pó")
param = list()
param[[1]] = list(c("Tipo de biomassa", "P"), c("Operador", "N"))
param[[2]] = list(c("Calor", "C"), c("Tipo de biomassa", "P"), c("Operador", "N"))
param[[3]] = list(c("Velocidade", "C"), c("Tipo de biomassa", "P"), c("Operador", "N"))
param[[4]] = list(c("Lâmina", "C"), c("Pressão", "Cr"), c("Tipo de biomassa", "P"), c("Operador", "N"))
feat = list()
feat[[1]] = list("Tamanho")
feat[[2]] = list("Umidade")
feat[[3]] = list("Uniformidade")
feat[[4]] = list("Densidade", "Durabilidade", "Seco")
ss.pMap(steps, inputs.overall, outputs.overall, io, param, feat, sub="Projeto para produção de Pellet de madeira")
M
#FERRAMENTA 2
cManpower = c("Recepcionista", "Operadores dos registros", "Operadores do estoque")
cMaterials = c("Fornecedor", "Transporte", "Empacotamento")
cMachines = c("Tipo de compressor", "Condições operacionais", "Ajuste das máquinas")
cMethods = c("Recepção", "Método de transporte")
cMeasurements = c("Método de registro", "Estimativa da medida")
cGroups = c("Ação humana", "Materiais", "Máquinas", "Métodos", "Medidas")
cEffect = "Densidade fora do padrão"
ss.ceDiag(effect = cEffect, causes.gr = cGroups, causes = list(cManpower, cMaterials, cMachines, cMethods, cMeasurements),
main = "Diagrama de Causa e Efeito", sub = "Densidade de Pellets")
#FERRAMENTA 3
data_checkSheet = rbind(data.frame(Group = "Ação humana", Cause = cManpower), data.frame(Group = "Máquinas", Cause = cMachines),
data.frame(Group = "Materiais", Cause = cMaterials), data.frame(Group = "Métodos", Cause = cMethods), data.frame(Group = "Medidas", Cause = cMeasurements))
data_checkSheet$A_supplier = NA
data_checkSheet$B_supplier = NA
data_checkSheet$C_supplier = NA
data_checkSheet
## Group Cause A_supplier B_supplier C_supplier
## 1 Ação humana Recepcionista NA NA NA
## 2 Ação humana Operadores dos registros NA NA NA
## 3 Ação humana Operadores do estoque NA NA NA
## 4 Máquinas Tipo de compressor NA NA NA
## 5 Máquinas Condições operacionais NA NA NA
## 6 Máquinas Ajuste das máquinas NA NA NA
## 7 Materiais Fornecedor NA NA NA
## 8 Materiais Transporte NA NA NA
## 9 Materiais Empacotamento NA NA NA
## 10 Métodos Recepção NA NA NA
## 11 Métodos Método de transporte NA NA NA
## 12 Medidas Método de registro NA NA NA
## 13 Medidas Estimativa da medida NA NA NA
#FERRAMENTA 4
data_checkSheet$A_supplier <- c(2, 0, 0, 2, 1, 7, 1, 3, 6, 0, 1, 2, 0)
data_checkSheet$B_supplier <- c(0, 0, 1, 1, 2, 1, 12, 1, 2, 1, 0, 0, 1)
data_checkSheet$C_supplier <- c(0, 1, 0, 6, 0, 2, 2, 4, 3, 0, 1, 0, 2)
data_checkSheet$Total <- data_checkSheet$A_supplier +
data_checkSheet$B_supplier +
data_checkSheet$C_supplier
data_pareto <- data_checkSheet[order(data_checkSheet$Total,
decreasing = TRUE), ]
data_pareto2 <- data_pareto$Total
names(data_pareto2) <- data_pareto$Cause
pareto.chart(data_pareto2, main = "Causas fora do controle", col=heat.colors(length(data_pareto2)))
##
## Pareto chart analysis for data_pareto2
## Frequency Cum.Freq. Percentage Cum.Percent.
## Fornecedor 15.000000 15.000000 22.058824 22.058824
## Empacotamento 11.000000 26.000000 16.176471 38.235294
## Ajuste das máquinas 10.000000 36.000000 14.705882 52.941176
## Tipo de compressor 9.000000 45.000000 13.235294 66.176471
## Transporte 8.000000 53.000000 11.764706 77.941176
## Condições operacionais 3.000000 56.000000 4.411765 82.352941
## Estimativa da medida 3.000000 59.000000 4.411765 86.764706
## Recepcionista 2.000000 61.000000 2.941176 89.705882
## Método de transporte 2.000000 63.000000 2.941176 92.647059
## Método de registro 2.000000 65.000000 2.941176 95.588235
## Operadores dos registros 1.000000 66.000000 1.470588 97.058824
## Operadores do estoque 1.000000 67.000000 1.470588 98.529412
## Recepção 1.000000 68.000000 1.470588 100.000000
Operador<- factor(rep(1:2, each = 12))
Medidor<- factor(rep(rep(1:3, each = 4), 2))
Medicao<- factor(rep(1:4, 6))
rr<-data.frame(Operador,Medidor,Medicao,data$pdensity)
my.rr <- ss.rr(var = data.pdensity, part = Medidor,
appr = Operador,
data = rr,
main = "R&R Measure",
)
## Complete model (with interaction):
##
## Df Sum Sq Mean Sq F value Pr(>F)
## Medidor 2 0.0060 0.00300 0.031 0.9699
## Operador 1 0.0103 0.01027 0.106 0.7753
## Medidor:Operador 2 0.1932 0.09662 3.991 0.0368
## Repeatability 18 0.4358 0.02421
## Total 23 0.6453
##
## alpha for removing interaction: 0.05
##
## Gage R&R
##
## VarComp %Contrib
## Total Gage R&R 0.04231293 100.00
## Repeatability 0.02421150 57.22
## Reproducibility 0.01810144 42.78
## Operador 0.00000000 0.00
## Medidor:Operador 0.01810144 42.78
## Part-To-Part 0.00000000 0.00
## Total Variation 0.04231293 100.00
##
## StdDev StudyVar %StudyVar
## Total Gage R&R 0.2057011 1.2342065 100.00
## Repeatability 0.1556004 0.9336026 75.64
## Reproducibility 0.1345416 0.8072495 65.41
## Operador 0.0000000 0.0000000 0.00
## Medidor:Operador 0.1345416 0.8072495 65.41
## Part-To-Part 0.0000000 0.0000000 0.00
## Total Variation 0.2057011 1.2342065 100.00
##
## Number of Distinct Categories = 1
ss.ca.cp(data$pdensity, cc$limits[1], cc$limits[2])
## [1] 0.5631814
ss.ca.cpk(data$pdensity, cc$limits[1], cc$limits[2])
## [1] 0.5631814
ss.study.ca(data$pdensity,
cc$limits[1],
cc$limits[2],
Target = cc$center,
alpha = 0.5
)
A
#FERRAMENTA 5
hist(data$pdensity, main = "Histograma da densidade dos pellets", sub = "Dados do processo de cerâmica", xlab = expression("Densidade (g"/"cm"^3*")"), ylab = "Frequência", col = "steelblue", border = "white", lwd = 1, las = 1, bg = "gray")
#FERRAMENTA 6
set.seed(12345)
ptemp <- 15*data$pdensity + rnorm(24) - 140
plot(data$pdensity ~ ptemp, col = "gray40", pch = 20, main = "Densidade dos Pellets vs. temperatura", xlab = "Temperatura (Celsius)", ylab = expression("Densidade ("*g/cm^3*")"))
shapiro.test(data$pdensity)
##
## Shapiro-Wilk normality test
##
## data: data$pdensity
## W = 0.85606, p-value = 0.002839
##
## Shapiro-Wilk normality test
##
## data: ptemp
## W = 0.86424, p-value = 0.004065
correlacao = cor.test(data$pdensity, ptemp)
correlacao
##
## Pearson's product-moment correlation
##
## data: data$pdensity and ptemp
## t = 13.666, df = 22, p-value = 3.153e-12
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.8770951 0.9766109
## sample estimates:
## cor
## 0.945838
#FERRAMENTA 7
psupplier = rep(c("A", "B", "C"), each = 8)
boxplot(data$pdensity ~ psupplier, col = "gray70", xlab = "Fornecedor", ylab = expression("Densidade ("*g/cm^3), main = "Boxplots por fornecedor")
I
data_modelo = data.frame(matrix(ncol = 4, nrow = 16))
colnames(data_modelo) = c("Temperatura", "Material", "Pressão", "Densidades")
# definir os fatores que serão estudados
fator1 = c(">25°C", "<25°C")
fator2 = c("Madeira", "Bambu")
fator3 = c("Maior", "Menor")
# criar todas as possÃveis combinações de nÃveis de fator
comb.fatores = expand.grid(fator1, fator2, fator3)
# adicionar as combinações de nÃveis de fator ao dataframe
data_modelo$Temperatura = comb.fatores[,1]
data_modelo$Material = comb.fatores[,2]
data_modelo$Pressão = comb.fatores[,3]
data_modelo$Densidades = scale(c(5.33, 6.99, 4.23, 6.61,
2.26, 5.75, 3.26, 6.24,
5.7, 7.71, 5.13, 6.76,
2.79, 4.57, 2.48, 6.18)
)*sd(data$pdensity) + mean(data$pdensity)
# ajustar um modelo linear aos dados
modelo = lm(Densidades ~ Temperatura + Material + Pressão + Temperatura*Material + Temperatura*Pressão + Material*Pressão, data = data_modelo)
summary(modelo)
##
## Call:
## lm(formula = Densidades ~ Temperatura + Material + Pressão +
## Temperatura * Material + Temperatura * Pressão + Material *
## Pressão, data = data_modelo)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.064683 -0.025818 0.002216 0.032034 0.051513
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.77920 0.03038 354.806 < 2e-16 ***
## Temperatura<25°C 0.16752 0.03978 4.212 0.00227 **
## MaterialBambu -0.09539 0.03978 -2.398 0.04002 *
## PressãoMenor -0.30760 0.03978 -7.733 2.9e-05 ***
## Temperatura<25°C:MaterialBambu 0.04308 0.04593 0.938 0.37276
## Temperatura<25°C:PressãoMenor 0.10512 0.04593 2.289 0.04788 *
## MaterialBambu:PressãoMenor 0.14254 0.04593 3.103 0.01266 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.04593 on 9 degrees of freedom
## Multiple R-squared: 0.9549, Adjusted R-squared: 0.9248
## F-statistic: 31.75 on 6 and 9 DF, p-value: 1.459e-05
modelo2 = lm(Densidades ~ Temperatura + Pressão, data = data_modelo)
summary(modelo2)
##
## Call:
## lm(formula = Densidades ~ Temperatura + Pressão, data = data_modelo)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.08352 -0.05351 0.00597 0.04373 0.08561
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.70523 0.02745 390.014 < 2e-16 ***
## Temperatura<25°C 0.24162 0.03169 7.624 3.78e-06 ***
## PressãoMenor -0.18377 0.03169 -5.798 6.19e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.06339 on 13 degrees of freedom
## Multiple R-squared: 0.8759, Adjusted R-squared: 0.8568
## F-statistic: 45.87 on 2 and 13 DF, p-value: 1.288e-06
\(Densidade = 10.70523 +
0.24162*Temperatura - 0.18377*Pressão\)
