RESUMO Objetivo: Analisar o uso de instrumentais oftalmológicos durante os procedimentos cirúrgicos e propor um método de gerenciamento de materiais. Método: Estudo de método misto, exploratório sequencial, realizado entre janeiro e junho de 2015, em hospital universitário no sul do Brasil. Primeiramente, fez-se uma abordagem qualitativa a partir de brainstorming e observação de campo. Os temas foram agrupados em categorias temáticas. Por conexão, a etapa quantitativa aconteceu por arranjos de matrizes e programação linear, culminando à proposta de gerenciamento de instrumentais. Resultados: As categorias - reorganização do instrumental conforme tempo do procedimento cirúrgico e necessidade de peças para cada procedimento - orientaram a definição das restrições existentes e aplicação dos modelos matemáticos. Verificou-se uma redução média de 13,10% no número de peças por bandejas e aumento de 17,88% da produção cirúrgica. Considerações finais: Esta proposta permitiu a racionalização e otimização de instrumentais oftalmológicos, favorecendo a sustentabilidade da organização.

ABSTRACT Aim: Analysis of the use of ophthalmic instruments during surgical procedures in order to propose a material management method. Method: Mixed method study, sequential exploratory design, performed from January to June 2015, at a university hospital in southern Brazil. First, a qualitative approach was held from brainstorming and field observation. Themes were grouped into thematic categories. By connection, the quantitative stage happened through matrix arrangement and linear programming, culminating in the instrument management proposal. Results: Given categories - instruments reorganization according to the time of the surgical procedure and the need surgical instruments for in each procedure - guided the definition of existing restrictions and application of mathematical models. There was an average reduction of 13.10% in the number of surgical instruments per tray and an increase of 17.88% in surgical production. Final considerations: This proposal allowed the rationalization and optimization of ophthalmic instruments, favoring sustainability of the organization.

RESUMEN Objetivo: Analizar el uso de instrumentos oftalmológicos durante los procedimientos quirúrgicos y proponer un método de gestión de materiales. Método: Estudio de método mixto, exploratorio secuencial, realizado entre enero y junio de 2015, en un hospital universitario en el sur de Brasil. Primero, se realizó un enfoque cualitativo a partir de la reflexión y la observación de campo. Los temas se agruparon en categorías temáticas. Por conexión, la etapa cuantitativa ocurrió por arreglos de matrices y programación linear, culminando con la propuesta de gestión de instrumentales. Resultados: Las categorías - reorganización del instrumental conforme tiempo del procedimiento quirúrgico y necesidad de piezas para cada procedimiento - orientaron la definición de las restricciones existentes y aplicación de los modelos matemáticos. Verificó una reducción media del 13,10% en el número de piezas por bandejas y aumento del 17,88% de la producción quirúrgica. Consideraciones finales: Esta propuesta permitió la racionalización y optimización de instrumentos oftalmológicos, favoreciendo la sostenibilidad de la organización.

ABSTRACT Aim: Analysis of the use of ophthalmic instruments during surgical procedures in order to propose a material management method. Method: Mixed method study, sequential exploratory design, performed from January to June 2015, at a university hospital in southern Brazil. First, a qualitative approach was held from brainstorming and field observation. Themes were grouped into thematic categories. By connection, the quantitative stage happened through matrix arrangement and linear programming, culminating in the instrument management proposal. Results: Given categories - instruments reorganization according to the time of the surgical procedure and the need surgical instruments for in each procedure - guided the definition of existing restrictions and application of mathematical models. There was an average reduction of 13.10% in the number of surgical instruments per tray and an increase of 17.88% in surgical production. Final considerations: This proposal allowed the rationalization and optimization of ophthalmic instruments, favoring sustainability of the organization.

RESUMEN Objetivo: Analizar el uso de instrumentos oftalmológicos durante los procedimientos quirúrgicos y proponer un método de gestión de materiales. Método: Estudio de método mixto, exploratorio secuencial, realizado entre enero y junio de 2015, en un hospital universitario en el sur de Brasil. Primero, se realizó un enfoque cualitativo a partir de la reflexión y la observación de campo. Los temas se agruparon en categorías temáticas. Por conexión, la etapa cuantitativa ocurrió por arreglos de matrices y programación linear, culminando con la propuesta de gestión de instrumentales. Resultados: Las categorías - reorganización del instrumental conforme tiempo del procedimiento quirúrgico y necesidad de piezas para cada procedimiento - orientaron la definición de las restricciones existentes y aplicación de los modelos matemáticos. Verificó una reducción media del 13,10% en el número de piezas por bandejas y aumento del 17,88% de la producción quirúrgica. Consideraciones finales: Esta propuesta permitió la racionalización y optimización de instrumentos oftalmológicos, favoreciendo la sostenibilidad de la organización.

RESUMO Objetivo: Analisar o uso de instrumentais oftalmológicos durante os procedimentos cirúrgicos e propor um método de gerenciamento de materiais. Método: Estudo de método misto, exploratório sequencial, realizado entre janeiro e junho de 2015, em hospital universitário no sul do Brasil. Primeiramente, fez-se uma abordagem qualitativa a partir de brainstorming e observação de campo. Os temas foram agrupados em categorias temáticas. Por conexão, a etapa quantitativa aconteceu por arranjos de matrizes e programação linear, culminando à proposta de gerenciamento de instrumentais. Resultados: As categorias - reorganização do instrumental conforme tempo do procedimento cirúrgico e necessidade de peças para cada procedimento - orientaram a definição das restrições existentes e aplicação dos modelos matemáticos. Verificou-se uma redução média de 13,10% no número de peças por bandejas e aumento de 17,88% da produção cirúrgica. Considerações finais: Esta proposta permitiu a racionalização e otimização de instrumentais oftalmológicos, favorecendo a sustentabilidade da organização.

Resumo Linhas de montagem mista combinam a fabricação de diferentes modelos de produtos em uma única linha de montagem, proporcionando flexibilidade de produção de acordo com a sazonalidade de vendas, evitando a baixa utilização dos ativos. Este artigo propõe uma heurística para balanceamento em linhas de produção sujeitas a distintos mix de produtos com vistas a atenuar as restrições de capacidade nas estações de trabalho e aumentar a eficiência de balanceamento. A abordagem proposta foi aplicada em uma linha de montagem mista com 7 modelos de produtos. Os resultados foram considerados satisfatórios, segundo avaliação de especialistas, quando avaliados em termos de capacidade produtiva, ciclo de fabricação e balanceamento de linha.

Abstract A mixed-model assembly line can manufacture different products in the same assembly line, providing flexible production according to demand seasonal behavior. This article proposes a heuristic that aims to balance production lines subjected to several product models in order to attenuate capacity restrictions in workstations and increase the balancing efficiency. The proposed approach was applied to a mixed assembly line composed of seven product models. The results were considered satisfactory when assessed in terms of production capacity, manufacturing cycle time, and assembly line balancing.

Técnicas de clusterização visam à formação de grupos de observações homogêneas dentro de um mesmo grupo e significativamente distintas das observações inseridas em outros grupos. Em processos industriais cuja produção é apoiada em bateladas, a definição de famílias (grupos) de bateladas com perfis semelhantes auxilia na definição de estratégias de controle e monitoramento desses processos. Este artigo propõe um método para seleção das variáveis de clusterização mais relevantes para formação de famílias de bateladas. Para tanto, integra funções kernel a um novo índice de importância de variáveis gerado a partir dos parâmetros oriundos da Análise de Componentes Principais (ACP). A qualidade dos agrupamentos formados é avaliada através do Silhouette Index (SI). Quando aplicada em três processos produtivos, a sistemática proposta reteve em média 5,16% das variáveis iniciais e elevou o SI médio em 235,4% frente à utilização de todas as variáveis. Um estudo de simulação também é realizado para avaliar a robustez do método.

Clustering techniques are tailored to find internally homogeneous groups of observations. In industrial processes that rely on batches, grouping batches with similar profiles provides valuable information about process control and monitoring. This paper proposes a variable selection approach based on the kernel function and Principal Component Analysis (PCA). The clustering quality is assessed through the Silhouette Index (SI). When applied to three industrial processes, the proposed approach retained an average of 5.16% of the original variables, yielding on average a 235.4% more precise batch grouping. We also performed a simulation experiment.

Empresas integradas a cadeias de suprimento constantemente buscam iniciativas para melhorar o desempenho global da cadeia, principalmente no que concerne ao fornecimento de produtos e gerenciamento dos canais diretos e indiretos de distribuição. O VMI (Vendor Managed Inventory) auxilia as empresas a melhor gerenciar e balancear o estoque ao longo da cadeia. Para o bom funcionamento do VMI,é necessário que parâmetros e modelos de cálculo alinhem-se às características dos produtos e locais de reposição, normalmente descritos por elevado número de variáveis. Este artigo propõe uma sistemática de seleção de variáveis para classificação de produtos em modelos de reposição. Para tanto, utiliza a Análise dos Componentes Principais (ACP) em conjunto com as ferramentas de classificação k-Nearest Neighbor(KNN) e Análise Discriminante Linear (ADL). Ao ser aplicado em um estudo prático do setor de consultoria em Supply Chain, o método proposto alcançou uma acurácia de classificação de 90% ao reter 55% das variáveis originais.

Companies integrated in supply chains seek initiatives to improve the overall performance of their chains. Vendor Managed Inventory (VMI) enables better results when it comes to managing and balancing stocks along the chain. For that matter, VMI frameworks must rely on well-defined parameters and algorithms aimed at allocating products to replenishment local characteristics. This paper presents a method to classify products in replenishment categories based on Principal Component Analysis (PCA) along with two classification algorithms: k-Nearest Neighbor (KNN) and Linear Discriminant Analysis (LDA). The model seeks to identify the most relevant variables for assigning products to the most appropriate replenishment model. When applied to a real situation, the proposed method yielded 90% classification accuracy, retaining 55% of the original variables on average.

A manufatura de produtos personalizados em larga escala, chamada customização em massa, implica o aumento da variedade de modelos e redução no tamanho dos lotes de produção. Tarefas que dependem da habilidade humana são especialmente afetadas nesse contexto, visto que os trabalhadores precisam se adaptar às características do novo modelo. Esse processo de adaptação pode ocorrer de forma distinta dentro do grupo de trabalhadores, justificando o desenvolvimento de sistemáticas com vistas ao agrupamento de indivíduos com características de aprendizado semelhantes. Este artigo propõe um método para formação de grupos homogêneos de trabalhadores de acordo com seus perfis de aprendizado pela integração de curvas de aprendizado e clusterização. Para tanto, dados de desempenho são coletados e modelados por meio de curvas de aprendizado; os parâmetros oriundos da modelagem quantificam o processo de adaptação dos trabalhadores às tarefas, servindo de base para o agrupamento dos trabalhadores. Na primeira proposição deste artigo, os dados originais (parâmetros) são clusterizados pelo método K-Means, e a qualidade do agrupamento formado, avaliada por intermédio do Silhouette Index (SI). Em uma proposição alternativa, a Análise de Componentes Principais (ACP) é aplicada sobre os dados originais e as variáveis latentes geradas (escores) são clusterizados por meio do K-Means. Quando aplicado em um processo da indústria calçadista, a clusterização apoiada nos escores apresentou um incremento na qualidade dos agrupamentos medida por SI de 147% (de SI=0,392 para SI=0,968) quando comparado à clusterização aplicada às variáveis originais. Os dois grupos de trabalhadores gerados pelo método foram corroborados com base na separação em um gráfico relacionando os componentes principais obtidos. Por fim, um estudo de simulação foi realizado para corroborar a eficácia do método proposto, o qual se mostrou robusto quando submetido a diferentes níveis de ruído, correlação e proporções de variáveis e observações. Por meio da análise de variâncias (ANOVA), verificou-se que os fatores variância do ruído e proporção de observações por variáveis interferiram significativamente na qualidade da clusterização; por sua vez, a correlação entre as variáveis não apresentou variância significativa nos agrupamentos.

The manufacturing of customized products, also called mass customization, implies increasing choice menu and reduced size of production batches. Tasks that depend on human ability are especially affected in this context, because workers need to adapt to the characteristics of new models. This adaptation process occurs differently among workers, justifying the development of systematics aiming at clustering workers with similar learning behaviors. This paper proposes a method of grouping workers according to their learning profiles, integrating learning curves (LC) and cluster analysis. To this end, performance data are collected and modeled through learning curves; parameters derived from the modeling quantify workers' adaptation to tasks. In the first scheme proposed in this study, the original data (parameters from LC modeling) are clustered using the K-Means, and clustering quality is assessed by the Silhouette Index (SI). In the second scheme, Principal Component Analysis (PCA) is applied to the original data and the latent variables (scores) are used as clustering variables using the K-Means. Clustering using the scores yielded SI=0.968, while grouping based on the original variables led to SI=0.392. A simulation study was performed to corroborate the effectiveness of the proposed method, which proved to be robust when affected by different levels of noise, correlation and different proportions of variables to observations.

O grande volume de variáveis coletadas em processos industriais impõe dificuldades ao controle e monitoramento de tais processos. A regressão PLS (partial least squares) vem sendo amplamente utilizada em procedimentos de seleção de variáveis por sua capacidade de operar com grande número de variáveis correlacionadas e afetadas por ruído. Este artigo propõe um método para identificar o melhor subconjunto de variáveis de processo para a predição das variáveis de resposta. Indicadores de importância das variáveis são desenvolvidos a partir de parâmetros da regressão PLS e guiam a eliminação das variáveis irrelevantes. Tais índices são então testados em termos de seu desempenho. Ao ser aplicado em cinco bancos de dados industriais, o método utilizando o índice recomendado reteve apenas 31% das variáveis originais e aumentou a acurácia de predição do conjunto de teste em 6%. O método proposto também superou a acurácia do método Stepwise, tradicionalmente utilizado em procedimentos de seleção com propósitos de predição.

The large volume of process variables collected from manufacturing applications has jeopardized process control activities. The Partial Least Squares (PLS) regression has been widely used for variable selection due to its ability to handle a large number of correlated and noisy variables. This paper presents a method for selecting the most relevant variables aimed at predicting product variables. For that matter, variable importance indices are developed based on PLS parameters and used to guide the elimination of noisy and irrelevant variables. Variables are then systematically removed from the dataset and the performance of the predictive model evaluated. When applied to five manufacturing datasets, the proposed method retained 31% of the original variables and yielded 6% more accurate predictions than using all original variables. Further, the proposed method outperformed the traditional Stepwise method regarding prediction accuracy.

Processos industriais são frequentemente descritos por um elevado número de variáveis correlacionadas e ruidosas. Este artigo apresenta um método para seleção das variáveis mais relevantes para classificação de bateladas de produção valendo-se de múltiplos critérios de desempenho (sensibilidade e especificidade). As bateladas são categorizadas em duas classes (conforme ou não conforme, por exemplo). O método utiliza a regressão PLS (Partial Least Squares) para derivar um índice de importância das variáveis de processo. Um procedimento iterativo de classificação das bateladas e eliminação das variáveis é então conduzido. Por fim, uma medida de distância euclidiana ponderada é aplicada para selecionar o melhor subconjunto de variáveis. Ao ser aplicado em dados de processos industriais, o método proposto reteve, em média, 12% das variáveis originais, elevando a sensibilidade em 9%, de 0,78 para 0,85, e a especificidade em 20%, de 0,64 para 0,77. Estudos de simulação permitiram avaliar o desempenho do método frente a cenários distintos.

Several correlated and noisy variable are collected from industrial processes. This paper proposes a method for selecting the most relevant process variables aimed at classifying production batches into classes based on multiple criteria (e.g., sensibility and specificity). Production batches are inserted into two classes. The method first applies the PLS regression (Partial Least Squares) on process data and derives a variable importance index. A classification/elimination procedure is then carried out, and a weighted Euclidian distance is generated to identify the recommended variable subset. When applied to the testing set of real industrial data, the proposed method retained average 12% of original variables. The recommended subsets yielded 9% higher sensibility, from 0.78 to 0.85, and 20% higher specificity, from 0.64 to 0.77. Simulation experiments are also performed.

A seleção dos atributos a serem avaliados em uma análise sensorial é fundamental no planejamento de painéis sensoriais. O processo de seleção visa reduzir a lista de atributos a serem apresentados aos julgadores, evitando assim fadiga aos membros do painel, porém mantendo atributos significativos na caracterização das amostras avaliadas. Este artigo apresenta um método para seleção de atributos em painéis sensoriais baseados em avaliações descritivas das amostras, tais como os métodos QDA (Quantitative Descriptive Analysis) e Spectrum. O método proposto utiliza Análise de Componentes Principais para identificação dos atributos mais relevantes e então aplica Análise Discriminante para classificação das amostras em formulações distintas. O método é aplicado em um estudo de caso em que cubos de carne com molho são caracterizados em painel sensorial utilizando o método QDA. O método proposto reduz significativamente o número de atributos a serem avaliados e conduz à satisfatória acurácia de classificação das amostras em formulações.

The selection of attributes from a group of candidates to be assessed through sensory analysis is an important step when planning sensory panels. When selecting attributes, it is desirable to reduce the list of those to be presented to panelists in order to avoid fatigue, however keeping the attributes that are relevant to the sensory characterization of samples. This paper presents a multivariate method for attribute selection in descriptive sensory panels, such as those used in the QDA (Quantitative Descriptive Analysis) and Spectrum protocols. The proposed method is implemented using Principal Component Analysis and Descriptive Analysis, and it is evaluated in a case study where beef cubes in stew, used as combat ration by the American Army, are characterized in sensory panels through the Spectrum method. The method significantly reduced the number of attributes to be considered in sensory panels, while yielding satisfactory accuracy in the classification of samples.

Bancos de dados caracterizados por elevado número de variáveis correlacionadas são usualmente encontrados em ambientes industriais, dificultando a identificação das variáveis de processo mais relevantes. A regressão por quadrados parciais mínimos (Partial Least Square - PLS) tem sido amplamente utilizada para a seleção de variáveis com propósitos de predição. No entanto, muitas aplicações práticas priorizam a correta categorização de lotes produtivos em classes, de acordo com determinada especificação do produto final. Neste artigo, a regressão PLS é integrada às ferramentas de classificação z vizinhos mais próximos (z-Nearest Neighbor) e máquina de suporte vetorial (Support Vector Machine) com visando a seleção de variáveis para fins de categorização de bateladas de produção em duas classes. Índices de Importância das Variáveis (IIV) baseados nos parâmetros da regressão PLS são desenvolvidos para o ordenamento das variáveis de processo, de acordo com sua relevância para a caracterização da variável de produto, e então integrados às ferramentas de classificação. O subconjunto de variáveis retidas é identificado através do monitoramento do perfil de acurácia gerado com a remoção sistemática das variáveis menos relevantes. Aplicada em três bancos de dados, a metodologia proposta reduziu o número de variáveis de processo necessárias para classificação de bateladas em 90,6% e elevou a acurácia média de classificação em 29,2%, quando comparada à aplicação de ferramentas de classificação na totalidade das variáveis.

A large number of correlated process variables are usually found in industrial environments, making it difficult for engineers to identify the key variables. Partial Least Squares (PLS) has been successfully applied to select the most relevant process variables for predicting response variables. However, many practical applications are more interested in correctly categorizing the final product into classes. This paper addresses this classification issue by integrating Partial Least Square (PLS) regression to the z-nearest neighbor rule and support vector machine for the categorization of production batches into two quality levels. Indices based on PLS parameters are developed for evaluating variable importance. The classification methods are then applied to reduce noisy and irrelevant variables based on the importance indices. The best subset of variables is identified by monitoring accuracy profile variations while variables are removed. In three datasets, the suggested approach reduced the number of variables necessary for classification of production batches by 90.6 per cent, while yielding 29.2 per cent more accurate classifications.

Sistemas compostos por componentes não-idênticos com múltiplos modos de falha demandam expressões complexas para estimativa de confiabilidade, tendo em vista o elevado número de combinações necessárias para descrição dos eventos que conduzem o sistema a falhas. Como consequência, a variação dos perfis de confiabilidade provocada por distintas magnitudes de probabilidades de falhas não é de claro entendimento, especialmente ao considerar-se a inclusão de novos componentes não-idênticos ao sistema. Este artigo apresenta uma abordagem simplificada para estimar níveis de confiabilidade em sistemas em série e paralelo, compostos por componentes não-idênticos com 3 modos de falha. Um modelo não-linear para otimizar a alocação de tais componentes em sistemas submetidos a restrições de projeto também é apresentado. Os resultados obtidos mostram que o modelo proposto é robusto quando diversas magnitudes de probabilidades de falhas são consideradas.

Reliability evaluation of systems composed of non-identical multi-state components is a challenging task due to the highly combinatorial nature of the problem. The outcome is a lack of understanding regarding the reliability behavior of a system when components with different magnitudes of failure probabilities are considered, especially when extra components are added. The present work addresses this problem by presenting a simplified approach to analyze variations on reliability profiles of series and parallel systems composed of non-identical three-state components. In addition, this work presents an optimization model for allocation of non-identical components under financial and physical restrictions. The model performed satisfactorily in terms of robustness when different magnitudes of failure probabilities were tested.

Curvas de aprendizado têm se mostrado ferramentas úteis no monitoramento do desempenho de um trabalhador submetido a uma nova tarefa, avaliando seu progresso na medida que repetições são efetuadas. Essas curvas foram introduzidas por Wright em 1936, e desde então, têm sido utilizadas para avaliação do tempo demandado para a conclusão de corridas de produção, estimação da redução de custos de produção e alocação de trabalhadores para tarefas com base em suas características de atuação. Este artigo apresenta o estado da arte da literatura em torno do tema, abordando os modelos existentes, aplicações em contextos práticos e limitações da ferramenta. Por fim, direcionamentos para pesquisas futuras serão propostos.

Learning curves have been proven to be effective tools for monitoring the performance of workers exposed to a new task, describing their development as task repetition takes place. These curves were originally proposed by Wright in 1936, and have been used since then to evaluate the time demanded to complete production runs, to estimate production cost reduction as learning takes place, and to assign workers to tasks based on their performance profile. This paper presents the state-of-the-art in the literature on learning curves, covering the existing models, their limitations, and reported applications. Further research on the subject is proposed.

Em ambientes de alta customização, uma grande variedade de modelos de produtos é demandada pelos consumidores. Essa condição exige uma rápida adequação dos meios produtivos às especificações do próximo modelo a ser produzido. Tal situação, contudo, pode acarretar perdas consideráveis em relação aos níveis de produção e qualidade, em decorrência da pouca habilidade dos trabalhadores nos ciclos iniciais de produção de um novo modelo. Assim, a modelagem do processo de aprendizado de trabalhadores atuando sobre cada modelo de produto pode auxiliar a gerência na alocação de modelos de produtos a equipes de trabalhadores, minimizando as perdas verificadas nos primeiros ciclos de produção. Este artigo apresenta uma metodologia baseada na utilização de curvas de aprendizagem como balizadoras da alocação de modelos de produtos a equipes de trabalhadores. Os diversos modelos de produtos são agrupados em famílias de acordo com suas características similares, permitindo uma redução na coleta de dados. A alocação das famílias às equipes é realizada através da análise das curvas de aprendizagem. Duas formas de alocação são apresentadas, de acordo com a duração da corrida de produção. A metodologia proposta é ilustrada através de um estudo de caso em uma indústria do setor calçadista.

In highly customized markets a large variety of product models are typically demanded by customers. That requires fast setup of production resources to comply with specifications of the next model to be produced. Such compliance, however, may cause considerable production and quality losses due to workers' poor performance during the initial production runs of a new model. Therefore, modeling workers' learning upon exposure to each product model may help production managers to define the best assignment scheme for models and workers, such that losses in the initial stages of production are minimized. This paper presents a methodology that uses learning curves to guide the best assignment of product models to teams of workers. Product models are first clustered into families based on their similarities, leading to a smaller data collection. Then allocation of product families to teams is carried based on the analysis of their corresponding learning curves. Two courses of action are then proposed, depending on whether the production batch will lead to longer or shorter production runs. The proposed methodology is illustrated in a case study from the shoe manufacturing industry.