Vítor de Souza Mattioli; Enise Aragão dos Santos

DOI: 10.22167/2675-6528-202601508

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

A gestão ineficiente das rotinas de manutenção de equipamentos móveis em obras de infraestrutura havia evidenciado impactos diretos nos indicadores de disponibilidade mecânica e no desempenho produtivo. O estudo objetivou analisar a disponibilidade mecânica de equipamentos em uma obra de superestrutura rodoviária, empregando o ciclo Six Sigma DMAIC e a prática do Gemba Walk. A metodologia adotada caracterizou-se como um estudo de caso aplicado, de natureza mista. Realizou-se a coleta e tratamento de dados de apontamentos operacionais, calculou-se indicadores de disponibilidade mecânica e conduziu-se análises qualitativas por meio do Diagrama de Ishikawa. Na fase Define, mapearam-se as rotinas e coletaram-se dados históricos. Em Measure, padronizaram-se os registros de perdas mecânicas e calculou-se a disponibilidade mecânica, identificando equipamentos críticos com desempenho inferior a 85%. A etapa Analyze utilizou o Diagrama de Ishikawa para identificar causas-raiz, e na fase Improve, estruturaram-se ações de melhoria e um cronograma de implementação. Os resultados revelaram que certas famílias de equipamentos apresentaram desempenho abaixo do patamar aceitável, com a usina de asfalto destacando-se por sua indisponibilidade de 79%, impactando diretamente a produção. As principais causas identificadas incluíram a ausência de planejamento preventivo, falhas na gestão de manutenção e a indisponibilidade de insumos críticos. Concluiu-se que a aplicação integrada das metodologias permitiu não apenas identificar as causas da baixa disponibilidade, mas também estruturar um modelo de gestão voltado à confiabilidade operacional e à melhoria contínua, propondo a transição de um modelo reativo para uma manutenção proativa e baseada em campo.

Palavras-chave: Confiabilidade operacional; Gestão de ativos; Indicadores de desempenho; Manutenção; Melhoria contínua.

1. Introdução

A gestão da manutenção de equipamentos em obras de infraestrutura representa um pilar fundamental para a consecução de projetos dentro dos prazos e orçamentos estabelecidos. A recorrência de falhas durante a operação de máquinas e equipamentos compromete diretamente a eficiência e a segurança, impactando negativamente os indicadores de desempenho produtivo (Zu et al., 2008; Bendoly, 2016; Gołaś et al., 2016). O setor de construção civil, caracterizado por ambientes dinâmicos e complexos, depende intrinsecamente da disponibilidade mecânica de sua frota para manter a continuidade das operações. Dados empíricos demonstram que a indisponibilidade de equipamentos pode gerar perdas operacionais que variam entre dez e trinta por cento do tempo total de trabalho, resultando em atrasos significativos nos cronogramas e elevação dos custos (Harris et al., 2013; Peurifoy et al., 2018; Parker et al., 2009). A ineficiência na gestão da manutenção, muitas vezes reativa, não apenas eleva os custos diretos com reparos, mas também acarreta custos indiretos substanciais, como a ociosidade de mão de obra e a perda de oportunidades de receita. A adoção de práticas de melhoria contínua e a implementação de sistemas robustos de gestão de ativos tornam-se, portanto, imperativas para garantir a competitividade e a sustentabilidade das empresas no mercado.

Nesse cenário, a aplicação de estratégias de melhoria contínua e gestão de ativos é crucial. O Lean Manufacturing, por exemplo, oferece princípios para otimizar processos, reduzir desperdícios e aprimorar constantemente a eficiência, minimizando paradas corretivas e maximizando a produtividade (Saleh, 2024; Al-Toubi, 2024). A gestão de ativos, focada na otimização do ciclo de vida dos equipamentos, busca equilibrar desempenho, risco e custo, tendo a confiabilidade operacional como um conceito central. A confiabilidade operacional, que representa a probabilidade de um equipamento operar sem falhas por um período específico, é diretamente influenciada pela qualidade das rotinas de manutenção (Mobley, 2002). A transição para modelos proativos, como a manutenção preventiva e preditiva, é fundamental, pois inspeções periódicas e intervenções programadas evitam falhas inesperadas e preservam a vida útil dos componentes (Erbiyik, 2022; Mobley, 2002). Para estruturar essa transição e promover a melhoria contínua, metodologias como o Six Sigma DMAIC (Define, Measure, Analyze, Improve, Control) são indispensáveis, oferecendo um arcabouço sistemático para aprimorar a qualidade dos processos, reduzir a variabilidade, identificar causas-raiz e implementar soluções sustentáveis (Smętkowska et al., 2018; Rozak et al., 2020; Al-Mishari e Suliman, 2008; Girmanová, 2017; Monday, 2022). Complementarmente, a prática do Gemba Walk, originária do Lean, envolve a observação direta das operações no “local real” para identificar desperdícios, coletar dados e promover o envolvimento da gestão, oferecendo uma compreensão aprofundada dos obstáculos operacionais que não seriam evidentes apenas em relatórios (Soliman, 2017; Taylor, 2021; Mičieta et al., 2021). Contudo, é vital que o Gemba Walk seja conduzido com um objetivo claro para evitar formalidades (Weber, 2018).

Apesar da robustez e reconhecimento dessas metodologias, a integração efetiva do Six Sigma DMAIC e do Gemba Walk para otimizar a disponibilidade mecânica de equipamentos móveis em obras de infraestrutura ainda carece de estudos aplicados que demonstrem seus benefícios práticos e a transição de um modelo reativo para uma gestão proativa. A persistência de uma gestão ineficiente da manutenção, como observado em obras de superestrutura rodoviária, impacta diretamente a disponibilidade mecânica e o desempenho produtivo, gerando atrasos e custos. Problemas como a ausência de planejamento preventivo, falhas na gestão e a indisponibilidade de insumos críticos são recorrentes e demandam uma abordagem sistemática. Diante desse cenário, este estudo justifica-se pela necessidade de desenvolver e aplicar um modelo de gestão que identifique as causas da baixa disponibilidade e estruture ações de melhoria contínua e confiabilidade operacional, contribuindo para a eficiência e sustentabilidade de projetos de infraestrutura. Assim, o presente artigo objetiva analisar a disponibilidade mecânica de equipamentos móveis em uma obra de superestrutura rodoviária, empregando o ciclo Six Sigma DMAIC e a prática do Gemba Walk para identificar as causas-raiz das falhas e propor um modelo de gestão de manutenção mais eficaz.

2. Material e Métodos

A pesquisa caracterizou-se como um estudo de caso aplicado, de natureza mista, desenvolvido em uma obra de superestrutura rodoviária. Para analisar as causas da baixa eficiência de algumas famílias de equipamentos, aplicou-se o ciclo Six Sigma DMAIC, com o objetivo de obter um diagnóstico inicial e estruturar soluções de melhoria para o cenário atual. Essa abordagem combinou a coleta e o tratamento de dados quantitativos de apontamentos operacionais com análises qualitativas, buscando uma compreensão holística dos desafios de manutenção e disponibilidade mecânica.

O estudo foi conduzido em uma obra de superestrutura rodoviária, localizada em [local não especificado no TCC, então não inventar]. A unidade de análise primária consistiu nos equipamentos móveis utilizados na obra, com foco na sua disponibilidade mecânica. A coleta de dados ocorreu durante um período específico de visita à obra, abrangendo registros de apontamentos operacionais e de manutenção. Adicionalmente, para aprofundar a análise da usina de asfalto, foram considerados dados históricos de três meses anteriores, de agosto a outubro de 2025, a fim de verificar a consistência da indisponibilidade observada.

A população de equipamentos investigada compreendeu toda a frota móvel empregada na obra de superestrutura rodoviária. A amostra para análise aprofundada foi definida por conveniência e criticidade, focando nas famílias de equipamentos que apresentaram índices de disponibilidade mecânica inferiores a 85%. Este patamar foi estabelecido como limite aceitável, considerando que perdas operacionais entre dez e trinta por cento são inerentes ao ciclo de vida de ativos em construção (Harris et al., 2013; Peurifoy et al., 2018; Parker et al., 2009). A usina de asfalto foi priorizada para um estudo mais detalhado devido à sua criticidade para o planejamento e execução da obra.

A fase Define do ciclo DMAIC iniciou-se com a aplicação da prática do Gemba Walk, que envolveu a observação direta das operações e o mapeamento das rotinas de condução dos equipamentos pelos operadores no ambiente real da obra. Esta abordagem permitiu uma compreensão aprofundada dos processos e a identificação de pontos críticos não evidentes em registros formais, promovendo maior envolvimento da gestão nas operações diárias (Soliman, 2017; Taylor, 2021; Mičieta et al., 2021).

Simultaneamente, procedeu-se ao levantamento de dados históricos de apontamentos de perdas mecânicas, registrados pelos operadores por meio de aparelhos móveis, e dos registros de manutenção corretiva e preventiva. A coleta de dados primários, realizada em campo com o apoio da equipe de apontamento da obra, focou no registro diário das atividades dos operadores. Cada apontamento incluía informações essenciais como o código e tipo do equipamento, a identificação do operador, o tipo de perda mecânica, a data da ocorrência e a duração em horas da ociosidade.

Na fase Measure, os dados de apontamentos de perdas mecânicas foram tratados e padronizados. Realizou-se a conversão das unidades de tempo para um formato numérico consistente e a categorização dos registros por tipo e família de equipamento. Perdas de natureza gerencial foram desconsideradas, pois não impactavam diretamente os indicadores de disponibilidade mecânica, mantendo o foco nas falhas operacionais. Essa etapa foi crucial para qualificar os dados de paradas por falhas mecânicas observadas durante o período analisado.

Com os dados consolidados, as famílias de equipamentos foram classificadas conforme seu desempenho, destacando-se aquelas com índice de disponibilidade mecânica (DM) inferior a 85% como críticas para o andamento da obra. O cálculo do DM foi realizado utilizando a fórmula DM (%) = (1 – Tp/Tdisp) x 100, onde Tp representa o tempo de parada por falha mecânica em horas e Tdisp o tempo total disponível em horas de turno de trabalho. Este indicador permitiu quantificar objetivamente o impacto das falhas na produção.

Após a consolidação do indicador de disponibilidade, a usina de asfalto foi definida como a família prioritária para análise aprofundada, dada sua criticidade para o planejamento da obra. Complementarmente, aplicou-se um checklist básico de observação, estruturado para registrar sucintamente a rotina de pré-operação, o cumprimento das manutenções preventivas programadas, a comunicação entre equipes e a disponibilidade de peças e insumos. Este instrumento qualitativo permitiu identificar comportamentos e inconsistências nos processos que não eram evidentes apenas nos registros quantitativos.

A etapa Analyze envolveu a realização de análises qualitativas, utilizando o Diagrama de Ishikawa, também conhecido como diagrama de causa e efeito. Esta ferramenta auxiliou na identificação dos fatores determinantes da baixa disponibilidade da família de equipamentos prioritária, a usina de asfalto, integrando tanto as informações documentais quanto as percepções coletadas durante o checklist de observação do Gemba. Os principais problemas identificados foram categorizados nos pilares de máquina, mão de obra, material, medição, método e meio ambiente, convergindo para a indisponibilidade total da usina.

Na fase Improve, com base nas causas-raiz identificadas, estruturaram-se ações de melhoria direcionadas à redução das falhas mais recorrentes e à estabilização das rotinas operacionais e de manutenção. As iniciativas focaram na correção de desvios e na padronização de processos, visando aumentar a confiabilidade dos ativos. Inicialmente, realizou-se uma inspeção visual e mecânica dos componentes críticos da usina de asfalto, como as pás do misturador de agregados e o motor do soprador, para avaliar a necessidade de substituição ou intervenção.

Durante a inspeção, foram coletados parâmetros de corrente nominal do motor do soprador em diferentes faixas de produção, a fim de verificar seu desempenho em relação à capacidade nominal de 55A. Essa medição específica foi crucial para diagnosticar o subdimensionamento do motor e a necessidade de sua substituição para atingir a produção máxima da usina. A análise desses dados técnicos forneceu subsídios para as recomendações de melhoria, garantindo que as intervenções fossem baseadas em evidências concretas de desempenho.

Complementarmente, desenvolveu-se um cronograma de implementação das atividades de melhoria ao longo de oito semanas, abordando os problemas mapeados no Diagrama de Ishikawa e definindo os responsáveis por cada ação. A etapa Control, por sua vez, consistiu na definição de mecanismos de acompanhamento contínuo, monitorando sistematicamente os indicadores e as rotinas padronizadas. O objetivo foi assegurar a sustentabilidade das melhorias implementadas e permitir ajustes futuros, garantindo que o processo permanecesse dentro dos parâmetros definidos e que a tarefa estivesse idealizada (Monday, 2022).

Em síntese, o tratamento e a análise dos dados envolveram a consolidação de apontamentos operacionais, o cálculo de indicadores de disponibilidade mecânica e a aplicação de ferramentas qualitativas. Os dados brutos de apontamento foram convertidos para um formato numérico padronizado, permitindo a somatória das horas de perda mecânica por tipo de equipamento. A análise qualitativa, por meio do Diagrama de Ishikawa, complementou a compreensão das causas-raiz, integrando observações de campo e informações documentais para um diagnóstico abrangente da situação.

3. Resultados e Discussão

Os resultados preliminares apresentados neste estudo decorrem da aplicação do ciclo DMAIC, em conjunto com a prática do Gemba Walk, conduzida na etapa inicial, conforme metodologia descrita anteriormente. Esses resultados têm como finalidade apresentar os achados iniciais obtidos a partir de dados reais coletados em campo, bem como descrever as atividades já desenvolvidas nas etapas atualmente já finalizadas. A integração dessas metodologias permitiu uma visão abrangente, combinando a observação direta no local de trabalho com a análise estruturada de dados, conforme preconizado por Soliman (2017) e Mičieta et al. (2021), que destacam a importância do Gemba Walk para a identificação de problemas reais e a promoção do envolvimento da gestão nas operações diárias.

Na etapa Define, realizada durante visita técnica presencial à obra de superestrutura rodoviária, constatou-se a ociosidade de parte do maquinário, predominantemente em decorrência de problemas mecânicos. Esta observação inicial é crucial, pois a inatividade de equipamentos em obras de infraestrutura rodoviária representa não apenas uma perda direta de produtividade, mas também um aumento nos custos operacionais e um atraso no cronograma do projeto (Harris et al., 2013; Peurifoy et al., 2018). A identificação precoce da ociosidade mecânica, antes de uma análise aprofundada, já sinaliza uma falha na gestão proativa de ativos, um ponto que Mobley (2002) e Mobley et al. (2008) enfatizam como fundamental para a manutenção preditiva e a engenharia de manutenção.

Verificou-se, adicionalmente, para melhor entendimento do caso, que o fluxo de trabalho executado apresentava aderência ao processo conforme padrão da empresa. Este fluxo, detalhado na Figura 1, demonstra uma sequência lógica de atividades, desde o início do turno com reuniões de segurança e entrega de chaves, passando pelo direcionamento dos operadores às frentes de serviço, o registro das atividades via aplicativo, a comunicação de quebras não programadas à manutenção, até o deslocamento do equipamento para oficina ou reparo em campo.

Fonte: Resultados originais da pesquisa

Figura 1. Etapas do fluxo de trabalho seguido pela obra

Apesar da conformidade com o fluxo de trabalho estabelecido, a análise revelou que o principal entrave não residia na execução operacional propriamente dita, mas sim na ausência de uma gestão eficaz de indicadores e na inexistência de ações efetivas sobre os *backlogs* de manutenção por parte dos responsáveis pela área. Esta constatação é alarmante, pois, como apontam Parker et al. (2009), a simples coleta de dados sem uma análise e intervenção adequadas não gera valor. A disponibilidade de informações operacionais relevantes, que poderiam ser acompanhadas em tempo real pela equipe de manutenção, estava sendo subutilizada. Isso contrasta com os princípios do Six Sigma, que visam não apenas identificar defeitos, mas também estabelecer metas claras e mensuráveis para a melhoria contínua (Girmanová, 2017; Monday, 2022). A falta de uma gestão proativa dos *backlogs* de manutenção indica um modelo reativo, onde as intervenções ocorrem apenas após a falha, o que é inerentemente ineficiente e custoso (Finigan & Humphries, 2006).

A partir dessa constatação, procedeu-se, com o apoio da equipe de apontamento da obra, ao levantamento diário desses registros durante o período da visita, com o objetivo de subsidiar o desenvolvimento de uma solução direcionada às máquinas atualmente paradas, pertencentes à família de equipamentos considerada mais crítica para a continuidade atual do planejamento da obra. A Tabela 2, presente no documento original, ilustra os apontamentos de atividades dos operadores, detalhando o equipamento, operador, tipo de equipamento, tipo de perda, data e quantidade de horas de ociosidade. Embora não seja reproduzida aqui para cumprir o limite de tabelas, a análise desses dados brutos foi o ponto de partida para a fase de Medição, permitindo quantificar as perdas e identificar os equipamentos mais problemáticos.

Na etapa Measure, os dados de apontamentos de perdas mecânicas foram tratados e padronizados. Realizou-se a conversão das unidades de tempo para um formato numérico consistente e a categorização dos registros por tipo e família de equipamento. Perdas de natureza gerencial foram desconsideradas, pois não impactavam diretamente os indicadores de disponibilidade mecânica, mantendo o foco nas falhas operacionais. Essa etapa foi crucial para qualificar os dados de paradas por falhas mecânicas observadas durante o período analisado, alinhando-se com a metodologia DMAIC que exige dados confiáveis e métricas claras para avaliação (Girmanová, 2017).

Com os dados consolidados, as famílias de equipamentos foram classificadas conforme seu desempenho. A Tabela 3, também presente no documento original, apresenta a somatória de horas paradas de perda mecânica por família de equipamento. Observou-se que os Caminhões Basculantes (16m³ e 22m³) e as Carregadeiras acumulavam as maiores somatórias de horas de perda, indicando que estas famílias eram as que mais contribuíam para a ineficiência operacional. Esta agregação de dados é fundamental para direcionar os esforços de melhoria, focando nos pontos de maior impacto, uma prática central na gestão da qualidade e na otimização de processos (Patil & Inamdar, 2014).

O cálculo do índice de disponibilidade mecânica (DM) foi realizado utilizando a fórmula DM (%) = (1 – Tp/Tdisp) x 100, onde Tp representa o tempo de parada por falha mecânica em horas e Tdisp o tempo total disponível em horas de turno de trabalho. Este indicador permitiu quantificar objetivamente o impacto das falhas na produção. A Tabela 1, apresentada a seguir, detalha o índice de disponibilidade mecânica para cada família de equipamento.

Tabela 1. Cálculo do índice de disponibilidade mecânica em % por família

Fonte: Resultados originais da pesquisa

Os resultados obtidos na Tabela 1 indicaram que algumas classes de máquinas apresentaram níveis de disponibilidade inferiores ao patamar considerado aceitável para atendimento do planejamento executivo. Como embasamento técnico, o rendimento efetivo de máquinas e equipamentos considera que a indisponibilidade é inerente ao ciclo de vida do ativo, sendo as perdas operacionais variando entre 10% e 30% (Harris et al., 2013; Peurifoy et al., 2018; Parker et al., 2009). Portanto, incorporou-se ao estudo a métrica aceitável de 15% de ociosidade, ou seja, famílias com disponibilidade mecânica superior a 85%, neste momento, seriam desconsideradas.

A análise da Tabela 1 revela que a Usina de Asfalto e a Carregadeira apresentaram os piores índices de disponibilidade, com 79% e 0% respectivamente. O índice de 0% para a Carregadeira é particularmente preocupante, sugerindo uma falha crítica e contínua que a torna completamente inoperante durante o período de observação. Este achado sublinha a urgência de intervenção, pois a ausência de uma carregadeira pode paralisar múltiplas etapas do processo de produção, especialmente no carregamento de materiais para a usina de asfalto ou para caminhões basculantes. A baixa disponibilidade da Usina de Asfalto (79%) também é crítica, pois, como será discutido, ela é um gargalo central na obra. Outras famílias, como Caminhão Pipa (83%), Trator de Pneus (87%), Recicladora de Asfalto (87%), Minicarregadeira (87%), Caminhão Basculante 22m³ (89%), Caminhão Basculante 16m³ (89%) e Rolo Compactador (90%), também operam no limite ou abaixo do patamar de 85%, indicando uma fragilidade generalizada na gestão da manutenção da frota.

Após a consolidação do indicador de disponibilidade, a usina de asfalto foi definida como a família prioritária para análise aprofundada, dada sua criticidade para o planejamento da obra. A indisponibilidade da usina, com índice de 79%, atrasava os marcos semanais de entrega junto ao cliente, uma vez que uma significativa quantidade de aplicação de asfalto na rodovia deveria ser realizada. Para avaliar se a indisponibilidade encontrada foi apenas pontual, levantou-se o índice de disponibilidade durante os 3 meses anteriores (agosto a outubro de 2025), a partir dos apontamentos ilustrados na Tabela 5 do documento original. Esta tabela detalha os registros de perda mecânica da usina, mostrando a recorrência e a duração das paradas.

A partir do levantamento das horas de perda mecânica, calcularam-se os índices de disponibilidade considerando 8 horas diárias de operação em 6 dias por semana. Os resultados demonstram uma variação expressiva entre os meses avaliados, com queda de 99% em agosto para 74% em setembro e manutenção desse patamar em outubro. Essa evolução evidencia uma tendência de desempenho inferior ao nível ideal de 85%, permitindo visualizar com clareza o comportamento da disponibilidade ao longo do período analisado. A Figura 2, apresentada a seguir, ilustra graficamente essa tendência.

Fonte: Resultados originais da pesquisa

Figura 2. Disponibilidade Mecânica observada no período anterior

A Figura 2 corrobora a criticidade da Usina de Asfalto, mostrando que a baixa disponibilidade não é um evento isolado, mas uma tendência persistente. A queda de 99% em agosto para 74% em setembro e outubro indica uma deterioração significativa e sustentada do desempenho. Este padrão de declínio é um forte indicador de problemas sistêmicos na gestão da manutenção, e não apenas de falhas aleatórias. A persistência da disponibilidade abaixo do limite aceitável de 85% reforça a necessidade de uma intervenção estrutural, conforme os princípios do Six Sigma, que buscam a estabilização e melhoria contínua dos processos (Smętkowska et al., 2018). A incapacidade de manter a disponibilidade em níveis aceitáveis tem implicações diretas no cronograma da obra e na rentabilidade do projeto, exigindo uma abordagem de causa raiz para resolver os problemas subjacentes.

Diante da tendência observada, de não atingimento da disponibilidade ideal, identificou-se a necessidade e procedeu-se com o estudo de caso para essa família. De primeiro momento, aplicou-se um checklist de observação junto aos envolvidos, definindo como instrumento de análise o registro correto por parte do operador, execução das manutenções conforme recomendado pelo fabricante, cumprimento das preventivas, comunicação entre equipes e disponibilidade de peças e insumos. Os resultados são apresentados na Tabela 2.

Tabela 2. Resultado do Checklist de Observação na frente de serviço

Fonte: Resultados originais da pesquisa

Nota: A: Atende. NA: Não atende

A Tabela 2 revela as não conformidades qualitativas que complementam os dados quantitativos de baixa disponibilidade. Enquanto o registro de falhas e tempos de parada por parte do operador atende (A) ao critério, indicando que a coleta de dados brutos é realizada, os demais itens cruciais para uma manutenção eficaz não atendem (NA). A ausência de planos parametrizados para execução de manutenções conforme periodicidade do fabricante, o não cumprimento dos planos de manutenção preventiva semanais, a inadequação na disponibilidade de peças e insumos críticos, e a falta de verificação periódica de componentes críticos da usina são falhas graves. Estes achados são consistentes com a literatura que aponta a manutenção preventiva como essencial para identificar quebras antecipadamente e preservar o desempenho dos ativos (Erbiyik, 2022; Mobley, 2002). A falta de estoque de peças críticas, por exemplo, é uma causa comum de longas paradas, como destacado por Finigan e Humphries (2006). A inadequação nesses pontos sugere uma gestão de manutenção reativa e desorganizada, que não prioriza a confiabilidade operacional.

Baseado nos resultados acima, procedeu-se com a etapa Analyze. Nesta etapa, o importante foi desenhar as análises qualitativas, utilizando uma técnica conhecida de gestão da qualidade, o Diagrama de Ishikawa, também conhecido como diagrama de causa e efeito. Para cada não conformidade apontada na Tabela 2, temos as causas mapeadas conforme ilustrado na Figura 3, a qual contempla os pilares de máquina, mão de obra, material, medição, método e meio ambiente, e convergem para o Efeito, que é a indisponibilidade total da usina.

Fonte: Resultados originais da pesquisa

Figura 3. Desenho do Diagrama de Ishikawa elaborado com as causas e efeito dos problemas levantados no checklist de observação da usina

O Diagrama de Ishikawa (Figura 3) oferece uma representação visual clara das causas-raiz da baixa disponibilidade da Usina de Asfalto, integrando as observações do Gemba Walk e os resultados do checklist. No pilar Máquina, o “desgaste acentuado de componentes críticos” e a “ausência de planos de manutenção diário” são identificados. O desgaste é uma consequência direta da falta de manutenção preventiva e preditiva, que, se bem executada, prolongaria a vida útil dos componentes e evitaria falhas inesperadas (Mobley, 2002). A ausência de planos diários de manutenção reflete uma cultura de manutenção reativa, onde as intervenções ocorrem apenas após a falha, em vez de serem proativas e sistemáticas.

No pilar Mão de Obra, a “falta de mão de obra para execução de manutenção fora do turno” e a “falta de acompanhamento de *backlogs*” são apontadas. A escassez de pessoal qualificado ou a alocação inadequada de recursos humanos para tarefas de manutenção fora do horário de produção regular pode levar ao acúmulo de tarefas pendentes, exacerbando o problema de *backlogs*. A falta de acompanhamento desses *backlogs* impede a priorização e o planejamento eficaz das intervenções, resultando em atrasos e maior tempo de inatividade dos equipamentos.

O pilar Material destaca a “ausência de peças de reposição” e a “dependência de um único fornecedor externo”. A falta de um estoque mínimo de peças críticas é uma causa comum de longas paradas, pois a espera pela aquisição de componentes atrasa significativamente o reparo. A dependência de um único fornecedor aumenta a vulnerabilidade da operação a interrupções na cadeia de suprimentos, tornando a obra suscetível a atrasos caso esse fornecedor enfrente problemas (Finigan & Humphries, 2006). A diversificação de fornecedores e a gestão estratégica de estoque são práticas essenciais para mitigar esses riscos.

No pilar Medição, a “ausência de indicadores de acompanhamento” e a “subutilização dos dados de apontamento operacional” são identificadas. Sem KPIs claros e monitoramento sistemático, a gestão não tem visibilidade sobre o desempenho real dos equipamentos e a eficácia das ações de manutenção. A coleta de dados operacionais, como os apontamentos de perdas, é valiosa, mas sua subutilização significa que oportunidades de melhoria baseadas em evidências estão sendo perdidas. Isso vai contra os princípios do DMAIC, que exige medição e análise rigorosas para identificar as causas-raiz (Patil & Inamdar, 2014).

O pilar Método aponta para “planos não parametrizados” e a “ausência de monitoramento de vibração”. Planos de manutenção que não são parametrizados ou não seguem as recomendações do fabricante podem ser ineficazes ou inadequados para as necessidades específicas do equipamento. A falta de monitoramento de vibração, uma técnica de manutenção preditiva, impede a detecção precoce de falhas em componentes rotativos, levando a quebras inesperadas e mais severas (Mobley, 2002).

Finalmente, o pilar Meio Ambiente menciona “poeiras, temperatura e umidade”. Embora esses fatores externos não sejam diretamente controláveis pela gestão da manutenção, eles podem acelerar o desgaste de componentes e exigir um regime de manutenção mais robusto. A compreensão de como o ambiente afeta o equipamento é crucial para adaptar as estratégias de manutenção e garantir a resiliência dos ativos.

Com a análise de causa raiz acima, procedeu-se, enfim, com as etapas finais Improve e Control. Para a etapa Improve, inicialmente, focou-se na inspeção visual e mecânica dos componentes críticos da usina, com o objetivo de avaliar a necessidade de substituição. Com essa observação realizada, indicou-se a necessidade de substituição das pás do misturador de agregados, devido ao desgaste, bem como a intervenção no motor do soprador, em função de picos de corrente acima da nominal quando se buscava aumentar a produção horária. A Figura 4, apresentada a seguir, ilustra os parâmetros coletados da corrente nominal em diferentes faixas de produção.

Fonte: Resultados originais da pesquisa

Figura 4. Corrente Nominal (A) versus Produção em Tonelada/Hora da Usina de Asfalto

A Figura 4 é um achado técnico de grande relevância. Ela demonstra que, embora a corrente nominal suportada pelo motor do soprador seja de 55A, em produções mais elevadas (acima de aproximadamente 60 toneladas/hora), a corrente medida excede esse limite, atingindo picos de 45A a 55A. Isso indica que o motor do soprador está subdimensionado para a capacidade máxima de produção desejada da usina. Operar o motor consistentemente acima de sua corrente nominal pode levar a superaquecimento, desgaste prematuro, falhas elétricas e, em última instância, à parada total do equipamento. A necessidade de substituição do motor do soprador para um modelo com maior capacidade é uma ação corretiva direta e fundamental para garantir que a usina possa operar em sua capacidade máxima sem comprometer a confiabilidade. Este tipo de diagnóstico técnico, baseado em dados de desempenho, é um exemplo da aplicação eficaz da fase Analyze do DMAIC, que busca identificar as causas-raiz com base em evidências concretas (Smętkowska et al., 2018).

Além das ações mencionadas acima, desenvolveu-se um cronograma de implementação das demais atividades da Tabela 7 do documento original, de melhoria ao longo de oito semanas, com foco também nos problemas mapeados no Diagrama de Ishikawa e definição dos responsáveis por cada ação. Fatores empíricos, como temperatura e umidade, estratificados no diagrama, correspondem a condições operacionais às quais a obra está submetida, não sendo passíveis de mitigação direta, mas devem ser considerados no planejamento da manutenção. O cronograma de melhoria detalha ações como a definição de KPIs de manutenção (MTBF, MTTR, disponibilidade), levantamento de peças críticas sem estoque, definição de estoque mínimo, definição de responsável pelo acompanhamento dos *backlogs*, inspeção geral dos equipamentos, consulta ao plano de manutenção preventiva do fabricante, definição de manutenção diária, criação de controle e planilha de indicadores, substituição de componentes desgastados, instalação do novo motor do soprador, levantamento de fornecedores alternativos, avaliação do dimensionamento da equipe, definição de manutenção fora do turno, parametrização do plano de manutenção preventiva, homologação de fornecedores adicionais, verificação e ajustes nos componentes críticos, primeira análise de indicadores operacionais, estudo de dispositivo de monitoramento de vibração, revisão das rotinas de manutenção, ajustes após falhas iniciais, reunião semanal de análise de indicadores, atualização do plano de manutenção preventiva, ajustes operacionais finais, redução do *backlog* de manutenção, consolidação dos indicadores de disponibilidade e avaliação final da melhoria da produtividade da usina.

Este cronograma de oito semanas, embora não reproduzido aqui, é uma ferramenta essencial para a fase Improve, pois estrutura as ações de forma organizada e atribui responsabilidades claras, promovendo a disciplina e a rastreabilidade necessárias para a implementação das melhorias. A padronização de rotinas e a formalização de cronogramas de atividades são cruciais para aumentar a confiabilidade dos ativos e transformar um modelo de manutenção reativo em proativo (Monday, 2022). A definição de KPIs como MTBF (Mean Time Between Failures) e MTTR (Mean Time To Repair) é fundamental para monitorar a eficácia das melhorias e garantir que os objetivos de disponibilidade sejam atingidos.

A etapa Control, por sua vez, consistiu na definição de mecanismos de acompanhamento contínuo, monitorando sistematicamente os indicadores e as rotinas padronizadas. O objetivo foi assegurar a sustentabilidade das melhorias implementadas e permitir ajustes futuros, garantindo que o processo permanecesse dentro dos parâmetros definidos e que a tarefa estivesse idealizada (Monday, 2022). O monitoramento contínuo é vital para evitar que o sistema retorne ao estado anterior de baixa eficiência. A prática do Gemba Walk, novamente, assume um papel essencial nesta fase, permitindo verificar *in loco* se as soluções estão sendo de fato incorporadas ao processo e se os desvios estão sendo corrigidos (Patil, 2014). Este ciclo de feedback contínuo é a essência da melhoria contínua e da sustentabilidade das ações do DMAIC.

Em síntese, a aplicação integrada do ciclo Six Sigma DMAIC e do Gemba Walk permitiu um diagnóstico abrangente da baixa disponibilidade mecânica dos equipamentos na obra de superestrutura rodoviária. A fase Define revelou a ociosidade de maquinário e a subutilização de dados operacionais, apesar de um fluxo de trabalho bem definido. A fase Measure quantificou as perdas, identificando a Usina de Asfalto e a Carregadeira como os equipamentos mais críticos, e confirmou a persistência da baixa disponibilidade da usina através de dados históricos. A fase Analyze, por meio do Diagrama de Ishikawa, desvendou as causas-raiz em pilares como máquina, mão de obra, material, medição, método e meio ambiente, destacando a falta de manutenção preventiva, gestão de *backlogs* e disponibilidade de peças. A fase Improve estruturou ações corretivas e preventivas, incluindo a substituição de componentes desgastados e o redimensionamento do motor do soprador, além de um cronograma detalhado de implementação. Finalmente, a fase Control estabeleceu mecanismos de monitoramento contínuo para garantir a sustentabilidade das melhorias. Este estudo não apenas identificou as causas dos problemas, mas também forneceu um roteiro claro para a transição de um modelo de manutenção reativo para um proativo e baseado em dados, visando a elevação da confiabilidade operacional e a otimização da produtividade da obra.

4. Conclusão

Conclui-se que o objetivo foi atingido, uma vez que o estudo analisou a disponibilidade mecânica de equipamentos móveis em uma obra de superestrutura rodoviária, empregando o ciclo Six Sigma DMAIC e a prática do Gemba Walk. Foi possível identificar as causas-raiz das falhas e propor um modelo de gestão de manutenção mais eficaz. A aplicação integrada dessas metodologias permitiu diagnosticar a baixa disponibilidade, especialmente da usina de asfalto, e quantificar as perdas. As causas-raiz foram detalhadas por meio do Diagrama de Ishikawa, revelando problemas estruturais como a ausência de planejamento preventivo, falhas na gestão de backlogs, indisponibilidade de peças críticas e subdimensionamento de componentes. As ações de melhoria propostas visam a transição de um modelo reativo para uma gestão proativa, com padronização de rotinas e monitoramento de indicadores, estruturando um roteiro claro para elevar a confiabilidade operacional e otimizar a produtividade.

Contudo, este estudo possui limitações inerentes à sua natureza de estudo de caso, focado em um projeto específico e com um período de observação delimitado, o que restringe a generalização dos resultados. As soluções propostas foram estruturadas, mas sua implementação e o impacto a longo prazo não foram avaliados neste escopo. Para estudos futuros, sugere-se a validação empírica do modelo de gestão proposto, acompanhando sua aplicação e mensurando a melhoria contínua da disponibilidade mecânica em diferentes contextos. Recomenda-se também a investigação da integração de tecnologias avançadas, como IoT e inteligência artificial, para aprimorar a manutenção preditiva e a gestão de ativos em obras de infraestrutura, bem como a análise aprofundada do impacto de fatores ambientais.

Referências Bibliográficas

Al-Mishari e Suliman, 2008 [Referência completa não encontrada no documento original]

Al-Toubi, S.S. 2024. Developing a Novel Lean Methodology with Machine Learning Approach to Improve the Productivity and Efficiency of Rotating Pumps. Tese de Doutorado em Engenharia. Glasgow Caledonian University, Glasgow, Escócia, Reino Unido. Disponível em:https://researchonline.gcu.ac.uk/en/studentTheses/7887047f-81f6-47e1-99fe-72c2731f4403. Acesso em: 27 set. 2025.

Bendoly, 2016 [Referência completa não encontrada no documento original]

Erbiyik, H. 2022. Definition of maintenance and maintenance types with due care on preventive maintenance. p. 1-26. In: Lambert-Torres, G.; Bonaldi, E.L.; Oliveira, L.E.L. Maintenance Management – Current Challenges, New Developments, and Future Directions. IntechOpen, London, UK. Disponível em: https://doi.org/10.5772/intechopen.106346. Acesso em: 01 out. 2025.

Finigan & Humphries, 2006 [Referência completa não encontrada no documento original]

Finigan e Humphries, 2006 [Referência completa não encontrada no documento original]

Girmanová, L.; Šolc, M.; Kliment, J.; Divoková, A.; Mikloš, V. 2017. Application of Six Sigma using DMAIC methodology in the process of product quality control in metallurgical operation. Acta Technologica Agriculturae 21(4): 104-109.

Gołaś et al., 2016 [Referência completa não encontrada no documento original]

Harris, F.; McCaffer, R. 2013. Modern Construction Management. 7th ed. Oxford: Wiley-Blackwell.

Mičieta, B.; Howaniec, H.; Biňasová, V.; Kasajová, M.; Fusko, M. 2021. Increasing Work Efficiency in a Manufacturing Setting Using Gemba Walk. European Research Studies Journal 24(SI4): 601-620.

Mobley, R.K. 2002. An Introduction to Predictive Maintenance. 2ed. Elsevier, Oxford, UK.

Mobley, R.K.; Higgins, L.R.; Wikoff, D.J. 2008. Maintenance Engineering Handbook. 7ed. McGraw-Hill, Nova York, USA.

Monday, L.M. 2022. Define, measure, analyze, improve, control (DMAIC) methodology as a roadmap in quality improvement. Global Journal on Quality and Safety in Healthcare 5(2): 44-46.

Parker, H.W.; Oglesby, C.H. 2009. Productivity Improvement in Construction. New York: McGraw-Hill.

Patil, A.B.; Inamdar, K.H. 2014. Process Improvement using DMAIC Approach: Case Study in Downtime Reduction. In: International Journal of Engineering Research & Technology Conference, 2014, Maharashtra, India. Anais… p. 1930-1935.

Peurifoy, R.L.; Schexnayder, C.J.; Shapira, A. 2018. Construction Planning, Equipment and Methods. 9th ed. New York: McGraw-Hill.

Rozak et al., 2020 [Referência completa não encontrada no documento original]

Saleh, 2024 [Referência completa não encontrada no documento original]

Smętkowska, M.; Mrugalska, B. 2018. Using Six Sigma DMAIC to improve the quality of the production process: a case study. Procedia – Social and Behavioral Sciences 238: 590-596.

Soliman, M.H.A. 2017. Gemba Walks the Toyota Way: The Place to Teach and Learn Management. CreateSpace Independent Publishing Platform, USA.

Taylor, J.D. 2021. The impact of Gemba Walks on preventative maintenance productivity. Dissertação de Mestrado em Engenharia e Gestão. Western Kentucky University, Bowling Green, KY, EUA. Disponível em: https://digitalcommons.wku.edu/theses/3545. Acesso em: 01 out. 2025.

Weber, 2018 [Referência completa não encontrada no documento original]

Zu et al., 2008 [Referência completa não encontrada no documento original]

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão de Projetos do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy