10 - Simulação e Otimização de Uma Linha de Manufatura em Fase de Projeto

UNIVERSIDADE FEDERAL DE ITAJUB
Jos Renato Nunes Brighenti
SIMULAO E OTIMIZAO DE UMA LINHA DE MANUFATURA EM FASE DE PROJETO
Dissertao submetida ao Programa de PsGraduao em Engenharia de Produo como requisito parcial obteno do ttulo de Mestre em Engenharia de Produo
Orientador: Prof. Jos Arnaldo Barra Montevechi, Dr
Itajub, outubro de 2006
BRIGHENTI, Jos Renato Nunes. Simulao e otimizao de uma linha de manufatura em fase de projeto. Itajub: UNIFEI, 2006. 113p. (Dissertao de mestrado apresentada ao Programa de PsGraduao em Engenharia de Produo da Universidade Federal de Engenharia de Itajub). Palavras-Chaves: Simulao Otimizao Manufatura
UNIVERSIDADE FEDERAL DE ITAJUB
Jos Renato Nunes Brighenti
SIMULAO E OTIMIZAO DE UMA LINHA DE MANUFATURA EM FASE DE PROJETO
Dissertao aprovada por banca examinadora em 6 de outubro de 2006, conferindo ao autor o ttulo de Mestre em Engenharia de Produo.
Banca Examinadora: Prof. Jos Arnaldo Barra Montevechi, Dr Prof. Edson de Oliveira Pamplona, Dr Prof. Helder Gomes Costa, Dr
Itajub, outubro de 2006
ix
Agradecimentos
Em primeiro lugar agradeo a Deus pelas oportunidades a mim concedidas. Agradeo ao meu amigo e orientador Professor Jos Arnaldo, pela incansvel perseverana, confiana em meu trabalho e amizade. Agradeo tambm minha namorada, Renata, pelo suporte e pela pacincia nos momentos mais difceis. E finalmente agradeo aos meus pais Djalma e Sylvia, maiores responsveis por todos os grandes projetos de minha vida, dedicando, dando amor, carinho e suporte.
Sumrio
Agradecimentos ___________________________________________________________ix Sumrio __________________________________________________________________ x Resumo _________________________________________________________________xiii Abstract _________________________________________________________________xiv Lista de figuras ___________________________________________________________ xv Lista de tabelas __________________________________________________________ xvii Lista de abreviaturas _____________________________________________________xviii 1 Introduo ____________________________________________________________ 1 1.1 1.2 1.3 1.4 1.5 1.6 2 2.1 2.2 2.3 Consideraes iniciais ______________________________________________ 1 O problema _______________________________________________________ 2 Objetivo do trabalho _______________________________________________ 3 Relevncia do trabalho______________________________________________ 4 Metodologia de pesquisa ____________________________________________ 5 Estrutura do trabalho ______________________________________________ 6 Consideraes iniciais ______________________________________________ 7 Justificativa econmica da simulao __________________________________ 9 Definies________________________________________________________ 11 Sistema______________________________________________________ 11 Modelo ______________________________________________________ 12 Simulao ___________________________________________________ 13
Simulao ____________________________________________________________ 7
2.3.1 2.3.2 2.3.3 2.4 2.5 2.6 2.7
Metodologias de simulao _________________________________________ 15 Definio da metodologia___________________________________________ 20 Mapeamento do processo___________________________________________ 21 Construo do modelo _____________________________________________ 25 Partir de modelos simples ______________________________________ 26 Fiscalizar o nvel de detalhamento _______________________________ 26 Dividir o modelo ______________________________________________ 27 Verificar e corrigir os erros _____________________________________ 27 Mudana dos parmetros de entrada _____________________________ 30 Turing test ___________________________________________________ 30
2.7.1 2.7.2 2.7.3 2.7.4 2.8 2.8.1 2.8.2
Validao do modelo ______________________________________________ 28
xi
2.8.3 2.8.4 2.9 3 3.1 3.2 3.3
Desenvolver o modelo juntamente com o usurio ___________________ 31 Recorrer a especialistas ________________________________________ 31
Consideraes finais _______________________________________________ 33 Consideraes iniciais _____________________________________________ 34 Definio ________________________________________________________ 34 Mtodos de otimizao _____________________________________________ 35 Mtodos determinsticos _______________________________________ 36 Mtodos probabilsticos ________________________________________ 37 Funcionamento _______________________________________________ 40
Otimizao___________________________________________________________ 34
3.3.1 3.3.2 3.4 3.5 4 4.1 4.2 4.3 4.4 4.5 5 5.1 5.2 5.3 5.4 3.4.1
Algoritmos Genticos ______________________________________________ 40 Consideraes finais _______________________________________________ 42 Consideraes iniciais _____________________________________________ 43 Introduo _______________________________________________________ 43 Funcionamento ___________________________________________________ 44 Metodologia para simulao + otimizao _____________________________ 44 Consideraes finais _______________________________________________ 46 Consideraes iniciais _____________________________________________ 47 Definio do sistema a ser analisado__________________________________ 47 Esboo do problema e coleta de dados ________________________________ 50 Simulao do sistema ______________________________________________ 56 Definio do problema e do objetivo______________________________ 57 Coleta de dados _______________________________________________ 57 Escolha do software e construo do modelo_______________________ 57 Validao do modelo __________________________________________ 61 Definio das variveis_________________________________________ 64 Definio dos tipos de variveis__________________________________ 65 Definio da funo objetivo ____________________________________ 65 Seleo do tamanho da populao do Algoritmo Evolutivo ___________ 66 Anlise dos resultados _________________________________________ 68
Otimizao + Simulao________________________________________________ 43
Aplicao ____________________________________________________________ 47
5.4.1 5.4.2 5.4.3 5.4.4 5.5 5.5.1 5.5.2 5.5.3 5.5.4 5.5.5 5.6 5.7 6
Otimizao_______________________________________________________ 64
Implementao ___________________________________________________ 71 Consideraes finais _______________________________________________ 71
Concluso ___________________________________________________________ 72
xii
6.1 6.2 6.3 6.4
Consideraes iniciais _____________________________________________ 72 Concluses e contribuio do trabalho________________________________ 72 Sugestes para trabalhos futuros ____________________________________ 73 Consideraes finais _______________________________________________ 74
Referncias bibliogrficas __________________________________________________ 75 ANEXO 1________________________________________________________________ 79 ANEXO 2________________________________________________________________ 95
xiii
Resumo
A simulao computacional juntamente com a otimizao so ferramentas de fundamental importncia no desenvolvimento de novos projetos, como a implantao de uma nova linha de manufatura. A simulao pode ser aproveitada nas mais variadas fases do desenvolvimento da nova linha, entretanto na fase de projeto em que so tomadas as decises mais importantes. Respostas e perguntas como: Quantos operadores so necessrios? Qual o regime de trabalho? Qual rea necessria? Qual a produtividade esperada da linha? So fundamentais para a formao adequada dos custos da nova linha, sendo que a preciso destes nmeros pode levar a nova linha ao sucesso ou ao fracasso. O presente trabalho abordou a aplicao da simulao e da otimizao como ferramentas de auxlio ao planejamento de uma nova linha de manufatura de uma empresa do setor de autopeas, visando verificar a eficincia do mtodo tradicional utilizado pela empresa onde nenhuma ferramenta computacional utilizada. Nos prximos captulos deste trabalho abordada a aplicao destas ferramentas. Dentre elas pode-se destacar o mapeamento do processo que alm de ser uma ferramenta fundamental para o bom desempenho do modelo auxiliou no entendimento do fluxo da nova linha, permitindo a correo de erros que poderiam levar o estudo ao insucesso. Utilizou-se para isso o pacote de simulao ProModel, que inclui um software de otimizao baseado em Algoritmos Genticos, o SimRunner. Pode-se concluir que os resultados alcanados atravs da simulao foram significativamente diferentes dos obtidos pela metodologia tradicional da empresa, principalmente em dois aspectos: a mo de obra que foi reduzida em 45% e a produtividade da linha que ficou 4% acima do previsto. Estes resultados trouxeram vrios benefcios empresa dentre eles uma nova formao de custos da linha que possibilitar uma reduo dos preos dos produtos manufaturados tornando a linha mais competitiva. Outro benefcio destas ferramentas para a empresa a visualizao grfica do projeto na forma esttica e dinmica, o que alm de enriquecer, facilita a anlise com dados e grficos mais precisos.
xiv
Abstract
Computational simulation together with optimization is an important tool in the development of new projects, as the implantation of a new manufacture line. Simulation can be used in the most varied phases of a new line development, however is in the project phase where the most important decisions are taken. Questions as: How many operators are necessary? Which is the regimen of work? Which is the necessary area? Which is the productivity of the line? Are essential for cost formation of a new line and the precision of these numbers can take the new line to the success or failure. The present study approached the application of these techniques as a planning aid tool in an auto parts factory, to verify the efficiency of the traditional method used by the company where no advanced tool as the simulation is used. The next chapters presented the methodology of these two techniques. Amongst them we can detach the process mapping that beyond of being a basic tool for a good model performance, assisted in the understanding of the process flow of the new line, allowing the correction of errors that could lead the analysis to failure. The ProModel simulation package, that includes an optimization software based on Genetic Algorithms, the SimRunner, has been choose. It can be concluded that the results reached through the simulation had been significantly different from the ones reached by the traditional company methodology, mainly in two aspects: labor was reduced in 45% and the productivity of the line was 4% above of the foreseen one. These results had brought some benefits to the company like a new cost formation that will make possible a reduction on manufactured products prices and also making the new line more competitive. Another benefit of these tools for the company is the project graphical visualization in the static and dynamic form, what beyond enriching, facilitates the analysis with data and more precise graphs.
xv
Lista de figuras
Figura 1.1 Formas de classificao das pesquisas cientficas (SILVA e MENEZES, 2005).. 5 Figura 2.1 Transformao da realidade em modelo. ............................................................... 7 Figura 2.2 Mtodo cientfico aplicado simulao (HARRELL, 2000)................................. 8 Figura 2.3 Evoluo do custo de um sistema em suas diferentes fases (HARRELL et al., 2000)......................................................................................................................................... 10 Figura 2.4 Comparativo da evoluo dos custos com e sem aplicao da simulao (HARRELL et al., 2000). ......................................................................................................... 10 Figura 2.5 Relao entre sistema, modelo e simulador. ........................................................ 14 Figura 2.6 Procedimento para se conduzir uma simulao (Adaptado de PROMODEL USERS GUIDE, 2002)............................................................................................................18 Figura 2.7 Sequncia da metodologia (LOBO e PORTO, 1997). ......................................20 Figura 2.8 Componentes do processo (HARRINGTON, 1993)............................................ 22 Figura 2.9 Exemplo de um mapofluxograma (ROSA, 2002)................................................25 Figura 2.10 Reviso do trabalho em caso de no validao.................................................. 32 Figura 3.1 Classificao dos mtodos de otimizao (CARNEIRO, 1996).........................36 Figura 4.1 Otimizao em simulao (FU, 2002). ................................................................ 44 Figura 5.1 Produto fabricado pela empresa e sua localizao no veculo. ............................48 Figura 5.2 Principais caractersticas das longarinas. ............................................................. 49 Figura 5.3 Mapofluxograma da linha de manufatura roll form............................................. 52 Figura 5.4 Mapa do processo da linha de manufatura de longarinas RF............................... 55 Figura 5.5 Tela de abertura do ProModel...........................................................................58 Figura 5.6 Definio de locations..........................................................................................59 Figura 5.7 Definio de entities.............................................................................................59 Figura 5.8 Definio de arrivals............................................................................................60 Figura 5.9 Definio de processing.......................................................................................60 Figura 5.10 Definio de resources.......................................................................................61 Figura 5.11 Percentual de utilizao da capacidade dos equipamentos. ............................... 63 Figura 5.12 Definio dos macros......................................................................................... 65 Figura 5.13 Definio das variveis. .....................................................................................65 Figura 5.14 Definio da funo objetivo .............................................................................66 Figura 5.15 Definio do tamanho da populao .................................................................. 67 Figura 5.16 Definio do nvel de confiana.........................................................................67
xvi
Figura 5.17 Definio do nmero de replicaes .................................................................. 68 Figura 5.18 Relatrio exibido pelo SimRunner (1 turno)................................................... 68 Figura 5.19 Comparativo dos tempos de operadores antes e aps otimizao...................... 69 Figura 5.20 Comparativo dos nmeros de produo antes e aps otimizao ...................... 69
xvii
Lista de tabelas
Tabela 2.1 Classificao de sistema, modelo e simulao (PEREIRA, 2000)...................... 15 Tabela 2.2 Simbologia proposta por BARNES (1982) para mapeamento. ........................... 24 Tabela 4.1 Software de otimizao (Adaptado de FU, 2002)................................................ 43 Tabela 5.1 Vantagens e desvantagens do processo RF. ........................................................ 47 Tabela 5.2 Etapas de construo at o modelo final.............................................................. 62 Tabela 5.3 Comparao entre produtividade planejada e simulada. ..................................... 63 Tabela 5.4 Comparao entre produtividade planejada e simulada (sem inspeo) ............. 64 Tabela 5.5 Comparativo dos resultados finais otimizados. ................................................... 70
xviii
Lista de abreviaturas
AE AG RF WIP Algoritmos Evolutivos Algoritmos Genticos Roll Form Work in Progress Material em processo
CNC Computer Numeric Control
Capitulo 1 - Introduo_____________________________________________________1
1 Introduo
1.1 Consideraes iniciais
O captulo que aqui se inicia tem a finalidade de discutir os aspectos de maior importncia do presente trabalho. So realizadas algumas consideraes iniciais, apresentando o problema, o objetivo do trabalho, a relevncia e a estrutura da dissertao. A grande competitividade imposta pela globalizao obriga as empresas a constantes evolues nos sistemas de produo. Neste cenrio as empresas necessitam no somente manter a sua fatia de participao no mercado, mas tambm aument-la. Sob esta presso as empresas se questionam: como manter a fatia de mercado j conquistada? Como melhorar a competitividade para concorrer com o mundo? (FERREIRA, et al., 2002b). Segundo LIM e ZHANG (2003), o mercado mundial vem se tornando cada vez mais dinmico requerendo dos sistemas de manufatura respostas rpidas e flexibilidade para mudanas de cenrios por parte do cliente. Para SAAD (2003) o cenrio internacional tem exigido das empresas mudanas no seu sistema de produo as quais, muitas vezes, levam alguns meses at serem implementadas, mas o cliente no est disposto a esperar e a concorrncia j poder estar pronta para dar a resposta. Desta forma as empresas necessitam retirar o mximo rendimento possvel de todos os seus recursos bem como realizar novos investimentos que podem afetar diretamente o desempenho e consequentemente a competitividade da empresas. Geralmente quando se trabalha na anlise de novos investimentos e seus recursos, surgem questes como qual ser o layout desta linha e como obter a melhor produtividade, flexibilidade e qualidade da linha com o menor recurso possvel. Respostas para estas perguntas podem ser dadas atravs de anlises realizadas sobre crenas e idias de uma pessoa ou de um grupo, sendo as mesmas pouco quantificveis; atravs de modelos matemticos estticos que no consideram as caractersticas dinmicas do sistema, levando muitas vezes ao erro; ou, atravs de modelos de simulao computacional dinmico, onde so consideradas as
Capitulo 1 - Introduo_____________________________________________________2 aleatoriedades e interdependncias das variveis do sistema, aumentando assim a capacidade de previso do comportamento do sistema real. (HARRELL et al., 2000; BANKS, 2000: PIDD, 1998). A representao de um sistema pela modelagem feita em computador, possibilita a anlise de sistemas complexos. Assim, segundo PIDD (1998), para sistemas dinmicos, complexos e componentes interativos, como os de manufatura, a simulao computacional uma ferramenta bastante adequada. A simulao de sistemas de manufatura uma poderosa ferramenta para a tomada de decises, minimizando o risco destas decises (BANKS, 2000; PEREIRA, 2000). Porm, para usar a simulao na avaliao e melhoria do desempenho de um processo, necessrio primeiramente selecionar algumas configuraes e ento executar a simulao para cada uma delas, analisando os resultados encontrados (OPTQUEST FOR ARENA USERS GUIDE, 2002). Tal processo pode ser muito tedioso e consumir muito tempo, alm de, geralmente, no ser claro o ajuste das variveis para compor uma configurao. Esta limitao foi superada com a utilizao de tcnicas de otimizao em conjunto com a simulao. Segundo HARREL, (2000), a otimizao o processo de tentar diferentes combinaes de valores para variveis que podem ser controladas buscando uma combinao de valores que prov a sada mais desejada de um modelo. Existem atualmente vrios softwares que permitem a realizao da otimizao a partir de uma simulao, dentre eles pode-se citar: AutoStat, OptQuest, OPTIMIZ, SimRunner e WITNESS Optimizier. Os mesmos fazem parte de pacotes comerciais onde tambm est incluso o mdulo de simulao. A combinao entre simulao e otimizao faz com que as respostas sejam mais eficientes, possibilitando uma melhor tomada de deciso.
1.2 O problema
O estudo foi desenvolvido ema empresa do setor de autopeas, em fase de expanso, uma nova linha ser construda para a produo de longarinas atravs de um processo diferente do atual.
Capitulo 1 - Introduo_____________________________________________________3 Sabe-se que atualmente qualquer novo projeto que necessite de altos investimentos submetido a uma profunda anlise tcnica e econmica antes de sair do papel e, para tal, os especialistas necessitam de previses confiveis. O problema analisado por este trabalho a superficialidade das anlises feitas para validao tcnica e econmica do projeto de construo desta nova linha de manufatura. A empresa objeto deste estudo utiliza-se de dados histricos e da experincia de especialistas para calcular as previses. Apesar de serem dados confiveis as anlises so feitas de forma esttica, impossibilitando a visualizao dinmica destas previses bem como a interao entre as variveis. Alm disso, a falta de recursos computacionais torna muito complexa e demorada a anlise de diferentes cenrios e suas respostas timas. Baseando-se em resultados feitos atravs de anlises superficiais os gestores desta empresa tomam decises importantes como a formao de preos de novos produtos e at mesmo o impedimento da construo da nova linha. A simulao e a otimizao foram aplicadas na fase de desenvolvimento do projeto com o objetivo de aprimorar os resultados das anlises dando melhores condies aos gestores de tomar decises importantes para o futuro da empresa.
1.3 Objetivo do trabalho

O objetivo deste trabalho a aplicao da simulao computacional e da otimizao na fase de planejamento do projeto de uma nova linha de manufatura visando conhecer seus benefcios comparados ao mtodo empregado pela empresa. Os objetivos complementares do presente trabalho so: Mapear o processo da linha; Conhecer a produtividade da linha; Definir a rea necessria para o estoque em processo; Quantificar a mo de obra necessria para o pleno funcionamento; Definir o melhor regime de trabalho em turnos.
1.4 Relevncia do trabalho

As empresas do setor de autopeas esto cada vez mais pressionadas pela concorrncia globalizada. Com esta presso as empresas esto se mobilizando e procurando racionalizar toda a sua cadeia produtiva, melhorando processos, implantando novos sistemas de gesto, reorganizando layout, reduzindo estoques e investindo em novos equipamentos. Estas mudanas requerem ferramentas de planejamento e gesto cada vez mais avanadas e sofisticadas, para suprir os gestores de informaes confiveis para a tomada de decises. A simulao computacional vem se mostrando uma ferramenta com grande potencial de apoio a tomada de deciso, conforme os autores LIM e ZHANG (2003), SAAD (2003), PERSON (2002), BANKS (2000), HARRELL et al. (2000), KOSTURIAK e GREGOR (1999), LAW e KELTON, (1982). A dissertao descrever a aplicao da simulao computacional e da otimizao no auxlio ao planejamento do layout e dos recursos a serem utilizados em uma linha de manufatura, comparando a anlise feita por especialistas e propondo uma nova soluo. Segundo KELLNER et al. (1998), a simulao computacional pode ajudar as pessoas a aceitar a irrealidade das suas expectativas iniciais sobre os resultados esperados, pois a maioria das pessoas no possui capacidade ou habilidade suficiente para visualizar o comportamento de sistemas complexos sem a ajuda da simulao. Para HARRELL, (2000), a simulao computacional em sistemas de manufatura uma importante ferramenta de planejamento gerencial que poder trazer grandes contribuies empresa, tais como: anlise de mtodos, implantao de layout, anlise do impacto na variao do tamanho de lote para fabricao, controle da produo, controle sobre o estoque em processo, planejamento do supply chain, programao da produo, controle da produo em tempo real, avaliao do impacto da introduo de um novo produto, previso de gastos, criao de cenrios e avaliao da eficcia dos planos de contingncia. Ainda segundo o mesmo autor, a simulao poder ser usada como ferramenta de planejamento com diferentes focos ao longo do tempo, ou seja, desde o controle da clula no seu dia a dia at o planejamento a longo prazo prevendo mudanas inclusive de tecnologias.
1.5 Metodologia de pesquisa

Para Gil (1999), a pesquisa tem um carter pragmtico, um processo formal e sistemtico de desenvolvimento do mtodo cientfico. O objetivo fundamental da pesquisa descobrir respostas para problemas mediante o emprego de procedimentos cientficos. Esta pesquisa investiga os resultados da aplicao da simulao e da otimizao na fase de planejamento do projeto de uma nova linha de manufatura. Sendo assim a pesquisa no permite ao pesquisador controle de todas as variveis do sistema, que caracteriza uma experimentao. A pesquisa tambm no se preocupa em generalizar os resultados, contribuio obtida atravs da Survey. Como realizada uma aplicao de um mtodo no empregado atualmente pela organizao em estudo, a caracterizao da pesquisa como estudo de caso est descartada. A classificao da pesquisa como pesquisa ao, tambm foi refutada, pois a pesquisa no se preocupa em medir os resultados aps a implantao da abordagem metodolgica Na pesquisa sero usadas ferramentas de modelagem e simulao, o que tambm a caracteriza como simulao. Sendo assim, o mtodo de pesquisa utilizado foi a modelagem e a simulao. A Figura 1.1 mostra todas as formas de classificao das pesquisas cientficas.
Figura 1.1 Formas de classificao das pesquisas cientficas (SILVA e MENEZES, 2005).
Capitulo 1 - Introduo_____________________________________________________6 A elaborao de hipteses, afirmaes iniciais que se buscar afirmar no decorrer da pesquisa, algo essencial na elaborao e execuo de uma pesquisa. O presente trabalho busca afirmar a seguinte hiptese: A combinao entre simulao e otimizao de grande valia no apoio a deciso, trazendo vantagens significativas na fase de planejamento do projeto de uma nova linha de manufatura em alternativa aos mtodos usualmente empregados na empresa.
1.6 Estrutura do trabalho

Este trabalho est dividido em seis captulos, o contedo deles so: O primeiro captulo foi destinado introduo, descrevendo a relevncia do trabalho e seus objetivos; O segundo captulo traz as definies sobre simulao, a sua justificativa econmica e as metodologias. Na sequncia, define a metodologia aplicada no estudo e como construir e validar o modelo; O terceiro captulo foi destinado ferramenta de otimizao, apresentando suas metodologias e aprofundando na metodologia escolhida, o algoritmo gentico; O quarto captulo faz a apresentao das ferramentas de simulao e otimizao em conjunto; O quinto captulo foi destinado aplicao dos conceitos abordados anteriormente na linha de manufatura; O sexto captulo traz as concluses e as recomendaes para os trabalhos futuros.
Capitulo 2 Simulao______________________________________________________7
2 Simulao
Este captulo tem como finalidade apresentar uma reviso bibliogrfica a respeito da simulao computacional e sua relevncia. So levantadas as definies de sistema, modelo e simulao, assim como suas classificaes. Ainda neste captulo feita a apresentao de algumas metodologias para uma implementao bem sucedida de simulao, dos conceitos de mapeamento de processo e finalmente como construir e validar um modelo. Segundo HARRELL et al. (2000) e LAW e KELTON (1982), simulao a imitao de um sistema real modelado em computador para avaliao e melhoria do seu desempenho. Ainda, segundo BANKS (2000), a simulao envolve a criao de uma histria artificial da realidade e com base nela so realizadas observaes e inferncias nas caractersticas de operao do sistema real representado. A Figura 2.1 esquematiza este conceito da transformao da realidade em modelo e novamente dos resultados em realidade.
Figura 2.1 Transformao da realidade em modelo. O processo de simulao segue o mtodo cientfico, ou seja, formula as hipteses, prepara o experimento, testa as hipteses atravs do experimento e valida as hipteses atravs dos resultados obtidos. Este processo na simulao mostrado na Figura 2.2.
Figura 2.2 Mtodo cientfico aplicado simulao (HARRELL, 2000). A simulao no uma ferramenta que substitui o trabalho de interpretao humana, mas sim uma ferramenta capaz de fornecer resultados para anlises mais elaboradas a respeito da dinmica do sistema, permitindo desta maneira uma interpretao mais profunda e abrangente do sistema estudado.
Capitulo 2 Simulao______________________________________________________9 So diversas as reas de aplicao da simulao. HARRELL et al. (2000), LOBO (2000), BANKS et al. (1996) e LAW e KELTON (1986) destacam os sistemas computacionais e de telecomunicaes, fabricao, negcios, logstica, militar, treinamento, cientfica, econmica e servios. Segundo KUMAR e PHROMMATHED (2005), antes da implantao direta de qualquer mudana no sistema produtivo, o mapeamento do processo, a anlise dos dados e a simulao computacional podem reduzir com sucesso o risco da ineficcia de uma operao de reprojeto no mundo real.
2.2 Justificativa econmica da simulao

Conforme HARREL et al. (2000) ao utilizar qualquer software os custos envolvidos devem ser considerados. Da mesma forma no uso da simulao deve-se considerar o custo benefcio da aplicao. Com o envolvimento do custo inicial de implantao para um sistema de simulao (software, hardware e mo-de-obra), frequentemente a aplicao da simulao prejudicada, porque no avaliado corretamente o benefcio que a simulao trar ao negcio com a economia de gastos e tempo para implantao do projeto em estudo pela empresa. Segundo KELLNER, MADACHY e RAFFO (1998), o maior motivo para se criar um modelo de simulao ou utilizar qualquer outro mtodo de modelagem que esta a forma de menor custo para se obter importantes resultados, quando os custos, os riscos ou a logstica de manipulao do sistema real proibitiva. Os principais ganhos com a simulao so obtidos com a identificao e eliminao de problemas e ineficincias, chegando at a verificao da inviabilidade do projeto, antes da implantao. Segundo GLENNEY e GERALD (1985), os custos estimados com o uso da simulao em um projeto situam-se entre 1 a 3% do custo total do mesmo. Uma das dificuldades da justificativa econmica da simulao o fato de geralmente no se conseguir avaliar qual ser a economia total gerada no projeto, conseguindo-se este valor somente aps a sua concluso.
Capitulo 2 Simulao______________________________________________________10 Durante o seu desenvolvimento um projeto ou sistema passa por diferentes fases com caractersticas distintas entre si, ou seja, cada qual com o seu tempo e custo. A Figura 2.3 apresenta a relao entre as fases do projeto e seu custo.
Figura 2.3 Evoluo do custo de um sistema em suas diferentes fases (HARRELL et al., 2000). Quando a simulao aplicada no desenvolvimento do projeto ou sistema, a relao entre o custo e as fases do projeto alterada (Figura 2.4). A fase de concepo do projeto ou sistema no sofre nenhum impacto, pois a aplicao da simulao realizada aps esta etapa.
Figura 2.4 Comparativo da evoluo dos custos com e sem aplicao da simulao (HARRELL et al., 2000).
Capitulo 2 Simulao______________________________________________________11 Em um sistema onde aplicada a simulao, o custo na fase de projeto fica mais elevado, mas justamente nesta fase, com o auxlio da simulao, onde se consegue planejar um sistema mais otimizado, consequentemente nas fases de implantao e operao se obtm a esperada reduo do custo (BATEMAN et al., 1997) (Figura 2.4). Ainda na Figura 2.4 pode-se observar que a rea sobre a curva dos custos com a simulao menor que a dos custos sem a simulao, ou seja, o custo total no final menor quando a simulao utilizada.
2.3 Definies
Para um melhor entendimento sobre simulao, preciso conhecer as definies de sistema e modelo e da simulao computacional.
2.3.1 Sistema
A definio clara do que vem a ser sistema muito importante para a execuo de uma simulao, pois com base nesta definio que se levantaro as informaes necessrias ao estudo. Segundo SEILA (1995), um sistema um conjunto de componentes ou entidades interagindo entre si, trabalhando juntos para atingir algum objetivo. Na prtica, o significado de sistema depende dos objetivos de cada estudo (LAW e KELTON, 2000). So exemplos de sistema: sistema de trfego, sistema policial, sistema econmico, sistema bancrio, entre outros. Um sistema tambm pode ser uma parte ou conjunto no qual o estudo ser realizado, que por sua vez est inserido em universo ainda maior, como a rea responsvel pelo saque e depsito de uma agncia bancria. A ao entre os elementos do sistema envolve interdependncias que podem ser simples ou mais elaboradas, dependendo do nmero de variveis. Segundo DUARTE (2003), a variabilidade uma caracterstica inerente a qualquer sistema que envolva pessoas e mquinas, uma vez que ambas podem falhar. Assim, a variabilidade introduz incerteza no sistema, cuja compreenso se torna difcil sem o uso de ferramentas apropriadas, como a simulao. Segundo PEREIRA (2000), em simulao, possvel trabalhar com sistemas discretos, contnuos ou a combinao dos dois. Os sistemas so ditos discretos quanto as variveis envolvidas assumem valores finitos ou infinitos numerveis (por exemplo, peas que chegam
Capitulo 2 Simulao______________________________________________________12 a uma mquina) e contnuos quando as variveis mudam continuamente no tempo (por exemplo, quilmetros rodados pelos caminhes na simulao de um sistema logstico). Neste caso o software de simulao deve ter condies de resolver sistemas de equaes diferenciais. J nas simulaes de eventos discretos os programas so dotados de um relgio, que iniciado com o evento ao qual est vinculado e avana at que o prximo evento esteja programado.
2.3.2 Modelo
Um modelo, segundo HILLIER e LIEBERMAN (2001), uma representao de um sistema real, onde somente os aspectos relevantes para a anlise em questo sero considerados. O uso de modelos traz muitos benefcios como reduo de tempo, custo e perdas materiais. Em muitos casos seu uso at mesmo inevitvel, como quando o sistema real no existe por se tratar de um projeto ou no estar disponvel para experimentos. De acordo com o tipo de modelo, ele pode ser classificado em: matemtico, fsico e de simulao (STAMM, 1998): Modelos matemticos: modelos que fazem uma abstrao da realidade utilizando conceitos complexos envolvendo linguagens formais, sentenas e expresses cujas sintaxes e semnticas dentro da lgica e metalgica matemticas guardam uma semelhana bsica com o conceito de modelos para simulao, que a relao de satisfao, ou seja, a condio de semelhana entre a estrutura e a teoria (STAMM, 1998); Modelos fsicos: modelos que assumem forma fsica, sobre a qual o estudo ser realizado. Dentre outros tipos de modelos fsicos pode-se citar (STAMM, 1998): desenho em escala, um mtodo operacional que permite equacionar, ou otimizar atividades no muito complexas, freqentemente utilizadas pelos profissionais responsveis por projetos; e maquetes (ou modelos reduzidos), so miniaturas tridimensionais em escala de reduo, utilizadas para apreciao de aspectos estticos e de distribuio de volumes em obras arquitetnicas e para medies de comportamento, tais como obras hidrulicas ou martimas; Modelos para simulao computacional: quando as relaes que compe o modelo so suficientemente simples, possvel empregar mtodos matemticos como a lgebra, o clculo ou a teoria da probabilidade para obter informaes exatas sobre questes de
Capitulo 2 Simulao______________________________________________________13 interesse (LAW e KELTON, 2000). Entretanto a maioria dos sistemas reais complexa demais para permitir uma avaliao analtica e por isto estes casos tm que ser estudados por meio computacional. Este trabalho se atm ao ltimo tipo de modelo, que foi construdo com auxlio de programas de computador especficos para simulao. Este tipo de modelo pode ser classificado quanto a sua variabilidade no tempo em: Esttico - representa o sistema sem levar em conta sua variabilidade; Dinmico - representa o sistema a qualquer tempo. Pode ainda ser classificado quanto ao tipo de valores que as variveis assumem; Determinstico - quando assumem valores exatos; Estocstico - assumem diversos valores dentro de uma distribuio de probabilidades.
2.3.3 Simulao Computacional

A simulao computacional, segundo LAW e KELTON (2000), a imitao de um sistema real modelado em computador, no qual sero executados experimentos para avaliao e melhoria de seu desempenho. De um modo geral, simulao a importao da realidade para um ambiente controlado onde se pode estudar o comportamento do mesmo sob diversas condies, sem os riscos fsicos e/ou custos envolvidos em um estudo tradicional. Como j mencionado, um modelo a representao de um sistema real. A simulao uma ferramenta que utiliza tal modelo para fazer experimentos e responder questes do tipo what if, manipulando as entradas e verificando suas sadas. No treinamento de pilotos em simuladores de vo, por exemplo, eles ficam em uma cabina (modelo de um avio real), testando manobras e sentindo a dinmica do modelo e suas consequncias. Assim, a simulao o resultado de uma srie de aes no modelo, que imitam reaes do ambiente. MOREIRA (2001) apresenta de forma bem resumida o que vem a ser sistema, modelo e simulao: sistema - origem dos dados; modelo - grupo de instrues para a gerao de novos dados; e simulador - dispositivo capaz de levar adiante instrues do modelo. A relao entre estes fica de fcil entendimento com a apresentao da Figura 2.5.
Figura 2.5 Relao entre sistema, modelo e simulador. Segundo LAW e KELTON (2000), a simulao dita terminante quando se est interessado em estudar um sistema num dado intervalo de tempo, ou seja, conhecer seu comportamento ao longo deste intervalo, sendo definidas as datas de incio e trmino da simulao. Como no caso de um conjunto de postos de cobrana de pedgio onde se deseja definir o nmero de postos em funcionamento de acordo com a hora do dia; assim, o intervalo de interesse est entre zero e vinte e quatro horas. A simulao dita no terminante quando se est interessado em estudar o sistema a partir do momento em que o mesmo estiver em um estado estvel, atingido aps certo perodo de aquecimento, onde se determina e elimina as tendncias iniciais. Isso no quer dizer que ela nunca termine, nem que o sistema no tenha fim, mas que ela poderia continuar infinitamente sem nenhuma mudana estatstica no comportamento. Assim, uma simulao do comportamento das ps de uma turbina pode ser considerada no terminante, desde que o interesse seja estudar as caractersticas de seu escoamento em condies estveis, aps um perodo de aquecimento. Na Tabela 2.1 PEREIRA (2000) mostra de maneira sucinta a classificao de sistemas e modelos para simulao, alm da classificao da prpria simulao.
Sistema
Discreto: Variveis envolvidas assuem valores finitos e infinitos numerveis. Contnuo: Variveis mudam constantemente com o tempo.
Modelo
Determinstico: Variveis assuem valores determinados. Estocstico: Variveis assuem valores diversos segundo uma determinada distribuio de probabilidade. Esttico: Estuda o sistema sem levar em conta sua variabilidade com o tempo. Dinmico: Representa o sistema a qualquer tempo.
Simulao
Terminante: H interesse em se estudar o sistema num dado intervalo de tempo. No Terminante: H interesse em estudar o sistema a partir de um determinado estado estvel, podendo o estudo prolongar-se indefinidademente.
Tabela 2.1 Classificao de sistema, modelo e simulao (PEREIRA, 2000). Para se obter uma maior eficincia no uso da simulao, diminuindo seu tempo de execuo sem perder confiabilidade na resposta, faz-se uso do controle sobre alguns fatores como o nvel de detalhamento includo nos modelos, o nmero de dados estatsticos, o uso de animao alm do uso dos elementos do sistema mais importantes para o modelo (HARREL, 2000). A definio e o controle de tais fatores devem ser feitos na fase de planejamento, sendo esta fase de extrema importncia onde recomendado o uso de metodologias para sua execuo.
2.4 Metodologias de simulao

Simular requer mais que simplesmente usar um software. A simulao um projeto que deve ser planejado com conhecimento das etapas e suas necessidades. Para tal, deve-se conhecer bem o sistema e ter uma comunicao com usurios e pessoas envolvidas durante todo o processo. A metodologia nos trabalhos de simulao busca sistematizar os passos de seu desenvolvimento, otimizando a integrao entre software, modelador e usurio, e evitando desperdcio de tempo, dinheiro e resultados frustrantes. A maioria dos trabalhos de simulaes mal sucedidos tem como principal causa a deficincia de um bom planejamento de seu estudo. Por isso, simular requer mais do que o conhecimento de um software especfico, mas tambm, pessoas com conhecimento dos passos a serem seguidos, bem como experincia analtica, estatstica, organizacional e de engenharia.
Capitulo 2 Simulao______________________________________________________16 PIDD (1997) relata que a modelagem computacional de um sistema uma tarefa que exige muito esforo por parte do modelador e que, se conduzido com raciocnio cuidadoso e planejado, ser bastante beneficiada. Para que isto ocorra, o autor prope cinco princpios bsicos e indispensveis em qualquer metodologia para a implementao da simulao: o modelo deve ser simples apesar de partir de pensamentos complicados. Os modelos no necessitam ser to complicados quanto realidade; ser parcimonioso comeando do simples e acrescentar complexidade na medida do necessrio; evitar grandes modelos pela dificuldade em entend-los. A regra dividir esses grandes modelos; a definio dos dados a serem coletados deve ser orientada pelo modelo. O modelador no deve se apaixonar pelos dados; o comportamento do modelador na construo do modelo seria como este estivesse desembaraando-se dos problemas pois a modelagem de forma alguma um processo desordenado. Segundo o PROMODEL USERS GUIDE (2002), a definio dos passos a serem seguidos para se obter bons resultados em simulao com um mnimo dispndio de recursos varia muito de acordo com o projeto, porm os procedimentos bsicos so essencialmente os mesmos. Esses passos bsicos de como conduzir um projeto de simulao so divididos em seis: Plano de estudo. Consiste em estabelecer objetivos e definir ferramentas; restries, principalmente quanto a tempo e custo; especificaes da simulao, que definem escopo (tamanho e complexidade da atividade a ser simulada), nvel de detalhe e grau de acuracidade (quanto maior, maior ser o custo), tipo de experimentao (natureza e nmero de solues diferentes), forma do resultado final, oramento e agenda. Definindo o sistema. Identificao do modelo conceitual no qual a simulao ser baseada. Nesse passo h a tomada de dados, e para ajudar a organizar o processo de juno e anlise desses dados para a definio do sistema os seguintes passos so indicados: definio dos dados requeridos, fontes apropriada de dados, fazer certas consideraes quando necessrio, converter os dados apropriadamente e documentar e aprovar os dados.
Capitulo 2 Simulao______________________________________________________17 Construindo o modelo. O objetivo da construo do modelo prover uma representao vlida do sistema definido. Refinamento dos dados, possvel expanso do sistema, verificao e validao do modelo, so alguns passos dessa fase. Conduo do experimento. Baseado no resultado da simulao o modelador tem uma resposta sobre a validade de suas hipteses, postas no sistema. Em um experimento de simulao h a entrada de variveis definindo o modelo, tais variveis so independentes e podem ser manipuladas. O efeito dessa manipulao ento medido e correlacionado. Embora o software ajude nessa fase, cabe ao modelador decises do tipo: nmero de replicaes do teste, o tamanho e complexidade da simulao, etc. Anlise dos resultados. Quando se faz a conduo de experimentos de simulao, h a necessidade de extrema cautela para analisar os resultados. O maior benefcio da simulao dar idias de o que aconteceria se. Reportando os resultados. O ltimo passo dar recomendaes para melhoramentos no sistema atual baseado nos resultados da simulao. Tais resultados devem ser claramente apresentados para a tomada de deciso final. Como dito no item construindo o modelo, preciso que haja a validao dos dados gerados pelo simulador com os dados tomados em campo. Segundo SARGENT (2004), a validao e verificao de um modelo e crtica no desenvolvimento da simulao. Ainda segundo o autor no existe um conjunto especfico de testes que pode ser facilmente aplicado para determinar a validade do modelo. HARREL et al. (1996), diz que um teste que pode ser feito para validao do modelo a comparao entre as respostas fornecidas pelo modelo e as respostas dadas pelo sistema real. Outro meio de validao o chamado turing test, onde as respostas dadas pelo modelo e as respostas que so dadas pelo sistema real so entregues a pessoas que conhecem o sistema, de modo que estas avaliem a representatividade da realidade. A Figura 2.6 mostra de forma esquemtica a metodologia citada. Nota-se que caso no haja sucesso em algum dos passos preciso voltar aos passos anteriores, de modo a se alcanar um resultado satisfatrio na simulao.
Figura 2.6 Procedimento para se conduzir uma simulao (Adaptado de PROMODEL USERS GUIDE, 2002). J LOBO e PORTO (1997) apresentam uma metodologia em dez passos (Figura 2.7), e enfatizam que os resultados obtidos com o estudo s tero qualidade e consistncia se o trabalho for bem fundamentado, conduzido de uma forma lgica e metdica. A seguir comentado cada um dos passos da proposta. Definio do problema e dos objetivos do estudo: neste momento o modelador e o usurio devero estabelecer um dilogo claro e preciso a respeito do problema e dos resultados esperados ao final do estudo de simulao. O modelador dever fazer uma srie de perguntas ao usurio visando entender o funcionamento do sistema na prtica. Por exemplo: qual ser o propsito do modelo e como ser utilizado?; quais sero as variveis de entrada e sada?; o sistema existente?; quais sero os usurios do modelo?; quem far parte da equipe do projeto?; quais os recursos disponibilizados?; qual o prazo esperado?, entre outras. Tambm nesta fase o modelador dever esclarecer o usurio sobre as limitaes do estudo; Esboo: o modelador dever elaborar um esboo do modelo do sistema, visando realizao dos primeiros estudos sobre o fluxo de informaes, disposio fsica dos equipamentos, os dados necessrios e de que maneira eles sero coletados e tabulados;
Capitulo 2 Simulao______________________________________________________19 Coleta de dados: dever ser realizada baseando-se no esboo do sistema. Os meios para obteno dos dados podero variar: se o sistema j existente bastar coletar os dados histricos do mesmo ou colet-los atravs de medies, para sistemas no existentes o modelador ter que trabalhar com catlogos de fabricantes, dados de sistemas similares, entrevistas com operadores e especialistas no processo, etc; Verificao dos dados: o modelador dever verificar a consistncia dos dados coletados para evitar que o modelo seja construdo sobre uma base errnea de dados; Construo do modelo: nesta etapa surge a necessidade da escolha do software a ser utilizado. O modelador dever levar em considerao a necessidade do modelo e a interface oferecida pelo pacote de software; Validao: esta validao poder ser realizada de diversas formas: a mais comum confrontar os resultados de sada com os dados reais do sistema; tambm pode ser feita com o uso de tcnicas estatsticas; teste de Turing, onde especialistas no sistema estudado recebem dois relatrios um com os dados simulados e o outro com os dados reais do sistema, sem a identificao de qual o real e qual o modelado, e discutem as diferenas; Planejamento dos experimentos: no planejamento alguns itens devero ser levados em considerao: sob quais condies cada simulao ser realizada?; qual a durao de cada simulao?; quantas replicaes devero ser efetuadas para cada cenrio?; se ser adotado algum mtodo de planejamento de experimentos como Taguchi; Realizao dos experimentos: os experimentos planejados no passo anterior sero executados e analisados, devendo os resultados serem cuidadosamente documentados; Refinamento: se o resultado for considerado satisfatrio poder seguir para o prximo passo, caso contrrio dever voltar ao passo sete para replanejar o experimento; Encerramento: ocorrer o fechamento do projeto com a anlise dos relatrios gerados e escolha da melhor alternativa a ser implementada. Nesta etapa dever ser gerada, pelo modelador, e entregue ao usurio a documentao detalhada referente construo do modelo.
Figura 2.7 Sequncia da metodologia (LOBO e PORTO, 1997).
2.5 Definio da metodologia

No tpico 2.4 foram mostradas algumas das metodologias de abordagem do trabalho de simulao encontradas na literatura por vrios autores. Comparando-se as metodologias percebe-se que estas no diferem muito nos seus princpios bsicos. A metodologia escolhida foi a de LOBO e PORTO (1997), com base na observao de que esta possui os mesmos
Capitulo 2 Simulao______________________________________________________21 princpios bsicos das demais metodologias com a vantagem da sequncia adaptar-se bem aplicao da simulao em uma indstria de manufatura. As fases de projeto, execuo e anlise do experimento sero realizadas em conjunto com a otimizao do modelo. Seguindo as etapas da metodologia definida, nos trs prximos tpicos sero abordadas as fases de esboo do problema e coleta de dados atravs do mapeamento do processo, construo do modelo e a validao do modelo.
2.6 Mapeamento do processo

Para desenvolver ou aplicar sistemas de gerenciamento de processos necessrio definir e entender os processos e as atividades que os compem. Para VILLELA (2000), processo uma ordenao especfica das atividades de trabalho no tempo e no espao, com um comeo e um fim identificados, assim como os inputs e outputs. Segundo o mesmo autor, os processos seguem uma hierarquia, conforme mostrados na Figura 2.8. Deste modo, o nvel de detalhamento do trabalho se encaixa em uma destas definies: Macroprocesso: Processo que envolve mais de uma funo na estrutura organizacional, e a sua operao tem um impacto significativo no modo como a organizao funciona; Processo: Conjunto de atividades sequenciais (conectadas), relacionadas e lgicas que tomam um input do fornecedor, acrescentam valor e entregam um output para um cliente; Subprocessos: Uma parte interelacionada de forma lgica com outro subprocesso, realizando um objetivo especfico em apoio ao macroprocesso e contribui para o objetivo deste; Atividades: So elementos do processo ou subprocesso. Geralmente so desempenhadas por uma unidade (pessoa ou departamento) para produzir um determinado resultado; Tarefa: Constitui o micro enfoque do processo, podendo ser um nico elemento ou um subconjunto de uma atividade.
Figura 2.8 Componentes do processo (HARRINGTON, 1993). ROHLEDER e SILVER (1997) afirmam que o processo de melhoria da organizao comea pelo entendimento dos processos e, principalmente, das atividades que o compe. Deste modo, SPEDDING e SUN (1999) afirmam que o conhecimento onde as atividades se processam importante tanto para alocar recursos quanto para iniciar o processo de melhoria. Estas atividades podem ser classificadas nas seguintes categorias: Atividades com nvel de unidade: Desempenhadas a cada vez que uma unidade do produto produzida; Atividades com nvel de lote: Atividades desempenhadas cada vez que um lote de produtos fabricado. O setup de uma mquina exemplo de uma atividade com nvel de lote; Atividades com nvel de produtos: Atividades desempenhadas para cada linha de produtos. Um exemplo seriam as atividades da rea de projeto e marketing dos produtos. ACCIOLY (1999) afirma que uma ferramenta de grande importncia para a compreenso dos processos o mapeamento do processo atravs de fluxograma, porque permite a visualizao do interelacionamento das atividades da cadeia produtiva.
Capitulo 2 Simulao______________________________________________________23 As tcnicas de fluxograma do processo e mapofluxograma do processo so utilizadas visando exatamente um melhor planejamento da simulao. Estas tcnicas auxiliam o modelador a representar da forma mais prxima a real o sistema que ser simulado. O mapeamento de processo constitui em uma ferramenta gerencial, analtica, que possibilita melhoria nos processos existentes ou implanta uma nova estrutura voltada para os processos (VILELLA, 2000). Para ANJARD (1996), o mapeamento de processo consiste em identificar, documentar, analisar e desenvolver um plano de melhoria que proporcione a mudana de viso dos gestores de indstrias, ou seja, faa com que diminua o foco nos output ou produtos e fortalea a gesto dos processos. ANJARD (1996) afirma que o resultado do mapeamento do processo, geralmente, uma representao grfica, o qual mostra como os recursos de entrada so processados e transformados em sadas, destacando-se a relao e a conexo entre cada atividade. VILLELA (2000) afirma que o mapa de processo pode ser confeccionado manualmente ou com ferramentas computacionais. Segundo BARNES (1986), o fluxograma do processo uma tcnica para registrar o processo de uma maneira compacta e de fcil visualizao e entendimento. Usualmente o fluxograma inicia-se com a entrada da matria prima na fbrica ou clula e segue o caminho da fabricao do produto, passando pelas operaes de transformao, transporte e inspeo at a sua sada como produto acabado. Os passos para execuo do mapa do processo podem ser definidos nas seguintes fases: Definio do processo: Nesta fase deve-se determinar quais processos devem ser analisados e estabelecer a fronteira de cada um. Trata-se simplesmente de uma anlise explanatria que busca uma compreenso do funcionamento dos processos e da realizao das atividades. Nesta fase, j possvel definir alguns objetivos ou metas para a anlise, tais como reduzir tempo de ciclo de execuo das atividades, melhorar a qualidade dos produtos que chegam organizao e os que so entregues aos clientes. Algumas questes que podem guiar a equipe que atua no projeto podem ser: Quem so os clientes do processo (interno externo ou ambos)?, Quem so os fornecedores?.
Capitulo 2 Simulao______________________________________________________24 Anlise do processo: Aps estabelecer o processo a ser analisado, a prxima etapa definir como o processo escolhido trabalha e, principalmente, identificar as oportunidades de melhoria. O objetivo principal desta fase entender o que ocorre no processo atual, quem est envolvido e as deficincias encontradas no processo atual. Nesta fase, elaborado o mapa do processo, o qual mostra a relao entre as atividades para desenvolver e fabricar o produto. A Tabela 2.2 apresenta smbolos propostos por BARNES (1977) para elaborao do mapa.
Tabela 2.2 Simbologia proposta por BARNES (1982) para mapeamento. Quando se aborda a questo de mapear a organizao, uma questo levantada por FERNANDEZ et al. (2001) o nvel de detalhes da anlise. Segundo o mesmo o autor, quando se trabalha com um nvel de detalhes muito baixo a anlise fica pobre por falta de informaes. Por outro lado, um mapa com muitos detalhes se torna complexo, alm de aumentar o custo de execuo do mapeamento. Experincias tm mostrado que uma relao entre o nvel de detalhamento do mapeamento e o custo de execuo do mapa do processo pode ser aproximada como uma funo exponencial. BARNES (1977) tambm salienta que na execuo do mapa do processo devem-se escolher pontos definidos para o incio e o trmino do grfico, de modo a se garantir toda a cobertura do processo no mapa. Alm disso, outra medida importante escolher o objeto a ser seguido dentro da atividade (se o operador ou uma pea) e no mudar durante a anlise. As
Capitulo 2 Simulao______________________________________________________25 questes que podem auxiliar nesta fase so: Quais so os produtos/servios e informaes produzidas?; Quais so e quantos so os clientes internos e/ou externos?; Quais so as perspectivas dos clientes em relao ao resultado do processo?; Quais so os pontos crticos para o processo?. Ainda segundo BARNES (1986), mapofluxograma o fluxograma desenhado sobre a planta do edifcio ou layout para visualizar-se melhor o processo, a Figura 2.9 apresenta um exemplo da entrada de peas compradas no almoxarifado, com as operaes de recebimento e inspeo.
Caminho
Escritrio
Rampa
Balana
Bancada
Recepo
Prateleiras
Registro
Inspeo
Figura 2.9 Exemplo de um mapofluxograma (ROSA, 2002).
2.7 Construo do modelo

Uma vez que o modelador e o usurio j possuem uma viso clara de qual o problema ser analisado e quais as respostas que se deseja obter com o estudo de simulao, j
Capitulo 2 Simulao______________________________________________________26 conhecem o sistema que a ser modelado, e os dados principais sobre o sistema j foram coletados e analisados quanto sua correo, ou seja, quanto maneira como foram coletados e sua correspondncia com o sistema real de modo a poder represent-lo, a prxima fase que a construo do modelo computacional j pode ser iniciada. Na modelagem todos os dados que foram coletados relativos ao sistema, tais como: layout, equipamentos que participaro da simulao, tempos, nmero de operadores, tipos de peas processadas, so agora introduzidos no programa, de modo que ao final se tenha o modelo computacional de onde so obtidos resultados e so feitos os estudos e experimentaes de simulao. Durante a fase de modelagem o usurio e modelador procuraram a similaridade com o sistema real, dentro de certas limitaes, e puderam chegar concluso de que alguns dados que foram coletados no so utilizados, e por outro lado, para se atingir o objetivo do estudo, outros dados no previstos, foram levantados. A seguir so apresentados alguns princpios que se aplicados facilitam os trabalhos de modelagem, possibilitando que se chegue a resultados mais confiveis em menores tempos de trabalho.
2.7.1 Partir de modelos simples

Os modelos mais complexos so de difcil construo e verificao. Um conceito importante que se deve ter ao modelar de que os trabalhos de simulao devem partir de modelos simples para os mais complexos. Segundo PIDD (1997), deve-se aprender o mximo possvel com esse modelo simples que foi construdo, e depois na medida do necessrio acrescentando refinamento. Se o modelador comear a modelagem a partir de modelos simples, e for incrementando-o medida que o estudo de simulao vai evoluindo, haver no somente ganho no tempo total de trabalho de modelagem, como tambm na fase de verificao em que os erros de programao so corrigidos. Dessa forma, no decorrer do estudo vai se refinando esse modelo inicial, at que atenda os objetivos propostos.
2.7.2 Fiscalizar o nvel de detalhamento

A modelagem uma atividade que demanda tempo, e quanto maior o nvel de detalhamento, maior o tempo de modelagem, e maiores as necessidades de dados para a
Capitulo 2 Simulao______________________________________________________27 construo do modelo. Segundo DIETZ (1992), um modelo excessivamente detalhado pode no somente reduzir seu desempenho, como tambm pode obscurecer ou turvar os resultados. Ao se definir o nvel de detalhamento do modelo no se pode perder de vista o objetivo especfico da modelagem. Assim sendo, se o objetivo do estudo , por exemplo, o de se verificar o efeito da compra de mais uma mquina operatriz para dobrar a capacidade desse recurso gargalo, h que se analisar com cuidado se h necessidade de modelar todo o sistema de manufatura ou s parte deste; se interessante introduzir variveis relacionadas ao custo do produto ou mesmo ao estoque em processo; se h possibilidade de reduo dos dados a serem coletados; se os tempos de parada dos operadores ou equipamentos so significativos para melhorar a preciso da anlise. Como j foi citado anteriormente, tanto a coleta de dados quanto modelagem so atividades dispendiosas, que envolvem tambm gasto de tempo, desta forma imperativo que o modelo seja o mais simples possvel.
2.7.3 Dividir o modelo

Se o modelo for grande, aconselhvel tambm sua partio em um conjunto de modelos menores, relacionando-os s reas lgicas do sistema (DIETZ, 1992). Esses modelos tornam-se mais simples de serem construdos e interpretados. Assim, num processo produtivo em que se tm vrios estgios de fabricao, ou a pea passa por diversas clulas de fabricao, interessante, caso se tenha que modular todo o processo, que se faa por partes. Cada um desses mdulos que constitui o modelo total verificado separadamente, e aps serem feitas as correes, os modelos so agrupados novamente.
2.7.4 Verificar e corrigir os erros

A correo dos erros cometidos durante a programao, tanto mais fcil quanto menor for o modelo, da a vantagem em subdividi-lo. Alguns softwares possuem dispositivos que permitem a verificao e correo de erros (debug) com mais facilidade. importante salientar que a recomendao de se partir de modelos mais simples, decorre tambm da facilidade que se tem para se verificar e corrigir erros nesses modelos, e medida que essas incorrees so eliminadas, o modelador adiciona ao modelo maiores detalhes de roteamento, introduz variveis que proporcionam mais informaes, adiciona equipamentos, sofistica a animao (se houver), introduz novos dados do processo, constri mltiplos cenrios, etc. O importante ter em mente que a verificao e correo de erros, pode ser uma etapa demorada
Capitulo 2 Simulao______________________________________________________28 na modelagem, porm mais segura do que se tentar ganhar tempo iniciando-a com modelos complexos e muito grandes.
2.8 Validao do modelo

Uma vez que o sistema foi modelado e foi verificado, ou seja, todos os erros de programao foram eliminados, o programa estar em condies de rodar sem problemas. O prximo procedimento ser a validao do modelo. A validao vem a ser uma avaliao de quanto o modelo construdo semelhante ao sistema real que se pretendeu simular, no aspecto de se questionar se esse modelo atende ou no as finalidades para as quais foi construdo, ou seja, se est dando resposta conveniente ao problema que foi levantado ao se iniciar o projeto de simulao. O simples fato de a validao ser uma avaliao de semelhana dificulta essa fase, e tambm gera certa incerteza quanto ao entendimento claro do quanto o modelo est correspondendo ao sistema real. Segundo NAYLOR et al. (1971) a validao de modelos computacionais difcil e dentre todas as complexidades que a envolvem, de ordem prtica, terica e estatstica, existe at mesmo uma complexidade de natureza filosfica na validao. BRATLEY et al. (1987) explicam que no h uma receita para se fazer validao, e que devido s aproximaes que foram feitas ao se construir o modelo, j seria de se esperar que os dados que o modelo vai gerar no tenham estatisticamente exatamente o mesmo comportamento do sistema. Segundo SARGENT (2004), determinar a absoluta validade de um modelo para o que ele proposto a fazer quase sempre um trabalho lento e de alto custo. Ao invs disto o autor prope que os testes de validao sejam conduzidos at o modelo produza resultados que sejam confiveis suficientemente para a sua aceitao. Desta forma, mesmo que no houvesse limite de tempo disponvel, bem como de recursos para se trabalhar na modelagem, e mesmo que os trabalhos de simulao tenham sido bem conduzidos, no h possibilidade de validao absoluta, ou seja, existem circunstncias do sistema real, que podem acontecer e que no foram previstas no simulador.
Capitulo 2 Simulao______________________________________________________29 NEELANKAVIL (1987), apud PROMODEL USERS GUIDE, 1997, afirma: A validao verdadeira uma impossibilidade filosfica e tudo o que se pode fazer invalidar ou falhar ao invalidar. O principal objetivo da validao, j que no existe frmula que ajude a se concluir se o modelo ou no vlido, seria o de se determinar a utilidade do modelo ou no. Desta forma, se o modelo atende aos objetivos propostos, mesmo que no tenha semelhana absoluta com o sistema real que foi simulado, o modelo ser til e vai dar respostas que ajudem empresa em suas decises. Segundo LAW e KELTON (1982), prefervel se considerar o quanto o modelo est de acordo com o sistema modelado, do que se referir sua absoluta validade ou invalidade. O tempo destinado construo do modelo um dos fatores limitantes. Ao se elaborar modelos por demais complexos, na tentativa de imitar exatamente o comportamento do sistema, o que estar ocorrendo uma perda intil de tempo e recursos, levando o estudo de simulao ao insucesso. Dependendo das respostas que se quer obter, uma linha de produo pode ser modelada em uma semana ou demorar meses, se forem exigidos nveis de detalhamento exagerados. Mesmo que se leve muito tempo modelando o sistema, como j foi visto anteriormente, a validao verdadeira poderia ser impossvel. Desta forma, nessa etapa de validao, no se pode perder de vista os objetivos do estudo da simulao. Uma vez que esses objetivos podem ser cumpridos com o modelo existente, a etapa de validao est terminada. De acordo com a importante observao de CARSON apud KLEINDORFER et al. (1998), necessrio que o trabalho de validao no seja feito somente pelo modelador, mas que haja participao do usurio para que o mesmo ganhe credibilidade. Apesar de ser uma etapa do estudo de simulao, isto no significa que o modelador, bem como o usurio, devam se preocupar com a validade somente aps modelar todo o sistema. Assim, ao se definir o problema, esboar layout, coletar os dados e na modelagem propriamente dita, a preocupao com a validao dever estar presente, isto posto, natural que aps o modelo estar concludo, a validao ser uma fase muito mais fcil de ser executada, pois os dados que fizeram parte do estudo tm consistncia com o sistema a ser modelado.
Apesar de no haver uma metodologia que garanta a hiptese de que o sistema seja vlido para os objetos propostos, existem algumas propostas que ajudam na tomada de deciso e podem reduzir as probabilidades de que se esteja tomando a deciso errada, validando um modelo que vai gerar resultados no confiveis, ou invalidando um modelo bom, ocasionando perda intil de tempo. Essas propostas esto enumeradas a seguir.
2.8.1 Mudana dos parmetros de entrada

Segundo HARREL et al. (1996), um teste que pode ser feito para validao do modelo o de mudar os dados de entrada e verificar se as respostas que sero fornecidas sero prximas s respostas que o sistema real daria. A recomendao de que se varie somente o os dados de entrada que sero avaliados, os demais devero permanecer constantes. Este teste tambm vai realizar uma anlise de sensibilidade, de modo a indicar ao modelador quais so os parmetros para os quais se deve dar maior ateno na coleta de dados, tendo em vista o seu nvel de influncia nas sadas do programa. Assim, por exemplo, se o sistema que se est modelando simples, como uma clula de fabricao envolvendo apenas trs ou quatro mquinas, poder-se-ia testar uma mudana de freqncia de entrada das peas na linha, ou mesmo a quantidade com que estas peas entram por vez, lembrando que s se deve mudar um desses parmetros por vez. Isto ocasionaria uma variao da quantidade de material em processo (WIP), que poderia ser facilmente medido na clula de fabricao e comparado com o resultado fornecido pelo modelo. Poder-se-ia tambm aumentar propositalmente um tempo de operao e verificar-se qual o efeito causado no estoque intermedirio entre essa operao e a posterior, desta forma tambm se pode avaliar a importncia dessa informao para a preciso das respostas.
2.8.2 Turing test

De acordo com a sugesto de HARREL et al. (1996), pode ser realizado o chamado Turing test. Nesse teste as respostas dadas pelo modelo e as respostas que so dadas pelo sistema modelado, so ambas entregues a pessoas que conheam o sistema. A essas pessoas no dito quais so as respostas do sistema e do modelo, para que no sejam influenciadas em sua opinio. Caso essas pessoas consigam distinguir entre os dois conjuntos de dados, elas devem explicar ao modelador que distino encontraram.
Capitulo 2 Simulao______________________________________________________31 Essas diferenas so ento analisadas uma a uma, juntamente com o modelador, que dessa forma poder implementar mudanas no modelo de maneira a aproximar os resultados.
2.8.3 Desenvolver o modelo juntamente com o usurio

LAW e KELTON (1982) sugerem que no desenvolvimento do modelo imprescindvel que haja envolvimento tanto das pessoas que conhecem o sistema a ser modelado, quanto interao com aqueles que vo tomar as decises. Essa medida vai propiciar tanto o aumento da validade do modelo, quanto percepo dessa validade por parte daqueles que vo tomar decises. Apesar de essa ser uma atividade tpica do modelador, quando a linha de produo estiver sendo modelada, interessante que o gerente da rea de produo, os tcnicos da rea, at mesmo em certas circunstncias, os operadores tomem parte na modelagem. Os modernos softwares de simulao possibilitam a animao. Atravs dessa animao, o modelador pode interagir facilmente com as pessoas que conhecem o sistema, alm de motiv-las para o envolvimento com o estudo de simulao. A velocidade de animao pode ser aumentada ou diminuda, de modo a se observar detalhadamente, momento a momento, quais so os eventos que esto ocorrendo na simulao, quais os percursos que o operador est fazendo, quais suas decises, h quebra das mquinas, etc.
2.8.4 Recorrer a especialistas

Em muitas circunstncias, no se tem o sistema a ser modelado, neste caso, segundo HARREL et al. (1996), o modelador poder recorrer ao auxlio de pessoas que conheam um sistema similar, ou mesmo dos fornecedores de equipamentos. normal que os fornecedores de equipamentos possuam dados que possam ajudar na modelagem. Um fornecedor de torno CNC, por exemplo, pode at mesmo realizar uma determinada operao para que se obtenham os tempos de troca e operao. Um fornecedor de fornos de tratamento trmico pode fornecer, atravs dos dados a respeito da pea a ser tratada, qual o rendimento de uma determinada operao. A validade nesses casos pode at mesmo ser verificada atravs de outros sistemas similares existentes, ou mesmo que no se tenha o sistema todo, mas apenas uma parte deste,
Capitulo 2 Simulao______________________________________________________32 a validao atravs da comparao com o sistema real poderia ser feita somente para aquele determinado mdulo que se tem. Se a concluso for de que o modelo no vlido, haver necessidade de se rever os passos anteriores conforme a Figura 2.10. Essa reviso deve ser feita juntamente com o usurio. O esboo do layout dever ser revisado, tendo em vista se verificar se ele realmente est correspondendo linha de produo que foi modelada. Poder ter havido incorreo ao se lanar as distncias percorridas, caminhos percorridos pelos operadores, posio ou sequncia das mquinas e dados de balanceamento de linha.
Figura 2.10 Reviso do trabalho em caso de no validao. Deve-se verificar se a coleta de dados foi realizada criteriosamente. Podem no estar correspondendo ao sistema real. A metodologia de coleta de dados pode no ter sido a mais correta para aquela determinada mquina ou operao. Se no houve simplificaes exageradas, de modo que tempos importantes tenham sido esquecidos. Mesmo que o programa esteja rodando bem, ou seja, foi verificado, isto no quer dizer que todas as variveis deram entrada no programa de maneira correta, em consequncia devem ser verificadas novamente, principalmente quanto s distribuies de probabilidades que esto associadas a cada um dos conjuntos de dados que foram coletados.
2.9 Consideraes finais

Aps a apresentao pde-se verificar que a simulao uma ferramenta que se mostra adequada nos mais diversos campos, e que tem se tornado bastante difundida nas reas de logstica, manufatura e servios. Sua dificuldade est em como usar esta ferramenta de forma eficaz, e de como se obter dela respostas que sejam vlidas, ou seja, que realmente estejam identificadas com o sistema que se est estudando, e ao mesmo tempo, que estas respostas sejam rpidas de modo a no frustrar o usurio na expectativa de aumentar sua competitividade no mercado. Mostrou-se ainda que a ferramenta de mapeamento do processo e a metodologia de validao do modelo so de fundamental importncia neste processo.
Capitulo 3 Otimizao_____________________________________________________34
3 Otimizao
O presente captulo aborda a otimizao, apresentando sua definio e ainda, uma viso geral dos mtodos de otimizao mais usados em Pesquisa Operacional. Em seguida este captulo se foca em Algoritmos Evolutivos, mais especificamente nos Algoritmos Genticos, uma vez que o software otimizante a ser utilizado na fase de aplicao desta dissertao est baseado neste mtodo.
3.2 Definio
Otimizar melhorar algo que j existe, visando determinar a melhor configurao para um determinado sistema sem que seja necessrio testar todas as possibilidades envolvidas, reduzindo assim o tempo destinado a ele. Com isso tem-se a possibilidade do tratamento simultneo de uma grande quantidade de variveis e restries de difcil visualizao (grfica ou tabular) e a obteno de solues no tradicionais com menor custo. Segundo HARREL (2000), a otimizao o processo de tentar diferentes combinaes de valores para variveis que podem ser controladas (variveis independentes), buscando uma combinao de valores que prov a sada mais desejada. Na maioria das vezes este processo de tentar diferentes combinaes para as variveis se torna difcil ou mesmo impossvel de ser realizado em um sistema real, e por isso feito atravs de modelos. Se a resposta do modelo for submetida a todos os possveis valores das variveis (ditas variveis de deciso), a representao grfica destes valores com os resultados obtidos chamada de superfcie de resposta. Essa superfcie de resposta se torna de difcil visualizao quando h mais de duas variveis de deciso, uma vez que o nmero de dimenses na qual est inserida tal superfcie tambm aumenta (n. de dimenses = 1 + n. de variveis), alm de uma grande demanda de tempo. Assim, em uma otimizao deve haver um equilbrio entre a busca da soluo tima e o tempo alocado a essa tarefa.
3.3 Mtodos de otimizao

Para a execuo de uma otimizao, de uma forma geral, preciso seguir alguns passos ou etapas. Na primeira etapa, anlise do problema, se define as variveis do processo e as caractersticas especficas de interesse. A etapa seguinte prope a determinao de um critrio para a otimizao e especificao da funo objetivo de acordo com as variveis identificadas na primeira etapa. A modelagem de um problema envolve o desenvolvimento, muitas vezes atravs de expresses matemticas, de uma representao para o processo ou sistema. Tal modelo deve relacionar as variveis de entrada (inputs) e de sada (outputs). Devem tambm ser includas aqui as restries impostas ao sistema. Se a formulao do problema for muito ampla para sua utilizao, faz-se necessrio a simplificao da funo objetivo e/ou do modelo, sem perda das caractersticas essenciais do problema. Finalmente, a fase de resoluo e anlise da soluo envolve a aplicao de um mtodo de otimizao adequado representao formal estabelecida para o problema, anlise dos resultados e exame da sensibilidade do resultado a alteraes nos coeficientes, no problema e nas hipteses. A etapa de anlise envolve a avaliao da soluo candidata para determinar se ela j tima. Embora em grande parte dos casos seja difcil chegar a uma resposta tima, o resultado da funo objetivo, dado por clculos numricos repetitivos, para uma suposta soluo tima ser a melhor dentre todas as outras alternativas conhecidas. Para EDGAR e HIMMELBLAU (2001), no existe mtodo ou algoritmo de otimizao que possa ser aplicado a todos os problemas. A escolha do mtodo de otimizao para qualquer caso particular depender fundamentalmente das caractersticas da funo objetivo e se ela conhecida explicitamente, da natureza das restries e do nmero de variveis dependentes e independentes. CARNEIRO (1996), baseada na classificao de outros autores, props uma nova classificao dos mtodos de otimizao de forma que fosse abrangente, proporcionando uma melhor compreenso da distribuio dos mtodos, facilitando o estabelecimento de relaes entre eles (Figura 3.1).
Figura 3.1 Classificao dos mtodos de otimizao (CARNEIRO, 1996).
3.3.1 Mtodos determinsticos

LAW e KELTON (2000) definem um modelo determinstico como aquele que no contm nenhum componente probabilstico (descrito mais frente). Nestes modelos, tanto as sadas como as entradas so determinadas, ou seja, so representadas por nmeros, no tendo qualquer relao com funes probabilsticas. Esta definio pode ser estendida para os
Capitulo 3 Otimizao_____________________________________________________37 mtodos de otimizao, cuja principal caracterstica que sua aplicao independe dos valores das funes envolvidas. Funes sem restries Os mtodos que fazem parte desta categoria foram denominados por TANOMARU (1995) de mtodos enumerativos de otimizao. Estes mtodos examinam cada ponto do espao de estados em busca do valor timo para a funo objetivo, adotando procedimentos especficos para determinar a direo de busca, ou seja, o prximo valor a ser examinado. Os mtodos desta categoria so mtodos de programao no-linear (CARNEIRO, 1996), e podem ser univariveis ou multivariveis. Funes com restries Mtodos deste tipo so aqueles formados pela Programao Linear, que so amplamente usados e um dos mais efetivos. A Programao Linear envolve o planejamento de atividades para obter um resultado timo, isto , o melhor resultado que atinge o objetivo especificado entre todas as possveis alternativas. Processos discretos Muitas plantas de processos e partes de equipamentos so representadas como processos multiestgios, mesmo se o conjunto sob anlise no constitudo por unidades separadas. A determinao das condies timas de operao ou projeto em tais processos complicada, porque os prprios estgios so quantidades discretas e as condies a serem estabelecidas para cada estgio esto interelacionadas (CARNEIRO, 1996). O mtodo de Processos Discretos engloba outros mtodos: Diviso e Conquista, Programao Dinmica e Mtodos Gulosos.
3.3.2 Mtodos probabilsticos

Os mtodos determinsticos descritos anteriormente pressupem que todos os dados necessrios para descrio do modelo sejam conhecidos. Mas, na vida real, dificilmente se conhece todos estes valores com absoluta certeza e necessita-se avaliar situaes em que algumas variveis, pertencentes ao espao do problema, possuam valores aleatrios.
Capitulo 3 Otimizao_____________________________________________________38 Assim, segundo HARREL (2000), mtodos probabilsticos so aqueles em que uma ou mais variveis de entrada so aleatrias, ou seja, assumem uma distribuio de probabilidade, conhecida ou no. Nos mtodos probabilsticos as funes objetivo so tipicamente nolineares, tornando a tarefa de otimizao mais complexa. No entanto, os mtodos probabilsticos permitem uma melhor explorao do espao de solues, aumentando a possibilidade de determinao do extremo global da funo objetivo pesquisada (CARNEIRO, 1996). Segundo a classificao proposta por CARNEIRO (1996), os mtodos probabilsticos de otimizao englobam trs mtodos: Recozimento Simulado, Evoluo Estocstica e Computao Evolutiva. Recozimento simulado Este mtodo de otimizao, o qual foi proposto na dcada de 50, faz uma analogia com o processo de recozimento (annealing) da metalurgia (SARAMAGO, 2003). No recozimento o metal aquecido a altas temperaturas, causando um choque em sua estrutura atmica. Se o metal for resfriado de forma brusca, a microestrutura tende a um estado aleatrio instvel, porm, se o metal resfriado de forma suficientemente lenta, o sistema procurar um ponto de equilbrio caracterizado por uma microestrutura ordenada e estvel. Para encontrar o valor mnimo da funo objetivo, o processo inicia-se a uma alta temperatura e aplica o algoritmo at ser alcanado o estado estacionrio, quando no ocorrem mais alteraes no sistema. Quando o valor da funo objetivo no decresce sistematicamente, mas somente varia aleatoriamente de uma iterao para a seguinte, inicia-se a lenta reduo da temperatura e so realizadas mais algumas iteraes. Eventualmente um novo estado de equilbrio alcanado com um valor menor que o anterior. O processo continua at que a temperatura seja reduzida a zero, proporcionando uma configurao final com um valor muito baixo da funo objetivo, talvez at o valor timo (CARNEIRO, 1996). Evoluo Estocstica Este mtodo similar ao Recozimento Simulado, tendo como principal diferena o fato da Evoluo Estocstica aceitar inicialmente somente ganhos positivos fazendo com que a subida (ou descida) inicie somente quando for alcanado um mnimo local, permitindo que a Evoluo Estocstica apresente convergncia mais rpida, com resultados similares ou at melhores.
Capitulo 3 Otimizao_____________________________________________________39 Computao Evolutiva A Computao Evolutiva (tambm chamada de Computao Evolucionria) o nome dado a mtodos computacionais inspirados na teoria da evoluo. Os algoritmos usados nesses mtodos so conhecidos como Algoritmos Evolutivos (AEs). Os AEs diferem de outras tcnicas no-lineares de otimizao em vrios pontos. A diferena mais significante que os AEs conduzem sua busca usando uma populao de solues ao invs de uma s, possibilitando uma maior coleta de informaes sobre a superfcie de resposta. Segundo TANOMARU (1995), os AEs encaram a teoria de evoluo Darwiniana como um processo adaptativo de otimizao, sugerindo um modelo em que populaes evoluem de modo a melhorar o desempenho geral da populao com respeito a um dado problema. Segundo BCK (1997) este mtodo deve ser entendido como um conceito geral adaptvel soluo de problemas, especialmente bem adaptvel para a soluo de problemas complexos de otimizao. Atualmente, os AEs so tcnicas alternativas s convencionais de busca e otimizao (COELHO e COELHO, 1999), e englobam um crescente nmero de mtodos, sendo os mais importantes: Algoritmos Genticos, Programao Evolutiva e as Estratgias Evolutivas. Algoritmos Genticos Os Algoritmos Genticos so mecanismos de busca baseados nos processos de evoluo natural e na gentica. Neles, uma populao de possveis solues para um dado problema evolui de acordo com operadores probabilsticos concebidos a partir de metforas biolgicas, de modo que haja uma tendncia de que, na mdia, os indivduos representem solues cada vez melhores medida que o processo evolutivo continua (TANOMARU, 1995). Estratgias Evolutivas Ao contrrio dos Algoritmos Genticos, que tambm empregam cruzamentos, este mtodo emprega apenas operadores de mutao. Em um esquema bem simplificado da
Capitulo 3 Otimizao_____________________________________________________40 Estratgia Evolutiva, um indivduo-pai gera um s filho atravs de aplicao de mutaes de distribuio Gaussiana, mdia zero e varincia varivel, de modo que pequenas mutaes ocorram mais freqentemente que mutaes mais radicais. Sempre que um filho melhor que o pai gerado, o pai substitudo e o processo reiniciado (TANOMARU, 1995). Programao Evolutiva Os mtodos de Programao Evolutiva (tambm chamados de Programao Evolucionria) foram desenvolvidos por Lawrence J. Fogel em 1962, e originalmente concebidos como uma tentativa de criar inteligncia artificial (BCK, 1997). Porm este mtodo tem sido bastante usado em problemas de otimizao e , neste caso, virtualmente equivalente s Estratgias Evolutivas, diferenciando-se apenas nos procedimentos de seleo e codificao de indivduos.
3.4 Algoritmos Genticos

Os AGs so as tcnicas mais estudadas e difundidas de Algoritmos Evolutivos graas a sua flexibilidade, relativa simplicidade de implementao e eficcia em realizar busca global em ambientes adversos (TANOMARU, 1995). Outra vantagem no uso dos AGs que estes no necessitam de uma funo objetivo matematicamente explcita para realizar a busca pela soluo do problema (SILVA, 2002). Sua flexibilidade possibilita aplicaes em reas to distintas tais como: engenharias, desenho industrial, pesquisa operacional, computao, bioqumica e biologia, composio musical, e cincias sociais (LOPES, 1999).
3.4.1 Funcionamento
De maneira similar teoria da evoluo, os AGs manipulam uma populao de pontos na superfcie de resposta (indivduos), ou seja, possveis solues para um problema proposto, de tal modo que as piores solues desaparecem enquanto que as melhores continuam a evoluir na busca da soluo tima, explorando simultaneamente diversas reas da superfcie de resposta (TANOMARU, 1995). Os passos so: O primeiro passo para a aplicao de um AG definir a representao da populao. O passo seguinte a gerao da populao inicial. Normalmente a populao inicial formada por um conjunto aleatrio de indivduos, em alguns casos se utiliza alguma
Capitulo 3 Otimizao_____________________________________________________41 tcnica heurstica para definir os indivduos, ou o uso conjunto de ambas as tcnicas (TANOMARU, 1995). A seguir feita a manipulao da populao de respostas, tal manipulao tem como objetivo a criao de novos indivduos com maior adaptabilidade atravs das geraes, utilizando para isso os operadores genticos. Os operadores so (em ordem de aplicao): seleo, cruzamento e mutao. Seleo A idia principal deste operador oferecer aos melhores indivduos da populao corrente preferncia para o processo de reproduo, permitindo que estes indivduos passem suas caractersticas s prximas geraes. O processo de seleo geralmente causa um aumento mdio no valor de adaptao dos indivduos da populao a cada gerao. Entre os mtodos de seleo encontra-se o mtodo da Roleta, a Amostragem Universal Estocstica, Seleo Elitista, Seleo Baseada na Posio, Seleo por Torneio, Seleo Estado Estvel, Seleo por Truncatura e Seleo local (SIMES, 1999). Cruzamento O operador de cruzamento (crossover ou recombinao) cria novos indivduos atravs da combinao de dois ou mais indivduos. A idia intuitiva por trs deste operador a troca de informao entre diferentes solues candidatas. Geralmente dois indivduos progenitores so escolhidos da populao, por um mtodo aleatrio com probabilidade definida por uma taxa de cruzamento (TANOMARU, 1995), para produzir dois novos indivduos. Mutao O operador de mutao usado nos AGs tem o objetivo de alterar aleatoriamente a caracterstica de um individuo, atravs da mudana do valor de um gene. Uma vez que as caractersticas dos descendentes so limitadas constituio de seus ancestrais, a mutao possibilita o aparecimento de indivduos com caractersticas at ento no identificadas (CUNHA e PINTO, 2001). Esta alterao garante que a probabilidade de chegar a qualquer ponto da superfcie de resposta nunca seja zero, alm de contornar o problema de timos locais.
Capitulo 3 Otimizao_____________________________________________________42 Parmetros Os AGs dependem essencialmente de um conjunto de parmetros que devem ser definidos. Os principais parmetros so (TAVARES, 2000): Taxa de Cruzamento: definida como a medida da possibilidade de aplicao do operador de cruzamento a um dado par de indivduos. Os valores tpicos para esta taxa situam-se no intervalo de 0,6 a 1,0. Taxa de Mutao: uma medida da taxa de ocorrncia da operao mutao sobre um dado cromossomo. Taxa de Substituio: define que proporo de indivduos da populao ser substituda em cada gerao. Critrio de parada: depende do problema e do esforo computacional exigido. Em face do tempo e dos recursos disponveis, necessrio definir qual a qualidade da soluo desejada. Segundo CUNHA e PINTO (2001), no existem parmetros timos para os operadores genticos, eles so especficos para cada problema e cada esquema de codificao, no podendo ser adotados de forma genrica, uma vez que comprometem o desempenho global do algoritmo.

Este captulo se iniciou buscando apresentar o conceito e alguns mtodos de otimizao, passando pelos Algoritmos Evolutivos e se focando nos Algoritmos Genticos. Atravs da reviso bibliogrfica pde-se verificar que este um mtodo bastante flexvel e por isso indicado para o uso conjunto com simulao, o que tem se tornado bastante difundida.
Capitulo 4 Otimizao + Simulao__________________________________________43
4 Otimizao + Simulao
Este captulo busca apresentar a integrao entre simulao e otimizao, apresentados nos dois ltimos captulos, seu funcionamento e metodologia de execuo. mostrado ainda o funcionamento do SimRunner, incorporado ao pacote de simulao ProModel, o qual utilizado no estudo.
4.2 Introduo
Com a utilizao da simulao computacional possvel prever e visualizar as consequncias no modelo proporcionadas por determinadas variveis em, por exemplo, uma linha de manufatura. Porm, no possvel dizer se tais valores so os timos para, por exemplo, a maximizao da produtividade da linha. Mtodos de tentativa e erro so muito cansativos, demorados e, alm disso, o resultado encontrado pode no representar o timo. Esta limitao superada com a integrao dos softwares de simulao com os de otimizao. Ainda segundo FU (2002) at a ultima dcada, simulao e otimizao eram mantidas separadamente na prtica. Atualmente essa integrao tem se mostrado bastante difundida, principalmente pelo fato de alguns pacotes de simulao inclurem rotinas de otimizao. A Tabela 4.1 apresenta alguns softwares de otimizao, os pacotes de simulao que esto includos e as tcnicas de otimizao utilizadas.
Software de otimizao AutoStat OptQuest OPTIMIZ SimRunner Optimizer Pacote de simulao AutoMod Arena, Crystal Ball, etc. SIMUL8 ProModel WITNESS Tcnica de otimizao Algoritmos evolutivos e algoritmos genticos Busca Scatter e tabu e redes neurais Redes neurais Algoritmos evolutivos e algoritmos genticos Simulated anneling e busca tabu
Tabela 4.1 Software de otimizao (Adaptado de FU, 2002).
Capitulo 4 Otimizao + Simulao__________________________________________44
4.3 Funcionamento
Para FU (2002), na interao entre simulao e otimizao, a ltima deve ser vista como uma ferramenta complementar simulao. Neste processo, a otimizao fornece as variveis de uma possvel soluo (inputs) simulao; esta, aps todo o processo de simulao, fornece respostas (outputs) para a situao proposta, que retornam otimizao. A otimizao gera novas variveis, utilizando tcnicas de otimizao especficas, que sero novamente testadas pela simulao. Este ciclo, representado na Figura 4.1, repetido at sua parada, definida de acordo com o mtodo de otimizao utilizado. Quando o mtodo de otimizao baseado em Algoritmos Genticos, para cada possvel soluo efetuada uma tentativa, ou seja, um ciclo.
Figura 4.1 Otimizao em simulao (FU, 2002). A grande limitao para o uso da otimizao em simulao o nmero de variveis, sendo seu desempenho reduzido enormemente diante de um modelo com alto nmero de variveis a serem manipuladas pela otimizao.
4.4 Metodologia para simulao + otimizao

No h uma metodologia simples ou padro para otimizar um sistema onde os dados so baseados em experimentos conduzidos com um modelo de simulao. A grande parte das metodologias foca em um processo de busca que envolve mltiplas rodadas de simulao (DIAZ e PREZ, 2000). Em geral, metodologias de otimizao em simulao partem de um modelo j existente e validado. O primeiro passo a definio das variveis de deciso, ou seja, as variveis que afetam o objetivo final do problema. Aps isso, define-se a funo objetivo, que
Capitulo 4 Otimizao + Simulao__________________________________________45 pode ser a maximizao ou minimizao de uma funo pr-definida. o resultado desta funo que ser avaliado pelos algoritmos de otimizao na busca de um valor timo. O prximo passo a definio das restries do problema seguido do estabelecimento de alguns parmetros, como: nmero de replicaes, preciso e critrio de parada. Uma metodologia mais especfica para o uso do SimRunner proposta por HARREL et al. (2000). Segundo ele, aps a construo de um modelo eficiente e validado, deve-se executar alguns passos para uma otimizao bem sucedida; estes passos so os seguintes: Definir as variveis que afetaro as respostas do modelo e que sero testadas pelo algoritmo de otimizao. So estas variveis que tero o valor alterado a cada rodada de simulao; Definir o tipo de varivel (real ou inteira) e limites inferiores e superiores. Durante a busca, o algoritmo de otimizao gerar solues respeitando o tipo das variveis e seus limites. O nmero de variveis de deciso e a gama de valores possveis afetam o tamanho do espao de busca, alterando a dificuldade e o tempo consumido para identificar a soluo tima. por isso que se recomenda que somente as variveis que afetem significativamente o modelo sejam usadas; Definir a funo objetivo para avaliar as solues testadas pelo algoritmo. Na verdade, a funo objetivo j poderia ter sido estabelecida durante a fase de projeto do estudo de simulao. Esta funo pode ser construda tendo por base peas (entities), equipamentos (locations), operrios (resources) entre outros, buscando minimizar, maximizar ou fazer uso de ambos em diferentes variveis, dando inclusive pesos diferentes para compor a funo objetivo; Selecionar o tamanho da populao do Algoritmo Evolutivo. O tamanho da populao de solues usado para conduzir o estudo afeta a confiabilidade e o tempo requerido para a conduo da busca, assim, necessrio que haja um equilbrio entre o tempo requerido e o resultado esperado da otimizao. Nesta fase tambm importante definir outros parmetros como: preciso requerida, nvel de significncia e nmero de replicaes; Aps a concluso da busca, um analista deve estudar as solues encontradas, uma vez que, alm da soluo tima, o algoritmo encontra vrias outras solues competitivas. Uma boa prtica comparar todas as solues tendo como base a funo objetivo.
Capitulo 4 Otimizao + Simulao__________________________________________46 Mesmo seguindo metodologias para a execuo da otimizao em simulao, alguns fatores afetam diretamente o desempenho da busca, entre eles: preciso do modelo, nmero de variveis, complexidade da funo objetivo, valores iniciais das variveis e seus limites (OPTQUEST FOR ARENA USERS GUIDE, 2002).

A simulao e a otimizao so mtodos de Pesquisa Operacional bastante difundidos, porm, somente a pouco mais de uma dcada estes dois mtodos vem sendo usados conjuntamente. Este uso conjunto se mostra bastante eficiente e de uso relativamente simples sendo aplicvel nas mais diversas reas. Em um estudo de otimizao em simulao, to importante quanto conhecer o funcionamento dos programas a sequncia e o modo de execuo de cada etapa do projeto. Assim preciso que se siga uma metodologia de implementao bastante consistente e devidamente planejada.
Capitulo 5 Aplicao_____________________________________________________47
5 Aplicao
Este captulo faz uma descrio da empresa onde realizado o estudo, da linha de manufatura e do produto a ser fabricado. O problema abordado neste trabalho consiste em dimensionar os estoques mximos intermedirios, a quantidade mnima de mo de obra necessria e produtividade mxima da linha. Para a obteno destas informaes foi utilizada a otimizao atravs da simulao.
5.2 Definio do sistema a ser analisado

O estudo desenvolvido em uma das empresas de um grupo de capital nacional no setor de autopeas. Dentre os produtos fabricados pelo grupo, pode-se destacar: vages de trem, travessas, suportes, chassis, eixos, rodas e longarinas. Este grupo possui trs unidades no Brasil e aproximadamente nove mil funcionrios. A empresa do grupo que alvo do estudo atua na rea de produtos estruturais e possui trs mil e quinhentos funcionrios. Em fase de expanso, uma nova linha ser construda para a produo de longarinas atravs de um processo diferente do atual. A longarina, ou viga com perfil U, pode ser produzida atravs do mtodo convencional, com prensas e ferramentas ou atravs do processo chamado roll form (RF). No processo convencional de produo so utilizadas matrizes, que chegam a pesar setenta toneladas, e prensas com capacidades superiores a trs mil toneladas. No processo RF a longarina feita atravs de um processo contnuo de dobra atravs de rolos. O processo RF possui algumas vantagens e desvantagens, conforme Tabela 5.1. Vantagens Baixo custo de investimento Alta flexibilidade Baixo tempo de setup Desvantagens Baixa produtividade Produz somente longarinas com perfil reto Maior custo de produo
Tabela 5.1 Vantagens e desvantagens do processo RF comparados ao processo em prensa.
Capitulo 5 Aplicao_____________________________________________________48 A longarina o componente estrutural de maior importncia na linha de montagem de chassis de caminhes e nibus, apesar de no ser a de maior custo para a montadora. Sua funo suportar todos os demais componentes da montagem do veculo. Sem a longarina impossvel iniciar a montagem do veculo. A Figura 5.1 mostra a ilustrao de uma longarina.
Longarinas
Figura 5.1 Produto fabricado pela empresa e sua localizao no veculo. Todas as longarinas fabricadas pelo processo RF possuem basicamente as mesmas caractersticas conforme mostrado na Figura 5.2.
Figura 5.2 Principais caractersticas das longarinas. As diferenas entre as longarinas ficam por conta dos seguintes aspectos: Quantidade, tamanho e posio de furos; Altura das abas; Largura do perfil; Comprimento; Quantidade, tamanho e posio dos recortes. Como objeto de estudo desta dissertao foi escolhida a linha de manufatura de longarinas RF. Esta deciso tem como base os seguintes aspectos: por ser um novo processo de produo, para o qual no h experincia na empresa, a simulao pode ser uma excelente ferramenta para estudos de previso; pela importncia da linha na estratgia da empresa de obteno de novos mercados; pelo alto valor do investimento em equipamentos; pela necessidade da empresa em definir a necessidade ou no dos estoques intermedirios, suas reas e as melhores utilizaes de recursos para a formao de preos.
5.3 Esboo do problema e coleta de dados

A linha de manufatura de longarinas RF idealizada com o layout em srie, contando com sete operadores de mquina, dois inspetores e quatro mquinas principais. Para execuo do mapa do processo o passo inicial a criao do mapofluxograma, o qual fornece uma viso geral das atividades se desenvolvendo nos diferentes equipamentos facilitando a validao do modelo. Para tal foi estruturada uma equipe de cinco especialistas da empresa, que atuam diretamente na nova linha de produo, com os seguintes objetivos: definir o fluxo geral da linha; detalhar as atividades e criar o mapofluxograma; definir os tempos de cada processo e criar o mapa do processo.
Fluxo geral A nova linha de produo recebe quatro equipamentos principais: RF, puncionadeira, rob para corte a plasma e a dobradeira (Anexo 2): O RF o equipamento que transforma uma chapa de ao em uma viga U; A puncionadeira, como o prprio nome diz, executa a furao em todo o comprimento da viga U; O rob de corte realiza pequenos recortes permitindo a passagem de eixos e outros componentes do veculo; A dobradeira executa a chamada rampa que em alguns veculos necessria para a acomodao do motor. Foi definido pela equipe que todos os equipamentos, com exceo da dobradeira, so fundamentais para a produo de longarinas, ou seja, todo e qualquer produto a ser produzido deve obrigatoriamente passar pelos trs primeiros processos. J a dobradeira utilizada por apenas 10% do total produzido.
Capitulo 5 Aplicao_____________________________________________________51 Atividades e o mapofluxograma Depois de concludo o fluxo geral de processo foram definidas as atividades de inspeo, operao, transporte, espera e armazenamento. Com estas informaes foi possvel montar o mapofluxograma do processo da linha de manufatura de longarinas roll form, representado na Figura 5.3.
Capitulo 5 Aplicao________________________________________________________________________________________________52
Figura 5.3 Mapofluxograma da linha de manufatura roll form
Tempos e o mapa do processo O mapofluxograma fornece a viso geral dos processos. Contudo, necessrio um detalhamento maior dos processos para compreender o que ocorre em cada etapa da manufatura. Para a linha de manufatura de longarinas RF procurou-se mensurar todas as atividades atravs do tempo de realizao. As informaes de tempo de processo de cada equipamento bem como seus tempos de setup foram baseados nas propostas comerciais dos fabricantes. Isto foi necessrio pois trata-se de equipamentos novos que no possuem histrico conhecido. J a quantidade de mo de obra e layout foram retiradas do plano de viabilidade tcnica e econmica feita pela engenharia de desenvolvimento da empresa. A informaes de tempo de movimentao da mo de obra, talha manual, talha automtica, esteiras motorizadas e ponte rolante foram cronometradas na atual linha de prensas para produo de longarinas, por serem estas atividades usualmente utilizadas pela empresa. Para a cronometragem dos tempos primeiramente foi definido o nmero necessrio de ciclos de coleta para um grau de confiana de 95%(z = 1,96) e uma preciso de 10% (a) atravs da seguinte formula:
2
100 z s n= ax
sendo: n = nmero de ciclos; z = grau de confiana; s = desvio padro da amostra; a = preciso desejada; x = mdia da amostra. Para isso foram tomados cinco tempos e calculadas a sua mdia (x) e desvio padro (s). Para cada atividade foi calculado um nmero de ciclos, porm, para este estudo foi utilizado o nmero de ciclos apresentado pela atividade de maior coeficiente de variao (s/x), no caso igual a 30, para facilitar a coleta de dados.
Aps coletados os 30 tempos de cada atividade foram calculadas as suas mdias que podem ser vistas na Figura 5.4. Alm disso, foi definido que os tempos de processo e os tempos de setup dos variados produtos so praticamente os mesmos, podendo ento ser considerado somente um tempo de processo para todos os produtos. A Figura 5.4 mostra o mapa do processo da linha de manufatura de longarinas RF.
Figura 5.4 Mapa do processo da linha de manufatura de longarinas RF.
Capitulo 5 Aplicao_____________________________________________________56 Os blanks, nome dado chapa de ao j previamente cortada em tiras de aproximadamente dez metros, so a matria prima inicial desta linha. Eles chegam em pacotes de aproximadamente trinta peas em caminhes e so armazenadas no estoque de matria prima. As etapas seguintes so: Na primeira etapa, dois operadores utilizando uma ponte rolante abastecem o RF que tem a capacidade de armazenar at trs pacotes em sua entrada. Neste momento o equipamento atua automaticamente, at o desabastecimento do que se chama viga U. Novamente dois operadores utilizando uma ponte rolante movimentam uma embalagem contendo trinta vigas para o estoque intermedirio antes da segunda mquina ou diretamente para o ponto de alimentao do segundo equipamento, a puncionadeira. Nesta segunda etapa, um operador responsvel pelo abastecimento do equipamento, utilizando para isso um talha manual. Este equipamento realiza toda a furao na viga U automaticamente. A sada deste equipamento para a entrada na mquina de corte a plasma, feita automaticamente. Uma vez automaticamente posicionada, o corte realizado e a pea retirada por um operador utilizando uma talha manual. Depois desta etapa, mais uma vez dois operadores utilizando uma ponte rolante levam uma embalagem de trinta longarinas para o estoque final ou, caso o produto necessite, para a entrada da mquina de dobrar. Um operador alimenta o equipamento, opera a mquina e retira para uma embalagem vazia. Depois de concluda a operao esta nova embalagem retorna para o estoque, sendo movimentada por dois operadores e uma ponte rolante. Os operadores desta linha so responsveis pelos setups das mquinas bem como por toda a movimentao das peas. Cabe ressaltar que esta uma linha com um alto nvel de automatizao dos equipamentos, onde no existe quase nenhuma necessidade de interveno dos operadores.
5.4 Simulao do sistema

A aplicao da simulao para verificar os dados utilizados na elaborao da linha de manufatura de longarinas RF e propor possveis mudanas foi divida em trs partes: a primeira parte corresponde definio do problema e o objetivo do estudo. Na segunda fase realiza-se a coleta de dados, a escolha do software, modelagem do sistema e a validao do
Capitulo 5 Aplicao_____________________________________________________57 modelo conforme o mtodo cientfico apresentado por HARREL (2000) na Figura 2.2. Na ltima fase realizada a otimizao.
5.4.1 Definio do problema e do objetivo

O objetivo principal deste estudo o de representar, atravs da simulao, a nova linha de produo de longarinas comprovando ou no as predies da empresa relacionadas s seguintes necessidades: nmero de operadores, produtividade da linha, necessidade de estoque intermedirio e sua rea. Alm disso, pretende-se obter um resultado timo para estas variveis utilizando o mdulo de otimizao do ProModel (SimRunner).
5.4.2 Coleta de dados

A coleta de dados para a simulao ocorreu previamente durante a fase de mapeamento do processo. Os dados coletados foram os tempos de movimentao, setup, transformao, inspeo, e a quantidade de mo de obra. Os dados sero utilizados de forma determinstica, pois a linha ainda est em fase de projeto e ainda no se dispe de tempos reais para uma anlise de distribuio. Alm disso, os tempos de processo para os variados produtos sero considerados iguais, fato j explicado anteriormente.
5.4.3 Escolha do software e construo do modelo

Para a modelagem de sistemas existem diversos softwares. Na construo do modelo da linha de manufatura de longarinas RF, o software escolhido foi o ProModel. A deciso em adotar o ProModel partiu do fato de que ele utilizado na disciplina de Simulao no curso de mestrado em engenharia de produo da UNIFEI, o que garante certa familiaridade em relao s ferramentas do software. Alm disto o software da ProModel possui uma excelente interface grfica, facilitando a validao do modelo e a anlise dos dados simulados. A Figura 5.5 mostra a tela de abertura do ProModel.
Figura 5.5 Tela de abertura do ProModel. Para a construo de um modelo, o ProModel apresenta os seguintes elementos: locations, entities, resources, processing e arrivals, encontrados no menu build do software. Apresenta ainda outros elementos auxiliares como: shifts para definio de turnos de trabalho, variables para ajudar na construo da rotina do modelo e macros que sero utilizadas na fase de experimentao. Locations: Representam os lugares fixos do sistema, onde se realizam os processos; so usadas para representar elementos como: workstations, buffers, conveyors e queues. Neste elemento pode-se definir: capacidade, unidades (simples ou mltiplas), setups, manuteno, nvel de detalhamento estatstico, alm de regras de chegada e sada de matria. A Figura 5.6 exibe a tela do programa na edio das locations do caso estudado, representada pelas mquinas e volantes.
Figura 5.6 Definio de locations Entities: As entities so os itens a serem processados pelo sistema, podendo ser: matriaprima, produtos, pallets, pessoas ou documentos. As entities possuem velocidades definidas e podem ser agrupadas ou divididas ao longo do processo produtivo, se movimentando de uma location para outra utilizando uma rota definida ou uma rede de trabalho. A Figura 5.7 exibe uma tela do programa com algumas entities, neste caso os vrios tipos de anis.
Figura 5.7 Definio de entities Arrivals: Define a entrada das entities dentro do modelo. Podendo ser definidas as quantidades, freqncia e perodos de chegada, bem com a lgica de chegada. Pode-se tambm definir as chegadas atravs de um arquivo externo de chegada de peas referenciado no File Editor. A Figura 5.8 apresenta uma tela com algumas das arrivals do problema.
Figura 5.8 Definio de arrivals Processing: Consiste em uma tabela onde so definidas as operaes de cada entity em cada location e o resource necessrio para estas operaes, e uma tabela de rotas que define o destino e a movimentao de cada entity, bem como o modo como se d essa movimentao e o resource necessrio. A Figura 5.9 apresenta a utilizao do menu processing para o caso estudado.
Figura 5.9 Definio de processing Resource: So os elementos usados para transportar entities, executar operaes, realizar manuteno sobre as locations ou outros. Estes elementos podem ser: pessoas ou equipamentos. Um sistema pode ter um ou mais resources, sendo dotado de movimento ou
Capitulo 5 Aplicao_____________________________________________________61 no. Contudo, para cada resource deve ter designado uma path network, ou seja, um percurso na qual a movimentao se dar. A Figura 5.10 mostra as resources para a clula analisada.
Figura 5.10 Definio de resources Uma etapa anterior definio dos elementos descritos acima foi a insero de elementos grficos externos no ProModel. Optou-se por utilizar o layout desenvolvido pela prpria empresa como fundo da simulao, alm de outros elementos grficos no s por tornar o modelo mais atraente mas principalmente para facilitar seu entendimento reduzindo assim o tempo necessrio para a validao. O ProModel permite ainda que um arquivo texto seja gerado com toda a programao da simulao. Esta programao feita no ProModel mostrada no Anexo 1.
5.4.4 Validao do modelo

Na modelagem da linha de manufatura de longarinas RF, a preocupao de que o modelo refletisse o sistema real norteou o processo de construo do incio ao fim. Portanto, j na fase de mapeamento do processo, procurou-se envolver as pessoas que tinham conhecimento do processo produtivo para no s fornecerem as informaes, mas para avaliar a modelagem do sistema, seja atravs do mapeamento do processo ou do software de simulao. Alm disso, a animao que pode ser visualizada no software facilitou a anlise e a discusso por toda equipe do correto funcionamento e modelagem do sistema real. Buscou-se validar o modelo atravs da comparao dos resultados esperados pela equipe de engenharia da empresa com os resultados do modelo simulado utilizando o turing test. importante ressaltar que para chegar ao modelo definitivo utilizado neste trabalho nove modelos foram criados. Optou-se por iniciar a construo do primeiro modelo na sua
Capitulo 5 Aplicao_____________________________________________________62 forma mais simples e a cada novo modelo uma nova complexidade foi adicionada. Desta forma a validao do modelo final foi muito mais simples. A Tabela 5.2 demonstra as principais modificaes entre os modelos construdos at o modelo definitivo.
Modelo
Modelo 1 Modelo 2 Modelo 3 Modelo 4 Modelo 5 Modelo 6 Modelo 7 Modelo 8 Modelo 9
Itens acrescentados
Locations Entitie longarina Arrivals Processing basico (caminho da entitie) Processing avanado Entitie fardo de longarina Resources movimentao Path netword dos sistemas de movimentao Resources operadores Path netword dos operadores Processing (interao dos operadores e da movimentao) Variables Macros Modelo final validado
Tabela 5.2 Etapas de construo at o modelo final. Os dados de entrada utilizados na simulao da linha de manufatura foram os seguintes: O modelo foi simulado por um perodo de vinte e quatro horas (trs turnos); O equipamento RF operando em somente um turno e os demais em trs turnos; Para que a simulao representasse a linha j em ciclo foi considerada uma entrada direta de um rack com trinta longarinas na puncionadeira; Existem na linha sete operadores/carregadores e dois inspetores; Entre a sada da puncionadeira e a entrada do corte no existe buffer. Aps a primeira simulao pode-se verificar que o nmero de produtos acabados na simulao chega a ser 19% menor que o planejado (Tabela 5.3).
Planejado (1 Turno no RF) 7 2 1 280 100 260 260 Simulado (1 Turno no RF) 7 2 1 229 90 210 210
Nmero operadores Nmero inspetores Tamanho do buffer Roll formadas Estoque intermedirio Puncionadas Produo total
Variao 18% 10% 19% 19%
Tabela 5.3 Comparao entre produtividade planejada e simulada. Porm foi observado junto aos engenheiros responsveis pelo planejamento da linha que eles haviam esquecido de considerar os tempos de parada para inspeo do produto no planejamento realizado, sendo estes somente considerados na simulao. Os tempos de parada para inspeo so consideravelmente altos, pois em um primeiro momento ser feita manualmente, chegando a 20 % do total do tempo disponvel para produo no equipamento RF (fatia bloqueada), conforme Figura 5.11.
Figura 5.11 Percentual de utilizao da capacidade dos equipamentos. Para comprovar e validar o modelo, foram retirados os tempos de inspeo e um novo modelo foi simulado. Estes novos resultados vieram a confirmar o erro no planejamento da linha e a validar o modelo simulado, conforme Tabela 5.4. Ficou definido, no entanto, que o modelo a ser simulado deve manter os tempos de inspeo para que os resultados se aproximem o mximo possvel da realidade.
Planejado (1 Turno no RF) 7 2 1 280 100 260 260
Simulado (1 Turno no RF) 7 2 1 280 150 270 270
Variao 0% 50% 4% 4%
Tabela 5.4 Comparao entre produtividade planejada e simulada (sem inspeo)
5.5 Otimizao
Esta etapa do estudo busca aumentar a eficincia no consumo de recursos da clula atravs do software SimRunner, que usa Algoritmos Evolutivos como mtodo de otimizao. Como na simulao, a realizao de uma otimizao segue uma metodologia. Buscando a maior produtividade da linha, sero construdos trs cenrios distintos para a simulao, onde o equipamento RF ira funcionar em um turno, dois turnos e trs turnos.
5.5.1 Definio das variveis

Nesta fase deve-se definir as variveis que sero testadas pelo algoritmo de otimizao, tambm chamadas de variveis de deciso ou inputs, e que tero seu valor alterado a cada rodada da simulao. As variveis de deciso deste problema de otimizao foram definidas como sendo os resources (operadores/carregadores e inspetores) e locations (buffer da sada da puncionadeira). Tambm foram simuladas duas condies de turno, a primeira onde o equipamento RF funcionar em regime de um turno e na segunda ele funcionar em regime de trs turnos. O restante da linha vai obedecer ao regime de trs turnos em todas as simulaes. Estas variveis afetam diretamente o nmero de peas acabadas bem como a utilizao dos equipamentos. Para que estas variveis estejam disponveis para escolha no software SimRunner necessrio que no modelo a quantidade de cada uma delas seja definida como uma macro, como mostra a Figura 5.12.
Figura 5.12 Definio dos macros
5.5.2 Definio dos tipos de variveis

Aps as variveis serem definidas necessrio definir o tipo de varivel e seus limites para que, durante a busca, o algoritmo de otimizao gere solues respeitando estas definies. No presente problema, como as variveis representam o nmero de operadores e peas, assim eles devem ser do tipo inteiro. Na definio dos limites das variveis, foi tomado o nmero de operadores planejado pela empresa como limite mximo (uma vez que no se deseja utilizar quantidades maiores que estas, podendo assim interferir na anlise econmica feita para linha). J para o buffer de sada da puncionadeira foi utilizado o nmero de dez longarinas como limite mximo ( importante lembrar que este buffer no havia sido considerado no plano, ou seja, o buffer planejado igual a um). Este buffer tem como objetivo reduzir o tempo de bloqueio da puncionadeira pela obstruo da linha causada pela operao de corte em inspeo. Como limite mnimo as variveis receberam uma nica unidade. Com exceo da varivel nmero de operadores que, conforme o processo, necessita de pelo menos dois operadores para o funcionamento. A Figura 5.13 apresenta a definio das variveis, seus tipos e limites.
Figura 5.13 Definio das variveis.
5.5.3 Definio da funo objetivo

A funo objetivo, que algumas vezes j estabelecida durante a fase de projeto do estudo de simulao, pode ser constituda por entities, locations, resources entre outros,
Capitulo 5 Aplicao_____________________________________________________66 buscando minimizar, maximizar ou fazer uso de ambos em diferentes variveis, dando inclusive pesos diferentes para compor a funo. Como este trabalho busca a otimizao da linha levando-se em conta a produtividade, a funo objetivo foi definida como sendo a maximizao do nmero de peas produzidas e peas puncionadas, pois alm do estoque final de peas o nmero de peas puncionadas de fundamental importancia pois esta operao se trata de um gargalo. Porm, como todas as empresas necessitam reduzir seus custos diretos, foi definido que a maximizao da produo dever acontecer utilizando-se do menor nmero de operadores e inspetores possvel como exemplifica a Figura 5.14.
Figura 5.14 Definio da funo objetivo
5.5.4 Seleo do tamanho da populao do Algoritmo Evolutivo

O tamanho da populao de solues afeta a confiabilidade e o tempo necessrio para a conduo de uma busca, assim necessrio um equilbrio entre o tempo requerido e o resultado esperado. No SimRunner a seleo do tamanho da populao feita atravs da opo setup, onde possvel escolher trs tamanhos diferentes: aggressive, tem uma populao pequena o que permite convergir para uma soluo mais rapidamente, porm a confiabilidade de tal soluo menor; moderate, apresenta um equilbrio entre o tempo de processamento e
Capitulo 5 Aplicao_____________________________________________________67 confiabilidade da resposta; cautions, tem uma grande populao, o que implica em maiores tempos de processamento. Neste estudo foi utilizada a opo cautions, pois mesmo com uma grande populao esta otimizao apresentou um tempo de aproximadamente quinze minutos, considerado baixo. A janela para a escolha do tamanho da populao do algoritmo apresentada na Figura 5.15.
Figura 5.15 Definio do tamanho da populao Nesta fase ainda se define a preciso requerida na resposta do problema, o nvel de significncia e nmero de replicaes. A preciso requerida neste problema foi de um, uma vez que a resposta ser dada em centenas. O nvel de significncia adotado foi o nvel padro do software, 95% conforme pode ser visto na Figura 5.16. J para o nmero de replicaes, adotou-se o mesmo utilizado na fase de simulao, ou seja, somente uma replicao (Figura 5.17).
Figura 5.16 Definio do nvel de confiana
Figura 5.17 Definio do nmero de replicaes
5.5.5 Anlise dos resultados

O ltimo passo da metodologia para o estudo de otimizao a anlise dos dados obtidos atravs da busca efetuada pelo algoritmo otimizante. Assim, para a primeira otimizao utilizando o modelo onde o equipamento RF funciona em somente um turno, aps quarenta e trs experimentos o software convergiu para o seguinte resultado: um inspetor, dois operadores/carregadores e com um buffer para uma longarina conforme Figura 5.18.
Figura 5.18 Relatrio exibido pelo SimRunner (1 turno).
Capitulo 5 Aplicao_____________________________________________________69 Aps a execuo da otimizao repetiu-se a simulao, agora com os valores encontrados na otimizao, de modo a fazer uma anlise dos resultados antes e aps a otimizao. Conforme se pode verificar na Figura 5.19 o tempo mdio em uso dos operadores e inspetores aumentou, pois ao reduzir a sua quantidade tambm reduziu-se o tempo ocioso mdio.
Figura 5.19 Comparativo dos tempos de operadores antes e aps otimizao. Apesar da reduo no nmero de operadores e inspetores e do melhor aproveitamento dos seus tempos, a linha continuou com a mesma produtividade (Figura 5.20), sendo a quantidade de peas produzidas nos dois casos, igual a duzentos e dez. J o estoque intermedirio aumenta em trinta unidades, devido indisponibilidade de operadores para a movimentao. Entretanto isto no prejudicou a produtividade.
Figura 5.20 Comparativo dos nmeros de produo antes e aps otimizao O objetivo agora definir qual regime de trabalho do equipamento RF proporciona o maior nmero de peas produzidas. Para isso foi executada a otimizao por duas vezes,
Capitulo 5 Aplicao_____________________________________________________70 alterando somente o regime de trabalho do RF. Pode-se observar na Tabela 5.5 os resultados obtidos nas otimizaes para um, dois e trs turnos.
Planejado (1 Turno no RF) 7 2 1 280 100 260 260 Simulado (1 Turno no RF) 7 2 1 229 90 210 210 Otimizado (1 Turno no RF) 2 1 1 225 120 210 210 Otimizado (2 turnos no RF) 3 2 4 392 180 278 270 Otimizado (3 turnos no RF) 3 2 4 533 240 278 270
Tabela 5.5 Comparativo dos resultados finais otimizados. Abaixo se pode ver algumas observaes e concluses: Os regimes de dois e trs turnos possuem a mesma capacidade total de produo de duzentas e setenta longarinas; Da mesma forma a quantidade de longarinas puncionadas a mesma nas duas opes, dois ou trs turnos. importante dizer que nem sempre o total de longarinas produzidas igual ao total de longarinas puncionadas, pois algumas longarinas podem estar em transporte ao final da simulao e somente as longarinas j no estoque so consideradas como produto final neste modelo; O regime de dois turnos necessita de 25% menos espao para o estoque intermedirio com relao ao regime de trs turnos; Da mesma forma o nmero de vigas U produzidas pelo RF 25% menor no regime de dois turnos. Vale lembrar que a operao de puncionamento o gargalo da linha e j est trabalhando em trs turnos, portanto este excedente de estoque intermedirio gerado por dia dever ser consumido trabalhando com a puncionadeira sete dias por semana e o RF somente cinco dias. Por ltimo, o regime de dois turnos leva vantagem quanto quantidade de mo de obra, j que o equipamento RF no opera no terceiro turno. Com isto pode-se concluir que o regime de trabalho mais vantajoso o de dois turnos, pois apesar de ambos os regimes terem capacidades finais iguais, outros fatores como mo de obra, rea para estoque e estoque excedente so determinantes para a escolha.
5.6 Implementao
Os resultados obtidos na otimizao no proporcionaram reduo de custos imediatos, pois a linha ainda se encontra em fase de projeto e instalao. Porm, to ou mais importante que isto a indicao de que os custos de mo de obra sero aproximadamente 45% menores e que o e a produtividade ser 4% maior do foi planejado pelos engenheiros da empresa. Considerando ainda que a produtividade planejada no seja vivel, como mostrado na Tabela 5.4, pode-se concluir que a produtividade da linha ser 22% maior, o que representa uma produo de aproximadamente 16.000 longarinas a mais que o previsto. Utilizando estes novos valores, a empresa recalculou os custos da nova linha e segundo informaes da rea comercial da empresa, esta nova base de custos mudar as condies de preos dos produtos produzidos por ela, tornando a linha mais competitiva no mercado. Vale dizer que a reduo dos custos e a maior produtividade da linha no so consequncias de novos equipamentos, reorganizao do ou qualquer outro tipo de investimento, mas sim de uma correo dos valores utilizados anteriormente, os quais so agora baseados em estudos mais precisos por consequncia da utilizao da simulao e da otimizao computacional. Cabe ainda ressaltar que os resultados obtidos neste trabalho fizeram com que a empresa repensasse a forma com que as anlises tcnicas de novos investimentos so feitos. A possibilidade de se obter resultados mais precisos em suas anlises fez com que a empresa iniciasse um estudo de viabilidade para a compra do software utilizado.

A combinao de simulao e otimizao mostrou-se bastante eficiente e de uso relativamente simples. Atravs da aplicao destas duas ferramentas pode-se avaliar a linha de manufatura planejada e propor uma nova configurao otimizando seus resultados. Pode-se concluir que estas duas ferramentas combinadas trouxeram grandes benefcios para a empresa em estudo, comprovando a eficcia da metodologia. Verificou-se ainda que a metodologia atualmente utilizada pela empresa no eficaz gerando resultados duvidosos que posteriormente so utilizados pelos gestores da empresa na tomada de importantes decises.
Capitulo 6 Concluso______________________________________________________72
6 Concluso
Este captulo apresenta as concluses obtidas e as recomendaes para futuros trabalhos, apresentando os resultados obtidos com a aplicao das ferramentas propostas na linha de manufatura, as contribuies fornecidas com a elaborao deste trabalho e propondo sugestes para futuros trabalhos em aprimoramento de processos.
6.2 Concluses e contribuio do trabalho

A simulao computacional mostrou ser uma ferramenta extremamente eficaz para a previso de resultados onde ainda no possvel obter dados reais. Porm, ficou evidente durante o estudo que, por no ser algo trivial, so necessrias pessoas bem treinadas e capacitadas para que os resultados sejam satisfatrios. Atravs da simulao pode-se verificar alguns erros no planejamento da nova linha cometidos pelos especialistas da empresa sendo o mais grave deles o esquecimento das operaes de inspeo. Tal fato somente pode ser identificado comparando os dados da empresa com os resultados da simulao. Os tcnicos da empresa previram uma capacidade 20% maior do que seria possvel em um regime de um turno. Alm disso, o uso da otimizao, atravs do software SimRunner, possibilitou as seguintes melhorias e respostas: Reduzir em trs vezes o nmero de operadores planejados mantendo a produtividade da linha; Definir a quantidade de estoque intermedirio e consequentemente o tamanho da sua rea; Conhecer a produtividade da linha para os trs diferentes regimes de turno; Fazer a melhor escolha entre os trs regimes de turno, considerando o tamanho dos estoques, a produtividade e o nmero necessrio de operadores. importante ressaltar que seria praticamente impossvel chegar a estas concluses com a velocidade e a preciso que a simulao e a otimizao nos oferecem.
Capitulo 6 Concluso______________________________________________________73 Porm a maior contribuio deste trabalho foi a possibilidade de simular e otimizar uma linha que ainda no existe na prtica por se tratar ainda de um projeto. Segue abaixo outros benefcios do estudo: A preciso dos dados utilizados nos estudos proporcionados pelo mapeamento do processo e pela validao do modelo melhorou os resultados obtidos nas anlises; A visualizao da linha de forma dinmica facilita o entendimento do processo e ajuda a identificar problemas de layout e fluxo; A preciso dos resultados obtidos auxilia a melhorar a qualidade de todos os outros estudos quem se utilizam deles; A possibilidade de alterar qualquer varivel do modelo e em pouco tempo poder analisar os resultados; Sabe-se o quanto importante para uma empresa que um projeto acontea conforme planejado, pois os estudos de viabilidade econmica e at mesmo os compromissos de produo dependem deste acerto. A aplicao da simulao junto otimizao na fase de planejamento do projeto auxilia na reduo de graves erros de projeto, como o que j foi destacado anteriormente. Esta reduo beneficia a empresa no momento da implantao do projeto reduzindo o tempo necessrio para o bom e correto funcionamento da linha, eliminando assim os desperdcios de tempo com testes prticos que podem ser substitudos por anlises ainda na fase de projeto atravs das ferramentas utilizadas neste estudo.
6.3 Sugestes para trabalhos futuros

Como sugestes para futuros trabalhos, dando sequncia a este, prope-se: Realizar nova simulao da linha de manufatura aprimorando o modelo com tempos de parada para manuteno e alterando os sistemas de movimentao; Aps a construo da linha, refazer as simulaes utilizando dados estocsticos e compar-los com os resultados deste trabalho; A partir da incluso de um novo equipamento de puncionamento verificar qual seria o novo gargalo da linha, analisando os novos volumes de produo; Aplicar as tcnicas de custeio ABC em novos experimentos com o modelo.
Capitulo 6 Concluso______________________________________________________74

O presente trabalho aplicou as tcnicas de simulao e otimizao em uma linha de manufatura na fase de projeto. O desenvolvimento deste trabalho mostrou que a aplicao das tcnicas de simulao e otimizao em uma linha de manufatura no uma tarefa trivial e totalmente dependente do conhecimento das pessoas, no somente nas tcnicas de modelagem, mas tambm da anlise dos resultados. Alm disto, vale ressaltar que a qualidade dos dados inseridos no modelo de fundamental importncia para que os resultados sejam satisfatrios, sendo a ferramenta de mapeamento de processo a melhor forma para isso. Tambm deve ser ressaltado o poder da simulao como ferramenta de anlise de um sistema produtivo complexo onde existem diversas interaes entre as suas variveis, nem sempre claras ao entendimento. A metodologia aplicada pela empresa foi considerada insatisfatria em seus resultados, sendo superada pela simulao e otimizao em todos os aspectos, dentre eles pode-se destacar: Visualizao do processo de forma dinmica; Confiana nos dados de entrada; Preciso nos resultados; Abundncia de dados para anlise; Facilidade das anlises. Segundo KELLNER, MADACHY e RAFFO (1998), a participao ativa de pessoas em um processo de simulao pode gerar oportunidades de aprendizado que somente poderiam ser obtidas em anos de experincia no mundo real.
Referncias bibliogrficas____________________________________________________75
Referncias bibliogrficas
ANJARD, R. P., Process Mapping: one of three, new, special quality tools for management, quality and all the other professionals. Microeelectrum Realiab, 1995. BCK, Thomas; HAMMEL, Ulrich; SCHWEFEL, Hans-Paul. Evolutionary computation: comments on the history and current state. Evolutionary Computation, April, v. 1, n. 1, p. 3-17, 1997. BANKS, J. Introduction to simulation. Proceedings of the Winter Simulation Conference. Atlanta, 2000. BATEMAN, R. E.; BOWDEN, R. O. ; GOGG, T. J.; HARRELL, C. R.; MOTT, J. R. A. System improvement using simulation. Utah: ProModel Corp., 1997 BARNES, R. M. Estudo de movimentos e de tempos: Projeto e medida do trabalho. Editora Edgard Blucher ltda, 1986. BRATLEY, Paul; FOX, Bennett L.; SCHRAGE, Linus E. A Guide to Simulation. New York:Springer-Verlag, 1987. BRYMAN, J. L. A research Methods and organization studies. London Unwin Hyman, 1989. CARNEIRO, Mara Lcia F. Sntese Automatizada de Colunas de Destilao: uma abordagem alternativa ao processo de projeto. Dissertao de mestrado em engenharia da informtica. PUCRS, Porto Alegre, RS, 1996. COELHO, L. S.; COELHO, A. A. R. Algoritmos Evolutivos em identificao e controle de processos: uma viso integrada e perspectivas. Revista Controle & Automao, v. 10, n. 1, p. 13-30, 1999. CUNHA, Alexandre S.; PINTO, Ricardo L. U. S. Uma tcnica para ajuste dos parmetros de um Algoritmo Gentico. XXXIII Simpsio Brasileiro de Pesquisa Operacional, Campos do Jordo, SP, p. 1105-1116, 2001. DUARTE, Roberto N. Simulao computacional: Anlise de uma clula de manufatura em lotes do setor de autopeas. Dissertao de mestrado em engenharia de produo. UNIFEI, Itajub, MG, 2003. DIAZ, Jos A.; PREZ, Ileana G. Simulation and optimization of sugar cane transportation in harvest season. Proceeding of the 2000 Winter Simulation Conference, p. 1114-1117, 2000. DIETZ, M. Outline of a successful simulation projects. Industrial Engineering, Nov., 1992 EDGAR, T. F.; HIMMELBLAU, D. M. Optimization of chemical processes. New York, McGraw-Hill, 2001. FERREIRA, J. C. E.; MOURA, E. B.; RIBEIRO, L. P. G. O uso da simulao para aumentar a competncia da indstria junto ao mercado externo. XXII ENEGEP. Curitiba, outubro 2002.
Referncias bibliogrficas____________________________________________________76 FU, Michael C. Optimization for Simulation: Theory vs. Practice. Journal on Computing, vol. 14, n 3, 2002. GLENNEY, N. E.; GERALD T. M. Modeling & Simulation Provide Key to CIM implementation Philosophy. Industrial Engineering, may 1985. HARREL, C. R.; BATEMAN, R. E.; GOGG, T. J.; MOTT, J. R. A. System Improvement Using Simulation. Orem, Utah: PROMODEL Corporation. 1996. HARREL, Charles R.; GHOSH, Biman K.; BOWDEN, Royce. Simulation Using ProModel. McGraw-Hill, 2000. HILLIER, F. S.; LIEBERMAN, G. J. Introduction to operations research. McGraw-Hill, 2001. KELLNER, M. I., MADACHY, R. J., RAFFO, D. M. Software process simulation modeling: Why? What? How?, 1998. KLEINDORFER, George B.; ONEILL, Liam; GANESHAN, Ram. Validation in Simulation:Various Positions in the Philosophy of Science. Management Science, Vol. 44, n. 8, ago. 1998. KOSTURIAK, J.; GREGOR, M. Simulation in production system life cycle. Computer in Indutry, 38, pp. 159-172, 1999. KUMAR, S.; PHROMMATHED, P. Improving a manufacturing process by mapping and simulation of critical operations, 2005. LAW, A. M.; KELTON, W. D. Simulation modeling and analysis. New York: Mc Graw-Hill, 1982. LAW, A.; KELTON, D. Simulation modeling and analysis. New York, McGraw-Hill, 2000. LIM, M. K.; ZHANG, Z. A mult-agent based manufacturing control strategy for responsive manufacturing. Journal of Materials Processing Technology, 139, pp. 379-384, 2003. NAYLOR, Thomas, H.; BALINTFY, Joseph, L.; BURDICK, Donald S.; CHU, Kong.Tcnicas de Simulao em Computadores. So Paulo: Editora Vozes, 1971. LOBO, Elidio C.; PORTO, Arthur Jos V. Proposta para sistematizao de estudos de simulao. XVII Encontro Nacional de Engenharia de Produo ENEGEP. Gramado, RS, 1997. LOBO, E. C. Discusso, sistematizao e modelamento do processo de realizao de estudos de simulao. Tese doutorado. So Carlos: USP, 2000. LOPES, Heitor S. Algoritmos genticos em projetos de engenharia: aplicaes e perspectivas futuras. IV Simpsio Brasileiro de Automao Inteligente. So Paulo, SP, p. 64-74, 1999. MOREIRA, C. M. Estratgias de reposio de estoque em supermercados: Avaliao por meio de simulao. Dissertao mestrado em engenharia de produo. UFSC, Florianpolis, SC, 2001. OPTQUEST FOR ARENA USERS GUIDE, Rockwell Software Inc., 2002.
Referncias bibliogrficas____________________________________________________77 PERSON, J. F. The impact of different levels of detail in manufacturing systems simulation models. Robotics and Computer Integrated Manufaturing, 18, pp. 319-325, 2002. PEREIRA, I. C. Proposta de sistematizao da simulao para fabricao em lotes. Dissertao mestrado em engenharia de produo. UNIFEI, Itajub, MG, 2000. PIDD, M. Five simple principles of simulation modeling. Rio de Janeiro: Workshop de Simulao, 1997. PIDD, M. Modelagem empresarial. Porto Alegre: Bookman, 1998. PROMODEL USERS GUIDE. PROMODEL Corporation, 1997. PROMODEL USERS GUIDE. ProModel Corporation, 2002. RHOLEDER, T. R., SILVER, E. A. A tutorial on business process improvement. Journal of Operational Management, Volume 15. Elsevier Science, 1997. ROSA, E. B. Racionalizao da produo. Apostila do curso de Ps-Graduao Especializao em Produtividade e Qualidade UNIFEI, 2002. SARGENT, R. G. Validation and Verification of Simulation Models. Proceedings of the 2004 Winter Simulation Conference. R .G. Ingalls, M. D. Rossetti, J. S. Smith, and B. A. Peters, 2004. SAAD, S. M. The reconfiguration issues in manufacturing systems. Journal of Materials Processing Technology, 138, pp. 277-283, 2003. SARAMAGO, Sezimria F. Pereira. Mtodos de otimizao randmica: Algoritmos genticos e simulated annealing. XXVI CNMAC. UFU, Uberlndia, MG, p. 1-40, 2003. SEILA, A. F. Introduction to simulation. Proceedings of the 1995 Winter Simulation Conference. Arlington, Virginia, United States, p. 7-15, 1995. SILVA, Alexandre P. A. Tutorial: Genetic Algorithms. Revista Brasileira de Redes Neurais, n. 1, v. 1, 2002. SILVA, E. L., MENEZES, E. M. Metodoliga de pesquesa e elaborao da dissertao, 4 ed. Ver. Atual., Florianpolis, UFSC, 2005. SIMES, Anabela B. Transposio: estudo de um novo operador gentico inspirado biologicamente. Dissertao de mestrado em engenharia informtica. Universidade de Coimbra, Coimbra, Portugal, 1999. SPPEDING, T. A, SUN, G. Q. Application of discrete event simulation to the activity based costing of manufacturing system. International Journal Production Economics, 1998. STAMM, Harro. Simulao industrial: uma avaliao de sua utilizao no sudeste e sul do Brasil. Dissertao de mestrado em engenharia de produo. UFSC, Florianpolis, SC, 1998. TANOMARU, J. Motivao, fundamentos e Aplicaes de Algoritmos Genticos. II Congresso Brasileiro de Redes Neurais. Curitiba, PR, p. 373-403, 1995.
Referncias bibliogrficas____________________________________________________78 TAVARES, Jos A. R. Gerao de Configuraes de Sistemas Industriais com o Recurso Tecnologia das Restries e Computao Evolucionria. Tese de doutorado em Informtica. Universidade de Minho, Braga, Portugal, 2000. VILLELA, C. S. S. Mapeamento do processo como ferramenta de reestruturao e aprendizagem organizacional. Dissertao de mestrado. UFSC. Santa Catarina, 2000.
ANEXO 1
Programao do modelo no Promodel
******************************************************************************** * * * * Formatted Listing of Model: C:\ProMod4\models\rollform32.MOD * * * *
******************************************************************************** Time Units: Distance Units: Minutes Meters
******************************************************************************** * Locations * ******************************************************************************** Name roll_form puncionadeira corte_plasma bending entrada_roll_form saida_roll_form entrada_corte saida_corte entrada_puncionadeira Cap 1 qtd_corte 1 1 1 qtd_corte 1 Units Stats 1 1 1 1 1 1 1 Rules Cost
-------------------------- ----------------- ----- ----------- ------------------- -----------Time Series Oldest, FIFO, First Time Series Oldest, FIFO, First Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, First qtd_puncionadeira 1
qtd_puncionadeira 1
buffer_roll_form estoque_inicial_blanks estoque_puncionadeira estoque_longarina esteria_puncionadeira entrada_bend saida_bend saida_punc buffer_saida_punc pos_saida_corte
3 999 999 999
1 1 1 1 1 1 1 1 1 1
Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, First Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO, Time Series Oldest, FIFO,
esteria_descarga_roll_form 60 1 30 1 qtd_buffer_punc 30
qtd_puncionadeira 1
******************************************************************************** * Entities * ******************************************************************************** Name Speed (mpm) Stats Time Series Time Series Cost
------------- ------------ ----------- -----------fardo_blank_1 50 longarina_1 50
******************************************************************************** * Path Networks * ******************************************************************************** Name kbk_roll_entrada Type Crane T/S From To Rail1End BI Uni Uni Uni Dist/Time Speed Factor
------------------------- ----------- ---------------- --------- --------- ---- ---------- -----------Speed & Distance Origin Origin kbk_roll_saida Crane Speed & Distance Origin BridgeEnd Uni Rail1End
BridgeEnd Rail2End
Origin caminho_ponte_rolante Crane Speed & Distance Origin Origin kbk_puncionadeira_entrada Crane Speed & Distance Origin Origin net_inspecao Passing Speed & Distance N1 N2 N2 N1 N1 N4 kbk_saida_corte Crane Speed & Distance Origin Origin kbk_bending Crane Speed & Distance Origin Origin NET_OPERADOR Passing Speed & Distance N1 N2 N3 N5 N5 N7 N4 N11 N11 N12 N13 N9 N10
BridgeEnd Uni Uni Uni Uni Uni Uni Bi Bi Bi Bi Bi Bi Uni Uni Uni Uni Bi Bi Bi Bi Bi Bi Bi Bi Bi Bi Bi Bi Bi 13 10 13 5 38 8 3 3 20 14 2 13 5 1 1 1 1 1 1 1 1 1 1 1 1 1 53 13 2 23 8 20 1 1 1 1 1 1 Rail1End
BridgeEnd Rail2End
BridgeEnd Uni Rail1End
BridgeEnd Rail2End
BridgeEnd Uni N2 N3 N5 N4 N6 N7 Rail1End
BridgeEnd Rail2End
BridgeEnd Uni Rail1End
BridgeEnd Rail2End
BridgeEnd Uni N2 N3 N4 N6 N7 N8 N11 N5 N12 N13 N14 N10 N15
BridgeEnd Rail2End
N15 N13 N8 N17 N2 N3 N4 N5 N8 N2
N16 N10 N17 N9 N18 N19 N20 N21 N22 N23
Bi Bi Bi Bi Bi Bi Bi Bi Bi Bi
5 11 15 20 2 2 2 3 3 20
1 1 1 1 1 1 1 1 1 1
******************************************************************************** * Interfaces * ******************************************************************************** Net kbk_roll_entrada kbk_roll_saida caminho_ponte_rolante Node N1 N2 N1 N2 N1 N2 N4 N6 N3 N7 N9 N10 N8 kbk_puncionadeira_entrada N1 N2 Location buffer_roll_form entrada_roll_form saida_roll_form estoque_inicial_blanks buffer_roll_form esteria_puncionadeira estoque_longarina estoque_puncionadeira entrada_bend saida_bend pos_saida_corte esteria_puncionadeira entrada_puncionadeira Coords (R,B) 5.74, 6.60 1.52, 6.60 1.55, 6.20 9.12, 13.24 33.62, 8.68 74.53, 9.47 93.24, 18.95 64.49, 16.61 76.55, 14.67 76.60, 16.67 102.02, 7.59 5.64, 6.72 11.59, 6.94
------------------------- ---------- -------------------------- ------------
esteria_descarga_roll_form 6.60, 6.07
esteria_descarga_roll_form 52.63, 9.99
net_inspecao
N3 N6 N5
saida_corte saida_roll_form saida_punc corte_plasma saida_corte entrada_bend saida_bend bending estoque_inicial_blanks esteria_puncionadeira entrada_puncionadeira estoque_longarina puncionadeira saida_bend entrada_bend buffer_roll_form roll_form esteria_descarga_roll_form estoque_puncionadeira corte_plasma bending pos_saida_corte saida_corte 2.47, 6.83 6.98, 7.49 9.67, 6.76 5.67, 7.01 3.40, 6.86
kbk_saida_corte kbk_bending
N1 N2 N1 N3 N2
NET_OPERADOR
N1 N6 N6 N9 N16 N15 N15 N18 N19 N20 N21 N22 N15 N22 N22
******************************************************************************** * Resources * ******************************************************************************** Res Name talha_roll_entrada Units 1 Stats By Unit Search Ent Search Path Motion Empty: 50,50 mpm Cost
--------------------------- ------------ -------- ------- ------ ------------------------- ------------------- -----------Closest Oldest kbk_roll_entrada
Home: N1 (Return)
Full: 50,50 mpm Pickup: 2 Seconds Deposit: 2 Seconds
talha_roll_saida
By Unit
Closest Oldest kbk_roll_saida Home: N1 (Return)
Empty: 50,50 mpm Full: 50,50 mpm Pickup: 2 Seconds Deposit: 2 Seconds
ponte_rolante
By Unit
Closest Oldest caminho_ponte_rolante Home: Origin
Empty: 50,50 mpm Full: 50,50 mpm Pickup: 60 Seconds Deposit: 60 Seconds
talha_puncionadeira_entrada 1
By Unit
Closest Oldest kbk_puncionadeira_entrada Empty: 40,40 mpm Home: N1 (Return) Pickup: 5 Seconds Deposit: 5 Seconds Full: 40,40 mpm
inspetor
qtd_inspetor By Unit
Closest Oldest net_inspecao Home: N2
Empty: 50 mpm Full: 50 mpm Empty: 40,40 mpm Full: 40,40 mpm Pickup: 5 Seconds Deposit: 5 Seconds
talha_saida_corte
By Unit
Closest Oldest kbk_saida_corte Home: N1 (Return)
talha_bending
By Unit
Closest Oldest kbk_bending Home: N1
Empty: 40,40 mpm Full: 40,40 mpm
(Return) Pickup: 5 Seconds Deposit: 5 Seconds OPER qtd_oper By Unit Closest Oldest NET_OPERADOR Home: N1 Empty: 50 mpm Full: 50 mpm
******************************************************************************** * Processing * ******************************************************************************** Process Entity Location Operation Blk 1 Output Destination Routing Rule FIRST 1 Move Logic -----------GET ponte_rolante AND 2 oper MOVE WITH ponte_rolante FREE ALL
------------- -------------------------- -----------------fardo_blank_1 estoque_inicial_blanks
---- ------------- -------------------------- -------fardo_blank_1 buffer_roll_form
fardo_blank_1 buffer_roll_form THEN FREE
longarina_1
entrada_roll_form
FIRST 30
GRAPHIC 3 MOVE WITH talha_roll_entrada
longarina_1
entrada_roll_form
WAIT UNTIL cap_roll_form < 1 ciclo_total = CLOCK( MIN)
longarina_1
roll_form
FIRST 1
INC cap_roll_form, 1 MOVE FOR .15
longarina_1
roll_form
INC roll_inspecao, 1 IF roll_inspecao = 30 THEN BEGIN GET oper WAIT 3 tempo_roll_form GRAPHIC 1 INC roladas, 1 FREE ALL END ELSE BEGIN tempo_roll_form GRAPHIC 1 INC roladas, 1 END 1 longarina_1 saida_roll_form FIRST 1 MOVE FOR .15
longarina_1
saida_roll_form
DEC cap_roll_form, 1 IF roll_inspecao = 30 OR roll_inspecao = 0 THEN BEGIN roll_inspecao = 0 GET inspetor WAIT 15 FREE ALL END ELSE BEGIN
END THEN FREE longarina_1 esteria_descarga_roll_form COMBINE 30 GRAPHIC 2 1
longarina_1
esteria_descarga_roll_form EMPTY 1
MOVE WITH talha_roll_saida
longarina_1
estoque_puncionadeira
FIRST 1
GET ponte_rolante AND 2 oper MOVE WITH ponte_rolante FREE ALL
longarina_1
estoque_puncionadeira
INC est_roll, 30 IF est_roll_max < est_roll THEN BEGIN est_roll_max = est_roll END ELSE BEGIN END 1 longarina_1 esteria_puncionadeira FIRST 1 DEC est_roll, 30 GET ponte_rolante AND 2 oper MOVE WITH ponte_rolante FREE ALL
longarina_1
esteria_puncionadeira
longarina_1
entrada_puncionadeira
FIRST 30
GRAPHIC 1 GET
talha_puncionadeira_entrada AND oper MOVE WITH talha_puncionadeira_entrada FREE ALL
longarina_1
entrada_puncionadeira
ciclo_puncionadeira = CLOCK( MIN) WAIT UNTIL cap_punc < 1 1 longarina_1 puncionadeira FIRST 1 INC cap_punc, 1 MOVE FOR .15
longarina_1
puncionadeira
INC punc_inspecao, 1 IF punc_inspecao = 30 THEN BEGIN GET oper WAIT 3 tempo_puncionadeira FREE ALL INC puncionadas, 1 END ELSE BEGIN tempo_puncionadeira INC puncionadas, 1 END 1 longarina_1 saida_punc FIRST 1 MOVE FOR .15
longarina_1
saida_punc
DEC cap_punc, 1 IF punc_inspecao = 30 OR punc_inspecao = 0 THEN BEGIN punc_inspecao = 0 GET inspetor WAIT 15 FREE ALL END ELSE BEGIN END 1 1 WAIT UNTIL cap_corte < 1 1 longarina_1 corte_plasma FIRST 1 INC cap_corte, 1 MOVE FOR .15 longarina_1 longarina_1 buffer_saida_punc entrada_corte FIRST 1 FIRST 1 MOVE FOR .15 MOVE FOR .15
longarina_1 longarina_1
buffer_saida_punc entrada_corte
longarina_1
corte_plasma
INC corte_inspecao, 1
IF corte_inspecao = 30 THEN BEGIN GET oper WAIT 3 tempo_corte FREE ALL INC cortadas, 1 END ELSE BEGIN tempo_corte INC cortadas, 1 END oper MOVE WITH talha_saida_corte FREE ALL longarina_1 saida_corte DEC cap_corte, 1 IF corte_inspecao = 30 OR corte_inspecao = 0 BEGIN corte_inspecao = 0 GET inspetor WAIT 15 FREE ALL END ELSE BEGIN END longarina_1 pos_saida_corte COMBINE 30 GRAPHIC 2 INC CONTADOR_ESTOQUE_FINAL, 1 IF CONTADOR_ESTOQUE_FINAL = 4 THEN BEGIN ROUTE 2 1 longarina_1 pos_saida_corte FIRST 1 MOVE THEN 1 longarina_1 saida_corte EMPTY 1 GET talha_saida_corte AND
CONTADOR_ESTOQUE_FINAL = 0 END ELSE BEGIN ROUTE 1 END oper MOVE WITH ponte_rolante FREE ALL INC est_long, 30 LOG "Ciclo Total", ciclo_total LOG "Ciclo Puncionadeira", ciclo_puncionadeira 1 longarina_1 estoque_longarina FIRST 1 GET ponte_rolante AND 2
longarina_1
entrada_bend
FIRST 1
CONTADOR_ENTRADA_BEND = 1 GET ponte_rolante AND 2 oper MOVE WITH ponte_rolante FREE ALL INC est_long, 30
estoque_longarina entrada_bend
WAIT 9000
1 1
EXIT bending
FIRST 1 FIRST 30 GRAPHIC 1 GET talha_bending AND oper MOVE WITH talha_bending FREE ALL
longarina_1
bending
INC bend_inspecao, 1 IF bend_inspecao = 30 THEN BEGIN
GET oper WAIT 3 tempo_bend FREE ALL END ELSE BEGIN tempo_bend END 1 longarina_1 saida_bend FIRST 1 GET talha_bending AND oper MOVE WITH talha_bending FREE ALL longarina_1 saida_bend COMBINE 30 GRAPHIC 2 1 longarina_1 estoque_longarina FIRST 1 GET ponte_rolante AND 2 oper MOVE WITH ponte_rolante FREE ALL
******************************************************************************** * Arrivals * ******************************************************************************** Entity Location Qty each First Time Occurrences Frequency 0 999 1 1 GRAPHIC 2 INC roladas, 30 Logic
------------- ---------------------- ---------- ---------- ----------- ---------- -----------fardo_blank_1 estoque_inicial_blanks 1 longarina_1 esteria_puncionadeira 1
******************************************************************************** * Shift Assignments * ******************************************************************************** Locations Resources Shift Files Priorities Disable Logic
---------- --------------------------- ------------------------------ ------------ ------- -----------------roll_form talha_roll_entrada talha_roll_saida ponte_rolante talha_puncionadeira_entrada inspetor OPER talha_bending talha_saida_corte C:\Documents and Settings\Rena 99,99,99,99 No C:\Documents and Settings\Rena 99,99,99,99 No
******************************************************************************** * Attributes * ******************************************************************************** ID ciclo_total ciclo_saida Type Real Real Classification Entity Entity Entity
------------------- ------------ -------------ciclo_puncionadeira Real
******************************************************************************** * Variables (global) * ******************************************************************************** ID est_roll cap_bend cap_roll_form Type Integer Integer Integer Initial value Stats 0 0 0 Time Series Time Series Time Series
---------------------- ------------ ------------- -----------
cap_punc est_long cortadas est_roll_max roladas roll_inspecao punc_inspecao corte_inspecao CONTADOR_ENTRADA_BEND cap_corte bend_inspecao puncionadas
Integer Integer Integer Integer Integer Integer Integer Integer Integer Integer Integer Integer
0 0 0 0 0 -1 -1 -1 0 0 0 -1 0
Time Series Time Series Time Series Time Series Time Series Time Series Time Series Time Series Time Series Time Series Time Series Time Series Time Series
CONTADOR_ESTOQUE_FINAL Integer
******************************************************************************** * Arrays * ******************************************************************************** ID Arr1 Dimensions 1 Type Integer
---------- ------------ ------------
******************************************************************************** * Macros * ******************************************************************************** ID tempo_roll_form tempo_puncionadeira tempo_corte Text WAIT 1.5 WAIT 3.5 WAIT 1.5
------------------------ ------------
tempo_bend qtd_roll_form qtd_puncionadeira qtd_corte qtd_bend qtd_inspetor qtd_oper qtd_buffer_punc
WAIT 3 1 1 1 1 2 3 4
******************************************************************************** * External Files * ******************************************************************************** ID (null) (null) Type Shift Shift File Name C:\Documents and Settings\Renato Brighenti\Meus documentos\TURNO3.sft C:\Documents and Settings\Renato Brighenti\Meus documentos\TURNO2.sft Prompt
---------- ----------------- --------------------------------------------------------------------- ----------
ANEXO 2
Equipamentos da linha de manufatura estudada ROLL FORM
PUNCIONADEIRA
CORTE A PLASMA
DOBRADEIRA

10 - Simulação e Otimização de Uma Linha de Manufatura em Fase de Projeto

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

10 - Simulação e Otimização de Uma Linha de Manufatura em Fase de Projeto

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDADE FEDERAL DE ITAJUB

Jos Renato Nunes Brighenti

SIMULAO E OTIMIZAO DE UMA LINHA DE MANUFATURA EM FASE DE PROJETO

Orientador: Prof. Jos Arnaldo Barra Montevechi, Dr

Itajub, outubro de 2006

UNIVERSIDADE FEDERAL DE ITAJUB

Jos Renato Nunes Brighenti

SIMULAO E OTIMIZAO DE UMA LINHA DE MANUFATURA EM FASE DE PROJETO

Itajub, outubro de 2006

2.3.1 2.3.2 2.3.3 2.4 2.5 2.6 2.7

2.7.1 2.7.2 2.7.3 2.7.4 2.8 2.8.1 2.8.2

Validao do modelo ______________________________________________ 28

2.8.3 2.8.4 2.9 3 3.1 3.2 3.3

Desenvolver o modelo juntamente com o usurio ___________________ 31 Recorrer a especialistas ________________________________________ 31

Implementao ___________________________________________________ 71 Consideraes finais _______________________________________________ 71

6.1 6.2 6.3 6.4

Referncias bibliogrficas __________________________________________________ 75 ANEXO 1________________________________________________________________ 79 ANEXO 2________________________________________________________________ 95

CNC Computer Numeric Control

1.3 Objetivo do trabalho

1.4 Relevncia do trabalho

1.5 Metodologia de pesquisa

1.6 Estrutura do trabalho

2.2 Justificativa econmica da simulao

2.3.3 Simulao Computacional

2.4 Metodologias de simulao

Figura 2.7 Sequncia da metodologia (LOBO e PORTO, 1997).

2.5 Definio da metodologia

2.6 Mapeamento do processo

Figura 2.9 Exemplo de um mapofluxograma (ROSA, 2002).

2.7 Construo do modelo

2.7.1 Partir de modelos simples

2.7.2 Fiscalizar o nvel de detalhamento

2.7.3 Dividir o modelo

2.7.4 Verificar e corrigir os erros

2.8 Validao do modelo

2.8.1 Mudana dos parmetros de entrada

2.8.2 Turing test

2.8.3 Desenvolver o modelo juntamente com o usurio

2.8.4 Recorrer a especialistas

2.9 Consideraes finais

3.3 Mtodos de otimizao

Figura 3.1 Classificao dos mtodos de otimizao (CARNEIRO, 1996).

3.3.1 Mtodos determinsticos

3.3.2 Mtodos probabilsticos

3.4 Algoritmos Genticos

3.5 Consideraes finais

Capitulo 4 Otimizao + Simulao__________________________________________43

Tabela 4.1 Software de otimizao (Adaptado de FU, 2002).

Capitulo 4 Otimizao + Simulao__________________________________________44

4.4 Metodologia para simulao + otimizao

4.5 Consideraes finais

5.2 Definio do sistema a ser analisado

Tabela 5.1 Vantagens e desvantagens do processo RF comparados ao processo em prensa.

5.3 Esboo do problema e coleta de dados

Figura 5.3 Mapofluxograma da linha de manufatura roll form

Figura 5.4 Mapa do processo da linha de manufatura de longarinas RF.

5.4 Simulao do sistema

5.4.1 Definio do problema e do objetivo

5.4.2 Coleta de dados

5.4.3 Escolha do software e construo do modelo

5.4.4 Validao do modelo

Variao 18% 10% 19% 19%

Planejado (1 Turno no RF) 7 2 1 280 100 260 260

Desenvolver o modelo juntamente com o usurio _ 31 Recorrer a especialistas ______________________ 31

Implementao _____ 71 Consideraes finais _ 71

Referncias bibliogrficas 75 ANEXO 1 79 ANEXO 2______________ 95