Análise do planejamento produtivo de uma indústria de material de
defesa através da simulação de eventos discretos
André Luiz Medeiros (UNIFEI) ecolimp.andre@terra.com.br José Arnaldo Barra Montevechi (UNIFEI) montevechi@unifei.edu.br
Renaldo Gonzaga de Almeida Filho (UNIFEI) renaldof@uol.com.br Resumo
As mudanças econômicas vêm exigindo rápidos ajustes estratégicos e estruturais em todos os setores da economia. Assim, tanto a produtividade quanto a reatividade têm se tornado os objetivos principais de gerentes de sistemas de manufatura, que são complexos. E, a simulação de eventos discretos é uma das metodologias para ser aplicada nesses sistemas. O objetivo deste trabalho é analisar o impacto na quantidade total produzida, no tempo médio de ciclo e no tempo mínimo de ciclo ao deixar de produzir barras do tipo CANO1 para produzir barras do tipo CANO2. A conclusão é que a partir dos dados fornecidos pela indústria, ao trocar o processo produtivo para CANO2 o impacto na produção total será muito pequeno (2,52%), sendo mais significativo o aumento no tempo médio de operação (14,91%) e no tempo mínimo de ciclo (23,71%).
Palavras-chave: Simulação, Planejamento, Eventos discretos.
1. Introdução
As mudanças econômicas ocorridas desde o início da década de 1990 vêm exigindo rápidos ajustes estratégicos e estruturais em todos os setores da economia brasileira (REIS et al, 2001). No setor de manufatura não poderia ser diferente. Segundo Thomas e Charpentier (2003), tanto a produtividade quanto a reatividade têm se tornado os objetivos principais de gerentes de sistemas de manufatura. Ainda segundo os autores, produtividade implica em prestar atenção nas variáveis externas (como os clientes e as vendas e etc.) assim como nos recursos (máquinas, trabalhadores e etc.). E a reatividade necessita de extrema flexibilidade no planejamento, um excelente conhecimento das expectativas expressadas pelos fatores externos (clientes, contexto sócio-econômico e outros) e um perfeito conhecimento das expectativas e atividades dentro da organização.
Assim, para O’Kane et al (2000) os modernos sistemas de manufatura são compostos por muitas operações discretas que ocorrem aleatoriamente e de forma não linear sejam elas através de modelos matemáticos ou de outros modelos a serem praticados. E para Rathmill et
al (1983) a simulação de eventos discretos tem evoluído para tornar-se um sistema de análise
complexa mais popular e com custo médio mais eficiente.
A técnica de simulação de eventos discretos consiste na modelagem de um sistema que sofre mudanças em intervalos de tempo discretos (O’KANE et al, 2000). E, muitos sistemas de produção apresentam essas mudanças. Portanto, essa técnica é ideal para ser aplicada nesses sistemas.
Diante do apresentado, o objetivo deste trabalho é analisar, através da simulação, qual o impacto na produção total, no tempo médio de ciclo e no tempo mínimo de ciclo de uma célula de produtora de barras, ao deixar de produzir barras forjadas para arma do tipo 1 (CANO1) para produzir barras forjadas para arma do tipo 2 (CANO2).
em na diminuição de apenas 2,52% no número total de barras. Já quanto ao tempo médio de operação, haverá um aumento de 14,91% e o tempo de ciclo também aumentará em 23,71%.
2. Simulação computacional
Os modelos de simulação tornaram-se uma das técnicas mais populares empregadas nas análises de sistemas industriais complexos (O’KANE et al, 2000). Ainda segundo este autor, a fase operacional compreende as maiores potencialidades de se obter os melhores resultados com o uso da simulação.
Para Shannon (1975), a simulação é um método de modelagem utilizado para implementar e analisar um procedimento real (físico) ou proposto em um computador (de forma virtual) ou até mesmo em protótipos. Bertrand e Fransoo (2002), definem simulação como uma técnica que, auxiliada por uma ferramenta computacional, é usada para solucionar problemas complexos, onde não seria possível apenas por um simples modelo matemático. Ou seja, a simulação seria o ato de imitar um procedimento real em menor tempo e com menor custo, permitindo um melhor estudo do que vai acontecer e de como consertar erros que gerariam grandes gastos (LEAL, 2003).
Strack (1984) aponta algumas características encontradas em problemas a serem analisados que justificam o uso da simulação, tais como:
− não há uma formulação matemática completa;
− não há um método analítico para a resolução do modelo matemático;
− a obtenção de resultados com o modelo é mais fácil de ser realizada por simulação do que método analítico;
− não existe habilidade pessoal para a resolução do modelo matemático por técnica analítica ou numérica;
− é necessário observar o desenvolvimento do processo desde o início até os resultados finais, e são necessários detalhes específicos;
− não é possível ou é muito difícil a experimentação no sistema real;
− é desejado estudar longos períodos de tempo ou são necessárias alternativas que os modelos físicos dificilmente fornecem.
Além disso, para Kelton et al (1998), pode-se estabelecer alguns parâmetros nos quais as simulações são classificadas, como:
− tempo (estática – quando o tempo é invariável; ou dinâmica – corresponde a maioria dos modelos operacionais);
− estado de mudança (contínua – o estado do sistema muda continuamente com o tempo; discreta – mudanças ocorrem somente após a separação de alguns pontos no tempo);
− aleatoriedade (determinísticos – modelos que não possuem entradas aleatórias; estocásticos- operam com entradas aleatórias).
Em uma simulação, é necessário identificar os elementos envolvidos no processo. A simulação envolve três elementos principais: o sistema real, o modelo e o simulador (Moreira, 2001). Sendo que estes devem ser analisados através de suas inter-relações.
Para Moreira (2001), o sistema real pode ser definido como uma origem de dados; o modelo como um grupo de instruções para a geração de dados; e o simulador como um dispositivo capaz de levar a diante instruções do modelo.
Uma simulação, segundo Leal (2003), apresenta os seguintes mecanismos internos:
distintos conforme o desempenho do sistema, quando simulado;
− Parâmetros: características ou atributos do sistema que têm só um valor em toda a simulação, mas podem mudar se alternativas diferentes forem estudadas;
− Fatores exógenos: parâmetros ou variáveis cujo valor afeta o sistema, porém não é afetado por ele. São representados pelas séries ou distribuições de probabilidade que fornecem valores ao sistema;
− Fatores endógenos: parâmetros ou variáveis que tem o valor determinado pelo sistema, como é o caso dos resultados do modelo.
Andrade (1989) propõe que um trabalho de simulação seja desenvolvido de acordo com as características apresentadas na Figura 1.
− Formulação do problema: Os objetivos da simulação devem ser explicitamente definidos, a amplitude e a profundidade que se deseja da análise e os recursos disponíveis;
− Coleta de dados: Processo de recolhimento dos fatos e informações disponíveis que serão processados quando houver necessidade;
− Modelagem: o primeiro passo da modelagem corresponde à identificação das variáveis do problema. Na seqüência, elabora-se o modelo propriamente dito, buscando similaridade com o sistema real;
− Avaliação do modelo: etapa é decisiva no processo de simulação, pois a rejeição do modelo nesta levará ao reinício do processo;
− Programação da simulação: corresponde à formação do fluxograma do modelo, que pode ser implementado em um computador, sendo que o modelo elaborado deve ser transcrito na linguagem utilizada pelo software selecionado; − Validação: a validação é uma avaliação de o quanto o modelo
construído assemelha-se ao sistema real que se pretendeu simular, no aspecto de se questionar se esse modelo atende ou não às finalidades para as quais foi construído;
− Realização de experimentos: feito após o modelo estar pronto, tendo sido verificado e solucionado qualquer erro de programação e após ter sido julgado válido, estabelecendo critérios de como os experimentos serão conduzidos.
Fonte: Adaptado de Andrade (1989), Moreira (2001) e Leal (2003)
Figura 1. Fluxograma e análise do processo de simulação
3. Objeto de estudo e método de pesquisa
O trabalho foi realizado em uma indústria de equipamentos bélicos, onde se estudou apenas uma das várias células da indústria, que é responsável por produzir as barras forjadas. Essas barras, no final de toda a linha de produção da indústria darão origem aos canos dos produtos a serem comercializados.
Segundo Bryman (1989), este trabalho pode ser classificado como um quase-experimento, porque os projetos quase-experimentais permitem ao pesquisador eliminar algumas explicações de supostas causas de relações, mas não todas. O que o torna útil, pois uma grande porção do campo de experimento não pode ser considerada na experimentação.
Leal (2003) comenta que termo quase-experimento é utilizado para denotar o estudo de um grupo ao qual recebe tratamento experimental, mas com informações adicionais coletadas após o experimento. E, para o autor, este tipo de pesquisa apresenta as seguintes características:
− Não objetiva retratar um método em seu uso pela organização em estudo; − Não objetiva medir os resultados após a implantação do método proposto; − O pesquisador não detém o controle sobre todas as variáveis;
− A pesquisa não propõe generalizações dos resultados.
Primeiramente, definiu-se a célula a ser estudada. A escolha foi intencional e partiu da gerência da indústria, pois havia interesse em estudar os resultados da célula ao incorporar um produto diferente no processo (no caso, como referido o item CANO2).
O mapa do processo e os dados que serviram de base para montar a simulação da célula, foram fornecidos pela indústria. Por se tratar de itens confidenciais, os dados base foram modificados. Por isso, os resultados obtidos na simulação não representam diretamente os resultados do sistema real. Mas através das devidas transformações matemáticas, pode-se chegar ao resultado real. Assim, de posse desses dados e do mapa de processo parte-se para a simulação.
Os dados foram estruturados de forma compatível com os requisitos do software de simulação utilizado, ProModel, versão 4.22.
As barras são os insumos que serão transformados no processo de produção. No sistema de simulação, elas são chamadas de entities. Para Harrel apud Montevechi (2003), nas entities são listados todos os insumos, materiais brutos ou pré-fabricados que serão utilizados na produção. Nesse modelo, utilizou-se as seguintes: barra bruta, barra desempenada, barra furada, barra forjada.
As máquinas são as responsáveis pelo processo de transformação dos insumos. Na célula analisada perfazem um total de 12 máquinas. No sistema de simulação, essas são chamadas de
locations. No modelo, as locations utilizadas são: Prensa 01, Torno 01, Torno 02, Furadeiras,
Torno 03, Torno 04, Alarga, Torno 05, Prensa 02, Retifica, e Forja. Cada máquina realiza um processo diferente e por isso, para realizar suas atividades, consomem tempos distintos em suas operações. Além disso, os dados informados referem-se ao tempo padrão do sistema de controle de processo da indústria, o qual pode ser observado no mapa de processo apresentado na Figura 2.
Na modelagem, se considerou onze estoques, sendo sete que antecedem as máquinas, três intermediários e um estoque final. Os estoques que antecedem as máquinas têm a função de acumulação, de modo que o sistema não fique parado esperando o processamento anterior. Os estoques intermediários são responsáveis por armazenar cada tipo de entities de acordo com o processo de produção. E o estoque final armazena as barras forjadas até que o lote complete o total de 100 unidades. Os estoques também são considerados locations no sistema de simulação e são usadas, nesse modelo.
Como as máquinas não são totalmente automatizadas, praticamente cada máquina necessita de um operador. Nesta célula emprega-se 11 operários. Duas máquinas requerem operários especialistas, ou seja, apenas um operário é responsável por sua operação. Os demais operários podem trabalhar em outras máquinas, as quais não exigem o especialista. No sistema de simulação, os operadores são chamados de resources. Neste modelo os resources utilizados são:
− Operadores tipo A: representado por nove operários que trabalham nas seguintes locations: Prensa 01, Torno 01, Torno 02, Furadeiras, Torno 03, Torno 04, Alarga, Torno 05 e Retifica;
− Operador do tipo B: um operário que trabalha somente nas Prensa 01 e Prensa 02; − Operador do tipo C: um operário que trabalha somente na Forja.
Tempo
(min) Descrição da Etapa
0,100 X Barra bruta encaminhada para “Prensa 01” 1,197 X Barra bruta é prensada na “Prensa 01”
0,100 X Barra bruta prensada vai para estoque do “Torno 01” 1,432 X Torneamento da barra bruta no “Torno 01”
0,100 X Barra bruta torneada é levada para estoque do “Torno 02” 1,345 X Barra bruta é torneada no “Torno 02”
0,200 X Barra bruta torneada vai estoque de barra bruta 0,100 X Barra bruta sai de estoque e vai para “Furadeiras”
16,908 X “Furadeira” fura a barra bruta, transformando-a em barra furada 0,100 X Barra furada é levada para o estoque do “Torno 03”
0,505 X Barra furada é torneada no “Torno 03”
0,100 X Barra furada é levada para o estoque do “Torno 04” 4,012 X Barra furada é torneada no “Torno 04”
0,100 X Barra furada é levada para o estoque da “Alarga” 2,253 X “Alarga 25” aumenta a dimensão do furo da barra furada 0,200 X Barra furada é encaminhada para o estoque de barra furada 0,100 X Barra furada sai de estoque e vai para “Torno 05”
13,348 X Barra furada é torneada no “Torno 05”
0,100 X Barra furada é levada para o estoque da “Prensa 02”
5,329 X Barra furada é prensada na “Prensa 02” e tranforma-se em barra desempenada 0,100 X Barra desempenada é levada para o estoque da “Retífica”
1,126 X Barra desempenada é retificada na “Retífica”
0,200 X Barra desempenada é encaminhada para o estoque de barra desempenada 0,100 X Barra desempenada sai de estoque e vai para “Forja”
3,468 X Barra desempenada é forjada na “Forja” e transforma-se em barra forjada 0,200 X Barra forjada vai para estoque de barra forjada
Figura 2. Mapa do processo e tempos de processamento para as entities CANO 1 e legenda de símbolos
A indústria de modo geral trabalha em dois turnos de segunda à sexta-feira. O primeiro é das 7:00 às 17:00 horas, sendo que das 11:00 às 12:00 é feita uma pausa para o almoço. O segundo é das 17:00 às 2:30 horas e das 20:30 às 21:30 horas é servido o jantar.
4. Simulação do modelo e validação
Como mencionado, este trabalho faz uso da simulação computacional como forma de representar o processo produtivo da célula em estudo. A escolha do software de simulação ProModel 4.22 se deve ao fato deste software possuir um ambiente agradável ao usuário, além de permitir a elaboração de animações gráficas que auxiliam no processo de confecção, validação e apresentação do modelo. A biblioteca gráfica do ProModel 4.22 apresenta recursos próprios para a área industrial, o que favoreceu ainda mais a sua escolha.
Para facilitar o entendimento do processo de simulação, a Figura 3 demonstra layout da célula analisada na indústria.
Figura 3. Esquema simplificado da célula analisada na indústria em estudo
Segundo a classificação apresentada por Kelton et al. (1998), a simulação realizada neste trabalho apresenta as seguintes classificações: dinâmica (quando se refere ao tempo); discreta (quando se refere ao estado de mudança); e determinística (quanto à aleatooriedade).
A validação de modelos computacionais é de difícil realização. Segundo Naylor et al. (1971) e Pereira (2000), não existe uma forma para se fazer a validação. Assim, não há possibilidade de validação absoluta. Uma vez que os objetivos da simulação podem ser cumpridos com o modelo existente, a etapa de validação está terminada.
Assim, para validar esse modelo, utilizou-se o modelo turing test. De acordo com Harrel et al. (1996), neste teste as respostas dadas pelo modelo e as respostas que são dadas pelo sistema real são entregues a pessoas que conheçam o sistema. No caso, a gerência da indústria observou o comportamento da simulação e não indicou alterações devido a não representatividade da realidade. Além disso, segui-se a recomendação de Harrel et al. (1996), pois o modelo foi elaborado e simulado com consultas à gerência da indústria.
5. Análise dos resultados
Como pode ser observado na Figura 3, dividiu-se o processo industrial em quatro grandes áreas a serem analisadas: área Barra Bruta, área de Barra Furada, área de Barra Desempenada e área de Barra Forjada. Estas denominações foram criadas para facilitar a análise dos dados. É importante destacar que, a qualquer tempo, a indústria pode fazer alterações no layout da unidade, por isso esse se refere ao praticado no momento do trabalho.
O modelo apresentado simulou atividades referente ao mês de novembro de 2004 (iniciando em 01 de novembro às 07:00 e terminando em 01 de dezembro de 2004 às 02:30 horas), ou seja, um total de 715,5 horas. Além disso, foram considerados dois cenários diferentes. Cada cenário possui as seguintes características:
− Cenário 1: simulação dos tempos de processamento padrão para o CANO1, como apresentado na Figura 3;
No cenário 1, a maior parte das máquinas passa grande parte do tempo esperando atividades. Este fato ocorre porque, como se estabeleceu um turno de trabalho para os operadores e não o vinculou às máquinas, é normal que elas fiquem de paradas aguardando o retorno dos operadores para início de uma nova jornada de trabalho.
Percebe-se também, que máquinas como o Torno 03, a Prensa 02, a Retífica e a Forja, passam grande parte do tempo vazias (inoperantes). Esse fato pode estar ocorrendo porque essas máquinas possuem capacidade ociosa, conforme os respectivos percentuais de utilização 47,19%, 22,07%, 35,56% e 25,45%.
Por outro lado, pode-se observar que a Prensa 01, as Furadeiras, o Torno 04 e o Torno 05 possuem percentuais de utilização acima dos 80,00% (84,97%, 89,40%, 99,94%, 92,40%, respectivamente). E este fato pode nos revelar que essas máquinas podem ser “gargalos produtivos”. Ou seja, elas impedem o processamento de novas peças, haja vista que os seus respectivos estoques intermediários possuem elevado índice de ocupação ao longo do tempo (100,00%, 41,19%, 99,92% e 99,91% respectivamente).
Como já comentado, o processo utiliza três tipos de operadores e em diferentes quantidades: 9 Operadores A, 1 Operador B e 1 Operador C. Porém esses operadores possuem, conseqüentemente, diferentes taxas de ocupação. Os Operadores A, por exemplo são utilizados em média certa de 97,34% do tempo, enquanto que o Operador B e o Operador C são utilizados 36,51% e 29,62% do tempo, respectivamente. Assim, como no caso das máquinas, os operadores do tipo A podem se tornar “gargalos operacionais”, caso algum deles tenha que se ausentar do trabalho.
Apesar das elevadas taxas de utilização dos Operadores do tipo A, 28,46% do tempo de trabalho é destinado ao transporte de peças ao longo da unidade de produção, restando apenas cerca de 69,00% para a operação das máquinas.
Neste cenário, foi possível produzir 1.310 (mil, trezentas e dez) barras do tipo CANO1, que é o produto final da célula. Sendo que essas peças ficaram em média 50,41 minutos em operação. E o menor tempo de ciclo de uma peça foi de 64,40 minutos.
De acordo com as informações cedidas pelo pessoal da indústria, o cenário 2 difere-se do cenário 1 apenas no tempo de utilização da furadeira e do Operador A.
Certamente, essas modificações influenciarão em todo processo produtivo. Porém, as características do sistema continuam as mesmas, modificando apenas alguns percentuais de utilização. Por exemplo, o Torno 05 no cenário 1 apresenta taxa de utilização de 92,40% e no cenário 2 a mesma máquina apresenta uma utilização de 94,50%, permanecendo a condição de “gargalo operacional”. O mesmo ocorre com os Operadores do tipo A. No cenário 1 a taxa média de utilização é 97,34%, já no cenário 2 o valor é de 97,86%.
Porém, no cenário 2 o volume total produzido foi de 1.277 (mil duzentas e setenta e sete) barras do tipo CANO2. O tempo médio de operação foi de 57,93 e o tempo mínimo de ciclo 79,67 minutos.
Do ponto de vista dos pesquisadores, a comparação entre o volume total produzido, o tempo médio de operação e o tempo mínimo de ciclo dos dois cenários anteriores, é o ponto fundamental da pesquisa. Pode se constatar que a diferença de produção de barras do tipo CANO1 e CANO2 é de apenas 33 unidades, o que equivale a apenas 2,52% do total produzido no cenário 1. Ou seja, a produção do CANO 2 teria um impacto de apenas 2,52% no processo produtivo da unidade em análise.
O mesmo ocorre com o tempo médio de operação e o tempo mínimo de ciclo. A diferença desses dois tempos é, respectivamente, 7,52 e 15,27 minutos. Porém nesses itens o impacto é
maior porque para o tempo médio tem-se 14,91% e para o tempo mínimo 23,71%.
6. Conclusões
O objetivo principal do trabalho era analisar o impacto na quantidade total produzida, no tempo médio de ciclo e no tempo mínimo de ciclo ao deixar de produzir de barras forjadas para arma do tipo 1 (CANO1) para produzir barras forjadas para arma do tipo 2 (CANO2). Assim, pode-se concluir que, deixar de produzir barras do tipo 1 para produzir barra do tipo 2 resultará na diminuição de apenas 2,52% no número total de barras. Já quanto ao tempo médio de operação, haverá um aumento de 14,91% e o tempo de ciclo também aumentará em 23,71%. Além disso, em quase nada mudou a situação de gargalo de produção e de ociosidade, tanto dos operadores quanto das máquinas.
Além do mais, sugere-se que a indústria controle melhor os dados do processo produtivo, para que ela possa, de forma mais precisa, intervir no processo através de decisões acertadas. Outro ponto interessante, seria simular todo o processo produtivo da indústria, para que a esta tivesse uma visão macro do sistema produtivo.
Referências
ANDRADE, E. L. Introdução à Pesquisa Operacional. Rio de Janeiro: Livros Técnicos e Científicos, p.156-171, 1989.
BERTRAND, J. W. M., FRANSOO, J. C., Modeling and Simulation. Operations management research methodologies using quantitative modeling. International Journal of Operations & Production Management, Vol. 22 No. 2, 2002, pp. 241-264.
HARREL, C. R.; BATEMAN, R. E.; GOGG, T. J.; MOTT, J. R. A. (1996) System Improvement Using Simulation. Orem, Utah: PROMODEL Corporation.
KELTON, W. D.; SADOWSKI, R. P.; SADOWSKI, D. A. (1998) Simulation with Arena. MacGraw Hill. LEAL, F. (2003) Um diagnóstico do processo de atendimento a clientes em uma agência bancária através de mapeamento do processo e simulação computacional. Itajubá: UNIFEI. 223p. (Dissertação de mestrado apresentada ao Programa de Pós-Graduação em Engenharia de Produção da Universidade Federal de Itajubá). MONTEVECHI, J. A. B.; DUARTE, R..; NILSSON, G. V. (2003) O uso da simulação para análise do layout de uma célula de manufatura. Revista Pesquisa e Desenvolvimento de Engenharia de Produção. n1, p15-29.
MOREIRA, C. M. (2001) Estratégias de Reposição de Estoques em Supermercados: Avaliação por meio de simulação. Dissertação (Mestrado em Eng. Produção) Programa de Pós-Graduação em Engenharia de Produção, Universidade Federal de Santa Catarina, Florianópolis, SC.
NAYLOR, T. H.; BALINTFY, J. L.; BURDICK, D. S.; CHU, K. (1971) Técnicas de Simulação em Computadores. São Paulo: Editora Vozes.
O’KANE, J. F.; SPENCELEY, J. R.; TAYLOR, R. (2000) Simulation as essential tool for advanced manufacturing technology problems. Journal of Material Processing Technology. 107. p. 412-424.
PEREIRA, I. C. (2000) Proposta de Sistematização da Simulação para Fabricação em Lotes. Dissertação (Mestrado em Eng. de Produção) Programa de Pós-Graduação em Engenharia de Produção, Universidade Federal de Itajubá, Itajubá, MG.
RATHMILL, K.; GREENWOOD, N.; HOUSMANN, M. (1983) Computer simulation of FMS, in: Proceedings of the Second International Conference on Flexible Manufacturing Systems, October, pp. 251-280.
REIS, R.P.; MEDEIROS, A.L.; MONTEIRO, L.A. (2001) Custo de produção da atividade leiteira na região Sul de Minas Gerais. Organizações Rurais e Agroindustriais, Lavras, v. 3, n. 2. p. 45-54, jul./dez.
SHANNON, Robert E. (1975) Systems simulation: the art and science. Englewood Cliffs: Prentice-Hall, [s. n.]. STRACK, J. (1984) GPSS: modelagem e simulação de sistemas. Rio de Janeiro: LTC.
THOMAS, A.; CHARPENTIER, P. (2003) Reducing simulation models for scheduling manufacturing facilities. European Journal of Operational Research. 161. p.111-125.
