Análise de resultados de desempenho de uma correia de
separação de mercadorias comparando o algoritmo genético
com um algoritmo que utiliza a equação da reta.
Paulo Cesar Mota Leonardo¹
¹Universidade do Sul de Santa Catarina (Unisul) Caixa Postal 370 – 88704-900 – Tubarão – SC – Brazil
paulocesarml85@gmail.com
Abstract. The proposite of this article was compare the performance of a goods separation line using two optimization algorithms for a order selecion to be separated in the company GAM. The first algorithm uses concepts of the equation of the line to select the orders while that the second algorithm was written using a field of artificial intelligence called genetic algorithm that seeks the best order to select the orders. In total there were 3 batteries of simulations with different times of separation. There are 9 simulations for each battery, a simulation using the algorithm of the current situation (algorithm that uses the equation of the line for selection) and 8 using the genetic algorithm. The results obtained with the genetic algorithm were superior when compared to the algorithm of the current situation. In the last battery with the time of 11 seconds to be separated by item, in the best case an improvement of 34%. the results of this research where promising. It was important because with the results obtained, it guarantees us that there is a possibility of improvement in the performance and thus, the perpetuation of the studies.
Resumo. O proposito deste artigo foi comparar o desempenho de uma correia de separação de mercadorias utilizando dois algoritmos de otimização para a seleção de pedidos a serem separados na empresa GAM. O primeiro algoritmo utiliza conceitos da equação de uma reta para poder selecionar os pedidos enquanto que o segundo algoritmo foi escrito utilizando um campo da inteligência artificial chamado algoritmo genético que busca a melhor ordem para serem selecionados os pedidos. Foi desenvolvido e utilizado um software simulador de correia de separação para serem feitas as simulações. No total foram 3 baterias de testes com tempos diferentes de separação. Existem no total 9 simulações para cada bateria, uma simulação utilizando o algoritmo da situação atual (algoritmo que utiliza a equação da reta para seleção) e 8 utilizando o algoritmo genético. Os resultados obtidos com o algoritmo genético foram superiores se comparados com o algoritmo da situação atual. Na ultima bateria com o tempo de 11 segundos a ser separado por item, no melhor caso foi obtido uma melhora de 34%. Os resultados desta pesquisa mostraram-se promissores. Ela foi importante pois com os resultados obtidos, nos garante que há a possibilidade de melhora no desempenho e assim, a perpetuação dos estudos.
1. Introdução
O processo de melhorias nas indústrias se deu por conta das revoluções industriais. A primeira revolução industrial ocorreu por volta de 1830 na Inglaterra e tem como principal característica a inclusão das máquinas a vapor que substitui trabalhos manuais por mecânicos. A segunda revolução industrial se deu no fim da primeira metade do século XX. Ocorreu nos Estados Unidos e foi importante pois ocasionou o surgimento da energia elétrica, substituindo as máquinas movidas a vapor, por máquinas elétricas. Na terceira revolução ocorreu na segunda metade do século XX e introduziu computadores nos processos industriais com surgimento da robótica nas indústrias. Estamos vivenciando a quarta revolução industrial. Nesta revolução é introduzido nas atividades industriais tecnologias como internet das coisas (IoT), inteligência artificial, automação e machine learning.(MACHADO, 2016)
Com a crescente competição na logística paraprazos reduzidos na entrega de mercadorias as empresas estão cada vez mais buscando melhorias nos processos, através de tecnologias, para aumentar os níveis de qualidade do serviço. Com isso estão sendo direcionados suas atenções para suas cadeias de suprimento. Desta forma, especificamente, o tema escolhido visa apresentar conceitos e práticas no processo de separação de mercadorias para produtos fracionados, permitindo um desempenho adequado com soluções utilizando o algoritmo genético. Preocupando-se, no entanto, com a avaliação dos indicadores e os resultados de performance e desempenho na utilização desta técnica e sendo comparado com o que está sendo utilizado, especificamente, na Empresa GAM.
O problema abordado é característico de otimização e portanto cabe a implementação do algoritmo genético com um modelo de cálculo de fitness do qual suprirá as exigências necessárias para inserção de pedidos na correia de separação. Com esta nova abordagem, é esperado uma maior otimização do fluxo e assim, que a produção da separação de mercadorias seja superior.
Este artigo aborda a análise comparativa da produção de uma correia de separação de mercadorias executando dois algoritmos com abordagens diferentes. Primeiramente o artigo irá falar sobre o que viria a ser a industria 4.0. Na seção seguinte, será abordado sobre o que é algoritmo genético e seus principais conceitos de forma superficial. A seção 4 falará sobre o processo de separação, problema a ser resolvido e como funciona o algoritmo da situação atual. Na seção 5 será apresentado o modelo criado para suprir as exigências necessárias do processo de separação de mercadorias e assim, obter possivelmente uma melhora ou não no desempenho. Na seção seguinte irá apresentar os resultados obtidos com as simulações efetuadas sobre as mesmas condições.
2. Motivação
As indústrias mundiais vêm por vários anos sofrendo transformações sucessivas e por que não dizer com nível de complexidade alto. Mudanças, estas, alavancadas para produção em escala procurando reduzir o custo e gerando receita na economia.
indústrias começaram a implantar computadores no chão de fábrica com controles e sensores para fazer a gestão dos processos. Não obstante, em nossos dias, em função das variáveis de controle nos processos serem necessárias à automação e com isso a presença de dispositivos autômatos.
Até a década de 1940, as plantas eram operadas manualmente por um grande número de operadores, os quais valiam-se de alguns poucos instrumentos mecânicos elementares que realizavam controle local. Com o passar do tempo, a elevação dos custos dos insumos e o desenvolvimento de equipamentos e processos maiores e mais elaborados, impactando diretamente atividades de comissionamento, operação e manutenção, tornaram necessária a utilização de formas de controle mais precisas. Surgiram, então, os instrumentos pneumáticos, que permitiram a transmissão de informações sobre as variáveis do processo, através de tubulações específicas, até uma certa distância. Isso permitia que os controladores ficassem reunidos em uma mesma sala, a sala de controle de processo.
Com a criação da instrumentação eletrônica digital nos anos de 1970 e 1980, o grau de automação das instalações industriais foi ampliado. A disponibilidade de novos componentes eletrônicos e de software contribuiu enormemente para o crescimento desse mercado. O desenvolvimento de métodos de identificação, otimização e controle avançado dos processos, bem como de multiplexação no sistemas de comunicação, aliados ao aumento de capacidade de processamento dos computadores e componentes microeletrônicos, expandiu as aplicações de sistemas de controle de processo automáticos. Estes passaram a incorporar também o conhecimento de especialistas sobre os processos por meio de técnicas de inteligência de artificial(GUTIERREZ, 2008, 193).
Identificada, hoje, como a industria 4.0 seria a quarta revolução industrial e é uma revolução digital. Segundo Schwad (2016, apud Moreira), “Esta revolução digital estaria voltada para tecnologias como internet móvel, inteligência artifical, automação, machine learning, além do aperfeiçoamento dos sensores tornando-os mais potentes e menores, possibilitando uma integração com as ferramentas desta nova ordem mundial.” Percebemos então que a indústria 4.0 é uma revolução industrial onde é incorporado a digitalização nas industrias e por meio deste, entre outras tecnologias, a inserção de inteligência artificial para que se possa obter um melhor desempenho na manufatura. Com o passar dos anos observamos cada vez mais que as tecnologias que estão sendo empregadas com objetivo de facilitar as tarefas, e por que não a continuidade do processo de evolutivo, extremamente necessário, para os seres humanos.
3. Contextualização
Os algoritmos genéticos são técnicas heurísticas de otimização global.[...] Nos algoritmos genéticos populações de indivíduos são criados e submetidos aos operadores genéticos: seleção, recombinação (crossover) e mutação. Estes operadores utilizam uma caracterização da qualidade de cada indivíduo como solução do problema em questão chamada de avaliação e vão gerar um processo de evolução natural destes indivíduos, que eventualmente deverá gerar um indivíduo que caracterizará um boa solução (talvez até a melhor possível) para o nosso problema.
Definindo de outra maneira, podemos dizer que algoritmos genéticos são algoritmos de busca baseados nos mecanismos de seleção natural e genética. Eles combinam a sobrevivência entre os melhores com uma forma estruturada de troca de informação genética entre dois indivíduos para formar uma estrutura heurística de busca. (LINDEN, 2008).
Inicialmente define-se uma população inicial que constitui no conjunto de vários cromossomos. Durante o processo evolutivo, toda a população é avaliada e cada indivíduo(cromossomo) recebe um valor de fitness que define o indivíduo mais apto para a resolução do problema. Os cromossomos com melhor valor de fitness sobrevivem e os que contiverem o pior, morrem. Os indivíduos escolhidos podem sofrer alterações em seus genes por meio de operadores genéticos como o cruzamento e a mutação gerando descendentes para a próxima geração. O processo é repetido até que o critério de parada seja satisfeito e assim retornando a melhor solução presente no cromossomo mais apto.(NALDI, 2006).
Existem termos que o algoritmo genético herda da biologia e para melhor entendimento, será explanado a seguir.
3.1 Genes
Corresponde a uma representação de algum parâmetro de interesse, de acordo com algum alfabeto, podendo usar valores inteiros, reais e cadeias de caracteres, porém, o mais comum e usar apenas os valores 0 e 1 do alfabeto binário.(ARTERO, 2009) 3.2 Cromossomos
São cadeias de genes que representam os indivíduos do problema. Normalmente representados como cadeia de valores binários podendo assumir dois valores possíveis: 0 e 1. Cada cromossomo representa um candidato num espaço de busca de soluções possíveis. É atribuído um valor de aptidão (fitness) para que o algoritmo possa definir os indivíduos mais aptos.(MITCHEL, 1999)
3.3 População
Esses indivíduos competem entre si pela sobrevivência e assim gerarem novos cromossomos que ao final de cada geração, começam a fazer parte da população de indivíduos.
3.4 Geração
Geração corresponde a uma iteração que gera os valores de um indivíduo.(ARTERO, 2009)
3.5 Função de Aptidão
Segundo (PACHECO, 1999), a função aptidão serve para dar uma medida de aptidão para cada indivíduo na população corrente e servirá como subsidio para que o algoritmo faça a busca.
3.6 Seleção
A seleção consiste em escolher os indivíduos com melhores fitness, ou seja, os mais aptos para prosseguirem para a próxima geração. Existem diversas técnicas de seleção e as mais comuns são a seleção aleatória, a seleção por torneio e a seleção por roleta.(ARTERO, 2009)
3.7 Cruzamento(crossover)
Tem-se o cruzamento entre dois indivíduos obtendo dois novos indivíduos que farão parte da população e entrarão nos critérios de calculo de fitness para depois serem processados pelos operadores genéticos assim como seus pais.(ARTERO, 2009) 3.8 Mutação
O cromossomo tem algum de seus genes alterados de formas aleatórias. Isso pode ocorrer com uma probabilidade muito baixa. Geralmente este valor fica em torno de 1%. Em cromossomo com genes binários, para mutar é necessário apenas trocar alguns bits. Já quando a representação do gene for real ou inteiro, soma-se pequenos valores aleatórios(positivo e negativos).(ARTERO, 2009)
4. Análise do Problema
O mercado industrial está cada vez mais competitivo e dinâmico, o que demanda das empresas a busca por tecnologia e automação dos processos. A implantação de sistemas autônomos, independentes e portadores de inteligência artificial e machine learning é uma opção de inovação para aprimorar técnicas e processos já utilizados nas empresas.
A empresa em estudo, Genésio A. Mendes, GAM, trata-se de uma organização que atua na distribuição atacadista e no varejo, de produtos farmacêuticos, higiene e beleza, para canais de farmácias, mercados e hospitais. O processo logístico compreende o pedido do cliente, a separação das mercadorias, chamadas de processo picking e o transporte até o cliente final.
Segundo Medeiros (1999) a atividade de picking é a recolha dos produtos, na quantidade correta, dentro de um determinado armazém para poder ser distribuído ao cliente. Para Ackerman (1990), o picking começa coma conversão do pedido do cliente em uma lista onde constam as localizações específicas para cada tipo de produto, a quantidade que deve ser recolhidos e a sequência de recolha dos mesmos. (RAMOS, 2016).
O picking refere-se à separação das mercadorias que serão enviadas aos clientes conforme cada pedido realizado. Dispõe de um grande mecanismo envolvido por uma correia onde são transportadas as caixas, que passam pelos setores. Em cada setor ou seção há um colaborador que faz a coleta dos itens de cada pedido e deposita nas caixas. No inicio da correia existe um terminal contendo um sistema que roda um algoritmo que busca a melhor ordem para inserir os pedidos na correia. O Algoritmo levem em conta a quantidade de itens que há disponível em toda a correia para a seção no momento exato da execução e libera pedidos para a seção que ainda tem disponibilidade de itens. Além da quantidade de itens na correia, o algoritmo também verifica o tempo de liberação de caixas para a correia e a quantidade máxima de caixas na correia.
Um gráfico com uma reta define melhor o processo do algoritmo relacionado a quantidade de itens das seções na correia.
O eixo y corresponde a quantidade itens disponível na correia e o eixo x corresponde as seções. O traçado da reta informa a quantidade permitida de itens para cada seção. Vamos por o eixo y do gráfico 1 numa escala de 100. Isso quer dizer que analisando sua representação, é possível perceber que para a seção 1, é permitido que se tenha 150 linha na correia. No momento exato da execução do algoritmo (representado no gráfico), a seção 1 está com 100 itens na correia. Isso quer dizer que há a disponibilidade de inserir para essa seção, pedidos que completam os 50 itens faltantes para otimizar a correia. Isso também ocorre para as demais seções. Nas seções 4 e 5, nenhum pedido será liberado pois a quantidade de itens disponíveis na correia nessas duas seções, está acima ou igual ao permitido como é possível perceber no gráfico 1.
O intervalo entre uma caixa liberada e outra é calculado com t= tmpl * nlc. Onde t = tempo e representa o espaçamento que o sistema espera até liberar a caixa. Tmpl é o tempo médio de separação por linha, de toda a correia. E nlc representa o número de linhas da caixa que está sendo liberada na correia. Se t for maior que 10 segundos, então, t assume valor 10.
O processo atual suporta o limite máximo de 120 caixas. Esse valor foi obtido através de análise e experimentos in-loco. Valores acima desse número reduz o rendimento do processo, ocasionando o congestionamento do fluxo de caixas na correia.
O modelo implementado não é totalmente eficaz visto que há lacunas de tempo ócio. Desta forma, fez-se necessário a busca por novas alternativas para otimizar o tempo no processo de separação. Para isso, foi utilizado como base o algoritmo já aplicado, com as regras existentes e desenvolvido o algoritmo genético com novas regras, que visa tratar o dispêndio de tempo ócio do deslocamento da caixa do ponto de início de picking até a sessão, e da otimização do tempo das sessões que estão mais ociosas. O novo algoritmo foi desenvolvido com base nas regras de seleção, horários de saída dos caminhões do centro de distribuição e da disponibilidade dos separadores para não deixar a correia desbalanceada, executando com equilíbrio a separação sem sobrecarregar um separador e deixar o outro ocioso. 5. Modelo
Para representar o problema foi necessário modelar o cromossomo atendendo as necessidades as quais a situação impõe. Para tal, cada gene do cromossomo representa um pedido e a ordem dos genes no cromossomo é quem define qual pedido entrará na correia como mostra a figura 1.
Figura 1. Representação do cromossomo
Podemos perceber que o cromossomo no índice 1 está o pedido 4, no índice 2 o pedido 2, no 3º o pedido 3, no 4º o pedido 1 e assim sucessivamente. Se esse cromossomo contiver a maior fitness ao final da execução do algoritmo, então ele será selecionado. Como cada posição do cromossomo equivale a um pedido, o pedido que estiver no índice 1 será o primeiro a sair, o que estiver no 2 será o segundo a sair e assim por diante.
Existem quatro etapas de cálculos para compor a fitness do cromossomo. São elas: somatório dos cálculos para o horário de saída do caminhão do centro de distribuição, cálculo de disponibilidade de caixas no buffer, cálculo de distância entre o terminal de vinculo de pedidos com as caixas de picking e as seções de separação e o cálculo de fitness de desempenho dos separadores.
5.1 Cálculo do Horário de Saída do Caminhão
O cálculo do horário de saída do caminhão do centro de distribuição é feito convertendo o valor do horário num valor inteiro. Assim por exemplo dezoito e meia valerá 1830. Após a conversão, é feito a subtração do horário da saída do caminhão a que o pedido pertence, com o hora atual do processo também convertido para o número inteiro. No passo seguinte é multiplicado o resultado da subtração pelo valor do tamanho do cromossomo menos o valor do índice do loop. Por fim, para cada gene é somado o resultado de todo o valor compondo a fitness na primeira etapa. A fórmula 1 descreve o processo.
∑
i=0 n−1
(HPi− HA)∗(TC−i)
Fórmula 1
Onde HP é a é a hora de saída do pedido, HA é a hora atual e TC é o total de pedidos inseridos nos genes dentro do cromossomo ou seja, o tamanho do cromossomo.
5.2 Cálculo de Disponibilidade de Caixas no Buffer
pensando em balancear a correia para não deixar algumas seções com mais pedidos que outras, portanto o algoritmo libera pedidos para os separadores que contenham menos caixas em seu buffer como demonstra a figura 2. Neste caso, o algoritmo entenderá que a seção dois estará com menos caixas no buffer e por isso liberará mais caixas para a seção dois do que para a um. Isso ocorre porque na seção um existe apenas espaço para uma caixa, enquanto que para a seção dois existe a possibilidade de serem ejetadas duas caixas.
Figura 2. Representação de espaços no buffer da seção
Para a composição da fitness nesta etapa, é subtraído a quantidade máxima de caixas no buffer permitida na seção com a quantidade de caixas no buffer já existentes na seção que será ejetado o pedido referente ao cálculo. Logo após é somado o valor 100 a esse resultado. Esse processo é feito para cada terminal que o pedido entrará. A etapa final para compor a fitness, multiplica - se o resultado descrito acima com o valor total da fitness menos a posição em que o índice está no loop. Isso é feito para definir que quanto menor o valor do índice, maior será o valor da fitness. Esse cálculo está representado na fórmula 2.
∑ i=0 n−1 (∑ j =0 m−1 (QMBj− QCBj)+100)∗(TC− i) Fórmula 2
A variável QMB é quantidade máxima de caixas no buffer. A variável QCB corresponde a quantidade de caixas no buffer no terminal. TC é o tamanho do cromossomo.
5.3 Cálculo de Fitness para a Distância do Terminal de Vínculos ao Terminal de Separação
No início do processo é necessário que seções com distância maior em relação ao terminal de vínculos fiquem com o seu buffer cheio anteriormente aos terminais que ficam mais próximos da sessão de vínculos. Para isso é utilizado o cálculo de fitness para a distância do terminal de vínculos em relação as seções. O cálculo consiste em buscar um valor base para o peso de cada posição do cromossomo. Para consegui-lo é necessário dividir 100 pela quantidade de genes no cromossomo. Segundo passo é conseguir o peso de cada índice dos genes e assim multiplica-se o valor correspondente a quantidade de genes menos o valor do índice, pelo valor base calculado anteriormente. Por último, multiplica-se o peso dos índices pelo valor do
menor terminal do pedido inserido no gene. Observe a fórmula 3 para maior entendimento. ∑ i=0 n−1 ((QP− i)∗(100/QP))∗MTi Fórmula 3
Onde a variável QP é a quantidade de pedidos e a variável MT é o menor terminal.
5.4 Cálculo de Fitness de Desempenho dos Separadores
Inicialmente calcula-se a quantidade de unidades por hora que o separador está fazendo. Para isso, divide-se a quantidade total de unidades em cada pedido que está na correia para a seção, pela quantidade de unidades por hora que o separador está fazendo. Multiplica-se a esse resultado o valor 60. Neste momento é considerado apenas os pedidos que estão no buffer e na correia. Os pedidos que ainda não entraram na correia não fazem parte do cálculo. O próximo passo é dividir a quantidade de unidades do pedido em questão pela quantidade de unidades que o separador está fazendo por hora. Por fim, é multiplicado este resultado pela quantidade de pedidos (tamanho do cromossomo) menos o índice referente do loop principal.
∑
i=0 n−1
((QUPi)/(QUT /QUHT )∗60)∗QTP−i
Fórmula 4
A variável QUP refere-se a quantidade de unidades do pedido para o terminal, QUT é a quantidade de unidades no terminal na correia, QUHT é a quantidade de unidades por hora no terminal e QTP é a quantidade total de pedidos.
Por fim, o cromossomo que contiver a maior fitness, será selecionado. Os 100 primeiros pedidos serão selecionados para entrarem na correia. Cada gene contém um pedido e portanto serão selecionados os 100 primeiros genes do cromossomo. 5.5 Simulador
Para efetuar os testes, fazer as comparações entre o algoritmo proposto e o algoritmo atual e colher os resultados, foi desenvolvido um software simulador. Este software simula os pedidos que percorrem a correia e conforme alcancem as seções que contém itens que fazem parte da lista do pedido, são ejetados. Dentro das seções, o software simula o tempo necessário para separar o pedido. Ele atribui um tempo para cada item pertencente ao pedido e portanto quanto maior a quantidade de itens nos pedidos, maior será o tempo que levará para os pedidos serem separados.
A figura 3 apresenta a tela principal do sistema onde apresentá os campos romaneio, sequência, caixa, metros, terminal hospedeiro e terminais.
Figura 3. Tela principal do software simulador
O campo romaneio refere-se ao pedido do cliente. Para que o pedidos grandes caibam em uma caixa é necessário que eles sejam divididos e o campo sequência explica exatamente isso. Cada sequência deste campo refere-se a uma sequência do pedido. O campo caixa descreve a caixa a qual o pedido pertence. No campo metros, é apresentado a distância que o pedido percorreu pela correia. Terminal hospedeiro informa o terminal no qual o pedido está. O último campo terminais refere-se aos terminais que a caixa com o pedido deverá entrar.
É possível especificar qual algoritmo será executado. Selecionando no menu o item SelecionaRomaneio apresentado na figura 3, será executado o algorítimo proposto neste artigo e se selecionado o item rotina, o algoritmo a ser executado é aquele que será comparado pelo algoritmo novo proposto.
6. Simulação para Análise dos Resultados
Para chegar ao resultado final, foram realizados 3 baterias de simulações. Para a primeira bateria, foi colocado o tempo de 50 milissegundos por item para a separação dos pedidos, na segunda bateria foi utilizado o tempo de 1000 milissegundos (1 segundo) por item e na terceira bateria foi utilizado o tempo de 11000 milissegundos (11 segundos). É importante ressaltar que em cada bateria existe um total de 9 simulações, onde a primeira simulação de cada bateria foi feito executando o algoritmo da situação atual enquanto que, as 8 simulações restantes foram feitos executando o algoritmo da situação proposta, ou seja, o algoritmo genético.
Para coletar os dados e fazer as comparações, foi utilizado o software simulador e processado 3538 pedidos somando 35005 itens para cada simulação. No total foram 27 simulações, 24 com o algoritmo genético e 3 com o algoritmo da situação atual. Para cada simulação com o algoritmo genético, foi alterado os parâmetros taxa de mutação, tamanho da população e quantidade de gerações. A tabela 1 apresenta os valores utilizados nesses parâmetros e o tempo médio de execução para cada simulação. A taxa de cruzamento ficou com o valor de 100% para todos as situações. Foram escolhidos valores aleatórios para os parâmetros do algoritmo genético. Para cada simulação foi alterado um ou mais parâmetros e assim,
analisar se houve uma melhora entre as simulações com o algoritmo da situação pretendida.
Tabela 1. Valores dos parâmetros utilizados no algoritmo genético
O tempo de execução do algoritmo variou conforme foi alterado os valores para os parâmetros tamanho da população e quantidade de gerações. O menor tempo obtido foi o das simulações que continham os valores da quantidade de gerações igual a 100 e o tamanho da população também igual a 100, independente do valor da taxa de mutação ou seja, as simulações 1 e 4. O maior tempo se teve quando os parâmetros 'tamanho da população' e 'quantidade de gerações' contiveram valores acima de 100 simultaneamente ou paralelamente, ou seja, as simulações 5, 6 e 7, das quais o tamanho da população ficou em 200, 1000 e 100 e a quantidade de gerações foi de 200, 50 e 600 respectivamente.
6.1 Bateria 1 de Simulações
Na primeira bateria foi utilizando no software simulador, o tempo de 50 milissegundos por item existente no pedido. Esse tempo corresponde ao tempo que o software leva para separar o pedido. Na tabela 2 é apresentado o resultado das simulações.
Tabela 2. Resultados da bateria 1 de simulações com tempo de separação à 50 milissegundos.
O campo simulações apresenta o nome da simulação. Todas as simulações recebem o nome de simulação e em seguida um numerador onde o primeiro dígito corresponde o número da bateria e o segundo dígito corresponde a simulação com os parâmetros apresentados na tabela 1. E por ultimo apresenta qual situação está sendo executada. Quando o valor é S.A quer dizer que foi executado o algoritmo da
Taxa de Mutação Tamanho da População Gerações Taxa de Cruzamento Tempo de execução (Média)
Simulação 1 0,20% 100 100 100,00% 12 Segundos Simulação 2 0,20% 200 100 100,00% 21 Segundos Simulação 3 0,20% 100 200 100,00% 21 Segundos Simulação 4 0,90% 100 100 100,00% 12 Segundos Simulação 5 0,30% 200 200 100,00% 40 Segundos Simulação 6 0,20% 1000 50 100,00% 48 Segundos Simulação 7 0,20% 100 600 100,00% 58 Segundos Simulação 8 0,20% 12 2000 100,00% 25 Segundos
SIMULAÇÕES Horas Reais Horas Projetadas Horas Linhas Hora Horas (%) Linhas Hora (%) SIMULAÇÃO 1.0 S.A 1,2193827778 268,2642111111 268:16:00 287,0714646618 0,00% 0,00% SIMULAÇÃO 1.1 S.P 0,3095436111 68,0995944444 68:06:00 1130,8584232881 74,60% 293,90% SIMULAÇÃO 1.2 S.P 0,3042358333 66,9318833333 66:56:00 1150,5876745836 75,10% 300,80% SIMULAÇÃO 1.3 S.P 0,3777516667 83,1053666667 83:07:00 926,6669902184 69,00% 222,80% SIMULAÇÃO 1.4 S.P 0,3064236111 67,4131944444 67:25:00 1142,3728045326 74,90% 297,90% SIMULAÇÃO 1.5 S.P 0,5490102778 120,7822611111 120:47:00 637,6019068657 55,00% 122,10% SIMULAÇÃO 1.6 S.P 0,6000044444 132,0009777778 132:00:00 583,4123450937 50,80% 103,20% SIMULAÇÃO 1.7 S.P 0,7259105556 159,7003222222 159:42:00 482,2219450055 40,50% 68,00% SIMULAÇÃO 1.8 S.P 0,4409769444 97,0149277778 97:06:00 793,8056726322 63,80% 176,50%
situação atual e quando o valor é S.P, é porque foi executado o algoritmo da situação pretendida.
O campo horas reais apresenta o tempo real que o simulador levou para separar todos os pedidos e o campo horas projetadas é o tempo projetado que levaria para terminar a simulação. Como um pedido leva em média de 10 à 14 segundos por item para ser separado, o resultado das horas projetadas é o produto da horas reais pela proporção do tempo de separação da bateria de simulações por 11 segundos. Existem também dois campos que apresentam a porcentagem em relação a quantidade de horas (campo 'horas projetadas') e a produtividade (campo 'linhas hora'). Os campos são 'Horas (%)' e 'Linhas Hora (%)' respectivamente e o seu cálculo é feito em relação à simulação da situação atual.
A primeira simulação chamada 'SIMULAÇÃO 1.0 S.A' é a situação que executou o algoritmo da situação atual, levou aproximadamente 1,22 horas em tempo real para terminar a simulação. Como o tempo de separação é 50 por item, fazendo o produto deste tempo por 220, que é a relação dos 50 milissegundos por 11 segundos (valor do qual é aceito neste trabalho como sendo o tempo real a ser separado por item), o resultado foi de 268 horas e 16 minutos e a produção da correia de separação foi de aproximadamente 287 linhas por hora.
Para as simulações executadas com o algoritmo genético, o menor tempo obtido como horas projetadas foi a 'SIMUAÇÃO 1.2 S.P' com o tempo de 66 horas e 56 minutos e a produção foi de 1150 itens por hora. Os valores para os parâmetros usados nesta simulação foi de 0,20% para a taxa de mutação, 200 o tamanho da população, 100 a quantidade de gerações e 100% a taxa de crossover. Esta simulação foi 75,10% mais rápido do que o algoritmo da situação atual e a produtividade ficou 300,80% maior.
O maior tempo obtido com o algoritmo genético foi a 'SIMULAÇÃO 1.7 S.P', com o tempo de 159 horas e 42 minutos e a produtividade foi de 482 itens por hora. Para esta simulação foi atribuído os valores 0,20% para a taxa de mutação, 100 para o tamanho da população, 600 para a quantidade de gerações e 100% para a taxa de crossover. Mesmo tendo o pior tempo entre as simulações executadas com o algoritmo genético para a bateria 1, ela foi 40,50% mais rápido do que a situação atual e seu desempenho foi 68% maior.
Concluindo, nesta primeira bateria os valores dos resultados obtidos estavam longe do real porque o tempo de separação foram altos e a produtividade foi baixa. Isso ocorreu porque o tempo de separação do software simulador estava muito baixo e, portanto, ele separava todos os pedidos deixando a correia simulada vazia. Desta maneira, as seções ficavam ociosas esperando com que um dos algoritmos (algoritmo da situação atual ou algoritmo da situação proposta) fossem executados.
A 'SIMULAÇÃO 1.0 S.A' levou mais do que o dobro de tempo para separar todos os pedidos. Isso ocorreu porque quando o processo está chegando ao fim, o algoritmo da situação atual libera poucos pedidos. Como informado anteriormente, o software simulador está separando rápido, a correia fica vazia e todos as seções ficam ociosas, esperando com que a rotina (rotina que contém o algoritmo da situação
atual) processe. O algoritmo genético desenvolvido sempre libera 100 pedidos deixando a correia menos ociosa e por este motivo obteve maior produtividade. 6.2 Bateria 2 de Simulações
Para a segunda bateria de simulações, foi utilizado o tempo de separação de 1000 milissegundos (1 segundo) e repetindo os mesmo parâmetros da bateria de simulações anterior. Na tabela 3 é exibido os resultados da segunda bateria de simulações.
Tabela 3. Resultados da bateria 2 de simulações com tempo de separação à 1000 milissegundos.
É possível perceber que nesta bateria o tempo projetado foi bem menor que as simulações da primeira bateria. Isso ocorre porque o tempo de separação no software simulador é maior e portanto, a correia permanece com maior quantidade de pedidos se comparado com as simulações da primeira bateria e, consequentemente, as seções ficam menos ociosas.
Para a 'SIMULAÇÃO 2.0 S.A', foi obtido o tempo de 14 e 2 minutos e a produção da correia foi de 2353 linhas por hora.
Para as simulações feitas com o algoritmo genético, o menor tempo obtido foi da 'SIMULAÇÃO 2.3 S.P' com o tempo de 7 horas e 16 minutos com a produção em 4812 itens por hora. Nessa simulação, foi utilizados os valores 0,20% para a taxa de mutação, 100 para o tamanho da população, 200 para a quantidade de gerações e 100% a taxa de crossover. Ela foi 51,10% mais rápida do que a 'SIMULAÇÃO 2.0 S.A' e a produção ficou 104,5% maior.
O maior tempo obtido foi o da 'SIMULAÇÃO 2.5 S.P', com o tempo de 17 horas e 44 minutos e a produção em 1972 itens por hora. Os parâmetros utilizados para essa simulação foram 0,30% a taxa de mutação, 200 para o tamanho da população, 200 a quantidade de gerações e 100% a taxa de crossover. O tempo desta simulação ficou 19,40% maior comparado a situação atual e o desempenho ficou 16,21% menor.
Apesar dos valores dos resultados melhorarem, se comparados com a bateria 1, o algoritmo da situação atual levou 14 horas para completar o trabalho e o algoritmo genético levou de 7 a 16 horas. Na situação proposta, foi obtido resultados
SIMULAÇÕES Horas Reais Horas Projetadas Horas Linhas Hora Horas (%) Linhas Hora (%) SIMULAÇÃO 2.0 S.A 1,3519338889 14,8712727778 14:02:00 2353,8671183752 0,00% 0,00% SIMULAÇÃO 2.1 S.P 0,6731158333 7,4042741667 07:24:00 4727,6747473222 50,20% 100,80% SIMULAÇÃO 2.2 S.P 0,7802061111 8,5822672222 08:35:00 4078,7590380967 42,30% 73,20% SIMULAÇÃO 2.3 S.P 0,6612155556 7,2733711111 07:16:00 4812,761436925 51,10% 104,50% SIMULAÇÃO 2.4 S.P 0,6767394444 7,4441338889 07:26:00 4702,3603447338 50,00% 99,80% SIMULAÇÃO 2.5 S.P 1,61347 17,74817 17:44:00 1972,31601906 -19,40% -16,21% SIMULAÇÃO 2.6 S.P 0,9125705556 10,0382761111 10:24:00 3487,1525362063 32,60% 48,10% SIMULAÇÃO 2.7 S.P 1,0527286111 11,5800147222 11:35:00 3022,8804401107 22,10% 28,40% SIMULAÇÃO 2.8 S.P 0,6862675 7,5489425 07:33:00 4637,0733384179 49,20% 97,00%
melhores levando a metade do tempo se comparado ao algoritmo da situação atual. Porém, é necessário que os resultados sejam mais próximos da realidade e portanto, foram feitos as simulações da bateria 3.
6.3 Bateria 3 de Simulações
O tempo de separação dos pedidos ficaram em 11 segundos por item. Na tabela 4 é apresentado os resultados da terceira bateria de simulações.
Tabela 4. Resultados da bateria 3 de simulações com tempo de separação à 11000 milissegundos.
Nessa última bateria de simulações, foi obtido valores de tempo próximos da realidade. Nela não está presente o campo horas projetadas porque o tempo assumido para a separação é de 11 segundos, que equivale o tempo médio real de separação para cada item presente no pedido. Portanto, o campo horas reais equivale ao tempo real do processo de separação.
A simulação executada com o algoritmo da situação atual é chamada 'SIMULAÇÃO 3.0 S.A' e apresentou o tempo de 5 horas e 57 minutos e a produção da correia foi de 5881 itens por hora. Nas simulações executadas com o algoritmo genético, o tempo ficou numa média de 4 horas e 28 minutos e a produção ficou na média de 7893 itens por hora.
O melhor tempo registrado para a terceira bateria de simulações foi para a 'SIMULAÇÃO 3.2 S.P', com o tempo de 3 horas e 55 minutos e a produção da correia é de 8937 itens por hora. Essa simulação contém os parâmetros 0,20% de taxa de amostragem, 200 o tamanho da população, 100 a quantidade de gerações e 100% a taxa de crossover. Em termos percentuais, essa simulação ficou 34,10% mais rápida do que a situação atual e a produção foi 52% maior.
O pior desempenho ficou com a 'SIMULAÇÃO 3.1 S.P', apresentando o tempo de 4 horas e 54 minutos e a produção ficou em 7145 linhas por hora. Os Parâmetros para essa simulação ficou em 0,20% a taxa de mutação, 100 o tamanho da população, 100 a quantidade de gerações e 100% a taxa de crossover. Neste caso também é possível perceber que mesmo contendo o pior desempenho dentre as simulações do algoritmo genético, ainda sim é superior a simulação da situação atual.
SIMULAÇÕES Horas Reais Horas Linhas HoraHoras (%) Linhas Hora (%) SIMULAÇÃO 3.0 S.A 5,9515086111 05:57:00 5881,70198 0,00% 0,00% SIMULAÇÃO 3.1 S.P 4,8987772222 04:54:00 7145,66073 17,60% 21,50% SIMULAÇÃO 3.2 S.P 3,9164775 03:55:00 8937,87849 34,10% 52,00% SIMULAÇÃO 3.3 S.P 4,3857855556 04:23:00 7981,46639 26,20% 35,70% SIMULAÇÃO 3.4 S.P 3,9920883333 03:59:00 8768,59355 32,90% 49,10% SIMULAÇÃO 3.5 S.P 4,5474644444 04:32:00 7697,69625 23,50% 30,90% SIMULAÇÃO 3.6 S.P 4,6025411111 04:36:00 7605,58117 22,70% 29,30% SIMULAÇÃO 3.7 S.P 4,8046397222 04:48:00 7285,66594 19,30% 23,90% SIMULAÇÃO 3.8 S.P 4,7166825 04:43:00 7421,52986 20,68% 26,20%
Ela ficou 17,60% mais rápido e a produção ficou 21,50% superior.
Comparando apenas os resultados obtidos das simulações efetuadas com o algoritmo genético, as simulações executadas com os parâmetros das simulações 2 e 4 (ver tabela 1) obtiveram melhor desempenho. Para a simulação 2 foi alterado o tamanho da população e para a simulação 4 foi alterado a taxa de mutação. No primeiro caso, com o tamanho da população maior, o algoritmo fez com que existissem uma maior variedade de cromossomos e assim obter melhores resultados. No segundo caso, como a taxa de mutação está alta, fez com que o algoritmo mudasse os pedidos de posição na maioria das vezes e assim pode-se obter cromossomos com pontuações altas levando a ser o segundo melhor desempenho. Pode-se perceber também que o resultado do TESTE 2_3 AG (situação proposta) foi melhor se comparado ao resultado do TESTE 1_3 ROTINA (situação atual). Com o algoritmo genético, o tempo de produção da correia foi de 2 a menos em relação ao algoritmo da situação atual. A produção ficou em 1264 itens por hora a mais, um resultado expressivamente melhor em termos de produção.
7. Conclusão
Para coletar os dados, apresentar os resultados e não prejudicar o processo de separação da empresa Gam, foi necessário fazer testes fora do processo de separação da empresa. Por isso a importância em realizar simulações computacionais onde se viu a necessidade em desenvolver um simulador de correia de separação que replica os processos de separação efetuados na correia. Com ele, foram feitos simulações compatíveis as atividades de separação e não prejudicando o fluxo da empresa.
O presente estudo mostrou-se promissor pois os resultados obtidos das simulações efetuadas com o algoritmo genético foram melhores dos que os obtidos na simulação do algoritmo da situação atual. A simulação 2.5 da segunda bateria foi a única simulação efetuada com o algoritmo genético que apresentou o resultado inferior ao algoritmo da situação atual. O restante das simulações foram em todos os casos superiores em relação às simulações da situação atual. Destaque para a última bateria da qual foi utilizado o tempo de 11 segundos no simulador (tempo média real de separação). Nesta bateria pôde-se perceber que os valores apurados das simulações com o algoritmo genético ficaram próximos ao valor da situação atual. Isso ocorre porque como o tempo de separação é maior, faz com que exista na maior parte do tempo no simulador, pedidos a serem separados e portanto o sistema de simulação não fica ocioso esperando com que seja executado qualquer um dos algoritmos. Apesar dos resultados dessa bateria serem aproximados, percebe-se uma melhora da situação proposta em relação a atual onde por exemplo, a simulação 3.2 obteve 52% de produção (linhas por hora) a mais do que o algoritmo da situação atual.
Durante o processo de simulações foram encontrados problemas dos quais foram resolvidos para que todo o resultado fosse o mais próximo da realidade. Um dos problemas obtidos foi o tempo de separação escolhido para a primeira bateria de teste. Esse tempo foi pequeno e portanto o software simulador separava os pedidos rapidamente e assim, deixando a correia simulada ociosa fazendo com que o
simulador precisasse de mais pedidos necessitando a execução de um dos algoritmos (situação atual da proposta). Para corrigir o problema, foi aumentado o tempo de separação porém, mesmo com o tempo maior, no final do processo ainda ocorria ociosidade. Como o algoritmo da situação atual libera poucos pedidos quando esta chegando ao fim do processo, fez com que o problema persistisse pois o software simulador separava todos os pedidos deixando o processo ocioso. Quando foi aumentado para 11 segundos esse problema foi resolvido e assim, obtidos resultados próximos à realidade.
Para este estudo foi apenas levado em consideração o desempenho da correia simulada, ou seja, o tempo que o simulador levou para separar todos os pedidos e quantas linhas por hora a simulação fez. É proposto que para melhorias futuras seja analisado outras variáveis como o horário dos caminhões e a ociosidade das seções.
Após todas simulações efetuadas e os resultados apurados, foi possível perceber que as simulações realizadas com a situação proposta foram superiores à situação atual. Esse estudo foi importante pois ficou claro que com os resultados obtidos, a ideia é promissora e portanto se faz necessário que seja continuado os estudos e implementado as melhorias propostas e assim, se ao final de todo o trabalho, será imprescindível que o algoritmo atual seja substituído pelo proposto.
8. Referências
ARTERO, A. O. Inteligência Artificial: Teoria e prática. 1. ed. São Paulo: Livraria da Física, 2009.
GUTIERREZ, R. M. V; PAN, S. S. K. Complexo Eletrônico: Automação do controle industrial. 42f. BNDES Setorial, Rio de Janeiro, 2008.
LINDEN, R. Algoritmos Genéticos: uma importante ferramenta da inteligência computacional. 2. ed. Rio de Janeiro: Brasport, 2008.
MACHADO, L. A. Artigo – Revoluções industriais: do vapor à internet das coisas. Disponível em: <http://www.cofecon.gov.br/2016/10/13/revolucoes-industriais-do-vapor-a-internet-das-coisas/>. Acesso em: 2 jun. 2018.
MITCHEL, M. An Introduction to Gentic Algorithms. Massachusetts: Massachusetts Institute of Technology, 1999.
MOREIRA, J. G. Indústria 4.0: A quarta revolução industrial. E-Book. Disponível em: <https://rfidbrasil.com/blog/e-book-industria-4-0>. Acesso em: 30 de abril de 2018.
NALDI, M. C. Agrupamento Híbrido de Dados Utilizando Algoritmos Genéticos. 156f. Universidade de São Paulo. São Carlos, 2006.
PACHECO, M. A. C. Algoritmos Genéticos: princípios e aplicações. 9f. Pontifica Universidade Católica do Rio de Janeiro, Rio de Janeiro, 1999.
SILVEIRA, S. R; BARONE, D. A. C. Jogos Educativos Computadorizados Utilizando a Abordagem de Algoritmos Genéticos. 13f. Universidade Federal do Rio Grande do Sul, Porto Alegre, 1998. 73f.
RAMOS, F. Melhorias da Atividade de Picking: um caso de estudo na distribuição de peças para veículos automóveis. Dissertação de Mestrado-Instituto de Contabilidade e Administração do Porto, Porto, 2016.s
