NEAAD
NEAAD
METODOLOGIA PARA SIMULAÇÃO DE
EVENTOS DISCRETOS
Professor Fabiano Leal
(INSTITUTO DE ENGENHARIA DE PRODUÇÃO E GESTÃO)
INTRODUÇÃO
A simulação é 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 (HARRELL et al., 2000; LAW e KELTON, 1999).
O modelo de simulação é utilizado, particularmente, como uma ferramenta para se obter respostas a sentenças do tipo: “o que ocorre se...”.
INTRODUÇÃO Mundo real Modelo Modelador Abstração Output Input Resultados e recomendações Implementação INTRODUÇÃO
Nem todos os aspectos do problema devem ser relatados
perante a técnica ou método utilizado, pois estes aspectos
não afetam a eficiência do modelo para solucionar estes
problemas. SITUAÇÃO REAL Informações MODELO Informações Informações relevantes
INTRODUÇÃO Pesquisa Pesquisa Natureza Natureza B Báásicasica Aplicada Aplicada Objetivos Objetivos Explorat
Exploratóóriaria
Explicativa Explicativa Descritiva Descritiva Procedimentos Procedimentos Bibliogr
Bibliográáficafica
Documental Documental Experimental Experimental Estudo de caso Estudo de caso Expost
Expost--FactoFacto
Levantamento
Levantamento
Modelagem e
Modelagem e
Simula
Simulaççãoão
Adaptado (Silva e Menezes, 2005)
Abordagem Abordagem Quantitativa Quantitativa Qualitativa Qualitativa
A simulação também é considerada por alguns autores como um procedimento experimental (experimento simulado)
INTRODUÇÃO
A palavra experimento é utilizada de forma bastante precisa para indicar uma investigação onde o sistema sob estudo está sob o controle do investigador. Ao contrário, para um estudo observacional, algumas características estarão fora do controle do investigador (Cox et al., 2000).
Desta forma, segundo Kelton (1999), quando a realização dos experimentos ocorre em um modelo de simulação, todos os fatores de entrada passam a ser controláveis.
Vantagens
• Modelo pode ser utilizado inúmeras vezes;
• A simulação é mais fácil de aplicar do que métodos analíticos; • Diferentemente dos modelos analíticos, a simulação não requer
um grande número de simplificações;
• O tempo pode ser controlado;
• A simulação mostra como realmente o sistema opera;
• No caso de simulação computacional, existe a possibilidade do uso
de animações.
INTRODUÇÃO
INTRODUÇÃO
Desvantagens
• A construção de modelos requer um treinamento especial.
Envolve arte;
• Os resultados da simulação são, muitas vezes, de difícil
interpretação;
TIPOS DE SIMULAÇÃO
Simulação computacional: precisa de um computador Simulação não-computacional: não necessita de um computador, como uso de protótipos em túneis de vento.
A simulação computacional pode ser classificada em três categorias básicas:
a) simulação de Monte Carlo; b) simulação contínua;
c) simulação de eventos discretos.
TIPOS DE SIMULAÇÃO
A simulação de Monte Carlo utiliza-se de geradores de números aleatórios para simular sistemas físicos ou matemáticos, nos quais não se considera o tempo explicitamente como uma variável.
A simulação contínua é utilizada para modelar sistemas cujo estado varia continuamente no tempo.
Por outro lado, a simulação de eventos discretos é utilizada para modelar sistemas que mudam o seu estado em momentos discretos no tempo, a partir da ocorrência de eventos.
APLICAÇÕES DA SIMULAÇÃO
Manufatura
- Linhas de montagem;
- Células automatizadas; - Programação da produção; - Análise de estoque e kanban;
- Sistemas de movimentação (esteiras, conveyors, etc.) Serviços - Aeroportos e portos; - Bancos; - Call Centers; - Hospitais; - Restaurantes; - Carceragens em delegacias. APLICAÇÕES DA SIMULAÇÃO
Como simular o trabalho humano?
Baines, T.; Mason, S.; Siebers, P.; Ladbrook, J. Humans: the missing link in manufacturing simulation?
MOTIVAÇÃO PARA SIMULAR Correspondências Chegada Exponencial Média 10 min Processamento N(9,2) min Processamento T(8,9,10) min Processamento U(8,10) min
Qual é o tempo médio de processamento?
MOTIVAÇÃO PARA SIMULAR
Resolvendo a questão da correspondência pelos seguintes métodos:
Método das contas de padeiro
Como nos 3 postos de trabalho a média é de 9 minutos, o tempo médio de processamento é de 27 minutos.
Método da planilha eletrônica
Tempo mínimo Tempo máximo Posto 01 Posto 02 Posto 03 1 17 8 10 8 10
MOTIVAÇÃO PARA SIMULAR
Melhor caso = 17 min Pior caso = 37 min
Tempo médio = 27 minutos
Método da simulação computacional Média = 77 min
Pior caso = 244 min
SIMULAÇÃO COMO TÉCNICA DE ENSINO
PASSOS DA SIMULAÇÃO 1.1 Objetivos e definição do sistema 1.2 Construção do modelo conceitual 1.3 Validação do modelo conceitual Validado? N 1.4 Modelagem dos dados de entrada Dados do mundo real Modelo conceitual S CONCEPÇÃO 2.1 Construção do modelo c omputacional 2.2 Verificação do modelo c omputacional Validado? N Modelo Computacional S 2.3 Validação do modelo operac ional
Validado? N 3.1 Definição do projeto experimental IMPLEMENTAÇÃO S 3.2 Execução dos experimentos 3.3 Análise estatística 3.4 Conclusões e recomendações ANÁLISE
Estrutura criada a partir da metodologia de simulação
proposta por CHWIF (1999) e dos passos propostos por
MONTGOMERY (2001) CONCEPÇÃO 1.1 Objetivos e definição do sistema 1.2 Construção do modelo conceitual 1.3 Validação do modelo conceitual Validado? N 1.4 Modelagem dos dados de entrada Dados do mundo real Modelo conceitual S CONCEPÇÃO
CONCEPÇÃO
1.1 Objetivos e definição do sistema
- Mantenha o foco naquilo que você deseja averiguar;
- Defina os limites do sistema;
- Não tente atingir seu objetivo de uma só vez. O modelo inicial deve ser simples, incrementado aos poucos;
- O modelo somente gera respostas confiáveis se for validado para os objetivos estabelecidos.
1.2 Construção do modelo conceitual
CONCEPÇÃO
Autores como Chwif e Medina (2006, p.55) alertam em seu trabalho que “(...) a etapa de criação do modelo conceitual é o aspecto mais importante de um estudo de simulação (...) embora muitos livros e muitos analistas pulem esta etapa.”
Segundo Law (1991), a etapa de criação do modelo conceitual é o aspecto mais importante de um estudo de simulação.
CONCEPÇÃO
1.2 Construção do modelo conceitual
Algumas técnicas de mapeamento de processo: - Fluxograma e Mapa de processo
- Mapofluxograma - UML
- DFD - IDEF
CONCEPÇÃO
1.2 Construção do modelo conceitual Mapa de processo
Operação–Objeto modificado intencionalmente em suas características. É a fase mais importante no processo.
Inspeção–Objeto examinado para identificação ou comparado com um padrão.
Transporte–Objeto é deslocado de um lugar para outro. Não considerado quando o transporte é parte integral de uma operação ou inspeção.
Espera – Execução da próxima ação planejada não é efetuada. Neste tempo, o objeto não recebe agregação de valor.
CONCEPÇÃO
1.2 Construção do modelo conceitual
Atividade de início ou fim de um processo
Ação a ser executada
Decisão a ser tomada
Documentação Fluxograma CONCEPÇÃO 600 ou 737 1.05 3.00 3.00 0.04 1.00 40 1.00 0.18 4.82 4.58 10.7 2.21 Estoque de bobinas
Transportar bobina até a Desbobinadeira Desenrolar bobina
Enrolar anel
Acumulação de 500 anéis em uma vara
Retirar 5 anéis da vara a cada 500 anéis e inspecionar OLD e folga entre pontas Alinhar anéis da vara que foi retirada da máquina e colocar no carrinho pirâmide
Acumulação de 26 varas em um carrinho pirâmide Levar o carrinho pirâmide até a área de espera para secar
O carrinho pirâmide aguarda a disponibilidade do Secador Levar o carrinho pirâmide até o Secador
Secar uma pirâmide
Levar o carrinho pirâmide até a área de montagem de árvores Tirar anéis da vara e montar árvore com 500 anéis Levar árvore até a caçamba
Acumulação de 68 árvores em uma caçamba Levar a caçamba com árvores para o Forno Aliviar tensões
Tirar a caçamba do Forno e levar para área de desmontagem de árvores
Desmontar árvores e colocar os anéis novamente em varas Acumulação de 26 árvores em um carrinho pirâmide Inspecionar uma amostra de 10 anéis
Levar o carrinho pirâmide até a Retífica Lateral
Descrição das Etapas Recurso Tempo [min]
Máquina Desbobinadeira Secador Fornos N ( 2.21 , 0.25 ) N ( 1.48 , 0.30 ) N ( 1.51 , 0.20 ) * * * * * * *
CONCEPÇÃO
Mapofluxograma
CONCEPÇÃO
Modelagem IDEF
Desenvolvida pela Força Aérea Norte Americana, anos 70.
CONCEPÇÃO Corte de peças Embalagem 1 Funcionário 1 Funcionário 2 máquinas Matéria prima Ordem de produção Pedido do cliente Produto acabado IDEF0 Peças cortadas CONCEPÇÃO Armazenamento de Estoque 1 Enrolamento 2 Preenchimento dos carrinhos 3 Desengraxar 4 Inspecionar Regras do sistema de armazenagem Diversos tipos
de bobinas (*a) Bobina requerida (*a)
Ordem de Produção (*c) Ordem de Produção (*c) Limite 26 varas Varas posicionadas no carrinho Varas de Anel FiFo Amostra (1:100) 1 Carrinho 4 Máquinas (i) Carrinho pirâmide (*f) 1 Secador 1 2 Normas de qualidade 2 Funcionários (i) (*b) Ordem de Produção (*c) 2 funcionários (i) (*b) 2 funcionários (i) (*b) Kit de inspeção 2 funcionários (i) (*b) 1 Funcionário M1,2 M2 M1,2 M2 M1 Medições realizadas 1 funcionário (*d)
CONCEPÇÃO Preparação para entrada no forno 5 Aliviar Tensões 6 Desmontar Carga do Forno 7 Anéis desengraxados posicionados no carrinho Ordem de Produção (*c) Parâmetros do forno (*e) Prisma de anéis aliviados 1 funcionário (*d) 2 fornos (i) Ordem de Produção (*c) 1 funcionário (*d) Carro de varas de Anéis 1 2 Amostra ( 2 por operação) Anéis colocados em prismas Ordem de Produção (*c) 1 funcionário (*d) Parâmetros do forno (*e) M2 Carrinho pirâmide (*f) CONCEPÇÃO
1.3 Validação do modelo conceitual
Segundo Law e Kelton (1991), a validação está focada na determinação se o modelo conceitual de simulação é uma representação correta e verdadeira do sistema sob estudo.
Embora importante, torna-se insuficiente apenas garantir o modelo conceitual. Experimentações exigem, antes de suas realizações, uma validação operacional, onde técnicas estatísticas podem ser empregadas.
CONCEPÇÃO
1.3 Validação do modelo conceitual Técnicas de Validação
Duplicação de modelos: equipes diferentes confeccionam um modelo conceitual. Se as equipes (operando de forma independente), desenvolverem modelos similares, este seria um bom indicador da validade do modelo (Harrel et al. 1996; Chwif e Medina, 2006);
Comparação com modelos anteriores: desenvolvimento de um modelo a partir de outro já validado (Harrel et al. 1996; Chwif e Medina, 2006);
Validação face-a-face: discussão com especialistas, aplicado tanto no modelo conceitual como no operacional (Sargent, 1992; Harrel et al. 1996; Chwif e Medina, 2006);
CONCEPÇÃO
1.4 Modelagem dos dados de entrada
A idéia de modelar dados é obter modelos probabilísticos que permitam inferir as propriedades de um dado fenômeno aleatório.
A simulação de eventos discretos pode ser de natureza determinística ou estocástica.
Tempo de operação = 4 minutos por peça
CONCEPÇÃO
Escolha adequada das variáveis de entrada do sistema a ser simulado;
Definir a população de interesse (pode ser atribuído ao horário, ou datas de interesse);
Uso de softwares para determinar o best fitting.
Coleta da amostra;
Variáveis de entrada Best fitting
Tempo em min para inspecionar 5 anéis a cada 500. LogLogistic (-4.48, 65, 6.62 ) ou Pearson 5 (-2.78, 735,3610)
Tempo em min para alinhar uma vara de anéis e colocá-la no carrinho. Pearson 5 (-1.44, 95.5, 275) Tempo em min para montar cada árvore de anéis e colocá-la na caçamba. Normal (1.49, 0.22)
Tempo de setup parcial da MEA_1 em min. Extreme Value IA (33.3, 10.7) ou Weibull (14.5, 2.16, 28.1)
Tempo de setup parcial da MEA_2 em min. Triangular (1.08, 198, 30)
Tempo de setup parcial da MEA_3 em min. Extreme Value IB (67.5, 21.3) ou Weibull (-30.7, 4.05, 95.3)
Tempo de setup parcial da MEA_4 em min. Extreme Value IA (42.5, 11.7) ou Lognormal (11.4, 3.56, 0.385)
Tempo de setup total da MEA_1 em min. Inverse Gaussian (38.5, 190, 70.5) ou Lognormal (41.4, 4.04, 0.599)
Tempo de setup total da MEA_2 em min. Logistic (155, 12.1) ou Normal (154, 22)
Tempo de setup total da MEA_3 em min. Uniform (90, 210)
Tempo de setup total da MEA_4 em min. Extreme Value IB (89.1, 27.9) ou Weibull (-37.1, 4.05, 122)
Capacidade em número de anéis tipo 1 que a fita 1 pode produzir. LogLogistic (540,43.7,9450) ou Pearson 6 (9170,1690,8.73,17.7)
Capacidade em número de anéis tipo 2 que a fita 2 pode produzir. LogLogistic (-40200,44.5,71700) ou Normal (31537, 2928)
Capacidade em número de anéis tipo 3 que a fita 3 pode produzir. Beta (10700,19800, 1.63, 1.04) Capacidade em número de anéis tipo 4 que a fita 4 pode produzir. Beta (12600,23200, 1.63, 1.04)
Capacidade em número de anéis tipo 4 que a fita 5 pode produzir. Power Function (12200,23900, 0,756 ) ou Triangular (12200, 27500, 12200)
CONCEPÇÃO IMPLEMENTAÇÃO 2.1 Construção do modelo computacional 2.2 Verificação do modelo computacional Validado? N Modelo Computacional S 2.3 Validação do modelo operacional Validado? N IMPLEMENTAÇÃO S
IMPLEMENTAÇÃO
2.1 Construção do modelo computacional
Qual software irei escolher?
No início da década de 50, a simulação era realizada por meio da programação em uma linguagem de programação geral, como o Fortran.
Com o passar dos anos, houve uma grande evolução das interfaces gráficas dos sistemas operacionais dos PCs, favorecendo os softwares de simulação
IMPLEMENTAÇÃO
2.1 Construção do modelo computacional
http://lionhrtpub.com/orms/
A cada dois anos esta revista apresenta uma survey com os principais softwares de simulação.
Software Versão “Standard”
Arena A partir de $795 AutoMod $18900 Flexsim De $12500 a $19500 Process Simulator $3500 Process model 5.1 $3995 ProModel $18500 Simprocess $9995 Simul8 $4995
IMPLEMENTAÇÃO
2.1 Construção do modelo computacional
- Aplicações típicas do software - Construção de modelos gráficos - Uso de depurador
- Uso de módulos de ajuste de distribuições probabilísticas - Suporte a análise de resultados
- Otimização
- Recursos de animação - Animação em 3D
IMPLEMENTAÇÃO
IMPLEMENTAÇÃO
2.1 Construção do modelo computacional
IMPLEMENTAÇÃO
2.2 Verificação do modelo computacional
Verificação
Segundo Law e Kelton (1991), a verificação avalia se a simulação computacional se executa conforme o planejado, através de, por exemplo, ações de depuração.
Técnicas
- implementação modular/verificação modular: verificação do modelo em partes (Chwif e Medina, 2006; Banks, 1998);
IMPLEMENTAÇÃO
2.2 Verificação do modelo computacional
- Utilização do debugger ou depurador (Chwif e Medina, 2006);
- Animação gráfica: poderosa ferramenta de verificação (Chwif e Medina, 2006; Kleijnen, 1995; Banks, 1998);
-Tracing: processo de captura dos resultados intermediários do
modelo computacional, de forma automática (Kleijnen, 1995).
- Checar o código da programação (Banks, 1998);
IMPLEMENTAÇÃO
2.3 Validação do modelo operacional
Mundo real Modelo conceitual Modelo computacional 1. Modelagem 2. Validação 3. Implementação 4. Verificação 5. Experimentação 6. Validação operacional
IMPLEMENTAÇÃO
2.3 Validação do modelo operacional
Não há como validar um modelo 100% ou garantir que ele seja 100% válido. O que conseguimos é aumentar nossa confiança no modelo ou acreditar que ele representa satisfatoriamente o sistema.
Validar um modelo é avaliar o quanto ele se aproxima do sistema real, assegurando que o modelo serve para o propósito que foi criado.
- Teste de Turing ou validação black-box
- Análise de sensibilidade: com as mudanças nos dados de entrada, os dados de saída devem se alterar em uma direção prevista (Sargent, 1992). O mesmo autor também defende o teste de condição extrema. Kleijnen (1995) critica este método.
IMPLEMENTAÇÃO
2.3 Validação do modelo operacional
Dados do sistema (variável de saída)
Dados do modelo (variável de saída)
IMPLEMENTAÇÃO
2.3 Validação do modelo operacional
Teste f, Teste t, entre outros (verificar a aplicabilidade de cada técnica quanto à caracterização dos dados, sendo eles discretos ou contínuos, normais ou não, etc.) Uso da estatística ANÁLISE 3.1 Definição do projeto experimental 3.2 Execução dos experimentos 3.3 Análise estatística 3.4 Conclusões e recomendações ANÁLISE
ANÁLISE
3.1 Definição do projeto experimental
Experimento é um teste, ou uma série de testes, nos quais
mudanças propostas são aplicadas nas variáveis de entrada de um processo ou sistema, para então se observar e identificar as mudanças ocorridas nas
variáveis de saída (Montgomery, 2001).
Vamos a um exemplo...
ANÁLISE
3.1 Definição do projeto experimental
Fatores: 3
A – Tempo de atendimento por cliente B – Número total de clientes
ANÁLISE
3.1 Definição do projeto experimental Níveis: 2 Nível - Nível + A B C Fatores N (2,1) min N (5,2) min 100 clientes 150 clientes 1 caixa 2 caixas ANÁLISE
3.1 Definição do projeto experimental
Exp A B C réplica 1 réplica 2 réplica 3 t médio Si
2 1 38,15 41,3 31,01 36,82 27,7729 2 167,18 170,24 166,06 167,82 4,6656 3 84,35 79 90,62 84,65 33,7561 4 198,24 192,7 196,41 195,78 7,9524 5 5,41 6,42 4,62 5,48 0,8100 6 57,25 65,51 50,99 57,92 52,9984 7 15,16 10,93 15,03 13,70 5,7600 8 119 109,51 91,62 106,71 193,2100
Tempo máximo na fila
-+ -+ -+ -+ -+ + -+ + -+ + + + -+ -+ -+ -+ -+ + -+ + -+ + + +
ANÁLISE
3.2 Execução dos experimentos
Quando se fala em rodada, está se referindo ao que ocorre quando selecionamos ou iniciamos o comando que executa a simulação no computador. Uma rodada pode ter várias replicações.
Rodada
Replicação
A replicação é uma repetição da simulação do modelo, com a mesma configuração, a mesma duração e com os mesmos parâmetros de entrada, mas com uma semente de geração dos números aleatórios diferente.
ANÁLISE
3.2 Execução dos experimentos
Quantas replicações são necessárias?
Depende do grau de confiança e da precisão desejada
ANÁLISE
3.3 Execução dos experimentos
O resultado de uma variável, obtido através uma simulação estocástica, deve ser dado na forma de intervalo.
É possível ainda utilizar otimização na simulação.
3.4 Conclusões e recomendações
Temos então um poderoso auxílio no processo de tomada de decisões.
LEITURA RECOMENDADA Livros
CHWIF, L.; MEDINA, A.C. Modelagem e Simulação de Eventos Discretos: Teoria e Aplicações. São Paulo, Ed. Dos Autores, 2006.
LAW, A. M., KELTON, W. D. Simulation Modeling and Analysis, 3rd ed. McGraw-Hill, New York, 2000.
BANKS, J. Handbook of simulation: Principles, Methodology, Advances, Applications, and Practice. John Wiley & Sons, Inc., 1998.
LEITURA RECOMENDADA
Congressos
http://www.wintersim.org/
Busca por periódicos
Simulation Modelling Practice and Theory.
Palavras chave: discrete event simulation, simulation
process, simulation modelling, BPS (business process
simulation).
NEAAD
NEAAD
METODOLOGIA PARA SIMULAÇÃO DE
EVENTOS DISCRETOS
Professor Fabiano Leal
(INSTITUTO DE ENGENHARIA DE PRODUÇÃO E GESTÃO)