SIMULAÇÃO COMPUTACIONAL COMO FERRAMENTA PARA
OTIMIZAÇÃO DA PROGRAMAÇÃO DE PRODUÇÃO: UM ESTUDO DE CASO EM UMA EMPRESA DA INDÚSTRIA TÊXTIL
RODRIGO FERRO ( [email protected] , [email protected] )
UNICAMP - Universidade Estadual de Campinas
GABRIELLY ARAUJO CORDEIRO ( [email protected] , [email protected] )
UNICAMP - Universidade Estadual de Campinas
ROBERT EDUARDO COOPER ORDONEZ ( [email protected] , [email protected] )
UNICAMP - Universidade Estadual de Campinas
RESUMO
Diante do atual ambiente competitivo em que as empresas se encontram, simular a produção de uma empresa é considerado um fator importante que permite desenvolver melhores estratégias de competitividade. Com este foco, o modelo simulado nesse trabalho foi desenvolvido e analisado por intermédio do software Plant Simulation com dados reais de produção de uma empresa do ramo têxtil, objetivando otimizar a programação de produção de malharia circular afim de aumentar a produtividade. Por fim, também se discutiu a integração do ambiente simulado ao panorama da indústria 4.0, envolvendo a nova geração dos sistemas de produção e utilização de recursos computacionais.
Palavras-chave: simulação da produção; otimização; programação da produção; indústria 4.0; indústria têxtil
1. INTRODUÇÃO
De acordo com Costa e Rocha (2009), ao longo dos anos 2000, o Brasil tem perdido competitividade e mercado no setor têxtil e de confecções. Apesar de um forte crescimento do consumo mundial de têxteis e confeccionados, a participação do país no comércio mundial declinou de 0,7%, em 1997, para 0,3%, em 2007, além disso, houve acirramento da competição global, tendo em vista o crescimento exponencial dos produtos asiáticos no comércio internacional, em especial da China. Nessa conjuntura, tornou-se fundamental para a sobrevivência das empresas da cadeia têxtil e de confecções desenvolver estratégias competitivas diferenciadas, baseadas na utilização da inovação tecnológica como um instrumento relevante para inserção no mercado mundial.
Neste cenário, Georges (2005) afirma que para flexibilizar o sistema de manufatura no mercado globalizado deve apresentar uma tomada de decisão ágil e sábia, exigindo o melhoramento contínuo das técnicas e das ferramentas de auxílio à decisão, com o objetivo de levar o sistema de manufatura a um nível de competitividade elevado garantindo a sobrevivência dos negócios da empresa.
Procurando cada vez mais atender as necessidades de melhoria dos sistemas de produção, as empresas estão investindo em outras opções que contribuam com as tomadas de decisões.
Segundo Sakurada e Miyake (2009), houve um aumento significativo na utilização da simulação, por conta da sua capacidade de contribuir com as tomadas de decisões.
Considerando este cenário, a finalidade desse estudo é de aplicar a simulação de eventos discretos em uma malharia circular por meio do software Plant Simulation® com o objetivo de otimizar a programação de produção afim de gerar um aumento satisfatório na produtividade, utilizando como variável o tamanho dos lotes de produção.
Para a execução da modelagem, o trabalho baseia-se no mapeamento dos requisitos de um projeto de simulação de eventos discretos, ou seja, alguns elementos básicos para execução de um projeto de simulação, visando aprimorar a utilização dessa ferramenta. Nesta etapa também são discutidas as restrições da ferramenta de simulação empregada, bem como seus efeitos sobre os resultados obtidos com o processamento do modelo computacional.
Além da apresentação detalhada do estudo de caso, este trabalho promove uma breve discussão da relação destas atividades de simulação com o ambiente da indústria 4.0, estas discussões que envolvem o relacionamento de capacidades computacionais com a estrutura física no ambiente industrial, embasam cada vez mais a transformação do cenário atual para um ambiente de manufatura 4.0, também denominada 4ª Revolução Industrial.
2. REVISÃO DA LITERATURA
O dilema em administrar a capacidade de um sistema de filas é estabelecer quantos atendentes devem estar disponíveis em dado momento, de modo a evitar tempos de fila inaceitavelmente longos ou utilização inaceitavelmente baixa de atendentes. Devido à distribuição probabilística da chegada e dos tempos de processamento, somente em raras situações as chegadas dos clientes irão coincidir com a habilidade da operação em lidar com eles. Algumas vezes, se vários clientes chegarem em rápida sucessão e exigirem tempos de processamentos mais longos que a média, filas podem ser formadas em frente à operação. Em outros momentos, quando os clientes chegam com menos frequência que a média e também exigem tempos de processamento menos longos que a média, alguns atendentes no sistema podem ficar ociosos. Assim, mesmo quando a capacidade média (capacidade de processamento) de operação coincidir com a demanda média (taxa de chegada) do sistema, pode ocorrer tanto filas quanto ociosidade. Para estes tipos de estudos aplica-se a simulação.
2.1 Simulação
A simulação é uma técnica utilizada tanto para projeto e avaliação de novos sistemas, como para reconfiguração física ou mudanças no controle e/ou regras de operação de sistemas existentes. Esta técnica consiste em representar um sistema real por meio de modelos computacionais capazes de serem modificados e estudados sem a necessidade da intervenção no sistema real (CHWIF e MEDINA, 2014; SAKURADA e MIYAKE, 2009; PIDD, 1998; LAW e KELTON, 1991).
Basicamente a simulação computacional pode ser classificada em três categorias: A simulação de Monte Carlo, Simulação Contínua e a Simulação de Eventos Discretos. A simulação de Monte Carlo utiliza geradores de números aleatórios para simular sistemas físicos ou matemáticos, não se considera o tempo explicitamente como uma variável. É uma simulação particularmente útil para a solução de problemas matemáticos complexos que surgem no Cálculo Integral (CHWIF e MEDINA, 2014).
A simulação Contínua e a Simulação de Eventos Discretos levam em consideração as mudanças de estado do sistema ao longo do tempo. A Simulação Contínua é utilizada para modelar sistemas cujo estado varia continuamente no tempo, e ela utiliza-se de equações diferenciais para o cálculo das mudanças das variáveis de estado ao longo do tempo. Mas a Simulação de Eventos Discretos, é orientada por eventos, como o relógio de simulação que sempre indica um instante em que um evento acontece (CHWIF e MEDINA, 2014).
Segundo Freitas Filho (2008), um modelo computacional para a simulação de um sistema executa, na grande maioria das vezes de forma sequencial e de maneira repetitiva, um conjunto de instruções. De acordo com Law e Kelton (1991) é recomendado a utilização da simulação para as seguintes situações: desenvolver e analisar sistemas de manufatura; melhorar e analisar sistemas de atendimento; analisar sistemas financeiros e econômicos; desenvolver e analisar sistemas de transporte; evoluir sistemas de comunicação; apoiar à tomada de decisões.
Na medida da execução dessas instruções, os valores que determinadas variáveis podem assumir são alterados, uma vez que se modificam as condições que influenciam o comportamento do modelo. Como os modelos tratam de sistemas dinâmicos, essas variáveis mudam na medida em que o tempo simulado progride. Além disso, tais variáveis não têm seus valores antecipadamente determinados por se tratarem de variáveis aleatórias. Assim, os programas aos quais se está referindo apresentam uma razoável complexidade, uma vez que sua execução pretende imitar o comportamento de sistemas do mundo real que podem ser classificados de estocásticos (CHWIF e MEDINA, 2014).
As etapas necessárias para o desenvolvimento de um trabalho de simulação estão listadas e representadas na Figura 1.
Figura 1 - Fluxograma da metodologia de modelagem e simulação Fonte: Freitas Filho (2008)
A definição de simulação de eventos discretos feita por Harrel et al. (2002) é a existência de uma ação instantânea que ocorre em um momento único e que não está relacionada a outras ocorrências, porem causando efeitos ao sistema. Para Banks (1998), a simulação de eventos discretos é composta por entidades que podem ser pessoas, peças ou equipamentos, e quando alguma entidade executa ações, estas causam efeitos no sistema.
Em um trabalho em que a simulação de eventos discretos (DES) foi utilizada com o objetivo de otimizar as rotas de fluxo de materiais e de abastecimento das linhas de produção e, consequentemente reduzir o lead time. O modelo DES foi baseado no tempo de processamento, rotina de abastecimentos, histórico de programação da produção, histórico de falhas e set up. Ao final do trabalho observa-se que a simulação foi uma ferramenta que contribuiu para as decisões tomadas (NOMDEN e ZEE, 2008).
Em outra aplicação de DES um estudo de caso teve o objetivo de reduzir o consumo de energia e aumentar a eficiência de um sistema de redes ferroviárias de uma cidade europeia. A decisão baseou-se na otimização da velocidade média, consumo de energia, número de passageiros e custo (QUAGLIETTA, 2014).
A DES também foi utilizada em uma clínica médica com o objetivo de reduzir as filas de espera dos pacientes. Para isso foram analisadas as rotinas de atendimento desde a recepção até a liberação do paciente. Com este modelo foi possível analisar os indicadores de ocupação das áreas envolvidas no atendimento. Ao final do trabalho foi possível melhorar o gerenciamento das atividades dos atendentes e enfermeiros (SHI et al., 2014).
3. ESTUDO DE CASO
Os procedimentos utilizados para busca do conhecimento necessário para formulação deste estudo foram basicamente pesquisa bibliográfica e estudo de caso.
A pesquisa bibliográfica foi realizada objetivando conhecer a contextualização principalmente dos temas de simulação de eventos discretos e indústria 4.0. De acordo com Gil (2008), a pesquisa bibliográfica é desenvolvida a partir de material já elaborado e sua principal vantagem encontra-se no fato de permitir ao investigador uma cobertura muito mais ampla de uma gama de fenômenos do que aquela que seria possível pesquisar diretamente.
Possuindo o embasamento teórico, foi feito um estudo de caso que consiste em um estudo empírico realizado para investigar um fenômeno atual dentro do seu contexto de realidade, onde são utilizadas várias fontes de evidência (YIN, 2005). Dentre os benefícios proporcionados pela condução de um estudo de caso podem ser citados a possibilidade de aumentar o entendimento e compreensão sobre eventos reais e contemporâneos, além de também permitir uma descrição. Neste trabalho, o estudo de caso foi conduzido por meio das etapas identificadas na Figura 1. 3.1 Descrição da empresa
O estudo de caso analisado foi baseado em uma empresa do setor têxtil com mais de 10 anos de atividade, a qual será representada neste trabalho pelo nome fictício H Malhas por critério de confiabilidade. Contaram com a aplicação de conceitos de qualidade e excelência no atendimento que foram decisivos para consolidar a empresa e a marca H Malhas no mercado. A empresa está localizada em Americana/SP a 120 km da capital, região privilegiada por contar com uma infraestrutura completa no ramo têxtil, o que viabiliza a logística de produção e distribuição.
Com o objetivo de melhorar o atendimento aos seus clientes e definir padrões de controle de produção interna e com seus parceiros, esta empresa precisa desenvolver um estudo que aponte para uma definição dos tamanhos dos lotes e o dimensionamento das capacidades de estoques na empresa, desta forma os custos de estoques serão reduzidos e os setups serão realizados respeitando uma lógica melhor definida.
3.2 Coleta e análise de dados de produção
Foi realizada uma análise na quantidade de bobinas e de quilogramas produzidos no período de Julho/2015 à Junho/2016 (período em que os dados do histórico produtivo estavam mais completos). A seguir, a Tabela 1 indica total produzido de cada artigo no período indicado.
Tabela 1 – Total em quilogramas produzido por artigo Total em quilogramas produzido por artigo
Período Julho/2015 à Junho/2016
PV 48.504,40 Algodão 7.120,94 Soft-Dry 7.857,68 Piquet 6.461,76 Tela Esport. 7.830,26 Ribana PV 1.325,95 Ribana Algodão 153,16 Total: 79.254,15
Fonte: Elaborado pelos autores (2016).
Verifica-se na Tabela 1, que o artigo PV foi o mais produzido no período de Julho/2015 à Junho/2016, representando mais de 60% de toda produção, ou seja, um produto que vale o destaque pela sua grande demanda de produção, logo atrás vem o artigo Soft-Dry e a Tela Esportiva, cada um representando 10% da produção total, valor bem abaixo do artigo PV. Também, verifica-se que tanto o artigo Ribana PV como a Ribana Algodão, ambos não representam nem 2% da produção total, isso se justifica pelo fato de ser artigos que são utilizados como acessório complemento (punhos e golas para camisetas) para outros artigos no momento em que são confeccionados, representando de 3% a 10% de uma peça de camiseta por exemplo.
Na Tabela 2, ilustrada a seguir, são expostos alguns dados técnicos da produção que também foram utilizados para criar o modelo simulado por computador, entre eles: o tempo de processamento por bobina x RPM (Rotação por minuto), a quantidade de bobinas em cada lote e o tempo para aquecimento dos teares. Vale ressaltar que o peso médio por bobina auxiliou para definir a quantidade que é produzido em quilogramas tendo como base no número de peças produzidas, valor representado através do modelo simulado. Já o tamanho inicial do estoque de fios para produzir os artigos foi de 5 cargas (de fio) por artigo.
Artigos RPM (TEARES) Tempo de processamento p/ bobina (segundos) Peso médio p/ bobina (quilogramas) Quantidade de bobinas/lote Tempo de limpeza total p/ lote (minutos) PV 22 3.600 16,92 178 356 Algodão 22 4.200 16,61 120 240 Soft-Dry 22 3.000 16,53 90 0 Piquet 22 3.600 16,21 90 180 Tela Esport. 22 5.400 15,67 90 0 Ribana PV 14 9.000 11,73 10 50 Ribana Algodão 14 9.000 11,76 5 25
Tabela 2 – Dados técnicos da produção Fonte: Elaborado pelos autores (2016) 3.3 Aplicações dos dados no modelo de simulação
Após a coleta e o tratamento dos dados, a próxima etapa do trabalho foi o desenvolvimento de um modelo de simulação que representa a produção da H Malhas, esta representação pode ser observada na Figura 2.
Figura 2 - Modelo de simulação do processo de produção da malharia Fonte: Software Plant Simulation® (2016)
O modelo de simulação destacado na Figura 2 foi baseado nas rotinas de trabalho e movimentação da empresa estudada. Para isso foi necessário criar seis (6) entidades para representar cada um dos tipos de malha. Estas entidades se agruparam em Containers definidos
como preparação, com o objetivo de facilitar a movimentação dos tipos de malhas ao longo do processo de fabricação.
Em seguida, o histórico de produção foi inserido em uma tabela (TableFile) na qual esta tabela vai gerenciar todas as entradas de peças no sistema de produção ao longo do período de simulação.
Os setups dos teares foram gerenciados em outra tabela (Set_up_1) que contém a lógica e os tempos de setup para cada um dos teares. Outros pontos importantes para a representação do sistema de produção estudado foi o gerenciamento dos tempos de operação, para cada tipo de malha em cada um dos teares, e os turnos de trabalho dos operadores, para isso foram utilizados os Métodos (Tear_1, Tear_2 e Tear_3) além da ferramenta shiftcalendar.
Verifica-se que após o termino da simulação do modelo em estudo, foi gerado alguns resultados importantes como o número total de bobinas produzidas em todos os teares que totaliza 587 bobinas, o número de bobinas produzidas por artigo, os resultados em percentual representado por um gráfico (Chart) do tempo em que os teares ficaram operantes (trabalhando), estes dados podem ser observados na Figura 3.
Figura 3 – Resultados gerados no período de 60 dias Fonte: Software Plant Simulation® (2016)
Observando o modelo em estudo, foi identificada a necessidade de analisar a capacidade dos estoques de entrada das cargas de fio e dos estoques dos teares, afim de saber se o valor da capacidade dos mesmos influencia no processo produtivo apresentando um resultado final significativo. Então, foi adicionada 2 (duas) ferramentas chamada ExperimentManager, que proporciona a função de gerar resultados para analisar a capacidade ideal dos estoques em
questão. Uma delas foi configurada para analisar a capacidade dos estoques de entrada das cargas de fio e a outra para analisar a capacidade dos estoques dos teares.
Após gerar e analisar os resultados obtidos da capacidade dos estoques dos teares, verifica-se nas Figuras 4 e 5 que os valores ideais para definir a capacidade dos estoques é entre 25 e 60 lotes, pois como mostra no gráfico da Figura 4 a linha começa em curva crescente até se estabilizar no experimento 5, se tornando uma linha reta e constante a partir do experimento 5 com um valor de 25 lotes, ou seja, todos os valores entre o experimento 5 e o experimento 12 são os ideais. Com base nessa análise, foi mantido o valor de capacidade miníma ideal nos estoques com capacidade de 25 lotes, o que também proporciona um menor custo com manutenção de estoque.
Figura 4 – Gráfico de avaliações dos valores de saída (Estoques dos teares) Fonte: Software Plant Simulation® (2016)
Iniciando novamente a simulação, porem com novos valores de capacidade nos estoques dos teares, pode-se observar na Figura 5 que obteve um novo, significativo e satisfatório resultado em relação ao apresentado na Figura 3, nota-se que o número total de bobinas produzidas em todos os teares totaliza 660 bobinas, ou seja, representando um ganho de 73 bobinas em relação a situação passada.
Figura 5 – Novos resultados gerados no período de 60 dias após alterar a capacidade dos estoques
Fonte: Software Plant Simulation® (2016)
4. PANORAMA DA RELAÇÃO ENTRE A SIMULAÇÃO COMPUTACIONAL E INDÚSTRIA 4.0
Baseando-se no cenário de simulação computacional desenvolvido neste estudo, é possível destacar que esta área possui uma relação direta com o conceito de indústria 4.0, o qual está sendo estruturado e bastante discutido como a 4º Revolução Industrial. A relação entre os contextos é possível devido a simulação ser considerada uma ferramenta virtual para simular cenários e pelo fato dos dados gerados permitirem a alimentação de sistemas inteligentes, que, por sua vez, são considerados como um dos principais atributos desta nova revolução.
De acordo Kagermann et al. (2013), a indústria 4.0 envolverá a integração técnica de Sistemas Cyber Físicos na fabricação e logística, utilizando a Internet das Coisas, ou do inglês Internet
of Things (IoT), em processos industriais. Ainda segundo o mesmo autor, este ambiente
emprega uma abordagem totalmente nova, na qual o sistema produtivo é formado por fábricas inteligentes, máquinas inteligentes, produtos inteligentes, sistemas de armazenamento e instalações capazes de trocar e controlar informações de forma autônoma. Porém, este modelo ainda está em fase de estudo e estruturação, o que representa uma possibilidade de explorar novas áreas de conhecimento e o torna uma temática atrativa para esta breve discussão.
Lee et al. (2015) propõe uma arquitetura diretriz para a implantação de Sistemas Cyber Físicos no contexto da indústria 4.0, esta arquitetura é estruturada em 5 níveis e chama-se Arquitetura 5C. A Arquitetura 5C basicamente é organizada em atributos e funções, que compõem os seguintes níveis: I) Nível de Conexão Inteligente; II) Conversão Dados para Informação; III) Nível Cyber; IV) Nível Cognitivo; V) Nível de Configuração, estes níveis apresentados estão ordenados do menor para o maior considerando o nível de complexidade.
Baseando-se nesta arquitetura, é possível definir uma relação mais específica entre o processo de simulação descrito com a estrutura dos Sistemas Cyber Físicos. Deste modo, as simulações de otimização realizadas poderiam ser empregadas no IV) Nível Cognitivo, pois nesta etapa ocorre simulações e sínteses baseadas em históricos de dados, além disso os gráficos de desempenho gerados são necessários para transmissão do conhecimento adquirido ao usuário. Ainda neste nível, o tratamento adequado dos dados adquidos das máquinas apoia à tomada de decisão cujo resultado será repassado ao próximo nível, denominado Configuração. Esta estrutura de arquitetura é representada na Figura 20, na qual também destaca-se o nível aqui abordado.
Figura 20 – Arquitetura 5C Fonte: Lee et al. (2015)
Ressalta-se nesta pesquisa a informação que à medida que os recursos computacionais e recursos físicos estejam cada vez mais conectados e compartilhando dados entre si, será possível desenvolver um sistema que possua auto configuração e auto manutenção no ambiente fábril, este nível de processo garante um planejamento de produção e gestão de estoques otimizados (LEE et al., 2015).
5. CONCLUSÕES
Ao final do trabalho observou-se que o estoque de entrada do sistema de produção não necessariamente precisa estar dimensionado para lotes de 80 unidades. Com o sistema de produção estabilizado é possível trabalhar com o estoque inicial necessãrio para a produção de 5 lotes, entretanto, na prática isso exige uma revisão nos contratos e nos padrões de entrega dos fornecedores. Estas revisões serão tratadas aos poucos para que não se corra o risco de confrontos com os fornecedores, possibilitando com isso padronizar o tamanho dos lotes de produção em múltiplos de 5 bobinas, sendo que a melhor condição de trabalho foi a que trabalhou com lote inicial de 25 bobinas, os demais lotes seguiram a regra de sempre ser
múltiplo de 5 bobinas. Nestas condições foram produzidas 660 bobinas em 60 dias de produção, com a condição anterior era produzido 587 bobinas no mesmo período.
Outro ponto observado é a possibilidade de se trabalhar com estoque intermediário de 25 bobinas antes dos teares 1, 2 e 3, sem que isso cause impacto no atendimento dos clientes e na produção final da empresa. A aplicação destas modificações já estão em testes na empresa, que adotou a redução dos estoques intermediários em finais de 2016, e até o momento não foi identificada nenhuma anormalidade na rotina de trabalho.
Portanto, pode-se concluir que este trabalho atendeu aos objetivos iniciais do projeto e possibilitou relacionar o ambiente e a análise da simulação com um conceito recente do ambiente produtivo, conhecido com indústria 4.0.
Por fim, apesar da discussão estruturada sobre os conceitos de indústria 4.0 ser breve pode-se entendê-la como um ponto de partida para o desenvolvimento do tema na área de simulação, neste contexto o avanço da tecnologia da informação (TI) e consequentemente dos recursos computacionais estão proporcionando novos ambientes de operação para os sistemas de produção.
6. REFERÊNCIAS BIBLIOGRÁFICAS
BANKS, J. Handbook of simulation. New York: Jerry Banks, 1998.
CHWIF, L.; MEDINA, A. C. Modelagem e Simulação de Eventos Discretos: Teoria e Aplicações. 4ª edição. São Paulo: Elsevier Brasil, 2014.
COSTA, A. C. R. da; ROCHA, E. R. P. da. Panorama da cadeia produtiva têxtil e de confecções e a questão de inovação. BNDES Setorial, Rio de Janeiro, n.29, p.159-202, mar. 2009.
FREITAS FILHO, P. J. Introdução à Modelagem e Simulação de Sistenas com Aplicação em Arena. 2 ed. Florianópolis: Visual Books, 2008.
GIL, A. C. Métodos e técnicas de pesquisa social. 6ª. ed. São Paulo: Atlas, 2008.
HARREL, C. R. et al. 2002. Simulação. Otimizando os sistemas. São Paulo: IMAN, 2002. KAGERMANN, H.; WAHLSTER, W.; HERBIG, J. Recommendations for implementing the strategic initiative Insdustrie 4.0: final report of the Industrie 4.0Working Group. 82p., 2013.
LAW, A.M., KELTON, W.D., Simulation Modeling and Analysis, second ed. McGraw-Hill, New York, 1991.
LEE, J.; BAGHERI, B.; KAO, H. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, v. 3, p. 18-23, 2015.
NOMDEN G.; VAN DER ZEE, D.J. Virtual cellular manufacturing: Configuring routing flexibility. International Journal of Production Economics. v. 112, p. 439-451, 2008. PIDD, M. Computer Simulation in Management Science. 4ª ed., New York, John Wiley & Sons Ldt. 1998.
QUAGLIETTA, E. A simulation-based approach for the optimal design of signalling block layout in railway networks. Simulation modelling practice and theory. v.46, p. 4-24, 2014. SAKURADA, N.; MIYAKE, D. I. Gestão de Produção, São Carlos, v. 16, n. 1, p. 25-43, jan.-mar. 2009.
SHI, J.; PENG, Y.; ERDEM, E. Simulation analysis on patient visit efficiency of a typical VA primary care clinic with complex characteristics. Simulation modelling practice and theory. v. 47, p. 165-181, 2014.
