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

UNIVERSIDADE FEDERAL DE ITAJUB
Jos Renato Nunes Brighenti
SIMULAO E OTIMIZAO DE UMA LINHA

DE MANUFATURA EM FASE DE PROJETO
Dissertao submetida ao Programa de PsGraduao em Engenharia de Produo como

requisito parcial obteno do ttulo de Mestre em
Engenharia de Produo
Orientador: Prof. Jos Arnaldo Barra Montevechi, Dr
Itajub, outubro de 2006
BRIGHENTI, Jos Renato Nunes. Simulao e otimizao de uma

linha de manufatura em fase de projeto. Itajub: UNIFEI, 2006.
113p. (Dissertao de mestrado apresentada ao Programa de PsGraduao em Engenharia de Produo da Universidade Federal
de Engenharia de Itajub).
Palavras-Chaves: Simulao Otimizao Manufatura
UNIVERSIDADE FEDERAL DE ITAJUB
Jos Renato Nunes Brighenti
SIMULAO E OTIMIZAO DE UMA LINHA

DE MANUFATURA EM FASE DE PROJETO
Dissertao aprovada por banca examinadora em 6 de outubro de 2006, conferindo ao autor o

ttulo de Mestre em Engenharia de Produo.
Banca Examinadora:
Prof. Jos Arnaldo Barra Montevechi, Dr
Prof. Edson de Oliveira Pamplona, Dr
Prof. Helder Gomes Costa, Dr
Itajub, outubro de 2006
ix
Agradecimentos
Em primeiro lugar agradeo a Deus pelas oportunidades a mim concedidas.

Agradeo ao meu amigo e orientador Professor Jos Arnaldo, pela incansvel
perseverana, confiana em meu trabalho e amizade.
Agradeo tambm minha namorada, Renata, pelo suporte e pela pacincia nos
momentos mais difceis.
E finalmente agradeo aos meus pais Djalma e Sylvia, maiores responsveis por todos
os grandes projetos de minha vida, dedicando, dando amor, carinho e suporte.
Sumrio
Agradecimentos ___________________________________________________________ix
Sumrio __________________________________________________________________ x
Resumo _________________________________________________________________xiii
Abstract _________________________________________________________________xiv
Lista de figuras ___________________________________________________________ xv
Lista de tabelas __________________________________________________________ xvii
Lista de abreviaturas _____________________________________________________xviii
1
Introduo ____________________________________________________________ 1
1.1
Consideraes iniciais ______________________________________________ 1
1.2
O problema _______________________________________________________ 2
1.3
Objetivo do trabalho _______________________________________________ 3
1.4
Relevncia do trabalho______________________________________________ 4
1.5
Metodologia de pesquisa ____________________________________________ 5
1.6
Estrutura do trabalho ______________________________________________ 6
Simulao ____________________________________________________________ 7
2.1
Consideraes iniciais ______________________________________________ 7
2.2
Justificativa econmica da simulao __________________________________ 9
2.3
Definies________________________________________________________ 11
2.3.1
Sistema______________________________________________________ 11
2.3.2
Modelo ______________________________________________________ 12
2.3.3
Simulao ___________________________________________________ 13
2.4
Metodologias de simulao _________________________________________ 15
2.5
Definio da metodologia___________________________________________ 20
2.6
Mapeamento do processo___________________________________________ 21
2.7
Construo do modelo _____________________________________________ 25
2.7.1
Partir de modelos simples ______________________________________ 26
2.7.2
Fiscalizar o nvel de detalhamento _______________________________ 26
2.7.3
Dividir o modelo ______________________________________________ 27
2.7.4
Verificar e corrigir os erros _____________________________________ 27
2.8
Validao do modelo ______________________________________________ 28
2.8.1
Mudana dos parmetros de entrada _____________________________ 30
2.8.2
Turing test ___________________________________________________ 30
xi
2.8.3
Desenvolver o modelo juntamente com o usurio ___________________ 31
2.8.4
Recorrer a especialistas ________________________________________ 31
2.9
3
Consideraes finais _______________________________________________ 33
Otimizao___________________________________________________________ 34
3.1
Consideraes iniciais _____________________________________________ 34
3.2
Definio ________________________________________________________ 34
3.3
Mtodos de otimizao _____________________________________________ 35
3.3.1
Mtodos determinsticos _______________________________________ 36
3.3.2
Mtodos probabilsticos ________________________________________ 37
3.4
Algoritmos Genticos ______________________________________________ 40
3.4.1
3.5
4
Otimizao + Simulao________________________________________________ 43
4.1
4.2
Introduo _______________________________________________________ 43
4.3
Funcionamento ___________________________________________________ 44
4.4
Metodologia para simulao + otimizao _____________________________ 44
4.5
Aplicao ____________________________________________________________ 47
5.1
5.2
Definio do sistema a ser analisado__________________________________ 47
5.3
Esboo do problema e coleta de dados ________________________________ 50
5.4
Simulao do sistema ______________________________________________ 56
5.4.1
Definio do problema e do objetivo______________________________ 57
5.4.2
Coleta de dados _______________________________________________ 57
5.4.3
Escolha do software e construo do modelo_______________________ 57
5.4.4
Validao do modelo __________________________________________ 61
5.5
Funcionamento _______________________________________________ 40
Otimizao_______________________________________________________ 64
5.5.1
Definio das variveis_________________________________________ 64
5.5.2
Definio dos tipos de variveis__________________________________ 65
5.5.3
Definio da funo objetivo ____________________________________ 65
5.5.4
Seleo do tamanho da populao do Algoritmo Evolutivo ___________ 66
5.5.5
Anlise dos resultados _________________________________________ 68
5.6
Implementao ___________________________________________________ 71
5.7
Concluso ___________________________________________________________ 72
xii
6.1
6.2
Concluses e contribuio do trabalho________________________________ 72
6.3
Sugestes para trabalhos futuros ____________________________________ 73
6.4
Referncias bibliogrficas __________________________________________________ 75

ANEXO 1________________________________________________________________ 79
ANEXO 2________________________________________________________________ 95
xiii
Resumo
A simulao computacional juntamente com a otimizao so ferramentas de
fundamental importncia no desenvolvimento de novos projetos, como a implantao de uma
nova linha de manufatura. A simulao pode ser aproveitada nas mais variadas fases do
desenvolvimento da nova linha, entretanto na fase de projeto em que so tomadas as
decises mais importantes. Respostas e perguntas como: Quantos operadores so necessrios?
Qual o regime de trabalho? Qual rea necessria? Qual a produtividade esperada da linha?
So fundamentais para a formao adequada dos custos da nova linha, sendo que a preciso
destes nmeros pode levar a nova linha ao sucesso ou ao fracasso.
O presente trabalho abordou a aplicao da simulao e da otimizao como
ferramentas de auxlio ao planejamento de uma nova linha de manufatura de uma empresa do
setor de autopeas, visando verificar a eficincia do mtodo tradicional utilizado pela empresa
onde nenhuma ferramenta computacional utilizada.
Nos prximos captulos deste trabalho abordada a aplicao destas ferramentas.
Dentre elas pode-se destacar o mapeamento do processo que alm de ser uma ferramenta
fundamental para o bom desempenho do modelo auxiliou no entendimento do fluxo da nova
linha, permitindo a correo de erros que poderiam levar o estudo ao insucesso. Utilizou-se
para isso o pacote de simulao ProModel, que inclui um software de otimizao baseado
em Algoritmos Genticos, o SimRunner.
Pode-se concluir que os resultados alcanados atravs da simulao foram
significativamente diferentes dos obtidos pela metodologia tradicional da empresa,
principalmente em dois aspectos: a mo de obra que foi reduzida em 45% e a produtividade
da linha que ficou 4% acima do previsto. Estes resultados trouxeram vrios benefcios
empresa dentre eles uma nova formao de custos da linha que possibilitar uma reduo dos
preos dos produtos manufaturados tornando a linha mais competitiva.
Outro benefcio destas ferramentas para a empresa a visualizao grfica do projeto
na forma esttica e dinmica, o que alm de enriquecer, facilita a anlise com dados e grficos
mais precisos.
xiv
Abstract
Computational simulation together with optimization is an important tool in the
development of new projects, as the implantation of a new manufacture line. Simulation can
be used in the most varied phases of a new line development, however is in the project phase
where the most important decisions are taken. Questions as: How many operators are
necessary? Which is the regimen of work? Which is the necessary area? Which is the
productivity of the line? Are essential for cost formation of a new line and the precision of
these numbers can take the new line to the success or failure.
The present study approached the application of these techniques as a planning aid
tool in an auto parts factory, to verify the efficiency of the traditional method used by the
company where no advanced tool as the simulation is used.
The next chapters presented the methodology of these two techniques. Amongst them
we can detach the process mapping that beyond of being a basic tool for a good model
performance, assisted in the understanding of the process flow of the new line, allowing the
correction of errors that could lead the analysis to failure. The ProModel simulation
package, that includes an optimization software based on Genetic Algorithms, the
SimRunner, has been choose.
It can be concluded that the results reached through the simulation had been
significantly different from the ones reached by the traditional company methodology, mainly
in two aspects: labor was reduced in 45% and the productivity of the line was 4% above of the
foreseen one. These results had brought some benefits to the company like a new cost
formation that will make possible a reduction on manufactured products prices and also
making the new line more competitive.
Another benefit of these tools for the company is the project graphical visualization in
the static and dynamic form, what beyond enriching, facilitates the analysis with data and
more precise graphs.
xv
Lista de figuras
Figura 1.1 Formas de classificao das pesquisas cientficas (SILVA e MENEZES, 2005).. 5
Figura 2.1 Transformao da realidade em modelo. ............................................................... 7
Figura 2.2 Mtodo cientfico aplicado simulao (HARRELL, 2000)................................. 8
Figura 2.3 Evoluo do custo de um sistema em suas diferentes fases (HARRELL et al.,
2000)......................................................................................................................................... 10
Figura 2.4 Comparativo da evoluo dos custos com e sem aplicao da simulao
(HARRELL et al., 2000). ......................................................................................................... 10
Figura 2.5 Relao entre sistema, modelo e simulador. ........................................................ 14
Figura 2.6 Procedimento para se conduzir uma simulao (Adaptado de PROMODEL
USERS GUIDE, 2002)............................................................................................................18
Figura 2.7 Sequncia da metodologia (LOBO e PORTO, 1997). ......................................20
Figura 2.8 Componentes do processo (HARRINGTON, 1993)............................................ 22
Figura 2.9 Exemplo de um mapofluxograma (ROSA, 2002)................................................25
Figura 2.10 Reviso do trabalho em caso de no validao.................................................. 32
Figura 3.1 Classificao dos mtodos de otimizao (CARNEIRO, 1996).........................36
Figura 4.1 Otimizao em simulao (FU, 2002). ................................................................ 44
Figura 5.1 Produto fabricado pela empresa e sua localizao no veculo. ............................48
Figura 5.2 Principais caractersticas das longarinas. ............................................................. 49
Figura 5.3 Mapofluxograma da linha de manufatura roll form............................................. 52
Figura 5.4 Mapa do processo da linha de manufatura de longarinas RF............................... 55
Figura 5.5 Tela de abertura do ProModel...........................................................................58
Figura 5.6 Definio de locations..........................................................................................59
Figura 5.7 Definio de entities.............................................................................................59
Figura 5.8 Definio de arrivals............................................................................................60
Figura 5.9 Definio de processing.......................................................................................60
Figura 5.10 Definio de resources.......................................................................................61
Figura 5.11 Percentual de utilizao da capacidade dos equipamentos. ............................... 63
Figura 5.12 Definio dos macros......................................................................................... 65
Figura 5.13 Definio das variveis. .....................................................................................65
Figura 5.14 Definio da funo objetivo .............................................................................66
Figura 5.15 Definio do tamanho da populao .................................................................. 67
Figura 5.16 Definio do nvel de confiana.........................................................................67
xvi
Figura 5.17 Definio do nmero de replicaes .................................................................. 68

Figura 5.18 Relatrio exibido pelo SimRunner (1 turno)................................................... 68
Figura 5.19 Comparativo dos tempos de operadores antes e aps otimizao...................... 69
Figura 5.20 Comparativo dos nmeros de produo antes e aps otimizao ...................... 69
xvii
Lista de tabelas
Tabela 2.1 Classificao de sistema, modelo e simulao (PEREIRA, 2000)...................... 15
Tabela 2.2 Simbologia proposta por BARNES (1982) para mapeamento. ........................... 24
Tabela 4.1 Software de otimizao (Adaptado de FU, 2002)................................................ 43
Tabela 5.1 Vantagens e desvantagens do processo RF. ........................................................ 47
Tabela 5.2 Etapas de construo at o modelo final.............................................................. 62
Tabela 5.3 Comparao entre produtividade planejada e simulada. ..................................... 63
Tabela 5.4 Comparao entre produtividade planejada e simulada (sem inspeo) ............. 64
Tabela 5.5 Comparativo dos resultados finais otimizados. ................................................... 70
xviii
Lista de abreviaturas
AE
Algoritmos Evolutivos
AG
Algoritmos Genticos
CNC Computer Numeric Control

RF
Roll Form
WIP
Work in Progress Material em processo
Capitulo 1 - Introduo_____________________________________________________1
1 Introduo
1.1 Consideraes iniciais
O captulo que aqui se inicia tem a finalidade de discutir os aspectos de maior
importncia do presente trabalho. So realizadas algumas consideraes iniciais, apresentando
o problema, o objetivo do trabalho, a relevncia e a estrutura da dissertao.
A grande competitividade imposta pela globalizao obriga as empresas a constantes
evolues nos sistemas de produo. Neste cenrio as empresas necessitam no somente
manter a sua fatia de participao no mercado, mas tambm aument-la. Sob esta presso as
empresas se questionam: como manter a fatia de mercado j conquistada? Como melhorar a
competitividade para concorrer com o mundo? (FERREIRA, et al., 2002b).
Segundo LIM e ZHANG (2003), o mercado mundial vem se tornando cada vez mais
dinmico requerendo dos sistemas de manufatura respostas rpidas e flexibilidade para
mudanas de cenrios por parte do cliente.
Para SAAD (2003) o cenrio internacional tem exigido das empresas mudanas no seu
sistema de produo as quais, muitas vezes, levam alguns meses at serem implementadas,
mas o cliente no est disposto a esperar e a concorrncia j poder estar pronta para dar a
resposta.
Desta forma as empresas necessitam retirar o mximo rendimento possvel de todos os
seus recursos bem como realizar novos investimentos que podem afetar diretamente o
desempenho e consequentemente a competitividade da empresas.
Geralmente quando se trabalha na anlise de novos investimentos e seus recursos,
surgem questes como qual ser o layout desta linha e como obter a melhor produtividade,
flexibilidade e qualidade da linha com o menor recurso possvel. Respostas para estas
perguntas podem ser dadas atravs de anlises realizadas sobre crenas e idias de uma pessoa
ou de um grupo, sendo as mesmas pouco quantificveis; atravs de modelos matemticos
estticos que no consideram as caractersticas dinmicas do sistema, levando muitas vezes ao
erro; ou, atravs de modelos de simulao computacional dinmico, onde so consideradas as
aleatoriedades e interdependncias das variveis do sistema, aumentando assim a capacidade
de previso do comportamento do sistema real. (HARRELL et al., 2000; BANKS, 2000:
PIDD, 1998).
A representao de um sistema pela modelagem feita em computador, possibilita a
anlise de sistemas complexos. Assim, segundo PIDD (1998), para sistemas dinmicos,
complexos e componentes interativos, como os de manufatura, a simulao computacional
uma ferramenta bastante adequada.
A simulao de sistemas de manufatura uma poderosa ferramenta para a tomada de
decises, minimizando o risco destas decises (BANKS, 2000; PEREIRA, 2000). Porm, para
usar a simulao na avaliao e melhoria do desempenho de um processo, necessrio
primeiramente selecionar algumas configuraes e ento executar a simulao para cada uma
delas, analisando os resultados encontrados (OPTQUEST FOR ARENA USERS GUIDE,
2002). Tal processo pode ser muito tedioso e consumir muito tempo, alm de, geralmente, no
ser claro o ajuste das variveis para compor uma configurao. Esta limitao foi superada
com a utilizao de tcnicas de otimizao em conjunto com a simulao.
Segundo HARREL, (2000), a otimizao o processo de tentar diferentes
combinaes de valores para variveis que podem ser controladas buscando uma combinao
de valores que prov a sada mais desejada de um modelo. Existem atualmente vrios
softwares que permitem a realizao da otimizao a partir de uma simulao, dentre eles
pode-se citar: AutoStat, OptQuest, OPTIMIZ, SimRunner e WITNESS Optimizier. Os
mesmos fazem parte de pacotes comerciais onde tambm est incluso o mdulo de simulao.
A combinao entre simulao e otimizao faz com que as respostas sejam mais
eficientes, possibilitando uma melhor tomada de deciso.
1.2 O problema
O estudo foi desenvolvido ema empresa do setor de autopeas, em fase de expanso,
uma nova linha ser construda para a produo de longarinas atravs de um processo
diferente do atual.
Sabe-se que atualmente qualquer novo projeto que necessite de altos investimentos
submetido a uma profunda anlise tcnica e econmica antes de sair do papel e, para tal, os
especialistas necessitam de previses confiveis.
O problema analisado por este trabalho a superficialidade das anlises feitas para
validao tcnica e econmica do projeto de construo desta nova linha de manufatura.
A empresa objeto deste estudo utiliza-se de dados histricos e da experincia de
especialistas para calcular as previses. Apesar de serem dados confiveis as anlises so
feitas de forma esttica, impossibilitando a visualizao dinmica destas previses bem como
a interao entre as variveis. Alm disso, a falta de recursos computacionais torna muito
complexa e demorada a anlise de diferentes cenrios e suas respostas timas.
Baseando-se em resultados feitos atravs de anlises superficiais os gestores desta
empresa tomam decises importantes como a formao de preos de novos produtos e at
mesmo o impedimento da construo da nova linha.
A simulao e a otimizao foram aplicadas na fase de desenvolvimento do projeto
com o objetivo de aprimorar os resultados das anlises dando melhores condies aos gestores
de tomar decises importantes para o futuro da empresa.
1.3 Objetivo do trabalho

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

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

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

Este trabalho est dividido em seis captulos, o contedo deles so:
O primeiro captulo foi destinado introduo, descrevendo a relevncia do trabalho e

seus objetivos;
O segundo captulo traz as definies sobre simulao, a sua justificativa econmica e

as metodologias. Na sequncia, define a metodologia aplicada no estudo e como
construir e validar o modelo;
O terceiro captulo foi destinado ferramenta de otimizao, apresentando suas

metodologias e aprofundando na metodologia escolhida, o algoritmo gentico;
O quarto captulo faz a apresentao das ferramentas de simulao e otimizao em

conjunto;
O quinto captulo foi destinado aplicao dos conceitos abordados anteriormente na

linha de manufatura;
O sexto captulo traz as concluses e as recomendaes para os trabalhos futuros.
Capitulo 2 Simulao______________________________________________________7
2 Simulao
Este captulo tem como finalidade apresentar uma reviso bibliogrfica a respeito da
simulao computacional e sua relevncia. So levantadas as definies de sistema, modelo e
simulao, assim como suas classificaes. Ainda neste captulo feita a apresentao de
algumas metodologias para uma implementao bem sucedida de simulao, dos conceitos de
mapeamento de processo e finalmente como construir e validar um modelo.
Segundo HARRELL et al. (2000) e LAW e KELTON (1982), simulao a imitao
de um sistema real modelado em computador para avaliao e melhoria do seu desempenho.
Ainda, segundo BANKS (2000), a simulao envolve a criao de uma histria artificial da
realidade e com base nela so realizadas observaes e inferncias nas caractersticas de
operao do sistema real representado. A Figura 2.1 esquematiza este conceito da
transformao da realidade em modelo e novamente dos resultados em realidade.
Figura 2.1 Transformao da realidade em modelo.

O processo de simulao segue o mtodo cientfico, ou seja, formula as hipteses,
prepara o experimento, testa as hipteses atravs do experimento e valida as hipteses atravs
dos resultados obtidos. Este processo na simulao mostrado na Figura 2.2.
Figura 2.2 Mtodo cientfico aplicado simulao (HARRELL, 2000).

A simulao no uma ferramenta que substitui o trabalho de interpretao humana,
mas sim uma ferramenta capaz de fornecer resultados para anlises mais elaboradas a respeito
da dinmica do sistema, permitindo desta maneira uma interpretao mais profunda e
abrangente do sistema estudado.
So diversas as reas de aplicao da simulao. HARRELL et al. (2000), LOBO
(2000), BANKS et al. (1996) e LAW e KELTON (1986) destacam os sistemas
computacionais e de telecomunicaes, fabricao, negcios, logstica, militar, treinamento,
cientfica, econmica e servios.
Segundo KUMAR e PHROMMATHED (2005), antes da implantao direta de
qualquer mudana no sistema produtivo, o mapeamento do processo, a anlise dos dados e a
simulao computacional podem reduzir com sucesso o risco da ineficcia de uma operao
de reprojeto no mundo real.
2.2 Justificativa econmica da simulao

Conforme HARREL et al. (2000) ao utilizar qualquer software os custos envolvidos
devem ser considerados. Da mesma forma no uso da simulao deve-se considerar o custo
benefcio da aplicao. Com o envolvimento do custo inicial de implantao para um sistema
de simulao (software, hardware e mo-de-obra), frequentemente a aplicao da simulao
prejudicada, porque no avaliado corretamente o benefcio que a simulao trar ao negcio
com a economia de gastos e tempo para implantao do projeto em estudo pela empresa.
Segundo KELLNER, MADACHY e RAFFO (1998), o maior motivo para se criar um
modelo de simulao ou utilizar qualquer outro mtodo de modelagem que esta a forma de
menor custo para se obter importantes resultados, quando os custos, os riscos ou a logstica de
manipulao do sistema real proibitiva. Os principais ganhos com a simulao so obtidos
com a identificao e eliminao de problemas e ineficincias, chegando at a verificao da
inviabilidade do projeto, antes da implantao.
Segundo GLENNEY e GERALD (1985), os custos estimados com o uso da simulao
em um projeto situam-se entre 1 a 3% do custo total do mesmo.
Uma das dificuldades da justificativa econmica da simulao o fato de geralmente
no se conseguir avaliar qual ser a economia total gerada no projeto, conseguindo-se este
valor somente aps a sua concluso.
Durante o seu desenvolvimento um projeto ou sistema passa por diferentes fases com
caractersticas distintas entre si, ou seja, cada qual com o seu tempo e custo. A Figura 2.3
apresenta a relao entre as fases do projeto e seu custo.
Figura 2.3 Evoluo do custo de um sistema em suas diferentes fases (HARRELL et al.,
2000).
Quando a simulao aplicada no desenvolvimento do projeto ou sistema, a relao
entre o custo e as fases do projeto alterada (Figura 2.4). A fase de concepo do projeto ou
sistema no sofre nenhum impacto, pois a aplicao da simulao realizada aps esta etapa.
Figura 2.4 Comparativo da evoluo dos custos com e sem aplicao da simulao
(HARRELL et al., 2000).
Em um sistema onde aplicada a simulao, o custo na fase de projeto fica mais
elevado, mas justamente nesta fase, com o auxlio da simulao, onde se consegue planejar
um sistema mais otimizado, consequentemente nas fases de implantao e operao se obtm
a esperada reduo do custo (BATEMAN et al., 1997) (Figura 2.4).
Ainda na Figura 2.4 pode-se observar que a rea sobre a curva dos custos com a
simulao menor que a dos custos sem a simulao, ou seja, o custo total no final menor
quando a simulao utilizada.
2.3 Definies
Para um melhor entendimento sobre simulao, preciso conhecer as definies de
sistema e modelo e da simulao computacional.
2.3.1 Sistema
A definio clara do que vem a ser sistema muito importante para a execuo de uma
simulao, pois com base nesta definio que se levantaro as informaes necessrias ao
estudo. Segundo SEILA (1995), um sistema um conjunto de componentes ou entidades
interagindo entre si, trabalhando juntos para atingir algum objetivo. Na prtica, o significado
de sistema depende dos objetivos de cada estudo (LAW e KELTON, 2000). So exemplos de
sistema: sistema de trfego, sistema policial, sistema econmico, sistema bancrio, entre
outros. Um sistema tambm pode ser uma parte ou conjunto no qual o estudo ser realizado,
que por sua vez est inserido em universo ainda maior, como a rea responsvel pelo saque e
depsito de uma agncia bancria.
A ao entre os elementos do sistema envolve interdependncias que podem ser
simples ou mais elaboradas, dependendo do nmero de variveis. Segundo DUARTE (2003),
a variabilidade uma caracterstica inerente a qualquer sistema que envolva pessoas e
mquinas, uma vez que ambas podem falhar. Assim, a variabilidade introduz incerteza no
sistema, cuja compreenso se torna difcil sem o uso de ferramentas apropriadas, como a
simulao.
Segundo PEREIRA (2000), em simulao, possvel trabalhar com sistemas discretos,
contnuos ou a combinao dos dois. Os sistemas so ditos discretos quanto as variveis
envolvidas assumem valores finitos ou infinitos numerveis (por exemplo, peas que chegam
a uma mquina) e contnuos quando as variveis mudam continuamente no tempo (por
exemplo, quilmetros rodados pelos caminhes na simulao de um sistema logstico). Neste
caso o software de simulao deve ter condies de resolver sistemas de equaes
diferenciais. J nas simulaes de eventos discretos os programas so dotados de um relgio,
que iniciado com o evento ao qual est vinculado e avana at que o prximo evento esteja
programado.
2.3.2 Modelo
Um modelo, segundo HILLIER e LIEBERMAN (2001), uma representao de um
sistema real, onde somente os aspectos relevantes para a anlise em questo sero
considerados. O uso de modelos traz muitos benefcios como reduo de tempo, custo e
perdas materiais. Em muitos casos seu uso at mesmo inevitvel, como quando o sistema
real no existe por se tratar de um projeto ou no estar disponvel para experimentos.
De acordo com o tipo de modelo, ele pode ser classificado em: matemtico, fsico e de
simulao (STAMM, 1998):
Modelos matemticos: modelos que fazem uma abstrao da realidade utilizando

conceitos complexos envolvendo linguagens formais, sentenas e expresses cujas
sintaxes e semnticas dentro da lgica e metalgica matemticas guardam uma
semelhana bsica com o conceito de modelos para simulao, que a relao de
satisfao, ou seja, a condio de semelhana entre a estrutura e a teoria (STAMM,
1998);
Modelos fsicos: modelos que assumem forma fsica, sobre a qual o estudo ser
realizado. Dentre outros tipos de modelos fsicos pode-se citar (STAMM, 1998):
desenho em escala, um mtodo operacional que permite equacionar, ou otimizar
atividades no muito complexas, freqentemente utilizadas pelos profissionais
responsveis por projetos; e maquetes (ou modelos reduzidos), so miniaturas
tridimensionais em escala de reduo, utilizadas para apreciao de aspectos estticos
e de distribuio de volumes em obras arquitetnicas e para medies de
comportamento, tais como obras hidrulicas ou martimas;
Modelos para simulao computacional: quando as relaes que compe o modelo so

suficientemente simples, possvel empregar mtodos matemticos como a lgebra, o
clculo ou a teoria da probabilidade para obter informaes exatas sobre questes de
interesse (LAW e KELTON, 2000). Entretanto a maioria dos sistemas reais
complexa demais para permitir uma avaliao analtica e por isto estes casos tm que
ser estudados por meio computacional.
Este trabalho se atm ao ltimo tipo de modelo, que foi construdo com auxlio de
programas de computador especficos para simulao.
Este tipo de modelo pode ser classificado quanto a sua variabilidade no tempo em:
Esttico - representa o sistema sem levar em conta sua variabilidade;
Dinmico - representa o sistema a qualquer tempo. Pode ainda ser classificado quanto
ao tipo de valores que as variveis assumem;
Determinstico - quando assumem valores exatos;
Estocstico - assumem diversos valores dentro de uma distribuio de probabilidades.
2.3.3 Simulao Computacional

A simulao computacional, segundo LAW e KELTON (2000), a imitao de um
sistema real modelado em computador, no qual sero executados experimentos para avaliao
e melhoria de seu desempenho. De um modo geral, simulao a importao da realidade
para um ambiente controlado onde se pode estudar o comportamento do mesmo sob diversas
condies, sem os riscos fsicos e/ou custos envolvidos em um estudo tradicional.
Como j mencionado, um modelo a representao de um sistema real. A simulao
uma ferramenta que utiliza tal modelo para fazer experimentos e responder questes do tipo
what if, manipulando as entradas e verificando suas sadas. No treinamento de pilotos em
simuladores de vo, por exemplo, eles ficam em uma cabina (modelo de um avio real),
testando manobras e sentindo a dinmica do modelo e suas consequncias. Assim, a
simulao o resultado de uma srie de aes no modelo, que imitam reaes do ambiente.
MOREIRA (2001) apresenta de forma bem resumida o que vem a ser sistema, modelo
e simulao: sistema - origem dos dados; modelo - grupo de instrues para a gerao de
novos dados; e simulador - dispositivo capaz de levar adiante instrues do modelo. A relao
entre estes fica de fcil entendimento com a apresentao da Figura 2.5.
Figura 2.5 Relao entre sistema, modelo e simulador.

Segundo LAW e KELTON (2000), a simulao dita terminante quando se est
interessado em estudar um sistema num dado intervalo de tempo, ou seja, conhecer seu
comportamento ao longo deste intervalo, sendo definidas as datas de incio e trmino da
simulao. Como no caso de um conjunto de postos de cobrana de pedgio onde se deseja
definir o nmero de postos em funcionamento de acordo com a hora do dia; assim, o intervalo
de interesse est entre zero e vinte e quatro horas.
A simulao dita no terminante quando se est interessado em estudar o sistema a
partir do momento em que o mesmo estiver em um estado estvel, atingido aps certo perodo
de aquecimento, onde se determina e elimina as tendncias iniciais. Isso no quer dizer que
ela nunca termine, nem que o sistema no tenha fim, mas que ela poderia continuar
infinitamente sem nenhuma mudana estatstica no comportamento. Assim, uma simulao do
comportamento das ps de uma turbina pode ser considerada no terminante, desde que o
interesse seja estudar as caractersticas de seu escoamento em condies estveis, aps um
perodo de aquecimento.
Na Tabela 2.1 PEREIRA (2000) mostra de maneira sucinta a classificao de sistemas
e modelos para simulao, alm da classificao da prpria simulao.
Sistema
Modelo
Discreto:
Variveis envolvidas
assuem valores finitos
e infinitos numerveis.
Determinstico:
Variveis assuem
valores determinados.
Contnuo:
Variveis mudam
constantemente com o
tempo.
Estocstico:
Variveis assuem
valores diversos
segundo uma
determinada
distribuio de
probabilidade.
Esttico:
Estuda o sistema sem
levar em conta sua
variabilidade com o
tempo.
Dinmico:
Representa o sistema a
qualquer tempo.
Simulao
Terminante:
H interesse em se
estudar o sistema num
dado intervalo de
tempo.
No Terminante:
H interesse em
estudar o sistema a
partir de um
determinado estado
estvel, podendo o
estudo prolongar-se
indefinidademente.
Tabela 2.1 Classificao de sistema, modelo e simulao (PEREIRA, 2000).

Para se obter uma maior eficincia no uso da simulao, diminuindo seu tempo de
execuo sem perder confiabilidade na resposta, faz-se uso do controle sobre alguns fatores
como o nvel de detalhamento includo nos modelos, o nmero de dados estatsticos, o uso de
animao alm do uso dos elementos do sistema mais importantes para o modelo (HARREL,
2000). A definio e o controle de tais fatores devem ser feitos na fase de planejamento,
sendo esta fase de extrema importncia onde recomendado o uso de metodologias para sua
execuo.
2.4 Metodologias de simulao

Simular requer mais que simplesmente usar um software. A simulao um projeto
que deve ser planejado com conhecimento das etapas e suas necessidades. Para tal, deve-se
conhecer bem o sistema e ter uma comunicao com usurios e pessoas envolvidas durante
todo o processo.
A metodologia nos trabalhos de simulao busca sistematizar os passos de seu
desenvolvimento, otimizando a integrao entre software, modelador e usurio, e evitando
desperdcio de tempo, dinheiro e resultados frustrantes.
A maioria dos trabalhos de simulaes mal sucedidos tem como principal causa a
deficincia de um bom planejamento de seu estudo. Por isso, simular requer mais do que o
conhecimento de um software especfico, mas tambm, pessoas com conhecimento dos passos
a serem seguidos, bem como experincia analtica, estatstica, organizacional e de engenharia.
PIDD (1997) relata que a modelagem computacional de um sistema uma tarefa que
exige muito esforo por parte do modelador e que, se conduzido com raciocnio cuidadoso e
planejado, ser bastante beneficiada. Para que isto ocorra, o autor prope cinco princpios
bsicos e indispensveis em qualquer metodologia para a implementao da simulao:
o modelo deve ser simples apesar de partir de pensamentos complicados. Os modelos

no necessitam ser to complicados quanto realidade;
ser parcimonioso comeando do simples e acrescentar complexidade na medida do

necessrio;
evitar grandes modelos pela dificuldade em entend-los. A regra dividir esses

grandes modelos;
a definio dos dados a serem coletados deve ser orientada pelo modelo. O modelador
no deve se apaixonar pelos dados;
o comportamento do modelador na construo do modelo seria como este estivesse

desembaraando-se dos problemas pois a modelagem de forma alguma um processo
desordenado.
Segundo o PROMODEL USERS GUIDE (2002), a definio dos passos a serem
seguidos para se obter bons resultados em simulao com um mnimo dispndio de recursos
varia muito de acordo com o projeto, porm os procedimentos bsicos so essencialmente os
mesmos. Esses passos bsicos de como conduzir um projeto de simulao so divididos em
seis:
Plano de estudo. Consiste em estabelecer objetivos e definir ferramentas; restries,

principalmente quanto a tempo e custo; especificaes da simulao, que definem
escopo (tamanho e complexidade da atividade a ser simulada), nvel de detalhe e grau
de acuracidade (quanto maior, maior ser o custo), tipo de experimentao (natureza e
nmero de solues diferentes), forma do resultado final, oramento e agenda.
Definindo o sistema. Identificao do modelo conceitual no qual a simulao ser

baseada. Nesse passo h a tomada de dados, e para ajudar a organizar o processo de
juno e anlise desses dados para a definio do sistema os seguintes passos so
indicados: definio dos dados requeridos, fontes apropriada de dados, fazer certas
consideraes quando necessrio, converter os dados apropriadamente e documentar e
aprovar os dados.
Construindo o modelo. O objetivo da construo do modelo prover uma

representao vlida do sistema definido. Refinamento dos dados, possvel expanso
do sistema, verificao e validao do modelo, so alguns passos dessa fase.
Conduo do experimento. Baseado no resultado da simulao o modelador tem uma

resposta sobre a validade de suas hipteses, postas no sistema. Em um experimento de
simulao h a entrada de variveis definindo o modelo, tais variveis so
independentes e podem ser manipuladas. O efeito dessa manipulao ento medido e
correlacionado. Embora o software ajude nessa fase, cabe ao modelador decises do
tipo: nmero de replicaes do teste, o tamanho e complexidade da simulao, etc.
Anlise dos resultados. Quando se faz a conduo de experimentos de simulao, h a

necessidade de extrema cautela para analisar os resultados. O maior benefcio da
simulao dar idias de o que aconteceria se.
Reportando os resultados. O ltimo passo dar recomendaes para melhoramentos

no sistema atual baseado nos resultados da simulao. Tais resultados devem ser
claramente apresentados para a tomada de deciso final.
Como dito no item construindo o modelo, preciso que haja a validao dos dados
gerados pelo simulador com os dados tomados em campo. Segundo SARGENT (2004), a
validao e verificao de um modelo e crtica no desenvolvimento da simulao. Ainda
segundo o autor no existe um conjunto especfico de testes que pode ser facilmente aplicado
para determinar a validade do modelo.
HARREL et al. (1996), diz que um teste que pode ser feito para validao do modelo
a comparao entre as respostas fornecidas pelo modelo e as respostas dadas pelo sistema
real. Outro meio de validao o chamado turing test, onde as respostas dadas pelo modelo e
as respostas que so dadas pelo sistema real so entregues a pessoas que conhecem o sistema,
de modo que estas avaliem a representatividade da realidade.
A Figura 2.6 mostra de forma esquemtica a metodologia citada. Nota-se que caso
no haja sucesso em algum dos passos preciso voltar aos passos anteriores, de modo a se
alcanar um resultado satisfatrio na simulao.
Figura 2.6 Procedimento para se conduzir uma simulao (Adaptado de PROMODEL

USERS GUIDE, 2002).
J LOBO e PORTO (1997) apresentam uma metodologia em dez passos (Figura
2.7), e enfatizam que os resultados obtidos com o estudo s tero qualidade e consistncia se
o trabalho for bem fundamentado, conduzido de uma forma lgica e metdica. A seguir
comentado cada um dos passos da proposta.
Definio do problema e dos objetivos do estudo: neste momento o modelador e o

usurio devero estabelecer um dilogo claro e preciso a respeito do problema e dos
resultados esperados ao final do estudo de simulao. O modelador dever fazer uma
srie de perguntas ao usurio visando entender o funcionamento do sistema na prtica.
Por exemplo: qual ser o propsito do modelo e como ser utilizado?; quais sero as
variveis de entrada e sada?; o sistema existente?; quais sero os usurios do
modelo?; quem far parte da equipe do projeto?; quais os recursos disponibilizados?;
qual o prazo esperado?, entre outras. Tambm nesta fase o modelador dever
esclarecer o usurio sobre as limitaes do estudo;
Esboo: o modelador dever elaborar um esboo do modelo do sistema, visando

realizao dos primeiros estudos sobre o fluxo de informaes, disposio fsica dos
equipamentos, os dados necessrios e de que maneira eles sero coletados e tabulados;
Coleta de dados: dever ser realizada baseando-se no esboo do sistema. Os meios

para obteno dos dados podero variar: se o sistema j existente bastar coletar os
dados histricos do mesmo ou colet-los atravs de medies, para sistemas no
existentes o modelador ter que trabalhar com catlogos de fabricantes, dados de
sistemas similares, entrevistas com operadores e especialistas no processo, etc;
Verificao dos dados: o modelador dever verificar a consistncia dos dados

coletados para evitar que o modelo seja construdo sobre uma base errnea de dados;
Construo do modelo: nesta etapa surge a necessidade da escolha do software a ser

utilizado. O modelador dever levar em considerao a necessidade do modelo e a
interface oferecida pelo pacote de software;
Validao: esta validao poder ser realizada de diversas formas: a mais comum
confrontar os resultados de sada com os dados reais do sistema; tambm pode ser
feita com o uso de tcnicas estatsticas; teste de Turing, onde especialistas no sistema
estudado recebem dois relatrios um com os dados simulados e o outro com os
dados reais do sistema, sem a identificao de qual o real e qual o modelado, e
discutem as diferenas;
Planejamento dos experimentos: no planejamento alguns itens devero ser levados em

considerao: sob quais condies cada simulao ser realizada?; qual a durao de
cada simulao?; quantas replicaes devero ser efetuadas para cada cenrio?; se ser
adotado algum mtodo de planejamento de experimentos como Taguchi;
Realizao dos experimentos: os experimentos planejados no passo anterior sero

executados e analisados, devendo os resultados serem cuidadosamente documentados;
Refinamento: se o resultado for considerado satisfatrio poder seguir para o prximo

passo, caso contrrio dever voltar ao passo sete para replanejar o experimento;
Encerramento: ocorrer o fechamento do projeto com a anlise dos relatrios gerados

e escolha da melhor alternativa a ser implementada. Nesta etapa dever ser gerada,
pelo modelador, e entregue ao usurio a documentao detalhada referente
construo do modelo.
Figura 2.7 Sequncia da metodologia (LOBO e PORTO, 1997).
2.5 Definio da metodologia

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

Para desenvolver ou aplicar sistemas de gerenciamento de processos necessrio
definir e entender os processos e as atividades que os compem. Para VILLELA (2000),
processo uma ordenao especfica das atividades de trabalho no tempo e no espao, com
um comeo e um fim identificados, assim como os inputs e outputs. Segundo o mesmo autor,
os processos seguem uma hierarquia, conforme mostrados na Figura 2.8. Deste modo, o nvel
de detalhamento do trabalho se encaixa em uma destas definies:
Macroprocesso: Processo que envolve mais de uma funo na estrutura

organizacional, e a sua operao tem um impacto significativo no modo como a
organizao funciona;
Processo: Conjunto de atividades sequenciais (conectadas), relacionadas e lgicas que

tomam um input do fornecedor, acrescentam valor e entregam um output para um
cliente;
Subprocessos: Uma parte interelacionada de forma lgica com outro subprocesso,

realizando um objetivo especfico em apoio ao macroprocesso e contribui para o
objetivo deste;
Atividades:
So elementos
do
processo ou
subprocesso. Geralmente so
desempenhadas por uma unidade (pessoa ou departamento) para produzir um

determinado resultado;
Tarefa: Constitui o micro enfoque do processo, podendo ser um nico elemento ou um

subconjunto de uma atividade.
Figura 2.8 Componentes do processo (HARRINGTON, 1993).

ROHLEDER e SILVER (1997) afirmam que o processo de melhoria da organizao
comea pelo entendimento dos processos e, principalmente, das atividades que o compe.
Deste modo, SPEDDING e SUN (1999) afirmam que o conhecimento onde as atividades se
processam importante tanto para alocar recursos quanto para iniciar o processo de melhoria.
Estas atividades podem ser classificadas nas seguintes categorias:
Atividades com nvel de unidade: Desempenhadas a cada vez que uma unidade do
produto produzida;
Atividades com nvel de lote: Atividades desempenhadas cada vez que um lote de
produtos fabricado. O setup de uma mquina exemplo de uma atividade com nvel
de lote;
Atividades com nvel de produtos: Atividades desempenhadas para cada linha de

produtos. Um exemplo seriam as atividades da rea de projeto e marketing dos
produtos.
ACCIOLY (1999) afirma que uma ferramenta de grande importncia para a
compreenso dos processos o mapeamento do processo atravs de fluxograma, porque

permite a visualizao do interelacionamento das atividades da cadeia produtiva.
As tcnicas de fluxograma do processo e mapofluxograma do processo so utilizadas
visando exatamente um melhor planejamento da simulao. Estas tcnicas auxiliam o
modelador a representar da forma mais prxima a real o sistema que ser simulado.
O mapeamento de processo constitui em uma ferramenta gerencial, analtica, que
possibilita melhoria nos processos existentes ou implanta uma nova estrutura voltada para os
processos (VILELLA, 2000). Para ANJARD (1996), o mapeamento de processo consiste em
identificar, documentar, analisar e desenvolver um plano de melhoria que proporcione a
mudana de viso dos gestores de indstrias, ou seja, faa com que diminua o foco nos output
ou produtos e fortalea a gesto dos processos.
ANJARD (1996) afirma que o resultado do mapeamento do processo, geralmente,
uma representao grfica, o qual mostra como os recursos de entrada so processados e
transformados em sadas, destacando-se a relao e a conexo entre cada atividade. VILLELA
(2000) afirma que o mapa de processo pode ser confeccionado manualmente ou com
ferramentas computacionais.
Segundo BARNES (1986), o fluxograma do processo uma tcnica para registrar o
processo de uma maneira compacta e de fcil visualizao e entendimento. Usualmente o
fluxograma inicia-se com a entrada da matria prima na fbrica ou clula e segue o caminho
da fabricao do produto, passando pelas operaes de transformao, transporte e inspeo
at a sua sada como produto acabado.
Os passos para execuo do mapa do processo podem ser definidos nas seguintes
fases:
Definio do processo: Nesta fase deve-se determinar quais processos devem ser
analisados e estabelecer a fronteira de cada um. Trata-se simplesmente de uma anlise
explanatria que busca uma compreenso do funcionamento dos processos e da
realizao das atividades. Nesta fase, j possvel definir alguns objetivos ou metas
para a anlise, tais como reduzir tempo de ciclo de execuo das atividades, melhorar
a qualidade dos produtos que chegam organizao e os que so entregues aos
clientes. Algumas questes que podem guiar a equipe que atua no projeto podem ser:
Quem so os clientes do processo (interno externo ou ambos)?, Quem so os
fornecedores?.
Anlise do processo: Aps estabelecer o processo a ser analisado, a prxima etapa

definir como o processo escolhido trabalha e, principalmente, identificar as
oportunidades de melhoria. O objetivo principal desta fase entender o que ocorre no
processo atual, quem est envolvido e as deficincias encontradas no processo atual.
Nesta fase, elaborado o mapa do processo, o qual mostra a relao entre as
atividades para desenvolver e fabricar o produto. A Tabela 2.2 apresenta smbolos
propostos por BARNES (1977) para elaborao do mapa.
Tabela 2.2 Simbologia proposta por BARNES (1982) para mapeamento.

Quando se aborda a questo de mapear a organizao, uma questo levantada por
FERNANDEZ et al. (2001) o nvel de detalhes da anlise. Segundo o mesmo o autor,
quando se trabalha com um nvel de detalhes muito baixo a anlise fica pobre por falta de
informaes. Por outro lado, um mapa com muitos detalhes se torna complexo, alm de
aumentar o custo de execuo do mapeamento. Experincias tm mostrado que uma relao
entre o nvel de detalhamento do mapeamento e o custo de execuo do mapa do processo
pode ser aproximada como uma funo exponencial.
BARNES (1977) tambm salienta que na execuo do mapa do processo devem-se
escolher pontos definidos para o incio e o trmino do grfico, de modo a se garantir toda a
cobertura do processo no mapa. Alm disso, outra medida importante escolher o objeto a ser
seguido dentro da atividade (se o operador ou uma pea) e no mudar durante a anlise. As
questes que podem auxiliar nesta fase so: Quais so os produtos/servios e informaes
produzidas?; Quais so e quantos so os clientes internos e/ou externos?; Quais so as
perspectivas dos clientes em relao ao resultado do processo?; Quais so os pontos crticos
para o processo?.
Ainda segundo BARNES (1986), mapofluxograma o fluxograma desenhado sobre a
planta do edifcio ou layout para visualizar-se melhor o processo, a Figura 2.9 apresenta um
exemplo da entrada de peas compradas no almoxarifado, com as operaes de recebimento e
inspeo.
Caminho
Escritrio
Balana
Rampa
Bancada
Recepo
Prateleiras
Registro
Inspeo
Figura 2.9 Exemplo de um mapofluxograma (ROSA, 2002).
2.7 Construo do modelo

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

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

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

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

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

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

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

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

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

Em muitas circunstncias, no se tem o sistema a ser modelado, neste caso, segundo
HARREL et al. (1996), o modelador poder recorrer ao auxlio de pessoas que conheam um
sistema similar, ou mesmo dos fornecedores de equipamentos.
normal que os fornecedores de equipamentos possuam dados que possam ajudar na
modelagem. Um fornecedor de torno CNC, por exemplo, pode at mesmo realizar uma
determinada operao para que se obtenham os tempos de troca e operao. Um fornecedor de
fornos de tratamento trmico pode fornecer, atravs dos dados a respeito da pea a ser tratada,
qual o rendimento de uma determinada operao.
A validade nesses casos pode at mesmo ser verificada atravs de outros sistemas
similares existentes, ou mesmo que no se tenha o sistema todo, mas apenas uma parte deste,
a validao atravs da comparao com o sistema real poderia ser feita somente para aquele
determinado mdulo que se tem.
Se a concluso for de que o modelo no vlido, haver necessidade de se rever os
passos anteriores conforme a Figura 2.10. Essa reviso deve ser feita juntamente com o
usurio. O esboo do layout dever ser revisado, tendo em vista se verificar se ele realmente
est correspondendo linha de produo que foi modelada. Poder ter havido incorreo ao se
lanar as distncias percorridas, caminhos percorridos pelos operadores, posio ou sequncia
das mquinas e dados de balanceamento de linha.
Figura 2.10 Reviso do trabalho em caso de no validao.

Deve-se verificar se a coleta de dados foi realizada criteriosamente. Podem no estar
correspondendo ao sistema real. A metodologia de coleta de dados pode no ter sido a mais
correta para aquela determinada mquina ou operao. Se no houve simplificaes
exageradas, de modo que tempos importantes tenham sido esquecidos.
Mesmo que o programa esteja rodando bem, ou seja, foi verificado, isto no quer dizer
que todas as variveis deram entrada no programa de maneira correta, em consequncia
devem ser verificadas novamente, principalmente quanto s distribuies de probabilidades
que esto associadas a cada um dos conjuntos de dados que foram coletados.
2.9 Consideraes finais

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

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

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

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

Os AGs so as tcnicas mais estudadas e difundidas de Algoritmos Evolutivos graas
a sua flexibilidade, relativa simplicidade de implementao e eficcia em realizar busca global
em ambientes adversos (TANOMARU, 1995). Outra vantagem no uso dos AGs que estes
no necessitam de uma funo objetivo matematicamente explcita para realizar a busca pela
soluo do problema (SILVA, 2002).
Sua flexibilidade possibilita aplicaes em reas to distintas tais como: engenharias,
desenho industrial, pesquisa operacional, computao, bioqumica e biologia, composio
musical, e cincias sociais (LOPES, 1999).
3.4.1 Funcionamento
De maneira similar teoria da evoluo, os AGs manipulam uma populao de pontos
na superfcie de resposta (indivduos), ou seja, possveis solues para um problema proposto,
de tal modo que as piores solues desaparecem enquanto que as melhores continuam a
evoluir na busca da soluo tima, explorando simultaneamente diversas reas da superfcie
de resposta (TANOMARU, 1995). Os passos so:
O primeiro passo para a aplicao de um AG definir a representao da populao.
O passo seguinte a gerao da populao inicial. Normalmente a populao inicial

formada por um conjunto aleatrio de indivduos, em alguns casos se utiliza alguma
tcnica heurstica para definir os indivduos, ou o uso conjunto de ambas as tcnicas
(TANOMARU, 1995).
A seguir feita a manipulao da populao de respostas, tal manipulao tem como

objetivo a criao de novos indivduos com maior adaptabilidade atravs das geraes,
utilizando para isso os operadores genticos. Os operadores so (em ordem de
aplicao): seleo, cruzamento e mutao.
Seleo
A idia principal deste operador oferecer aos melhores indivduos da populao
corrente preferncia para o processo de reproduo, permitindo que estes indivduos passem
suas caractersticas s prximas geraes. O processo de seleo geralmente causa um
aumento mdio no valor de adaptao dos indivduos da populao a cada gerao.
Entre os mtodos de seleo encontra-se o mtodo da Roleta, a Amostragem Universal
Estocstica, Seleo Elitista, Seleo Baseada na Posio, Seleo por Torneio, Seleo
Estado Estvel, Seleo por Truncatura e Seleo local (SIMES, 1999).
Cruzamento
O operador de cruzamento (crossover ou recombinao) cria novos indivduos atravs
da combinao de dois ou mais indivduos. A idia intuitiva por trs deste operador a troca
de informao entre diferentes solues candidatas.
Geralmente dois indivduos progenitores so escolhidos da populao, por um mtodo
aleatrio com probabilidade definida por uma taxa de cruzamento (TANOMARU, 1995),
para produzir dois novos indivduos.
Mutao
O operador de mutao usado nos AGs tem o objetivo de alterar aleatoriamente a
caracterstica de um individuo, atravs da mudana do valor de um gene. Uma vez que as
caractersticas dos descendentes so limitadas constituio de seus ancestrais, a
mutao possibilita o aparecimento de indivduos com caractersticas at ento no
identificadas (CUNHA e PINTO, 2001). Esta alterao garante que a probabilidade de chegar
a qualquer ponto da superfcie de resposta nunca seja zero, alm de contornar o problema de
timos locais.
Parmetros
Os AGs dependem essencialmente de um conjunto de parmetros que devem ser
definidos. Os principais parmetros so (TAVARES, 2000):
Taxa de Cruzamento: definida como a medida da possibilidade de aplicao do

operador de cruzamento a um dado par de indivduos. Os valores tpicos para esta taxa
situam-se no intervalo de 0,6 a 1,0.
Taxa de Mutao: uma medida da taxa de ocorrncia da operao mutao sobre um

dado cromossomo.
Taxa de Substituio: define que proporo de indivduos da populao ser

substituda em cada gerao.
Critrio de parada: depende do problema e do esforo computacional exigido. Em face

do tempo e dos recursos disponveis, necessrio definir qual a qualidade da soluo
desejada.
Segundo CUNHA e PINTO (2001), no existem parmetros timos para os
operadores genticos, eles so especficos para cada problema e cada esquema de

codificao, no podendo ser adotados de forma genrica, uma vez que comprometem o
desempenho global do algoritmo.

Este captulo se iniciou buscando apresentar o conceito e alguns mtodos de
otimizao, passando pelos Algoritmos Evolutivos e se focando nos Algoritmos Genticos.
Atravs da reviso bibliogrfica pde-se verificar que este um mtodo bastante flexvel e
por isso indicado para o uso conjunto com simulao, o que tem se tornado bastante
difundida.
Capitulo 4 Otimizao + Simulao__________________________________________43
4 Otimizao + Simulao
Este captulo busca apresentar a integrao entre simulao e otimizao, apresentados
nos dois ltimos captulos, seu funcionamento e metodologia de execuo. mostrado ainda
o funcionamento do SimRunner, incorporado ao pacote de simulao ProModel, o qual
utilizado no estudo.
4.2 Introduo
Com a utilizao da simulao computacional possvel prever e visualizar as
consequncias no modelo proporcionadas por determinadas variveis em, por exemplo, uma
linha de manufatura. Porm, no possvel dizer se tais valores so os timos para, por
exemplo, a maximizao da produtividade da linha.
Mtodos de tentativa e erro so muito cansativos, demorados e, alm disso, o resultado
encontrado pode no representar o timo. Esta limitao superada com a integrao dos
softwares de simulao com os de otimizao. Ainda segundo FU (2002) at a ultima dcada,
simulao e otimizao eram mantidas separadamente na prtica. Atualmente essa integrao
tem se mostrado bastante difundida, principalmente pelo fato de alguns pacotes de simulao
inclurem rotinas de otimizao. A Tabela 4.1 apresenta alguns softwares de otimizao, os
pacotes de simulao que esto includos e as tcnicas de otimizao utilizadas.
Software de otimizao
Pacote de simulao
Tcnica de otimizao
AutoStat
AutoMod
OptQuest
Arena, Crystal Ball, etc.
Busca Scatter e tabu e redes neurais
OPTIMIZ
SIMUL8
Redes neurais
SimRunner
ProModel
Optimizer
WITNESS
Algoritmos evolutivos e algoritmos

genticos
Algoritmos evolutivos e algoritmos

genticos
Simulated anneling e busca tabu
Tabela 4.1 Software de otimizao (Adaptado de FU, 2002).
4.3 Funcionamento
Para FU (2002), na interao entre simulao e otimizao, a ltima deve ser vista
como uma ferramenta complementar simulao. Neste processo, a otimizao fornece as
variveis de uma possvel soluo (inputs) simulao; esta, aps todo o processo de
simulao, fornece respostas (outputs) para a situao proposta, que retornam otimizao. A
otimizao gera novas variveis, utilizando tcnicas de otimizao especficas, que sero
novamente testadas pela simulao. Este ciclo, representado na Figura 4.1, repetido at sua
parada, definida de acordo com o mtodo de otimizao utilizado. Quando o mtodo de
otimizao baseado em Algoritmos Genticos, para cada possvel soluo efetuada uma
tentativa, ou seja, um ciclo.
Figura 4.1 Otimizao em simulao (FU, 2002).

A grande limitao para o uso da otimizao em simulao o nmero de variveis,
sendo seu desempenho reduzido enormemente diante de um modelo com alto nmero de
variveis a serem manipuladas pela otimizao.
4.4 Metodologia para simulao + otimizao

No h uma metodologia simples ou padro para otimizar um sistema onde os dados
so baseados em experimentos conduzidos com um modelo de simulao. A grande parte das
metodologias foca em um processo de busca que envolve mltiplas rodadas de simulao
(DIAZ e PREZ, 2000).
Em geral, metodologias de otimizao em simulao partem de um modelo j
existente e validado. O primeiro passo a definio das variveis de deciso, ou seja, as
variveis que afetam o objetivo final do problema. Aps isso, define-se a funo objetivo, que

pode ser a maximizao ou minimizao de uma funo pr-definida. o resultado desta
funo que ser avaliado pelos algoritmos de otimizao na busca de um valor timo. O
prximo passo a definio das restries do problema seguido do estabelecimento de alguns
parmetros, como: nmero de replicaes, preciso e critrio de parada. Uma metodologia
mais especfica para o uso do SimRunner proposta por HARREL et al. (2000). Segundo
ele, aps a construo de um modelo eficiente e validado, deve-se executar alguns passos para
uma otimizao bem sucedida; estes passos so os seguintes:
Definir as variveis que afetaro as respostas do modelo e que sero testadas pelo
algoritmo de otimizao. So estas variveis que tero o valor alterado a cada rodada
de simulao;
Definir o tipo de varivel (real ou inteira) e limites inferiores e superiores. Durante a

busca, o algoritmo de otimizao gerar solues respeitando o tipo das variveis e
seus limites. O nmero de variveis de deciso e a gama de valores possveis afetam o
tamanho do espao de busca, alterando a dificuldade e o tempo consumido para
identificar a soluo tima. por isso que se recomenda que somente as variveis que
afetem significativamente o modelo sejam usadas;
Definir a funo objetivo para avaliar as solues testadas pelo algoritmo. Na verdade,
a funo objetivo j poderia ter sido estabelecida durante a fase de projeto do estudo
de simulao. Esta funo pode ser construda tendo por base peas (entities),
equipamentos (locations), operrios (resources) entre outros, buscando minimizar,
maximizar ou fazer uso de ambos em diferentes variveis, dando inclusive pesos
diferentes para compor a funo objetivo;
Selecionar o tamanho da populao do Algoritmo Evolutivo. O tamanho da populao

de solues usado para conduzir o estudo afeta a confiabilidade e o tempo requerido
para a conduo da busca, assim, necessrio que haja um equilbrio entre o tempo
requerido e o resultado esperado da otimizao. Nesta fase tambm importante
definir outros parmetros como: preciso requerida, nvel de significncia e nmero de
replicaes;
Aps a concluso da busca, um analista deve estudar as solues encontradas, uma vez
que, alm da soluo tima, o algoritmo encontra vrias outras solues competitivas.
Uma boa prtica comparar todas as solues tendo como base a funo objetivo.

Mesmo seguindo metodologias para a execuo da otimizao em simulao, alguns
fatores afetam diretamente o desempenho da busca, entre eles: preciso do modelo, nmero de
variveis, complexidade da funo objetivo, valores iniciais das variveis e seus limites
(OPTQUEST FOR ARENA USERS GUIDE, 2002).

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

O estudo desenvolvido em uma das empresas de um grupo de capital nacional no
setor de autopeas. Dentre os produtos fabricados pelo grupo, pode-se destacar: vages de
trem, travessas, suportes, chassis, eixos, rodas e longarinas. Este grupo possui trs unidades
no Brasil e aproximadamente nove mil funcionrios. A empresa do grupo que alvo do
estudo atua na rea de produtos estruturais e possui trs mil e quinhentos funcionrios. Em
fase de expanso, uma nova linha ser construda para a produo de longarinas atravs de um
processo diferente do atual.
A longarina, ou viga com perfil U, pode ser produzida atravs do mtodo
convencional, com prensas e ferramentas ou atravs do processo chamado roll form (RF). No
processo convencional de produo so utilizadas matrizes, que chegam a pesar setenta
toneladas, e prensas com capacidades superiores a trs mil toneladas. No processo RF a
longarina feita atravs de um processo contnuo de dobra atravs de rolos. O processo RF
possui algumas vantagens e desvantagens, conforme Tabela 5.1.
Vantagens
Desvantagens
Baixo custo de investimento
Baixa produtividade
Alta flexibilidade
Produz somente longarinas com perfil reto
Baixo tempo de setup
Maior custo de produo
Tabela 5.1 Vantagens e desvantagens do processo RF comparados ao processo em prensa.
A longarina o componente estrutural de maior importncia na linha de montagem de
chassis de caminhes e nibus, apesar de no ser a de maior custo para a montadora. Sua
funo suportar todos os demais componentes da montagem do veculo. Sem a longarina
impossvel iniciar a montagem do veculo.
A Figura 5.1 mostra a ilustrao de uma longarina.
Longarinas
Figura 5.1 Produto fabricado pela empresa e sua localizao no veculo.

Todas as longarinas fabricadas pelo processo RF possuem basicamente as mesmas
caractersticas conforme mostrado na Figura 5.2.
Figura 5.2 Principais caractersticas das longarinas.

As diferenas entre as longarinas ficam por conta dos seguintes aspectos:
Quantidade, tamanho e posio de furos;
Altura das abas;
Largura do perfil;
Comprimento;
Quantidade, tamanho e posio dos recortes.

Como objeto de estudo desta dissertao foi escolhida a linha de manufatura de
longarinas RF. Esta deciso tem como base os seguintes aspectos:
por ser um novo processo de produo, para o qual no h experincia na empresa, a

simulao pode ser uma excelente ferramenta para estudos de previso;
pela importncia da linha na estratgia da empresa de obteno de novos mercados;
pelo alto valor do investimento em equipamentos;
pela necessidade da empresa em definir a necessidade ou no dos estoques

intermedirios, suas reas e as melhores utilizaes de recursos para a formao de
preos.
5.3 Esboo do problema e coleta de dados

A linha de manufatura de longarinas RF idealizada com o layout em srie, contando
com sete operadores de mquina, dois inspetores e quatro mquinas principais.
Para execuo do mapa do processo o passo inicial a criao do mapofluxograma, o
qual fornece uma viso geral das atividades se desenvolvendo nos diferentes equipamentos
facilitando a validao do modelo.
Para tal foi estruturada uma equipe de cinco especialistas da empresa, que atuam
diretamente na nova linha de produo, com os seguintes objetivos:
definir o fluxo geral da linha;
detalhar as atividades e criar o mapofluxograma;
definir os tempos de cada processo e criar o mapa do processo.
Fluxo geral
A nova linha de produo recebe quatro equipamentos principais: RF, puncionadeira,
rob para corte a plasma e a dobradeira (Anexo 2):
O RF o equipamento que transforma uma chapa de ao em uma viga U;
A puncionadeira, como o prprio nome diz, executa a furao em todo o comprimento

da viga U;
O rob de corte realiza pequenos recortes permitindo a passagem de eixos e outros

componentes do veculo;
A dobradeira executa a chamada rampa que em alguns veculos necessria para a

acomodao do motor.
Foi definido pela equipe que todos os equipamentos, com exceo da dobradeira, so
fundamentais para a produo de longarinas, ou seja, todo e qualquer produto a ser produzido
deve obrigatoriamente passar pelos trs primeiros processos. J a dobradeira utilizada por
apenas 10% do total produzido.
Atividades e o mapofluxograma
Depois de concludo o fluxo geral de processo foram definidas as atividades de
inspeo, operao, transporte, espera e armazenamento. Com estas informaes foi possvel
montar o mapofluxograma do processo da linha de manufatura de longarinas roll form,
representado na Figura 5.3.
Capitulo 5 Aplicao________________________________________________________________________________________________52
Figura 5.3 Mapofluxograma da linha de manufatura roll form
Tempos e o mapa do processo

O mapofluxograma fornece a viso geral dos processos. Contudo, necessrio um
detalhamento maior dos processos para compreender o que ocorre em cada etapa da
manufatura.
Para a linha de manufatura de longarinas RF procurou-se mensurar todas as atividades
atravs do tempo de realizao. As informaes de tempo de processo de cada equipamento
bem como seus tempos de setup foram baseados nas propostas comerciais dos fabricantes.
Isto foi necessrio pois trata-se de equipamentos novos que no possuem histrico conhecido.
J a quantidade de mo de obra e layout foram retiradas do plano de viabilidade tcnica e
econmica feita pela engenharia de desenvolvimento da empresa. A informaes de tempo de
movimentao da mo de obra, talha manual, talha automtica, esteiras motorizadas e ponte
rolante foram cronometradas na atual linha de prensas para produo de longarinas, por serem
estas atividades usualmente utilizadas pela empresa.
Para a cronometragem dos tempos primeiramente foi definido o nmero necessrio de
ciclos de coleta para um grau de confiana de 95%(z = 1,96) e uma preciso de 10% (a)
atravs da seguinte formula:
100 z s
n=
ax
sendo:
n = nmero de ciclos;
z = grau de confiana;
s = desvio padro da amostra;
a = preciso desejada;
x = mdia da amostra.
Para isso foram tomados cinco tempos e calculadas a sua mdia (x) e desvio padro
(s).
Para cada atividade foi calculado um nmero de ciclos, porm, para este estudo foi
utilizado o nmero de ciclos apresentado pela atividade de maior coeficiente de variao (s/x),
no caso igual a 30, para facilitar a coleta de dados.
Aps coletados os 30 tempos de cada atividade foram calculadas as suas mdias que
podem ser vistas na Figura 5.4.
Alm disso, foi definido que os tempos de processo e os tempos de setup dos variados
produtos so praticamente os mesmos, podendo ento ser considerado somente um tempo de
processo para todos os produtos. A Figura 5.4 mostra o mapa do processo da linha de
manufatura de longarinas RF.
Figura 5.4 Mapa do processo da linha de manufatura de longarinas RF.
Os blanks, nome dado chapa de ao j previamente cortada em tiras de
aproximadamente dez metros, so a matria prima inicial desta linha. Eles chegam em pacotes
de aproximadamente trinta peas em caminhes e so armazenadas no estoque de matria
prima. As etapas seguintes so:
Na primeira etapa, dois operadores utilizando uma ponte rolante abastecem o RF que
tem a capacidade de armazenar at trs pacotes em sua entrada. Neste momento o
equipamento atua automaticamente, at o desabastecimento do que se chama viga
U. Novamente dois operadores utilizando uma ponte rolante movimentam uma
embalagem contendo trinta vigas para o estoque intermedirio antes da segunda
mquina ou diretamente para o ponto de alimentao do segundo equipamento, a
puncionadeira.
Nesta segunda etapa, um operador responsvel pelo abastecimento do equipamento,

utilizando para isso um talha manual. Este equipamento realiza toda a furao na viga
U automaticamente. A sada deste equipamento para a entrada na mquina de corte
a plasma, feita automaticamente. Uma vez automaticamente posicionada, o corte
realizado e a pea retirada por um operador utilizando uma talha manual.
Depois desta etapa, mais uma vez dois operadores utilizando uma ponte rolante levam
uma embalagem de trinta longarinas para o estoque final ou, caso o produto necessite,
para a entrada da mquina de dobrar. Um operador alimenta o equipamento, opera a
mquina e retira para uma embalagem vazia. Depois de concluda a operao esta
nova embalagem retorna para o estoque, sendo movimentada por dois operadores e
uma ponte rolante.
Os operadores desta linha so responsveis pelos setups das mquinas bem como por
toda a movimentao das peas. Cabe ressaltar que esta uma linha com um alto nvel de
automatizao dos equipamentos, onde no existe quase nenhuma necessidade de interveno
dos operadores.
5.4 Simulao do sistema

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

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

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

Para a modelagem de sistemas existem diversos softwares. Na construo do modelo
da linha de manufatura de longarinas RF, o software escolhido foi o ProModel. A deciso
em adotar o ProModel partiu do fato de que ele utilizado na disciplina de Simulao no
curso de mestrado em engenharia de produo da UNIFEI, o que garante certa familiaridade
em relao s ferramentas do software. Alm disto o software da ProModel possui uma
excelente interface grfica, facilitando a validao do modelo e a anlise dos dados simulados.
A Figura 5.5 mostra a tela de abertura do ProModel.
Figura 5.5 Tela de abertura do ProModel.

Para a construo de um modelo, o ProModel apresenta os seguintes elementos:
locations, entities, resources, processing e arrivals, encontrados no menu build do software.
Apresenta ainda outros elementos auxiliares como: shifts para definio de turnos de trabalho,
variables para ajudar na construo da rotina do modelo e macros que sero utilizadas na fase
de experimentao.
Locations: Representam os lugares fixos do sistema, onde se realizam os processos; so
usadas para representar elementos como: workstations, buffers, conveyors e queues. Neste
elemento pode-se definir: capacidade, unidades (simples ou mltiplas), setups, manuteno,
nvel de detalhamento estatstico, alm de regras de chegada e sada de matria. A Figura 5.6
exibe a tela do programa na edio das locations do caso estudado, representada pelas
mquinas e volantes.
Figura 5.6 Definio de locations

Entities: As entities so os itens a serem processados pelo sistema, podendo ser: matriaprima, produtos, pallets, pessoas ou documentos. As entities possuem velocidades definidas e
podem ser agrupadas ou divididas ao longo do processo produtivo, se movimentando de uma
location para outra utilizando uma rota definida ou uma rede de trabalho. A Figura 5.7 exibe
uma tela do programa com algumas entities, neste caso os vrios tipos de anis.
Figura 5.7 Definio de entities

Arrivals: Define a entrada das entities dentro do modelo. Podendo ser definidas as
quantidades, freqncia e perodos de chegada, bem com a lgica de chegada. Pode-se
tambm definir as chegadas atravs de um arquivo externo de chegada de peas referenciado
no File Editor. A Figura 5.8 apresenta uma tela com algumas das arrivals do problema.
Figura 5.8 Definio de arrivals

Processing: Consiste em uma tabela onde so definidas as operaes de cada entity em cada
location e o resource necessrio para estas operaes, e uma tabela de rotas que define o
destino e a movimentao de cada entity, bem como o modo como se d essa movimentao e
o resource necessrio. A Figura 5.9 apresenta a utilizao do menu processing para o caso
estudado.
Figura 5.9 Definio de processing

Resource: So os elementos usados para transportar entities, executar operaes, realizar
manuteno sobre as locations ou outros. Estes elementos podem ser: pessoas ou
equipamentos. Um sistema pode ter um ou mais resources, sendo dotado de movimento ou
no. Contudo, para cada resource deve ter designado uma path network, ou seja, um percurso
na qual a movimentao se dar. A Figura 5.10 mostra as resources para a clula analisada.
Figura 5.10 Definio de resources

Uma etapa anterior definio dos elementos descritos acima foi a insero de
elementos grficos externos no ProModel. Optou-se por utilizar o layout desenvolvido pela
prpria empresa como fundo da simulao, alm de outros elementos grficos no s por
tornar o modelo mais atraente mas principalmente para facilitar seu entendimento reduzindo
assim o tempo necessrio para a validao.
O ProModel permite ainda que um arquivo texto seja gerado com toda a
programao da simulao. Esta programao feita no ProModel mostrada no Anexo 1.
5.4.4 Validao do modelo

Na modelagem da linha de manufatura de longarinas RF, a preocupao de que o
modelo refletisse o sistema real norteou o processo de construo do incio ao fim. Portanto,
j na fase de mapeamento do processo, procurou-se envolver as pessoas que tinham
conhecimento do processo produtivo para no s fornecerem as informaes, mas para avaliar
a modelagem do sistema, seja atravs do mapeamento do processo ou do software de
simulao. Alm disso, a animao que pode ser visualizada no software facilitou a anlise e a
discusso por toda equipe do correto funcionamento e modelagem do sistema real.
Buscou-se validar o modelo atravs da comparao dos resultados esperados pela
equipe de engenharia da empresa com os resultados do modelo simulado utilizando o turing
test.
importante ressaltar que para chegar ao modelo definitivo utilizado neste trabalho
nove modelos foram criados. Optou-se por iniciar a construo do primeiro modelo na sua
forma mais simples e a cada novo modelo uma nova complexidade foi adicionada. Desta
forma a validao do modelo final foi muito mais simples. A Tabela 5.2 demonstra as
principais modificaes entre os modelos construdos at o modelo definitivo.
Modelo
Modelo 1
Modelo 2
Modelo 3
Modelo 4
Modelo 5
Modelo 6
Modelo 7
Modelo 8
Modelo 9
Itens acrescentados
Locations
Entitie longarina
Arrivals
Processing basico (caminho da entitie)
Processing avanado
Entitie fardo de longarina
Resources movimentao
Path netword dos sistemas de movimentao
Resources operadores
Path netword dos operadores
Processing (interao dos operadores e da movimentao)
Variables
Macros
Modelo final validado
Tabela 5.2 Etapas de construo at o modelo final.

Os dados de entrada utilizados na simulao da linha de manufatura foram os
seguintes:
O modelo foi simulado por um perodo de vinte e quatro horas (trs turnos);
O equipamento RF operando em somente um turno e os demais em trs turnos;
Para que a simulao representasse a linha j em ciclo foi considerada uma entrada
direta de um rack com trinta longarinas na puncionadeira;
Existem na linha sete operadores/carregadores e dois inspetores;
Entre a sada da puncionadeira e a entrada do corte no existe buffer.

Aps a primeira simulao pode-se verificar que o nmero de produtos acabados na
simulao chega a ser 19% menor que o planejado (Tabela 5.3).
Nmero operadores
Nmero inspetores
Tamanho do buffer
Roll formadas
Estoque intermedirio
Puncionadas
Produo total
Planejado
(1 Turno no RF)
7
2
1
280
100
260
260
Simulado
(1 Turno no RF)
7
2
1
229
90
210
210
Variao
18%
10%
19%
19%
Tabela 5.3 Comparao entre produtividade planejada e simulada.

Porm foi observado junto aos engenheiros responsveis pelo planejamento da linha
que eles haviam esquecido de considerar os tempos de parada para inspeo do produto no
planejamento realizado, sendo estes somente considerados na simulao.
Os tempos de parada para inspeo so consideravelmente altos, pois em um primeiro
momento ser feita manualmente, chegando a 20 % do total do tempo disponvel para
produo no equipamento RF (fatia bloqueada), conforme Figura 5.11.
Figura 5.11 Percentual de utilizao da capacidade dos equipamentos.

Para comprovar e validar o modelo, foram retirados os tempos de inspeo e um novo
modelo foi simulado. Estes novos resultados vieram a confirmar o erro no planejamento da
linha e a validar o modelo simulado, conforme Tabela 5.4.
Ficou definido, no entanto, que o modelo a ser simulado deve manter os tempos de
inspeo para que os resultados se aproximem o mximo possvel da realidade.
Nmero operadores
Nmero inspetores
Tamanho do buffer
Roll formadas
Puncionadas
Produo total
Planejado
(1 Turno no RF)
7
2
1
280
100
260
260
Simulado
(1 Turno no RF)
7
2
1
280
150
270
270
Variao
0%
50%
4%
4%
Tabela 5.4 Comparao entre produtividade planejada e simulada (sem inspeo)
5.5 Otimizao
Esta etapa do estudo busca aumentar a eficincia no consumo de recursos da clula
atravs do software SimRunner, que usa Algoritmos Evolutivos como mtodo de
otimizao. Como na simulao, a realizao de uma otimizao segue uma metodologia.
Buscando a maior produtividade da linha, sero construdos trs cenrios distintos para a
simulao, onde o equipamento RF ira funcionar em um turno, dois turnos e trs turnos.
5.5.1 Definio das variveis

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

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

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

O tamanho da populao de solues afeta a confiabilidade e o tempo necessrio para
a conduo de uma busca, assim necessrio um equilbrio entre o tempo requerido e o
resultado esperado.
No SimRunner a seleo do tamanho da populao feita atravs da opo setup,
onde possvel escolher trs tamanhos diferentes: aggressive, tem uma populao pequena o
que permite convergir para uma soluo mais rapidamente, porm a confiabilidade de tal
soluo menor; moderate, apresenta um equilbrio entre o tempo de processamento e
confiabilidade da resposta; cautions, tem uma grande populao, o que implica em maiores
tempos de processamento. Neste estudo foi utilizada a opo cautions, pois mesmo com uma
grande populao esta otimizao apresentou um tempo de aproximadamente quinze minutos,
considerado baixo.
A janela para a escolha do tamanho da populao do algoritmo apresentada na
Figura 5.15.
Figura 5.15 Definio do tamanho da populao

Nesta fase ainda se define a preciso requerida na resposta do problema, o nvel de
significncia e nmero de replicaes. A preciso requerida neste problema foi de um, uma
vez que a resposta ser dada em centenas. O nvel de significncia adotado foi o nvel padro
do software, 95% conforme pode ser visto na Figura 5.16. J para o nmero de replicaes,
adotou-se o mesmo utilizado na fase de simulao, ou seja, somente uma replicao (Figura
5.17).
Figura 5.16 Definio do nvel de confiana
Figura 5.17 Definio do nmero de replicaes
5.5.5 Anlise dos resultados

O ltimo passo da metodologia para o estudo de otimizao a anlise dos dados
obtidos atravs da busca efetuada pelo algoritmo otimizante. Assim, para a primeira
otimizao utilizando o modelo onde o equipamento RF funciona em somente um turno, aps
quarenta e trs experimentos o software convergiu para o seguinte resultado: um inspetor,
dois operadores/carregadores e com um buffer para uma longarina conforme Figura 5.18.
Figura 5.18 Relatrio exibido pelo SimRunner (1 turno).
Aps a execuo da otimizao repetiu-se a simulao, agora com os valores
encontrados na otimizao, de modo a fazer uma anlise dos resultados antes e aps a
otimizao. Conforme se pode verificar na Figura 5.19 o tempo mdio em uso dos
operadores e inspetores aumentou, pois ao reduzir a sua quantidade tambm reduziu-se o
tempo ocioso mdio.
Figura 5.19 Comparativo dos tempos de operadores antes e aps otimizao.

Apesar da reduo no nmero de operadores e inspetores e do melhor aproveitamento
dos seus tempos, a linha continuou com a mesma produtividade (Figura 5.20), sendo a
quantidade de peas produzidas nos dois casos, igual a duzentos e dez. J o estoque
intermedirio aumenta em trinta unidades, devido indisponibilidade de operadores para a
movimentao. Entretanto isto no prejudicou a produtividade.
Figura 5.20 Comparativo dos nmeros de produo antes e aps otimizao

O objetivo agora definir qual regime de trabalho do equipamento RF proporciona o
maior nmero de peas produzidas. Para isso foi executada a otimizao por duas vezes,
alterando somente o regime de trabalho do RF. Pode-se observar na Tabela 5.5 os resultados
obtidos nas otimizaes para um, dois e trs turnos.
Nmero operadores
Nmero inspetores
Tamanho do buffer
Roll formadas
Puncionadas
Produo total
Planejado
(1 Turno no RF)
7
2
1
280
100
260
260
Simulado
(1 Turno no RF)
7
2
1
229
90
210
210
Otimizado
(1 Turno no RF)
2
1
1
225
120
210
210
Otimizado
(2 turnos no RF)
3
2
4
392
180
278
270
Otimizado
(3 turnos no RF)
3
2
4
533
240
278
270
Tabela 5.5 Comparativo dos resultados finais otimizados.

Abaixo se pode ver algumas observaes e concluses:
Os regimes de dois e trs turnos possuem a mesma capacidade total de produo de

duzentas e setenta longarinas;
Da mesma forma a quantidade de longarinas puncionadas a mesma nas duas opes,

dois ou trs turnos. importante dizer que nem sempre o total de longarinas
produzidas igual ao total de longarinas puncionadas, pois algumas longarinas podem
estar em transporte ao final da simulao e somente as longarinas j no estoque so
consideradas como produto final neste modelo;
O regime de dois turnos necessita de 25% menos espao para o estoque intermedirio
com relao ao regime de trs turnos;
Da mesma forma o nmero de vigas U produzidas pelo RF 25% menor no regime

de dois turnos. Vale lembrar que a operao de puncionamento o gargalo da linha e
j est trabalhando em trs turnos, portanto este excedente de estoque intermedirio
gerado por dia dever ser consumido trabalhando com a puncionadeira sete dias por
semana e o RF somente cinco dias.
Por ltimo, o regime de dois turnos leva vantagem quanto quantidade de mo de

obra, j que o equipamento RF no opera no terceiro turno.
Com isto pode-se concluir que o regime de trabalho mais vantajoso o de dois turnos,
pois apesar de ambos os regimes terem capacidades finais iguais, outros fatores como mo de
obra, rea para estoque e estoque excedente so determinantes para a escolha.
5.6 Implementao
Os resultados obtidos na otimizao no proporcionaram reduo de custos imediatos,
pois a linha ainda se encontra em fase de projeto e instalao. Porm, to ou mais importante
que isto a indicao de que os custos de mo de obra sero aproximadamente 45% menores
e que o e a produtividade ser 4% maior do foi planejado pelos engenheiros da empresa.
Considerando ainda que a produtividade planejada no seja vivel, como mostrado na Tabela
5.4, pode-se concluir que a produtividade da linha ser 22% maior, o que representa uma
produo de aproximadamente 16.000 longarinas a mais que o previsto.
Utilizando estes novos valores, a empresa recalculou os custos da nova linha e
segundo informaes da rea comercial da empresa, esta nova base de custos mudar as
condies de preos dos produtos produzidos por ela, tornando a linha mais competitiva no
mercado. Vale dizer que a reduo dos custos e a maior produtividade da linha no so
consequncias de novos equipamentos, reorganizao do ou qualquer outro tipo de
investimento, mas sim de uma correo dos valores utilizados anteriormente, os quais so
agora baseados em estudos mais precisos por consequncia da utilizao da simulao e da
otimizao computacional.
Cabe ainda ressaltar que os resultados obtidos neste trabalho fizeram com que a
empresa repensasse a forma com que as anlises tcnicas de novos investimentos so feitos.
A possibilidade de se obter resultados mais precisos em suas anlises fez com que a
empresa iniciasse um estudo de viabilidade para a compra do software utilizado.

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

A simulao computacional mostrou ser uma ferramenta extremamente eficaz para a
previso de resultados onde ainda no possvel obter dados reais. Porm, ficou evidente
durante o estudo que, por no ser algo trivial, so necessrias pessoas bem treinadas e
capacitadas para que os resultados sejam satisfatrios.
Atravs da simulao pode-se verificar alguns erros no planejamento da nova linha
cometidos pelos especialistas da empresa sendo o mais grave deles o esquecimento das
operaes de inspeo. Tal fato somente pode ser identificado comparando os dados da
empresa com os resultados da simulao. Os tcnicos da empresa previram uma capacidade
20% maior do que seria possvel em um regime de um turno. Alm disso, o uso da
otimizao, atravs do software SimRunner, possibilitou as seguintes melhorias e respostas:
Reduzir em trs vezes o nmero de operadores planejados mantendo a produtividade

da linha;
Definir a quantidade de estoque intermedirio e consequentemente o tamanho da sua

rea;
Conhecer a produtividade da linha para os trs diferentes regimes de turno;
Fazer a melhor escolha entre os trs regimes de turno, considerando o tamanho dos
estoques, a produtividade e o nmero necessrio de operadores.
importante ressaltar que seria praticamente impossvel chegar a estas concluses
com a velocidade e a preciso que a simulao e a otimizao nos oferecem.
Porm a maior contribuio deste trabalho foi a possibilidade de simular e otimizar
uma linha que ainda no existe na prtica por se tratar ainda de um projeto.
Segue abaixo outros benefcios do estudo:
A preciso dos dados utilizados nos estudos proporcionados pelo mapeamento do

processo e pela validao do modelo melhorou os resultados obtidos nas anlises;
A visualizao da linha de forma dinmica facilita o entendimento do processo e ajuda

a identificar problemas de layout e fluxo;
A preciso dos resultados obtidos auxilia a melhorar a qualidade de todos os outros

estudos quem se utilizam deles;
A possibilidade de alterar qualquer varivel do modelo e em pouco tempo poder

analisar os resultados;
Sabe-se o quanto importante para uma empresa que um projeto acontea conforme
planejado, pois os estudos de viabilidade econmica e at mesmo os compromissos de

produo dependem deste acerto. A aplicao da simulao junto otimizao na fase de
planejamento do projeto auxilia na reduo de graves erros de projeto, como o que j foi
destacado anteriormente. Esta reduo beneficia a empresa no momento da implantao do
projeto reduzindo o tempo necessrio para o bom e correto funcionamento da linha,
eliminando assim os desperdcios de tempo com testes prticos que podem ser substitudos
por anlises ainda na fase de projeto atravs das ferramentas utilizadas neste estudo.
6.3 Sugestes para trabalhos futuros

Como sugestes para futuros trabalhos, dando sequncia a este, prope-se:
Realizar nova simulao da linha de manufatura aprimorando o modelo com tempos

de parada para manuteno e alterando os sistemas de movimentao;
Aps a construo da linha, refazer as simulaes utilizando dados estocsticos e

compar-los com os resultados deste trabalho;
A partir da incluso de um novo equipamento de puncionamento verificar qual seria o

novo gargalo da linha, analisando os novos volumes de produo;
Aplicar as tcnicas de custeio ABC em novos experimentos com o modelo.

O presente trabalho aplicou as tcnicas de simulao e otimizao em uma linha de
manufatura na fase de projeto. O desenvolvimento deste trabalho mostrou que a aplicao das
tcnicas de simulao e otimizao em uma linha de manufatura no uma tarefa trivial e
totalmente dependente do conhecimento das pessoas, no somente nas tcnicas de
modelagem, mas tambm da anlise dos resultados. Alm disto, vale ressaltar que a qualidade
dos dados inseridos no modelo de fundamental importncia para que os resultados sejam
satisfatrios, sendo a ferramenta de mapeamento de processo a melhor forma para isso.
Tambm deve ser ressaltado o poder da simulao como ferramenta de anlise de um sistema
produtivo complexo onde existem diversas interaes entre as suas variveis, nem sempre
claras ao entendimento.
A metodologia aplicada pela empresa foi considerada insatisfatria em seus resultados,
sendo superada pela simulao e otimizao em todos os aspectos, dentre eles pode-se
destacar:
Visualizao do processo de forma dinmica;
Confiana nos dados de entrada;
Preciso nos resultados;
Abundncia de dados para anlise;
Facilidade das anlises.

Segundo KELLNER, MADACHY e RAFFO (1998), a participao ativa de pessoas
em um processo de simulao pode gerar oportunidades de aprendizado que somente

poderiam ser obtidas em anos de experincia no mundo real.
Referncias bibliogrficas____________________________________________________75
Referncias bibliogrficas
ANJARD, R. P., Process Mapping: one of three, new, special quality tools for management,
quality and all the other professionals. Microeelectrum Realiab, 1995.
BCK, Thomas; HAMMEL, Ulrich; SCHWEFEL, Hans-Paul. Evolutionary computation:
comments on the history and current state. Evolutionary Computation, April, v. 1, n. 1, p.
3-17, 1997.
BANKS, J. Introduction to simulation. Proceedings of the Winter Simulation Conference.
Atlanta, 2000.
BATEMAN, R. E.; BOWDEN, R. O. ; GOGG, T. J.; HARRELL, C. R.; MOTT, J. R. A.
System improvement using simulation. Utah: ProModel Corp., 1997
BARNES, R. M. Estudo de movimentos e de tempos: Projeto e medida do trabalho. Editora
Edgard Blucher ltda, 1986.
BRATLEY, Paul; FOX, Bennett L.; SCHRAGE, Linus E. A Guide to Simulation. New
York:Springer-Verlag, 1987.
BRYMAN, J. L. A research Methods and organization studies. London Unwin Hyman, 1989.
CARNEIRO, Mara Lcia F. Sntese Automatizada de Colunas de Destilao: uma abordagem
alternativa ao processo de projeto. Dissertao de mestrado em engenharia da informtica.
PUCRS, Porto Alegre, RS, 1996.
COELHO, L. S.; COELHO, A. A. R. Algoritmos Evolutivos em identificao e controle de
processos: uma viso integrada e perspectivas. Revista Controle & Automao, v. 10, n.
1, p. 13-30, 1999.
CUNHA, Alexandre S.; PINTO, Ricardo L. U. S. Uma tcnica para ajuste dos parmetros de
um Algoritmo Gentico. XXXIII Simpsio Brasileiro de Pesquisa Operacional, Campos
do Jordo, SP, p. 1105-1116, 2001.
DUARTE, Roberto N. Simulao computacional: Anlise de uma clula de manufatura em
lotes do setor de autopeas. Dissertao de mestrado em engenharia de produo. UNIFEI,
Itajub, MG, 2003.
DIAZ, Jos A.; PREZ, Ileana G. Simulation and optimization of sugar cane transportation in
harvest season. Proceeding of the 2000 Winter Simulation Conference, p. 1114-1117,
2000.
DIETZ, M. Outline of a successful simulation projects. Industrial Engineering, Nov., 1992
EDGAR, T. F.; HIMMELBLAU, D. M. Optimization of chemical processes. New York,
McGraw-Hill, 2001.
FERREIRA, J. C. E.; MOURA, E. B.; RIBEIRO, L. P. G. O uso da simulao para aumentar
a competncia da indstria junto ao mercado externo. XXII ENEGEP. Curitiba, outubro
2002.
FU, Michael C. Optimization for Simulation: Theory vs. Practice. Journal on Computing, vol.
14, n 3, 2002.
GLENNEY, N. E.; GERALD T. M. Modeling & Simulation Provide Key to CIM
implementation Philosophy. Industrial Engineering, may 1985.
HARREL, C. R.; BATEMAN, R. E.; GOGG, T. J.; MOTT, J. R. A. System Improvement
Using Simulation. Orem, Utah: PROMODEL Corporation. 1996.
HARREL, Charles R.; GHOSH, Biman K.; BOWDEN, Royce. Simulation Using
ProModel. McGraw-Hill, 2000.
HILLIER, F. S.; LIEBERMAN, G. J. Introduction to operations research. McGraw-Hill,
2001.
KELLNER, M. I., MADACHY, R. J., RAFFO, D. M. Software process simulation modeling:
Why? What? How?, 1998.
KLEINDORFER, George B.; ONEILL, Liam; GANESHAN, Ram. Validation in
Simulation:Various Positions in the Philosophy of Science. Management Science, Vol. 44,
n. 8, ago. 1998.
KOSTURIAK, J.; GREGOR, M. Simulation in production system life cycle. Computer in
Indutry, 38, pp. 159-172, 1999.
KUMAR, S.; PHROMMATHED, P. Improving a manufacturing process by mapping and
simulation of critical operations, 2005.
LAW, A. M.; KELTON, W. D. Simulation modeling and analysis. New York: Mc Graw-Hill,
1982.
LAW, A.; KELTON, D. Simulation modeling and analysis. New York, McGraw-Hill, 2000.
LIM, M. K.; ZHANG, Z. A mult-agent based manufacturing control strategy for responsive
manufacturing. Journal of Materials Processing Technology, 139, pp. 379-384, 2003.
NAYLOR, Thomas, H.; BALINTFY, Joseph, L.; BURDICK, Donald S.; CHU,
Kong.Tcnicas de Simulao em Computadores. So Paulo: Editora Vozes, 1971.
LOBO, Elidio C.; PORTO, Arthur Jos V. Proposta para sistematizao de estudos de
simulao. XVII Encontro Nacional de Engenharia de Produo ENEGEP. Gramado,
RS, 1997.
LOBO, E. C. Discusso, sistematizao e modelamento do processo de realizao de
estudos de simulao. Tese doutorado. So Carlos: USP, 2000.
LOPES, Heitor S. Algoritmos genticos em projetos de engenharia: aplicaes e perspectivas
futuras. IV Simpsio Brasileiro de Automao Inteligente. So Paulo, SP, p. 64-74, 1999.
MOREIRA, C. M. Estratgias de reposio de estoque em supermercados: Avaliao por
meio de simulao. Dissertao mestrado em engenharia de produo. UFSC,
Florianpolis, SC, 2001.
OPTQUEST FOR ARENA USERS GUIDE, Rockwell Software Inc., 2002.
PERSON, J. F. The impact of different levels of detail in manufacturing systems simulation
models. Robotics and Computer Integrated Manufaturing, 18, pp. 319-325, 2002.
PEREIRA, I. C. Proposta de sistematizao da simulao para fabricao em lotes.
Dissertao mestrado em engenharia de produo. UNIFEI, Itajub, MG, 2000.
PIDD, M. Five simple principles of simulation modeling. Rio de Janeiro: Workshop de
Simulao, 1997.
PIDD, M. Modelagem empresarial. Porto Alegre: Bookman, 1998.
PROMODEL USERS GUIDE. PROMODEL Corporation, 1997.
PROMODEL USERS GUIDE. ProModel Corporation, 2002.
RHOLEDER, T. R., SILVER, E. A. A tutorial on business process improvement. Journal of
Operational Management, Volume 15. Elsevier Science, 1997.
ROSA, E. B. Racionalizao da produo. Apostila do curso de Ps-Graduao
Especializao em Produtividade e Qualidade UNIFEI, 2002.
SARGENT, R. G. Validation and Verification of Simulation Models. Proceedings of the 2004
Winter Simulation Conference. R .G. Ingalls, M. D. Rossetti, J. S. Smith, and B. A.
Peters, 2004.
SAAD, S. M. The reconfiguration issues in manufacturing systems. Journal of Materials
Processing Technology, 138, pp. 277-283, 2003.
SARAMAGO, Sezimria F. Pereira. Mtodos de otimizao randmica: Algoritmos genticos
e simulated annealing. XXVI CNMAC. UFU, Uberlndia, MG, p. 1-40, 2003.
SEILA, A. F. Introduction to simulation. Proceedings of the 1995 Winter Simulation
Conference. Arlington, Virginia, United States, p. 7-15, 1995.
SILVA, Alexandre P. A. Tutorial: Genetic Algorithms. Revista Brasileira de Redes Neurais,
n. 1, v. 1, 2002.
SILVA, E. L., MENEZES, E. M. Metodoliga de pesquesa e elaborao da dissertao, 4 ed.
Ver. Atual., Florianpolis, UFSC, 2005.
SIMES, Anabela B. Transposio: estudo de um novo operador gentico inspirado
biologicamente. Dissertao de mestrado em engenharia informtica. Universidade de
Coimbra, Coimbra, Portugal, 1999.
SPPEDING, T. A, SUN, G. Q. Application of discrete event simulation to the activity based
costing of manufacturing system. International Journal Production Economics, 1998.
STAMM, Harro. Simulao industrial: uma avaliao de sua utilizao no sudeste e sul do
Brasil. Dissertao de mestrado em engenharia de produo. UFSC, Florianpolis, SC,
1998.
TANOMARU, J. Motivao, fundamentos e Aplicaes de Algoritmos Genticos. II
Congresso Brasileiro de Redes Neurais. Curitiba, PR, p. 373-403, 1995.
TAVARES, Jos A. R. Gerao de Configuraes de Sistemas Industriais com o Recurso
Tecnologia das Restries e Computao Evolucionria. Tese de doutorado em
Informtica. Universidade de Minho, Braga, Portugal, 2000.
VILLELA, C. S. S. Mapeamento do processo como ferramenta de reestruturao e
aprendizagem organizacional. Dissertao de mestrado. UFSC. Santa Catarina, 2000.
ANEXO 1
Programao do modelo no Promodel
********************************************************************************
*
Formatted Listing of Model:
C:\ProMod4\models\rollform32.MOD
*
*
********************************************************************************
Time Units:
Minutes
Distance Units:
Meters
********************************************************************************
*
Locations
********************************************************************************
Name
Cap
Units Stats
Rules
Cost
-------------------------- ----------------- ----- ----------- ------------------- -----------roll_form
Time Series Oldest, FIFO, First
puncionadeira
qtd_puncionadeira 1
corte_plasma
qtd_corte
Time Series Oldest, FIFO,
bending
entrada_roll_form
saida_roll_form
entrada_corte
qtd_corte
saida_corte
entrada_puncionadeira
qtd_puncionadeira 1
buffer_roll_form
estoque_inicial_blanks
999
estoque_puncionadeira
999
estoque_longarina
999
esteria_descarga_roll_form 60
esteria_puncionadeira
qtd_puncionadeira 1
entrada_bend
saida_bend
30
saida_punc
buffer_saida_punc
qtd_buffer_punc
pos_saida_corte
30
********************************************************************************
*
Entities
********************************************************************************
Name
Speed (mpm)
Stats
Cost
------------- ------------ ----------- -----------fardo_blank_1 50
Time Series
longarina_1
Time Series
50
********************************************************************************
*
Path Networks
********************************************************************************
Name
Type
T/S
From
To
BI
Dist/Time
Speed Factor
------------------------- ----------- ---------------- --------- --------- ---- ---------- -----------kbk_roll_entrada
Crane
Speed & Distance Origin

Origin
Rail1End
BridgeEnd Rail2End
kbk_roll_saida
Crane
Uni
BridgeEnd Uni
Rail1End
Uni
Uni
Origin
BridgeEnd Uni
BridgeEnd Rail2End
caminho_ponte_rolante
Crane

Origin
Rail1End
BridgeEnd Uni
BridgeEnd Rail2End
kbk_puncionadeira_entrada Crane

Origin
Rail1End
kbk_saida_corte
Passing
Crane
N2
Bi
53
N2
N3
Bi
13
N2
N5
Bi
N1
N4
Bi
23
N1
N6
Bi
N4
N7
Bi
20
Rail1End
Uni
BridgeEnd Uni
BridgeEnd Rail2End
Crane

Origin
Rail1End
Passing
Uni
Uni
BridgeEnd Uni
BridgeEnd Rail2End
NET_OPERADOR
Uni
Speed & Distance N1
Origin
kbk_bending
Uni
Uni
BridgeEnd Uni
BridgeEnd Rail2End
net_inspecao
Uni
Uni
Uni
Speed & Distance N1
N2
Bi
13
N2
N3
Bi
10
N3
N4
Bi
13
N5
N6
Bi
N5
N7
Bi
38
N7
N8
Bi
N4
N11
Bi
N11
N5
Bi
N11
N12
Bi
20
N12
N13
Bi
14
N13
N14
Bi
N9
N10
Bi
13
N10
N15
Bi
N15
N16
Bi
N13
N10
Bi
11
N8
N17
Bi
15
N17
N9
Bi
20
N2
N18
Bi
N3
N19
Bi
N4
N20
Bi
N5
N21
Bi
N8
N22
Bi
N2
N23
Bi
20
********************************************************************************
*
Interfaces
********************************************************************************
Net
Node
Location
Coords (R,B)
------------------------- ---------- -------------------------- -----------kbk_roll_entrada

kbk_roll_saida
caminho_ponte_rolante
N1
buffer_roll_form
5.74, 6.60
N2
entrada_roll_form
1.52, 6.60
N1
saida_roll_form
1.55, 6.20
N2
esteria_descarga_roll_form 6.60, 6.07
N1
9.12, 13.24
N2
buffer_roll_form
33.62, 8.68
N4
74.53, 9.47
N6
estoque_longarina
93.24, 18.95
N3
esteria_descarga_roll_form 52.63, 9.99
N7
64.49, 16.61
N9
entrada_bend
76.55, 14.67
N10
saida_bend
76.60, 16.67
N8
pos_saida_corte
102.02, 7.59
kbk_puncionadeira_entrada N1
5.64, 6.72
N2
11.59, 6.94
net_inspecao
kbk_saida_corte
kbk_bending
NET_OPERADOR
N3
saida_corte
N6
saida_roll_form
N5
saida_punc
N1
corte_plasma
2.47, 6.83
N2
saida_corte
6.98, 7.49
N1
entrada_bend
9.67, 6.76
N3
saida_bend
5.67, 7.01
N2
bending
3.40, 6.86
N1
N6
N6
N9
estoque_longarina
N16
puncionadeira
N15
saida_bend
N15
entrada_bend
N18
buffer_roll_form
N19
roll_form
N20
esteria_descarga_roll_form
N21
N22
corte_plasma
N15
bending
N22
pos_saida_corte
N22
saida_corte
********************************************************************************
*
Resources
********************************************************************************
Name
Units
Stats
Res
Ent
Search
Search Path
Motion
Cost
--------------------------- ------------ -------- ------- ------ ------------------------- ------------------- -----------talha_roll_entrada
By Unit
Closest Oldest kbk_roll_entrada
Empty: 50,50 mpm
Home: N1
Full: 50,50 mpm
(Return)
Pickup: 2 Seconds
Deposit: 2 Seconds
talha_roll_saida
By Unit
Closest Oldest kbk_roll_saida

Home: N1
Empty: 50,50 mpm

Full: 50,50 mpm
(Return)
Pickup: 2 Seconds
Deposit: 2 Seconds
ponte_rolante
By Unit
Closest Oldest caminho_ponte_rolante

Home: Origin
Empty: 50,50 mpm

Full: 50,50 mpm
Pickup: 60 Seconds
Deposit: 60 Seconds
talha_puncionadeira_entrada 1
By Unit
Closest Oldest kbk_puncionadeira_entrada Empty: 40,40 mpm

Home: N1
Full: 40,40 mpm
(Return)
Pickup: 5 Seconds
Deposit: 5 Seconds
inspetor
qtd_inspetor By Unit
Closest Oldest net_inspecao

Home: N2
talha_saida_corte
By Unit
Closest Oldest kbk_saida_corte

Home: N1
Empty: 50 mpm
Full: 50 mpm
Empty: 40,40 mpm
Full: 40,40 mpm
(Return)
Pickup: 5 Seconds
Deposit: 5 Seconds
talha_bending
By Unit
Closest Oldest kbk_bending

Home: N1
Empty: 40,40 mpm

Full: 40,40 mpm
(Return)
Pickup: 5 Seconds
Deposit: 5 Seconds
OPER
qtd_oper
By Unit
Closest Oldest NET_OPERADOR

Home: N1
Empty: 50 mpm
Full: 50 mpm
********************************************************************************
*
Processing
********************************************************************************
Process
Entity
Location
Operation
Routing
Blk
Output
Destination
Rule
Move Logic
------------- -------------------------- ------------------
---- ------------- -------------------------- --------
------------
fardo_blank_1 estoque_inicial_blanks
GET ponte_rolante AND 2 oper
fardo_blank_1 buffer_roll_form
FIRST 1
MOVE WITH ponte_rolante

FREE ALL
fardo_blank_1 buffer_roll_form
longarina_1
entrada_roll_form
FIRST 30
GRAPHIC 3
MOVE WITH talha_roll_entrada
THEN FREE
longarina_1
entrada_roll_form
WAIT UNTIL cap_roll_form < 1

ciclo_total = CLOCK( MIN)
longarina_1
roll_form
FIRST 1
INC cap_roll_form, 1
MOVE FOR .15
longarina_1
roll_form
INC roll_inspecao, 1
IF roll_inspecao = 30 THEN
BEGIN
GET oper
WAIT 3
tempo_roll_form
GRAPHIC 1
INC roladas, 1
FREE ALL
END
ELSE
BEGIN
tempo_roll_form
GRAPHIC 1
INC roladas, 1
END
longarina_1
saida_roll_form
longarina_1
saida_roll_form
DEC cap_roll_form, 1
IF roll_inspecao = 30 OR roll_inspecao = 0 THEN
BEGIN
roll_inspecao = 0
GET inspetor
WAIT 15
FREE ALL
END
ELSE
BEGIN
FIRST 1
MOVE FOR .15
END
longarina_1
esteria_descarga_roll_form EMPTY 1
MOVE WITH talha_roll_saida
THEN FREE
longarina_1
esteria_descarga_roll_form COMBINE 30
GRAPHIC 2
1
longarina_1
FIRST 1

FREE ALL
longarina_1
INC est_roll, 30
IF est_roll_max < est_roll THEN
BEGIN
est_roll_max = est_roll
END
ELSE
BEGIN
END
longarina_1
FIRST 1
DEC est_roll, 30
FREE ALL
longarina_1
longarina_1
FIRST 30
GRAPHIC 1
GET
talha_puncionadeira_entrada AND oper

MOVE WITH
talha_puncionadeira_entrada
FREE ALL
longarina_1
ciclo_puncionadeira = CLOCK( MIN)

WAIT UNTIL cap_punc < 1
1
longarina_1
puncionadeira
FIRST 1
INC cap_punc, 1
MOVE FOR .15
longarina_1
puncionadeira
INC punc_inspecao, 1
IF punc_inspecao = 30 THEN
BEGIN
GET oper
WAIT 3
tempo_puncionadeira
FREE ALL
INC puncionadas, 1
END
ELSE
BEGIN
tempo_puncionadeira
INC puncionadas, 1
END
1
longarina_1
saida_punc
longarina_1
saida_punc
FIRST 1
MOVE FOR .15
DEC cap_punc, 1
IF punc_inspecao = 30 OR punc_inspecao = 0 THEN
BEGIN
punc_inspecao = 0
GET inspetor
WAIT 15
FREE ALL
END
ELSE
BEGIN
END
longarina_1
buffer_saida_punc
longarina_1
entrada_corte
1
1
longarina_1
buffer_saida_punc
FIRST 1
MOVE FOR .15
longarina_1
entrada_corte
FIRST 1
MOVE FOR .15
longarina_1
corte_plasma
FIRST 1
INC cap_corte, 1
WAIT UNTIL cap_corte < 1

1
MOVE FOR .15

longarina_1
corte_plasma
INC corte_inspecao, 1
IF corte_inspecao = 30 THEN
BEGIN
GET oper
WAIT 3
tempo_corte
FREE ALL
INC cortadas, 1
END
ELSE
BEGIN
tempo_corte
INC cortadas, 1
END
longarina_1
saida_corte
EMPTY 1
GET talha_saida_corte AND
oper
MOVE WITH talha_saida_corte
FREE ALL
longarina_1
saida_corte
DEC cap_corte, 1
IF corte_inspecao = 30 OR corte_inspecao = 0
THEN
BEGIN
corte_inspecao = 0
GET inspetor
WAIT 15
FREE ALL
END
ELSE
BEGIN
END
longarina_1
pos_saida_corte
longarina_1
COMBINE 30
GRAPHIC 2
INC CONTADOR_ESTOQUE_FINAL, 1
IF CONTADOR_ESTOQUE_FINAL = 4 THEN
BEGIN
ROUTE 2
pos_saida_corte
FIRST 1
MOVE
CONTADOR_ESTOQUE_FINAL = 0
END
ELSE
BEGIN
ROUTE 1
END
longarina_1
estoque_longarina
FIRST 1
GET ponte_rolante AND 2
oper
FREE ALL
INC est_long, 30
LOG "Ciclo Total",
ciclo_total
LOG "Ciclo Puncionadeira",
ciclo_puncionadeira
longarina_1
entrada_bend
FIRST 1
CONTADOR_ENTRADA_BEND = 1
FREE ALL
INC est_long, 30
longarina_1
estoque_longarina
longarina_1
entrada_bend
WAIT 9000
longarina_1
EXIT
FIRST 1
longarina_1
bending
FIRST 30
GRAPHIC 1
GET talha_bending AND oper
MOVE WITH talha_bending
FREE ALL
longarina_1
bending
INC bend_inspecao, 1
IF bend_inspecao = 30 THEN
BEGIN
GET oper
WAIT 3
tempo_bend
FREE ALL
END
ELSE
BEGIN
tempo_bend
END
longarina_1
saida_bend
FIRST 1
GET talha_bending AND oper

MOVE WITH talha_bending
FREE ALL
longarina_1
saida_bend
COMBINE 30
GRAPHIC 2
longarina_1
estoque_longarina
FIRST 1

FREE ALL
********************************************************************************
*
Arrivals
********************************************************************************
Entity
Location
Qty each
First Time Occurrences Frequency
Logic
------------- ---------------------- ---------- ---------- ----------- ---------- -----------fardo_blank_1 estoque_inicial_blanks 1

longarina_1
999
GRAPHIC 2
INC roladas, 30
********************************************************************************
*
Shift Assignments
********************************************************************************
Locations
Resources
Shift Files
Priorities
Disable Logic
---------- --------------------------- ------------------------------ ------------ ------- -----------------roll_form
talha_roll_entrada
C:\Documents and Settings\Rena 99,99,99,99
No
C:\Documents and Settings\Rena 99,99,99,99
No
talha_roll_saida
ponte_rolante
talha_puncionadeira_entrada
inspetor
OPER
talha_bending
talha_saida_corte
********************************************************************************
*
Attributes
********************************************************************************
ID
Type
Classification
------------------- ------------ -------------ciclo_total
Real
Entity
ciclo_puncionadeira Real
Entity
ciclo_saida
Entity
Real
********************************************************************************
*
Variables (global)
********************************************************************************
ID
Type
Initial value Stats
---------------------- ------------ ------------- ----------est_roll
Integer
Time Series
cap_bend
Integer
Time Series
cap_roll_form
Integer
Time Series
cap_punc
Integer
Time Series
est_long
Integer
Time Series
cortadas
Integer
Time Series
est_roll_max
Integer
Time Series
roladas
Integer
Time Series
roll_inspecao
Integer
-1
Time Series
punc_inspecao
Integer
-1
Time Series
corte_inspecao
Integer
-1
Time Series
CONTADOR_ESTOQUE_FINAL Integer
Time Series
CONTADOR_ENTRADA_BEND
Integer
Time Series
cap_corte
Integer
Time Series
bend_inspecao
Integer
-1
Time Series
puncionadas
Integer
Time Series
********************************************************************************
*
Arrays
********************************************************************************
ID
Dimensions
Type
---------- ------------ -----------Arr1
Integer
********************************************************************************
*
Macros
********************************************************************************
ID
Text
------------------------ -----------tempo_roll_form
WAIT 1.5
tempo_puncionadeira
WAIT 3.5
tempo_corte
WAIT 1.5
tempo_bend
WAIT 3
qtd_roll_form
qtd_puncionadeira
qtd_corte
qtd_bend
qtd_inspetor
qtd_oper
qtd_buffer_punc
********************************************************************************
*
External Files
********************************************************************************
ID
Type
File Name
Prompt
---------- ----------------- --------------------------------------------------------------------- ---------(null)
Shift
C:\Documents and Settings\Renato Brighenti\Meus documentos\TURNO3.sft
(null)
Shift
C:\Documents and Settings\Renato Brighenti\Meus documentos\TURNO2.sft
ANEXO 2
Equipamentos da linha de manufatura estudada
ROLL FORM
PUNCIONADEIRA
CORTE A PLASMA
DOBRADEIRA

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

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

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

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE ITAJUB

Jos Renato Nunes Brighenti

SIMULAO E OTIMIZAO DE UMA LINHA

Dissertao submetida ao Programa de PsGraduao em Engenharia de Produo como

Orientador: Prof. Jos Arnaldo Barra Montevechi, Dr

Itajub, outubro de 2006

BRIGHENTI, Jos Renato Nunes. Simulao e otimizao de uma

UNIVERSIDADE FEDERAL DE ITAJUB

Jos Renato Nunes Brighenti

SIMULAO E OTIMIZAO DE UMA LINHA

Dissertao aprovada por banca examinadora em 6 de outubro de 2006, conferindo ao autor o

Itajub, outubro de 2006

Em primeiro lugar agradeo a Deus pelas oportunidades a mim concedidas.

Consideraes iniciais ______________________________________________ 1

Objetivo do trabalho _______________________________________________ 3

Metodologia de pesquisa ____________________________________________ 5

Estrutura do trabalho ______________________________________________ 6

Consideraes iniciais ______________________________________________ 7

Justificativa econmica da simulao __________________________________ 9

Metodologias de simulao _________________________________________ 15

Construo do modelo _____________________________________________ 25

Partir de modelos simples ______________________________________ 26

Fiscalizar o nvel de detalhamento _______________________________ 26

Dividir o modelo ______________________________________________ 27

Verificar e corrigir os erros _____________________________________ 27

Validao do modelo ______________________________________________ 28

Mudana dos parmetros de entrada _____________________________ 30

Turing test ___________________________________________________ 30

Desenvolver o modelo juntamente com o usurio ___________________ 31

Recorrer a especialistas ________________________________________ 31

Consideraes finais _______________________________________________ 33

Consideraes iniciais _____________________________________________ 34

Mtodos de otimizao _____________________________________________ 35

Mtodos determinsticos _______________________________________ 36

Mtodos probabilsticos ________________________________________ 37

Algoritmos Genticos ______________________________________________ 40

Consideraes finais _______________________________________________ 42

Consideraes iniciais _____________________________________________ 43

Metodologia para simulao + otimizao _____________________________ 44

Consideraes finais _______________________________________________ 46

Consideraes iniciais _____________________________________________ 47

Definio do sistema a ser analisado__________________________________ 47

Esboo do problema e coleta de dados ________________________________ 50

Simulao do sistema ______________________________________________ 56

Definio do problema e do objetivo______________________________ 57

Coleta de dados _______________________________________________ 57

Escolha do software e construo do modelo_______________________ 57

Validao do modelo __________________________________________ 61

Definio das variveis_________________________________________ 64

Definio dos tipos de variveis__________________________________ 65

Definio da funo objetivo ____________________________________ 65

Seleo do tamanho da populao do Algoritmo Evolutivo ___________ 66

Anlise dos resultados _________________________________________ 68

Consideraes finais _______________________________________________ 71

Consideraes iniciais _____________________________________________ 72

Concluses e contribuio do trabalho________________________________ 72

Sugestes para trabalhos futuros ____________________________________ 73

Consideraes finais _______________________________________________ 74

Referncias bibliogrficas __________________________________________________ 75

Figura 5.17 Definio do nmero de replicaes .................................................................. 68

CNC Computer Numeric Control

Work in Progress Material em processo

1.3 Objetivo do trabalho