Escolar Documentos
Profissional Documentos
Cultura Documentos
E2017 T00238 PCN30252 Publicado
E2017 T00238 PCN30252 Publicado
RESUMO
Diante do atual ambiente competitivo em que as empresas se encontram, simular a produção de
uma empresa é considerado um fator importante que permite desenvolver melhores estratégias
de competitividade. Com este foco, o modelo simulado nesse trabalho foi desenvolvido e
analisado por intermédio do software Plant Simulation com dados reais de produção de uma
empresa do ramo têxtil, objetivando otimizar a programação de produção de malharia circular
afim de aumentar a produtividade. Por fim, também se discutiu a integração do ambiente
simulado ao panorama da indústria 4.0, envolvendo a nova geração dos sistemas de produção
e utilização de recursos computacionais.
1. INTRODUÇÃO
De acordo com Costa e Rocha (2009), ao longo dos anos 2000, o Brasil tem perdido
competitividade e mercado no setor têxtil e de confecções. Apesar de um forte crescimento do
consumo mundial de têxteis e confeccionados, a participação do país no comércio mundial
declinou de 0,7%, em 1997, para 0,3%, em 2007, além disso, houve acirramento da competição
global, tendo em vista o crescimento exponencial dos produtos asiáticos no comércio
internacional, em especial da China. Nessa conjuntura, tornou-se fundamental para a
sobrevivência das empresas da cadeia têxtil e de confecções desenvolver estratégias
competitivas diferenciadas, baseadas na utilização da inovação tecnológica como um
instrumento relevante para inserção no mercado mundial.
Neste cenário, Georges (2005) afirma que para flexibilizar o sistema de manufatura no mercado
globalizado deve apresentar uma tomada de decisão ágil e sábia, exigindo o melhoramento
contínuo das técnicas e das ferramentas de auxílio à decisão, com o objetivo de levar o sistema
de manufatura a um nível de competitividade elevado garantindo a sobrevivência dos negócios
da empresa.
Procurando cada vez mais atender as necessidades de melhoria dos sistemas de produção, as
empresas estão investindo em outras opções que contribuam com as tomadas de decisões.
1/11
ANAIS
Segundo Sakurada e Miyake (2009), houve um aumento significativo na utilização da
simulação, por conta da sua capacidade de contribuir com as tomadas de decisões.
Considerando este cenário, a finalidade desse estudo é de aplicar a simulação de eventos
discretos em uma malharia circular por meio do software Plant Simulation® com o objetivo de
otimizar a programação de produção afim de gerar um aumento satisfatório na produtividade,
utilizando como variável o tamanho dos lotes de produção.
Para a execução da modelagem, o trabalho baseia-se no mapeamento dos requisitos de um
projeto de simulação de eventos discretos, ou seja, alguns elementos básicos para execução de
um projeto de simulação, visando aprimorar a utilização dessa ferramenta. Nesta etapa também
são discutidas as restrições da ferramenta de simulação empregada, bem como seus efeitos
sobre os resultados obtidos com o processamento do modelo computacional.
Além da apresentação detalhada do estudo de caso, este trabalho promove uma breve discussão
da relação destas atividades de simulação com o ambiente da indústria 4.0, estas discussões que
envolvem o relacionamento de capacidades computacionais com a estrutura física no ambiente
industrial, embasam cada vez mais a transformação do cenário atual para um ambiente de
manufatura 4.0, também denominada 4ª Revolução Industrial.
2. REVISÃO DA LITERATURA
2.1 Simulação
A simulação é uma técnica utilizada tanto para projeto e avaliação de novos sistemas, como
para reconfiguração física ou mudanças no controle e/ou regras de operação de sistemas
existentes. Esta técnica consiste em representar um sistema real por meio de modelos
computacionais capazes de serem modificados e estudados sem a necessidade da intervenção
no sistema real (CHWIF e MEDINA, 2014; SAKURADA e MIYAKE, 2009; PIDD, 1998;
LAW e KELTON, 1991).
Basicamente a simulação computacional pode ser classificada em três categorias: A simulação
de Monte Carlo, Simulação Contínua e a Simulação de Eventos Discretos. A simulação de
Monte Carlo utiliza geradores de números aleatórios para simular sistemas físicos ou
matemáticos, não se considera o tempo explicitamente como uma variável. É uma simulação
particularmente útil para a solução de problemas matemáticos complexos que surgem no
Cálculo Integral (CHWIF e MEDINA, 2014).
2/11
ANAIS
A simulação Contínua e a Simulação de Eventos Discretos levam em consideração as mudanças
de estado do sistema ao longo do tempo. A Simulação Contínua é utilizada para modelar
sistemas cujo estado varia continuamente no tempo, e ela utiliza-se de equações diferenciais
para o cálculo das mudanças das variáveis de estado ao longo do tempo. Mas a Simulação de
Eventos Discretos, é orientada por eventos, como o relógio de simulação que sempre indica um
instante em que um evento acontece (CHWIF e MEDINA, 2014).
Segundo Freitas Filho (2008), um modelo computacional para a simulação de um sistema
executa, na grande maioria das vezes de forma sequencial e de maneira repetitiva, um conjunto
de instruções. De acordo com Law e Kelton (1991) é recomendado a utilização da simulação
para as seguintes situações: desenvolver e analisar sistemas de manufatura; melhorar e analisar
sistemas de atendimento; analisar sistemas financeiros e econômicos; desenvolver e analisar
sistemas de transporte; evoluir sistemas de comunicação; apoiar à tomada de decisões.
Na medida da execução dessas instruções, os valores que determinadas variáveis podem
assumir são alterados, uma vez que se modificam as condições que influenciam o
comportamento do modelo. Como os modelos tratam de sistemas dinâmicos, essas variáveis
mudam na medida em que o tempo simulado progride. Além disso, tais variáveis não têm seus
valores antecipadamente determinados por se tratarem de variáveis aleatórias. Assim, os
programas aos quais se está referindo apresentam uma razoável complexidade, uma vez que
sua execução pretende imitar o comportamento de sistemas do mundo real que podem ser
classificados de estocásticos (CHWIF e MEDINA, 2014).
As etapas necessárias para o desenvolvimento de um trabalho de simulação estão listadas e
representadas na Figura 1.
3/11
ANAIS
A definição de simulação de eventos discretos feita por Harrel et al. (2002) é a existência de
uma ação instantânea que ocorre em um momento único e que não está relacionada a outras
ocorrências, porem causando efeitos ao sistema. Para Banks (1998), a simulação de eventos
discretos é composta por entidades que podem ser pessoas, peças ou equipamentos, e quando
alguma entidade executa ações, estas causam efeitos no sistema.
Em um trabalho em que a simulação de eventos discretos (DES) foi utilizada com o objetivo de
otimizar as rotas de fluxo de materiais e de abastecimento das linhas de produção e,
consequentemente reduzir o lead time. O modelo DES foi baseado no tempo de processamento,
rotina de abastecimentos, histórico de programação da produção, histórico de falhas e set up.
Ao final do trabalho observa-se que a simulação foi uma ferramenta que contribuiu para as
decisões tomadas (NOMDEN e ZEE, 2008).
Em outra aplicação de DES um estudo de caso teve o objetivo de reduzir o consumo de energia
e aumentar a eficiência de um sistema de redes ferroviárias de uma cidade europeia. A decisão
baseou-se na otimização da velocidade média, consumo de energia, número de passageiros e
custo (QUAGLIETTA, 2014).
A DES também foi utilizada em uma clínica médica com o objetivo de reduzir as filas de espera
dos pacientes. Para isso foram analisadas as rotinas de atendimento desde a recepção até a
liberação do paciente. Com este modelo foi possível analisar os indicadores de ocupação das
áreas envolvidas no atendimento. Ao final do trabalho foi possível melhorar o gerenciamento
das atividades dos atendentes e enfermeiros (SHI et al., 2014).
3. ESTUDO DE CASO
O estudo de caso analisado foi baseado em uma empresa do setor têxtil com mais de 10 anos
de atividade, a qual será representada neste trabalho pelo nome fictício H Malhas por critério
de confiabilidade. Contaram com a aplicação de conceitos de qualidade e excelência no
atendimento que foram decisivos para consolidar a empresa e a marca H Malhas no mercado.
A empresa está localizada em Americana/SP a 120 km da capital, região privilegiada por contar
com uma infraestrutura completa no ramo têxtil, o que viabiliza a logística de produção e
distribuição.
4/11
ANAIS
Com o objetivo de melhorar o atendimento aos seus clientes e definir padrões de controle de
produção interna e com seus parceiros, esta empresa precisa desenvolver um estudo que aponte
para uma definição dos tamanhos dos lotes e o dimensionamento das capacidades de estoques
na empresa, desta forma os custos de estoques serão reduzidos e os setups serão realizados
respeitando uma lógica melhor definida.
5/11
ANAIS
Tempo de
Peso médio p/ Quantidade Tempo de limpeza
RPM processamento p/
Artigos bobina de total p/ lote
(TEARES) bobina
(quilogramas) bobinas/lote (minutos)
(segundos)
PV 22 3.600 16,92 178 356
Algodão 22 4.200 16,61 120 240
Soft-Dry 22 3.000 16,53 90 0
Piquet 22 3.600 16,21 90 180
Tela Esport. 22 5.400 15,67 90 0
Ribana PV 14 9.000 11,73 10 50
Ribana
14 9.000 11,76 5 25
Algodão
Tabela 2 – Dados técnicos da produção
Fonte: Elaborado pelos autores (2016)
Após a coleta e o tratamento dos dados, a próxima etapa do trabalho foi o desenvolvimento de
um modelo de simulação que representa a produção da H Malhas, esta representação pode ser
observada na Figura 2.
6/11
ANAIS
como preparação, com o objetivo de facilitar a movimentação dos tipos de malhas ao longo do
processo de fabricação.
Em seguida, o histórico de produção foi inserido em uma tabela (TableFile) na qual esta tabela
vai gerenciar todas as entradas de peças no sistema de produção ao longo do período de
simulação.
Os setups dos teares foram gerenciados em outra tabela (Set_up_1) que contém a lógica e os
tempos de setup para cada um dos teares. Outros pontos importantes para a representação do
sistema de produção estudado foi o gerenciamento dos tempos de operação, para cada tipo de
malha em cada um dos teares, e os turnos de trabalho dos operadores, para isso foram utilizados
os Métodos (Tear_1, Tear_2 e Tear_3) além da ferramenta shiftcalendar.
Verifica-se que após o termino da simulação do modelo em estudo, foi gerado alguns resultados
importantes como o número total de bobinas produzidas em todos os teares que totaliza 587
bobinas, o número de bobinas produzidas por artigo, os resultados em percentual representado
por um gráfico (Chart) do tempo em que os teares ficaram operantes (trabalhando), estes dados
podem ser observados na Figura 3.
7/11
ANAIS
questão. Uma delas foi configurada para analisar a capacidade dos estoques de entrada das
cargas de fio e a outra para analisar a capacidade dos estoques dos teares.
Após gerar e analisar os resultados obtidos da capacidade dos estoques dos teares, verifica-se
nas Figuras 4 e 5 que os valores ideais para definir a capacidade dos estoques é entre 25 e 60
lotes, pois como mostra no gráfico da Figura 4 a linha começa em curva crescente até se
estabilizar no experimento 5, se tornando uma linha reta e constante a partir do experimento 5
com um valor de 25 lotes, ou seja, todos os valores entre o experimento 5 e o experimento 12
são os ideais. Com base nessa análise, foi mantido o valor de capacidade miníma ideal nos
estoques com capacidade de 25 lotes, o que também proporciona um menor custo com
manutenção de estoque.
Iniciando novamente a simulação, porem com novos valores de capacidade nos estoques dos
teares, pode-se observar na Figura 5 que obteve um novo, significativo e satisfatório resultado
em relação ao apresentado na Figura 3, nota-se que o número total de bobinas produzidas em
todos os teares totaliza 660 bobinas, ou seja, representando um ganho de 73 bobinas em relação
a situação passada.
8/11
ANAIS
Figura 5 – Novos resultados gerados no período de 60 dias após alterar a capacidade dos
estoques
Fonte: Software Plant Simulation® (2016)
9/11
ANAIS
Baseando-se nesta arquitetura, é possível definir uma relação mais específica entre o processo
de simulação descrito com a estrutura dos Sistemas Cyber Físicos. Deste modo, as simulações
de otimização realizadas poderiam ser empregadas no IV) Nível Cognitivo, pois nesta etapa
ocorre simulações e sínteses baseadas em históricos de dados, além disso os gráficos de
desempenho gerados são necessários para transmissão do conhecimento adquirido ao usuário.
Ainda neste nível, o tratamento adequado dos dados adquidos das máquinas apoia à tomada de
decisão cujo resultado será repassado ao próximo nível, denominado Configuração. Esta
estrutura de arquitetura é representada na Figura 20, na qual também destaca-se o nível aqui
abordado.
Figura 20 – Arquitetura 5C
Fonte: Lee et al. (2015)
5. CONCLUSÕES
10/11
ANAIS
múltiplo de 5 bobinas. Nestas condições foram produzidas 660 bobinas em 60 dias de produção,
com a condição anterior era produzido 587 bobinas no mesmo período.
Outro ponto observado é a possibilidade de se trabalhar com estoque intermediário de 25
bobinas antes dos teares 1, 2 e 3, sem que isso cause impacto no atendimento dos clientes e na
produção final da empresa. A aplicação destas modificações já estão em testes na empresa, que
adotou a redução dos estoques intermediários em finais de 2016, e até o momento não foi
identificada nenhuma anormalidade na rotina de trabalho.
Portanto, pode-se concluir que este trabalho atendeu aos objetivos iniciais do projeto e
possibilitou relacionar o ambiente e a análise da simulação com um conceito recente do
ambiente produtivo, conhecido com indústria 4.0.
Por fim, apesar da discussão estruturada sobre os conceitos de indústria 4.0 ser breve pode-se
entendê-la como um ponto de partida para o desenvolvimento do tema na área de simulação,
neste contexto o avanço da tecnologia da informação (TI) e consequentemente dos recursos
computacionais estão proporcionando novos ambientes de operação para os sistemas de
produção.
6. REFERÊNCIAS BIBLIOGRÁFICAS
11/11