Contribuições para o problema flow shop com

bloqueio, tempos de setup e manutenção

preventiva

Aluno: Hugo Hissashi Miyata

Orientador: Prof. Dr. Marcelo Seido Nagano
Qualificação de doutorado

São Carlos 9 de Agosto de 2017

1
Roteiro de Apresentação

• Problema de scheduling;

• Resultados da Revisão de Literatura;

• Definição do Problema;

• Planejamento da Pesquisa.

2
Problema de Scheduling

• n tarefas que devem ser processadas em m máquinas. Cada

tarefa i possui um tempo de processamento associado a
operação na máquina j (pij);

• O problema de scheduling pode ser especificado de acordo com

a notação de três campos de Graham et al. (1979):

3
Problema de Scheduling

• O campo α = α1α2 especifica as restrições tecnológicas ou

ambientes de máquinas;

• O campo β = {β1,…,βk} representa as condições ou restrições

adicionais relacionadas às características das tarefas ou do
ambiente de máquinas;

• O campo γ = {γ1,…,γj} especifica os critérios de desempenho que

possuem a função de avaliar a qualidade de uma determinada
solução

4
Ambiente de Máquinas
• Flow shop (α1α2 = Fm): Há m máquinas em série. Cada tarefa tem que ser processada
em cada uma das m máquinas. Todas as tarefas seguem o mesmo fluxo padrão nas
máquinas (PINEDO, 1995). Se as tarefas seguem a mesma sequência estabelecida na
primeira máquina em todas as outras máquinas, o ambiente é denominado flow shop
permutacional.
M1 J1 J2 J3 J4

M2 J1 J2 J3 J4

M3 J1 J2 J3 J4

M4 J1 J2 J3 J4

0
Ji Tarefa
Término
Figura 1 - Flow Shop permutacional com 4 tarefas e 4
máquinas
Fonte: Autor, 2017.

5
Restrições adicionais - Bloqueio

• Ocorre devido à ausência de estoques intermediários entre as máquinas (CARAFFA et

al., 2001), às características das tarefas (TRABELSI et al., 2012) ou às restrições do
processo em si (GRABOWSKI; PEMPERA, 2000);

• Tipos de bloqueio:
– Liberação quando inicia-se o bloqueio (β = block);
– Liberação no término do bloqueio (RCb*) (TRABELSI et al. 2012);
– Liberação no término da máquina subsequente (RCb) (MARTINEZ et al., 2006).

6
 Flow shop com bloqueio
Bloqueio Bloqueio

M1 J1 J2 J3 J4 M1 J1 J2 J3 J4

Bloqueio Bloqueio

M2 J1 J2 J3 J4 M2 J1 J2 J3 J4

M3 J1 J2 J3 J4 M3 J1 J2 J3 J4

M4 J1 J2 J3 J4 M4 J1 J2 J3 J4

0 0
Ji Término Ji Tarefa Término
Tarefa

Figura X - Liberação quando inicia-se o bloqueio (block)

Figura X - Liberação quando inicia-se o bloqueio (block)
Bloqueio Fonte: Autor, 2017.
Fonte: Autor, 2017.
M1 J1 J2 J3 J4

Bloqueio

M2 J1 J2 J3 J4

M3 J1 J2 J3 J4

M4 J1 J2 J3 J4

0
Ji Tarefa Término

Figura X - Liberação quando inicia-se o bloqueio (block)

Fonte: Autor, 2017.

7
Flow shop com bloqueio

• Aplicações práticas: Indústria química, produção de peças

aeronáuticas (MARTINEZ et al., 2006), na produção de cidra
(TRABELSI et al., 2012), de placas de circuitos eletrônicos (CHEN
et al., 2014), de ferro e aço (GONG; TANG; DUIN, C. W., 2010), de
telhas cerâmicas, de blocos de concreto (GRABOWSKI;
PEMPERA, 2000), no tratamento de dejetos (MARTINEZ et al.,
2006) e também no setor de serviços como em operações de
terraplanagem (YU; SEIF, 2016).

8
Restrições adicionais - Setup

• Tempos de setup (β = Si,j,k) – Refere-se ao tempo incorrido para preparar uma máquina
para processar uma tarefa incluindo a obtenção de ferramentas, o trabalho de
posicionar o material em processo, limpeza, ajuste de ferramentas, inspeção de
materiais e definir peças e acessórios necessários (ALLAHVERDI; SOROUSH, 2008).
Denotamos Si,j o tempo de setup dependente da sequência que ocorre entre as tarefas
i e j. Se o tempo de setup entre as tarefas i e j dependem da máquina, então incluímos
o subscrito k, ou seja, Si,j,k (PINEDO, 1995);

9
Flow shop com bloqueio e setup
dependente da sequência
Bloqueio

M1 S1 J1 S1,2 J2 S2,3 J3 S3,4 J4

Bloqueio

M2 S1 J1 S1,2 J2 S2,3 J3 S3,4 J4

M3 S1 J1 S1,2 J2 S2,3 J3 S3,4 J4

M4 S1 J1 S1,2 J2 S2,3 J3 S3,4 J4

0
Si,j Tempo de setup Ji Tarefa Término

Figura X - Flow Shop com bloqueio e setup antecipatório dependente da sequência

Fonte: Autor, 2017.

10
Restrições adicionais - Manutenção

• Manutenção pode ser definida como a combinação de todas as ações técnicas e

administrativas, incluindo supervisão de ações pretendidas para reparar um item ou
restaurá-lo a um estado na qual pode realizar suas devidas funções (RAUSAND;
HØYLAND, 2004);

• Podem-se distinguir três tipos diferentes de estratégias de manutenção, de acordo

com Rausand e Høyland (2004):
– Manutenção Preventiva (MP);
– Manutenção Corretiva (MC);
– Manutenção Preditiva;

11
Abordagens de Manutenção
Preventiva

• Como decisão de sequenciamento, a MP é vista como uma atividade

com uma duração significativa que deve ser realizada em um intervalo
específico de tempo. Este intervalo de tempo pode ser determinado :
– Pela recomendação da equipe de manutenção (VAHEDI-NOURI et al., 2013);
– Pela teoria estatística da confiabilidade (RUIZ et al., 2007);
– Por meio de funções que descrevem o nível de deterioração da máquina (BOCK
et al., 2012) ou;
– Quando a velocidade de processamento da máquina reduz a um certo valor
devido a deterioração da máquina (LEE; LIN, 2001).

12
Políticas de MP

•
• Política
  I – Período ótimo para maximizar a disponibilidade da máquina;

1/ β
  tp
T MP  =  θ
[t r ( β  − 1) ]
Intervalo entre MP’s   = 1349  
– Parâmetro escala; =2 = 77,9%
- Parâmetro escala =6h
=1h
- tempo de manutenção;
- Tempo de reparo.

13
Políticas de MP

•
• Política II – Período ótimo para manter uma confiabilidade limiar mínima para um
 dado período de produção;
1
  ln R0 ( t )

Intervalo entre MP’s;

[
T MP  =  − θ  β
t ] ( β  − 1 )

- Função de confiabilidade;   = 1200  T MP   ≅ 227   h

– Parâmetro escala; =2
- Parâmetro escala; = 90%
- tempo de produção. = 670 h

14
Flow shop com bloqueio, setup
dependente da sequência e manutenção
Bloqueio

M1 S1 J1 MA S1,2 J2 MA S2,3 J3 MA S3,4 J4

M2 S1 J1 MA S1,2 J2 S2,3 J3 MA S3,4 J4

Bloqueio

M3 S1 J1 MA S1,2 J2 S2,3 J3 MA S3,4 J4

M4 S1 J1 S1,2 J2 MA S2,3 J3 MA S3,4 J4

0
Término
Si,j Tempo de setup Ji Tarefa MA Atividade de MP

Figura X - Flow Shop com 4 tarefas e 4 máquinas

Fonte: Autor, 2017.

15
Métodos de Solução

• Métodos exatos
– Branch-and-bound;
– Programação dinâmica;
– Modelos de Programação Linear Inteira Mista (MILP)

• Métodos heurísticos construtivos;

– Simples;
– Compostos.

• Metaheurísticas
– Algoritmos evolutivos: Algoritmos Genéticos;
– Busca Tabu, Simulated Annealing, Iterated Greedy.

16
Métodos Heurísticos

17
Revisão da Literatura

• Problema flow shop com bloqueio;

• Problemas de scheduling com manutenção;

• O problema de scheduling com tempos de setup foi amplamente

revisado na literatura e surveys podem ser vistos em Yang e Liao
(1999), Cheng et al. (2000), Allahverdi et al. (2008) e Allahverdi
(2015).

18
Problema flow shop com bloqueio

• Foram encontradas 66 publicações;

• Métodos exatos:
– Branch-and-bound;
– Programação dinâmica.

• Heurísticas construtivas
– Simples;
– Compostas.

• Metaheurísticas
– Evolucionárias;
– Guiadas por buscas locais.

19
Métodos Exatos

Tabela 1 - Técnicas exatas para o problema flow shop com bloqueio

Problema Método Referência
Fm ȁblockȁCmax Branch & Bound Suhami; Mah (1981); Ronconi (2005); Companys;
Mateo (2007)
Bounded Dynamic Bautista et al. (2012)
Programming

F2 ቚ
block,αpi,j ቚ
Cmax Branch & Bound Lee et al. (2010)

Fm ȁblockȁσ i Ci Branch & Bound Moslehi; Khorasanian (2013); Toumi et al. (2013a);
(Toumi et al., 2013b); (Toumi et al., 2013f)
Fm ȁblockȁσ i Ti Branch & Bound Ronconi; Armentano (2001); (Toumi et al., 2013c),
(Toumi et al., 2013d); (Toumi et al., 2013e)
Fonte: Autor, 2017.

20
 Heurísticas construtivas
Tabela 5 - Relação de heurísticas construtiva para cada problema encontrado
Problema Heurística Acrônimo Referência
Profile Fitting PF Mccormick et al. (1989)
  Sequential Slowing Down; Parallel Slowing Down SSD; PSD Abadi et al. (2007)
MinMax; Minmax Enumeration; Profile Fitting MM; MME; PFE Ronconi (2004)
Enumeration.
    NME2; TRE2; PO2; PLE2 Companys et al. (2010)
  MinMax for blocking time MM-B Han et al. (2012)
    wPF; PW; wPF-NEH; PF-NEH; PW- Pan; Wang (2012)
NEH; wPF-NEHLS; PF-NEHLS; PW-
NEHLS
    mNEH Wang et al. (2012)
    PF+NEH Pan et al. (2013)
  Modified NEH m-NEH Ding et al. (2015)
    tPF; tPF-NEH(x); PFT; PFT_NEH(x) Tasgetiren et al. (2016)
  TSS; NEHLI; TSSLI Trabelsi et al. (2012)
Algorithm G Alg. G Gong et al. (2010)
Liu-Kozan; Liu-Kozan-BIH LK-BIH Liu; Kozan (2009)
  NEH-MK(k) Khorasanian; Moslehi (2012)
  Profile Fitting Heuristic 1(2); NEH Profile Heuristic 1(2) HPF1; HPF2; NHPF1; NHPF2 Ribas; Companys (2015)
    tPF-NEH Tasgetiren et al. (2016)
  Beam-Search-Based (BS(x)) Fernandez-Viagas et al. (2016)
Adapted NEH AR-NEH Armentano; Ronconi (2000)
  Fitting Processing Times and Due Dates NEH FPD; FPDNEH Ronconi; Henriques (2009)

Fonte: Autor, 2017.

21
 Heuristica Fase I Fase II Fase III
Figura 4 -
PF (1989) SM+IU Heurísticas
AR-NEH (2000) DESC(di – σ mj=1 pij) SU+IM Simples para
o problema
MM (2004) SM+IU
flow shop
SSD (2007) SU+IM com
PSD (2007) SU+IM bloqueio e m
LK-BIH (2009) SM+IM máquinas
Fonte: Autor,
FPD (2009) min( ρ ∙ fit'i + ሺ1- ρሻ∙ dynslack'i )
2017.
MM-B (2012) SU+IM

wPF (2012) SM+IU

PW (2012) SM+IU

TSS (2012) SM+IU

mNEH (2012) DESC(αAVGi + ሺ1- αሻSTDi ) SU+IM

NEH-MK(k) (2012) min( Step_MKሺiሻ) SU+IM

HPF1 (2015) SM+IU

HPF2 (2015) SM+IU

m-NEH(2015) ASC(σ mj=1 pij ) SU+IM

BS(x) (2015) DESC(𝜉𝑖 ) SM+IU

tPF (2016) SM+IU

22
PTF (2017) SM+IU
 Heuristica Fase I Fase II Fase III
Figura 5 -
MME (2004) MM SU+IM
Heurísticas
PFE (2004) PF SU+IM
compostas para o
FPDNEH (2009) FPD SU+IM
problema flow
NME2 (2010) NM SU+IM shop com
TRE2 (2010) Trapezium SU+IM bloqueio e m
PO2 (2010) Pour SU+IM máquinas
PLE2 (2010) PL SU+IM Fonte: Autor,
PF-NEH(x) (2012) PF SU+IM
2017.
wPF-NEH(x) (2012) wPF SU+IM

PW-NEH(x) (2012) PW SU+IM

PF-NEH LS(x) (2012) PF-NEH(x) + RLS (x vezes)

wPF-NEHLS (x) (2012) wPF-NEH(x) + RLS (x vezes)

PW-NEHLS (x) (2012) PW-NEH(x) + RLS (x vezes)

TSSNEH (2012) TSS SM+IU

TSSLI (2012) TSS POC (sem melhorias)

NEHNEH (2012) NEH SU+IM

NEHLI (2012) NEH POC (sem melhorias)

PF+NEH (2013) PF (n – 𝜆) + NEH (𝜆)

NPFH1 (2015) HPF1 SM+IU

NPFH2 (2015) HPF2 SM+IU

tPF_NEH(x) (2016) tPF SU+IM

23
PTF _NEH(x) (2017) PTF SU+IM
 Metaheurísticas
Tabela 9 - Métodos heurísticos de acordo com a abordagem (Continua...)
Abordagem Metaheurística Referências
Algoritmo Genético (GA) Caraffa et al. (2001), Wang et al. (2006), Sauer; Sauvey (2012), Trabelsi et al.
(2012)
Algoritmos Evolutivos Evolução Diferencial (DE) Wang et al. (2010), Pan et al. (2011), Davendra et al. (2012), Chen et al.
(2014)
Algoritmo Memético (MA) Pan et al. (2013)
  Scatter Search (SS) Riahi et al. (2017)
     
Otimização por Enxame de Partículas (PSO) Liu et al. (2008), Liang et al. (2011), Wang; Tang (2012), Eddaly et al. (2016)
Colônia Artificial de Abelhas (ABC) Han et al. (2012), Deng et al. (2012), Han et al. (2013), Han et al. (2015),
Ribas et al. (2015), Khorramizadeh; Riahi (2015)
Algoritmos baseados em Busca Harmônica (HS) Wang et al. (2010), Pan et al. (2011), Wang et al. (2011)
inteligência de enxame
Otimização por Moscas das Frutas (FFO) Han et al. (2016)
Sistema Imunológico Artificial (AIS) Lin; Ying (2013)
Migração Auto-Organizável (SOM) Davendra; Bialic-Davendra (2012)
Multi-objective discrete group search optimizer Guanlong et al. (2016)
  (DGSO)
     
Busca Tabu (TS) Nowicki (1999), Armentano; Ronconi (2000), Grabowski; Pempera (2000), Li;
Tang (2005), Grabowski; Pempera (2007)
Algoritmos guiados por Iterative Greedy (IG) Ribas et al. (2011), Khorasanian; Moslehi (2012), Ding et al. (2015),
buscas locais Tasgetiren et al. (2017)
Simulated Annealing (SA) Wang et al. (2012)

Fonte: Autor, 2017.

24
 Metaheurísticas
Tabela 9 - Métodos heurísticos de acordo com a abordagem (Conclusão.)

Abordagem Metaheurística Referências

Algoritmos guiados por buscas locais
Greedy Randomized Adaptive Search Procedure (GRASP) Ronconi; Henriques (2009)
Iterated Local Search (ILS) Ribas et al. (2013a)
Busca Variável na Vizinhança (VNS) Ribas et al. (2013b)
Metaheurística para Busca de Prioridade Aleatória (Meta-RaPS) Sadaqa; Moraga (2015)
Heurística de Inserção Variável de Blocos (VBIH) Tasgetiren et al. (2016)

Fonte: Autor, 2017.

25
Scheduling com MP
• Intervalos Fixos e parametrizáveis – A MP deve ser realizada no máximo
até o período T, estabelecido pelo programador;
• Estado de degradação da máquina – A MP deve ser realizada após a
máquina atingir um determinado nível de deterioração;
• Baseada no processamento das tarefas – A MP é realizada para recuperar
a velocidade de produção após o processamento de um certo número de
tarefas.
• Intervalos de manutenção baseadas nas distribuições de probabilidades –
O intervalo entre MP’s é calculado por meio de uma função baseada em
alguma função de distribuição de probabilidade.
• Frequências de MP’s – A MP é realizada k vezes dentro do período de
programação.

26
 Scheduling com MP
Tabela 12 - Publicações de scheduling com manutenção preventiva
Referência Problema Intervalo entre MP’s Método de Solução
Máquina Única
Graves e Lee Intervalo fixo e parametrizável SPT
(1999) EDD

Qi et al. (1999) Intervalo fixo e parametrizável Heurísticas construtivas e branch & bound
Lee e Lin (2001) Intervalo é definido pelo programador Algoritmos polinomiais

Cassady e Intervalo dado por política de MP baseado na Modelo matemático

Cassady
Kutanoglue (2003) Intervalo dado
distribuição de por política de MP baseado na
Weibull Modelo matemático
Kutanoglu (2003) distribuição de Weibull
Sortrakul et al. Intervalo dado por política de MP baseado na Algoritmos Genéticos
Sortrakul
(2005) et al. Intervalo dado
distribuição de por política de MP baseado na
Weibull Algoritmos Genéticos
(2005) distribuição de Weibull
Raza et al. (2007) Intervalo entre MP’s é fixa. Algoritmo Heurístico, Tabu Search Híbrido e
Raza et al. (2007) Intervalo entre MP’s é fixa. Algoritmo
Simulated Heurístico, Tabu Search Híbrido e
Annealing Híbrido
Simulated Annealing Híbrido
Chen (2008) Intervalo é flexível de acordo com o Modelo de programação binária inteira e
Chen (2008) Intervalo
horizonteédeflexível de acordo com o
planejamento Modelo deconstrutiva
heurística programação binária inteira e
horizonte de planejamento heurística construtiva
Mosheiov e Varia de acordo com o estado de uso da Algoritmo polinomial
Mosheiov e
Sarig, (2009a) Varia de acordo com o estado de uso da
máquina Algoritmo polinomial
Sarig, (2009a) máquina

Fonte: Autor, 2017

27
 Scheduling com MP

Tabela 12 - Publicações de scheduling com manutenção preventiva

Referência Problema Intervalo entre MP’s Método de Solução
Máquina Única
Mosheiov e Sarig, Flexível de acordo com o horizonte de planejamento Heurística construtiva e programação
(2009b) dinâmica
Yang e Yang Varia de acordo com o estado de uso da máquina Algoritmo polinomial
(2010)
Yang (2012) Definida pela frequência de AM durante a programação Algoritmos polinomiais

Bock
Bock et
et al.
al. (2012)
(2012) Intervalo
Intervalo éé definido
definido por
por uma
uma função
função linear
linear Algoritmos
Algoritmos polinomiais
polinomiais

Cheng et al. Apenas uma MP definida pela posição ótima na Algoritmo polinomial
(2012) et al.
Cheng sequência
Apenas uma MP definida pela posição ótima na Algoritmo polinomial
(2012)
Mor e Mosheiov, sequência
Intervalo é definido por uma função do tempo ou da Algoritmo polinomial
(2012) posição na sequência
Mor e Mosheiov, Intervalo é definido por uma função do tempo ou da Algoritmo polinomial
Wang
(2012)e Liu (2013) Intervalo
posição nadado por política de MP baseado na
sequência Branch & Bound
distribuição de Weibull

Wang e Liu (2013) Intervalo dado por política de MP baseado na Branch & Bound
distribuição de Weibull

Fonte: Autor, 2017

28
 Scheduling com MP
Tabela 12 - Publicações de scheduling com manutenção preventiva
Referência Problema Intervalo entre MP’s Método de Solução
Máquina Única
Zarook et al. (2014) Intervalo entre MP’s é fixo, porém há flexibilidade na execução Algoritmos Genéticos e
dentro deste intervalo Imperealist Competitive Colony
Luo e
Luo e Ji
Ji (2015)
(2015) Fixo, porém
Fixo, porém há
há flexibilidade
flexibilidade na
na execução
execução dentro
dentro deste
deste intervalo
intervalo Algoritmos polinomiais
Algoritmos polinomiais

Luo
Luo et
et al.
al. (2015)
(2015) Fixo
Fixo ee parametrizável
parametrizável Algoritmos
Algoritmos polinomiais
polinomiais

Máquinas Paralelas
Máquinas
Ashayeri etParalelas
al. (1996) Manutenção baseada na condição Modelo de Programação Linear
Ashayeri et al. (1996) Manutenção baseada na condição Inteira Mista
Modelo de Programação Linear
Inteira Mista
Lee e Chen (2000) Fixo e parametrizável branch & bound
Lee
Sun ee Chen (2000)
Li (2010) Fixo
Fixo ee parametrizável
parametrizável branch
Métodos & heurísticos
bound
Sun
Rebaie Li
et(2010)
al. (2013) Fixo e parametrizável
Definida pela melhor programação Métodos
Modelo de heurísticos
Programaçào Linear
Rebai et al. (2013) Definida pela melhor programação Inteira e heurística
Modelo de Programaçàoconstrutiva
Linear
Yang (2013) Definida por frequências de manutenção Inteira e heurística construtiva
Algoritmos polinomiais
Yang (2013) Definida por frequências de manutenção Algoritmos polinomiais

Fonte: Autor, 2017

29
 Scheduling com MP
Tabela 12 - Publicações de scheduling com manutenção preventiva
Referência Problema Ntervalo entre MP’s Método de Solução
Flow Shop
Aggoune
Aggoune (2004)
(2004) Fixo
Fixo ee parametrizável
parametrizável Algoritmo
Algoritmo genético
genético ee Tabu
Tabu Search
Search
Ruiz et al. (2007) Definida por políticas de MP baseadas em Metaheurísticas e heurísticas
Ruiz et al. (2007) Definida
Weibull por políticas de MP baseadas em Metaheurísticas
construtivas e heurísticas
Weibull construtivas
Hadda et al. (2008) Fixo e parametrizável Heurísticas construtivas
Hadda et al. (2008) Fixo e parametrizável Heurísticas construtivas
Choi et al. (2010) Fixo e parametrizável Algoritmos polinomiais
Choi
Safarietetal.al.(2010)
(2010) Fixo e parametrizável
Definida pela nível de deterioração da Algoritmos polinomiais
Hybrid Simulated Annealing-Tabu
Safari et al. (2010) máquina pela nível de deterioração da
Definida Search Simulated Annealing-Tabu
Hybrid
Khelifati e Benbouzid- máquina
Fixo e parametrizável Search
Algoritmo de para Sistema multi-agente
Sitayeb
Khelifati(2011)
e Benbouzid- Fixo e parametrizável Algoritmo de para Sistema multi-agente
Sitayeb
Sitayeb (2011)
et al. (2011) Fixo e parametrizável Algoritmo Genético, Tabu Search e NEH.
Sitayeb
Hnaien eetYalaoui
al. (2011) Fixo e parametrizável
Definida por frequências de manutenção Algoritmo
Modelo deGenético, TabuInteira,
Programação Search e NEH.
(2013)
Hnaien e Yalaoui Definida por frequências de manutenção Algoritmos Genéticos
Modelo de Programação Inteira,
(2013)
Vahedi-Nouri et al. Definida por frequências de manutenção Algoritmos
Programação Genéticos
Inteira, Heurística
(2013)
Vahedi-Nouri et al. Definida por frequências de manutenção construtiva e Simulated
Programação Annealing
Inteira, Heurística
(2013)
Vahedi-Nouri et al. Definida por frequências de manutenção construtiva e Simulated Annealing
Programação inteira, Hybrid Firefly,
(2014)
Vahedi-Nouri et al. Definida por frequências de manutenção Simulated Annealing e heurística
Programação inteira, Hybrid Firefly,
(2014) construtiva.
Simulated Annealing e heurística
Wang e Liu (2014) Definida pela distribuição de Weibull construtiva.
Algoritmos Genéticos
Wang e Liu
Yu e Seif (2016)(2014) Definida
Definido pela
pelo distribuição de Weibullda
nível de manutenção Algoritmos Genéticos
Modelo de programação inteira e
Yu e Seif (2016) máquina pelo nível de manutenção da
Definido Algoritmo
Modelo deGenético
programação inteira e
máquina Algoritmo Genético

Fonte: Autor, 2017

30
 Scheduling com MP
Tabela 12 - Publicações de scheduling com manutenção preventiva
Referência
Flow Shop Híbrido/Flexível
Allaoui e Artiba (2004)
Zandieh e
Zandieh e Gholami
Gholami (2009)
(2009)
Wang e Liu (2014b)
Wang e Liuet(2014b)
Khamseh al. (2015)
Khamseh et al. (2015)
Fonte: Autor, 2017
Problema Ntervalo entre MP’s Método de Solução
Definida por frequências de manutenção Simulated Annealing
Definido pela
Definido pela distribuição
distribuição exponencial
exponencial Immune Algorithm
Immune Algorithm
Definido pela distribuição exponencial Tabu Search
Definido
Definido pela distribuição
por políticas exponencial
baseadas na distribuição Tabu Search
Simulated Anneling e Algoritmo
de Weibull
Definido por políticas baseadas na distribuição Genético
Simulated Anneling e Algoritmo
de Weibull Genético
31
Definição do problema
• Flow shop com bloqueio;

• Tempos de setup dependente da sequência e antecipatórios;

• Ocorrência de Manutenção Preventiva

– Nível de manutenção dos t componentes das m máquinas;
– Nível máximo de manutenção de cada componente é dada por políticas de
Manutenção Preventiva propostas por Cassady e Kutanoglu (2003) e Ruiz et al.
(2007).

32
Definição do problema

• Para a taxa de deterioração dos componentes das máquinas

estabelecemos níveis de manutenção (NM) que vão linearmente
decrescendo durante o processamento das tarefas;

• Dado que uma máquina é composta por vários componentes

reparáveis, determinamos níveis de manutenção (NM) para um
número l de componentes reparáveis de uma máquina j. O conceito
de NM aplicado ao problema de scheduling foi proposto por Bock et
al. (2012), para o problema de máquina única. Posteriormente, Yu e
Seif (2016) aplicaram este conceito para o problema flow shop
permutacional;

33
Definição do problema

• Para a taxa de deterioração dos componentes das máquinas

estabelecemos níveis de manutenção (NM) que vão linearmente
decrescendo durante o processamento das tarefas;

• Dado que uma máquina é composta por vários componentes

reparáveis, determinamos níveis de manutenção (NM) para um
número l de componentes reparáveis de uma máquina j. O conceito
de NM aplicado ao problema de scheduling foi proposto por Bock et
al. (2012), para o problema de máquina única. Posteriormente, Yu e
Seif (2016) aplicaram este conceito para o problema flow shop
permutacional;

34
N1 de M1

0
DEFINIÇÃO DO PROBLEMA
N2 de M1

N1 de M2
0

N2 de M2
0

M1 S1,1 J1 S1,2,,1 J2 B1,2,1 MA1,1 S2,3,,1 J3 S3,4,,1 J4

M2 S1,2 J1 MA1,2 S1,2,,2 J2 S2,3,,2 J3 MA2,2 S3,4,2 J4

0
C1 C2 C3 C4
Si,j,k Tempo de setup Ji Tarefa MAj,k Atividade de MP
Figura 6 - Problema flow shop com duas máquinas, com bloqueio, com tempos de setup dependentes da sequência e com ocorrências de
manutenção preventiva de dois componentes reparáveis
Fonte: Autor, 2017.

35
 Definição do problema
R1,,1 C1,,1 R2,1 C2,1 R3,1 C2,1 R4,1 B4,5,1 R5,1 C5,1
C4,1

M1 S1,1 J1 MA21,2,1 S1,2,,1 J2 1

B2,3,1 MA 2,3,1 S2,3,,1 J3 MA21,2,1 S3,4,,1 J4 MA12,3,1 S4,5,1 J5

R1,,2 C1,,2 R2,2 C2,2 R3,2 C2,2 R4,2 C4,2 R5,2 C5,2

M2 S1,2 J1 MA11,2,2 S1,2,,2 J2 S2,3,,2 J3 MA23,4,2 S3,4,2 J4 S4,5,2 J5

R1 ,3 C1,,3 R2,3 C2,3 R3,3 R4,3 C4,3 R5,3 C5,3

C2,3 B3,4,3

M3 S1,3 J1 MA11,2,3 S1,2,,2 J2 S2,3,2 J3 MA23,4,3 S3,4,2 J4 MA14,5,3 S4,5,2 J5

R1,4 C1,,4 R2,4 C2,4 R3,4 C2,4 R4,4 C4,4 R5,4 C5,4

M4 S1,4 J1 S1,2,,2 J2 MA22,3,4 S2,3,4 J3 MA13,4,4 S3,4.4 J4 S4.5,4 J5

0
C1 C2 C3 C4 C5
Si,j,k Tempo de setup Ji Tarefa MAti-1,I,j Atividade de MP

Figura 7 - Flow shop com 5 tarefas e com 4 máquinas

Fonte: Autor, 2017.

36
 Definição do problema
R1,,1 C1,,1 R2,1 C2,1 R3,1 C2,1 R4,1 B4,5,1 R5,1 C5,1
C4,1

M1 S1,1 J1 MA21,2,1 S1,2,,1 J2 1

B2,3,1 MA 2,3,1 S2,3,,1 J3 MA21,2,1 S3,4,,1 J4 MA12,3,1 S4,5,1 J5

R1,,2 C1,,2 R2,2 C2,2 R3,2 C2,2 R4,2 C4,2 R5,2 C5,2

M2 S1,2 J1 MA11,2,2 S1,2,,2 J2 S2,3,,2 J3 MA23,4,2 S3,4,2 J4 S4,5,2 J5

R1,3 C1,,3 R2,3 C2,3 R3,3 R4,3 C4,3 R5,3 C5,3

C2,3 B3,4,3

M3 S1,3 J1 MA11,2,3 S1,2,,2 J2 S2,3,2 J3 MA23,4,3 S3,4,2 J4 MA14,5,3 S4,5,2 J5

R1,4 C1,,4 R2,4 C2,4 R3,4 C2,4 R4,4 C4,4 R5,4 C5,4

M4 S1,4 J1 S1,2,,2 J2 MA22,3,4 S2,3,4 J3 MA13,4,4 S3,4.4 J4 S4.5,4 J5

0
C1 C2 C3 C4 C5
t
Si,j,k Tempo de setup Ji Tarefa MA i-1,I,j Atividade de MP

 - Instante de Início da tarefa que ocupa a posição i na máquina j;

  - Instante de termino da tarefa que ocupa a posição i na máquina j
 - Atividade da l-ésima manutenção entre as tarefas que ocupam as posições i – 1 e i na máquina j
  - tempo de setup na máquina j entre as tarefas que ocupam as posições i – 1 e i

37
 Exemplo de Cálculo do instante
de término
C1,0 = 0  

 - Instante de Início da tarefa que ocupa a posição i na máquina j;

  - Instante de termino da tarefa que ocupa a posição i na máquina j
 - Atividade da l-ésima manutenção entre as tarefas que ocupam as posições i – 1 e i na máquina j
  - tempo de setup na máquina j entre as tarefas que ocupam as posições i – 1 e i

38
 Exemplo de Cálculo do instante
de término
Tabela 15 - Problema flow shop com 7 tarefas e 5 máquinas Tabela 17 - Taxas de deterioração dos níveis de manutenção
Máquinas J1 J2 J3 M1 J1 J2 J3 M2 J1 J2 J3

M1 35 42 25 1,5 0,9 1,1 0,5 0,5 0,3

M2 27 9 69 0,4 0,4 0,9 0,2 1,8 0,2

M3 45 35 23 M3 J1 J2 J3 M4 J1 J2 J3
M4 72 45 52 1,4 1,1 0,8 0,2 1,9 1,4
Fonte:
DatasAutor, 2017. (di)*
de entrega 311 255 140 1,9 0,3 1,7 1,4 0,7 0,3

Tabela 16 - Tempo de setup entre pares de tarefas para cada máquina Fonte: Autor, 2017.
M1 J1 J2 J3 M2 J1 J2 J3 Tabela 18 - Quantidade de deterioração dos componentes em relação ao processamento das tarefas
J1 4 21 15 J1 11 19 3 M1 J1 J2 J3 M2 J1 J2 J3

J2 9 8 7 J2 13 6 3 52,5 37,8 27,5 13,5 4,5 20,7

J4 7 8 14 J4 17 11 19 14 16,8 22,5 5,4 16,2 13,8
M3 J1 J2 J3 M4 J1 J2 J3 M3 J2 J3 M4 J2 J3
J1 J1
J1 7 13 5 J1 10 16 7
63 38,5 18,4 14,4 85,5 72,8
J2 2 2017.10 3 J2 1 20 11
Fonte: Autor,
85,5 10,5 39,1 100,8 31,5 15,6
J4 1 5 11 J4 17 3 12
Fonte: Autor, 2017.

39
Exemplo de Cálculo do instante
de término
M1 J1 J2 J3 M2 J1 J2 J3
52,5 37,8 27,5 13,5 4,5 20,7
14 16,8 22,5 5,4 16,2 13,8
M3 J1 J2 J3 M4 J1 J2 J3

63 38,5 18,4 14,4 85,5 72,8

85,5 10,5 39,1 100,8 31,5 15,6

Tabela 19 - Identificação das manutenções preventivas entre tarefas

NMj,1 AM1,j J1 J2 J1-J2 J2 J3 J2-J3

M1 = 150 97,5 59,7 - 59,7 32,2 -

M2 = 78 64,5 60 - 60 39,3 -

M3 = 90 27 -11,5 2 51,5 33,1 -

M4 = 120 105,6 20,1 - 20,1 -52,7 18

NMj,2 AM2,j J1 J2 J1-J2 J2 J3 J2-J3

M1 = 130 116 99,2 - 99,2 76,7 -

M2 = 62 56,6 40,4 - 40,4 26,6 -

M3 = 100 14,5 4 - 4 -35,1 8

M4 = 105 4,2 -27,3 1 73,5 57,9 -

40
Exemplo de Cálculo do instante
de término
Cálculo da primeira tarefa: Cálculo
  da segunda tarefa:
 

Cálculo
  da terceira tarefa:

41
Planejamento da Pesquisa
•
•  
Para gerar os bancos de problemas, utilizou-se as configurações sugeridas por Ruiz et al. (2005), Ruiz et al.
(2007)e Yu e Seif (2016);
• A geração das datas de entrega das tarefas para o problema terá como base o limitante inferior proposto por
Potts e Van Wassenhove (1982) e seguirá o que foi pontuado por Armentano e Ronconi (2000);
• Por fim, para cada configuração de n, m, , DMP e Si,j,k foram gerados 10 problemas diferentes, resultando em um
total de 19.200 problemas para cada política, ou seja, um total de 38.400 problemas ao todo.

n {20, 50, 100, 200}

m {5,10,15, 20}
l {1, 2, 3, 4, 5}
DMP {25%, 50%, 75%, 100%, 125%, 150%}
Si,j,k {10%, 50%, 100%, 125%}

42
Período 2017
Atividades Jul. Ago. Set. Out. Nov. Dez.

Revisão de Literatura (Atualização de novos artigos)            

           
           
           
           
           
           
Análise dos resultados            
Redação do texto da tese            
Redação e divulgação dos resultados em revistas, anais ou resumos      
Período 2018
Atividades Jan. Fev. Mar. Abr. Mai. Jun.
Revisão de Literatura (Atualização de novos artigos)            
           
           
           
Análise dos resultados            
Redação do texto da tese            
Redação e divulgação dos resultados em revistas, anais ou resumos
Período 2018
Atividades Jul. Ago. Set. Out. Nov. Dez.
Revisão de Literatura (Atualização de novos artigos)            
           
           
Análise dos resultados            
Redação do texto da tese            
Redação e divulgação dos resultados em revistas, anais ou resumos      

43
Período 2019
Atividades Jan. Fev. Mar. Abr. Mai. Jun.
Atividades
Revisão de Literatura (Atualização de novos artigos) Jan.
  Fev.
  Mar.
  Abr.
  Mai.
  Jun.
 
Proposição de metaheurística
Revisão de Literatura parade
(Atualização o problema
novos artigos)                  
Análise dos resultados            
Redação do texto da tese            
Redação e divulgação
Análise dos resultadosdos resultados em revistas, anais ou resumos            
Revisão do texto da tese            
Redação dotese
Entrega da texto da tese                  
Redação
Período e divulgação dos resultados em revistas, anais ou resumos 2019
Atividades
Revisão do texto da tese Jul.
  Ago.
  Set.
  Out.
  Nov.
  Dez.
 
Defesa
Entregada
daTese
tese                  
Correção das sugestões da banca            
Período
Entrega dos exemplares definitivos da tese       2019      
Redação e divulgação dos resultados em revistas, anais ou resumos
Atividades  
Jul. Ago.  
Set.  
Out.  
Nov.   
Dez.
Defesa da Tese            
Correção das sugestões da banca            
Entrega dos exemplares definitivos da tese            
Redação e divulgação dos resultados em revistas, anais ou resumos           

44
Contribuições para o problema flow shop com
bloqueio, tempos de setup e manutenção
preventiva

Aluno: Hugo Hissashi Miyata

Orientador: Prof. Dr. Marcelo Seido Nagano
Qualificação de doutorado

São Carlos 9 de Agosto de 2017

45