simulaÇÃo a eventos discretos como uma ferramenta … · ... analisar o efeito de mudanças nos...

SIMULAÇÃO A EVENTOS DISCRETOS COMO UMA FERRAMENTA PARA AVALIAÇÃO ECONÔMICA DE CENÁRIOS EM UMA CÉLULA

DE MANUFATURA

Rafael Florêncio da Silva Costa Universidade federral de Itajubá(UNIFEI)

Caixa postal 50, CEP:37500-903,Itajubá,MG [email protected]

Mona Liza Moura de Oliveira

Universidade federral de Itajubá(UNIFEI) Caixa postal 50, CEP:37500-903,Itajubá,MG

[email protected]

José Arnaldo Barra Montevechi Universidade federral de Itajubá(UNIFEI)


Fabiano Leal

Universidade federral de Itajubá(UNIFEI) Caixa postal 50, CEP:37500-903,Itajubá,MG

[email protected]

Alexandre Ferreira de Pinho Universidade federral de Itajubá(UNIFEI)


RESUMO

Este artigo apresenta uma aplicação do uso combinado da simulação a eventos discretos, do planejamento de experimentos e da análise econômica de investimentos para avaliar cenários em uma célula de manufatura de uma indústria do setor de autopeças. Para isto, o processo de produção da célula foi documentado através de um mapa de processos, que constituiu o modelo conceitual de simulação. Em seguida, o modelo computacional do sistema real foi construído no Promodel®, verificado e validado por técnicas estatísticas. Com este modelo validado, foi executado um projeto fatorial completo com três fatores em dois níveis e cinco réplicas. Esse projeto permitiu a seleção dos cenários significativos para a realização da análise econômica. Então, o fluxo de caixa de cada cenário relevante foi construído a partir do total produzido fornecido pelo modelo de simulação. Por fim, uma análise de viabilidade econômica foi realizada pelo método do Valor Presente Líquido.

PALAVRAS-CHAVE: Simulação. Avaliação econômica. Aplicação Industrial. Área de classificação principal (Simulação)

ABSTRACT

This paper presents an application of the combined use of the discrete event simulation, design of experiments and economic analysis to evaluate scenarios in a manufacturing cell from an automotive plant. For this, the cell production process was documented by a process map, which was the simulation conceptual model. Then, a computational model was built in Promodel® to emulate the real system. After that, it was verified and validated by using statistical techniques.

XLI SBPO 2009 - Pesquisa Operacional na Gestão do Conhecimento Pág. 3355

After to validate the model, a full factorial design with three factors at two levels and five replicates was runned. This project allowed the screening of the significant scenarios to be economic analysed. So the cash flow of each relevant scenario was built and the output from the simulation model was used to compose the revenue. Finally, an analysis of economic feasibility was performed by using the Net Present Value method.

KEYWORDS: Simulation. Economic analysis. Industrial appications. Main area (Simulation). 1. Introdução

As mudanças econômicas ocorridas nos últimos meses evidenciaram a necessidade de rápidos ajustes estratégicos e estruturais em muitos setores da economia brasileira, e no setor de manufatura não poderia ser diferente.

Segundo Hernandez-Matias et al. (2008), a alta competitividade das indústrias modernas leva as empresas a um contínuo refinamento de seus processos de manufatura, e em muitos casos, os resultados obtidos de análises convencionais deixam uma lacuna na descrição destes sistemas complexos.

Esses modernos sistemas de manufatura são constituídos de muitas operações discretas que ocorrem aleatoriamente e de forma não linear para que modelos matemáticos ou outros métodos sejam práticos (O’KANE, SPENCELEY, e TAYLOR, 2000).

O modelo de simulação consegue capturar com mais fidelidade essas características, procurando repetir em um computador o mesmo comportamento que o sistema apresentaria quando submetido às mesmas condições de contorno (CHWIF e MEDINA, 2007).

Deste modo, analisar o efeito de mudanças nos sistemas produtivos de forma eficiente e rápida é, atualmente, uma necessidade de todas as indústrias. A Simulação a Eventos Discretos, o Planejamento de Experimentos e a Análise Econômica de Investimentos são técnicas que podem ser combinadas e aplicadas nesses sistemas, como no trabalho de Nazzal, Mollaghasemi e Anderson (2006).

Modelagem por simulação a eventos discretos tem se tornado uma das técnicas de análise de sistemas complexos de manufatura mais populares e de melhor custo benefício (BANKS et al., 2005; O’KANE, SPENCELEY, e TAYLOR, 2000).

A simulação computacional pode ser definida como a representação virtual de um sistema da vida real através de um modelo, tornando possível o estudo do sistema sem que seja necessário construí-lo na realidade, ou mesmo fazer modificações nesse sistema, e estudar os resultados dessas modificações, sem que haja necessidade de alterá-lo previamente (HARREL, GHOSH e BOWDEN, 2000).

A comparação de sistemas alternativos é um dos mais importantes usos da simulação (BANKS et al., 2005). No caso de problemas de engenharia econômica, os sistemas alternativos geralmente tomam a forma de projetos alternativos. Além disso, esses projetos geralmente são mutuamente exclusivos, isto é, o tomador de decisão pode escolher somente um para investir. Portanto, uma análise de alternativas pode ser conduzida selecionando o melhor investimento. À medida que os projetos tornam-se mais complexos, a simulação providencia uma ferramenta adequada para conduzir esta análise (COATES e KUHL, 2003).

Sendo assim, a proposta deste artigo é apresentar uma aplicação do uso combinado da simulação a eventos discretos, do planejamento de experimentos e da análise econômica de investimentos para avaliar cenários em uma célula de manufatura de uma indústria do setor de autopeças.

A principal vantagem de se utilizar um modelo de simulação computacional para representar o sistema real de manufatura, neste tipo de análise econômica, é que o modelo considera a aleatoriedade do sistema e a evolução do mesmo ao longo do tempo. Particularmente, o modelo de simulação é utilizado como uma ferramenta para se obter respostas a sentenças do tipo: “o que ocorre se...” (CHWIF e MEDINA, 2007).

Este artigo está estruturado da seguinte forma: a seção 2 mostra o método de pesquisa que conduziu o trabalho, a seção 3 traz a aplicação deste método no objeto de estudo, que é uma


célula de manufatura de uma indústria automotiva, em seguida, a seção 4 relata a construção dos experimentos, na seção 5 os resultados desta aplicação são discutidos e finalmente, a seção 6 apresenta as principais conclusões do trabalho.

2. Método de Pesquisa

Esta pesquisa é de natureza aplicada, quanto aos objetivos é explicativa, quanto à forma de abordar o problema é quantitativa e o método utilizado é a modelagem e simulação.

Diversas estruturas para ilustrar as etapas de um estudo de modelagem e simulação podem ser encontradas na literatura da área. Por exemplo: Banks (1998), Chwif e Medina (2007), Law (2006), Montevechi et al. (2007) e Sánchez (2007). Este trabalho foi conduzido de acordo com a estrutura apresentada por Montevechi et al. (2007), onde é apresentado um fluxograma que mostra a sequência de passos de um estudo completo de simulação, que é composto de três etapas: concepção, implementação e análise. A Figura 1 mostra este fluxograma.

Na Concepção, a equipe do projeto de simulação define os objetivos e o escopo do estudo. Então, o modelo conceitual é construído com o objetivo de representar o sistema existente, facilitando a construção do modelo computacional de simulação.

Segundo Balci (2003), um modelo conceitual de simulação é o modelo formulado na mente do modelador e especificado em uma variedade de formas comunicativas utilizadas por diferentes usuários como gestores, analistas e desenvolvedores. Algumas técnicas que podem ser utilizadas são: fluxograma, mapa de processos, SIPOC (Suppliers Inputs Process Outputs Customers), IDEF0 (Integrated Definition methods language 0) como encontrado em Montevechi et al. (2008) e IDEF-SIM (Integrated Definition methods-Simulation) proposto por Leal, Almeida e Montevechi (2008).

Uma vez que o modelo conceitual foi construído e validado pelos especialistas do processo, as variáveis independentes e as variáveis dependentes são definidas. Em seguida, os dados de entrada são coletados e ajustados a uma distribuição de probabilidade que alimenta o modelo computacional. Ressalta-se que o modelo de simulação será confiável se os dados de entrada também forem.

Na etapa de implementação, o modelo conceitual é convertido em modelo computacional, através da programação em um simulador. Um ponto importante em um estudo de simulação é a escolha correta do software (CHWIF e MEDINA, 2007). Hlupic e Paul (1996) apresentam uma abordagem metodológica para seleção do software de simulação de acordo com alguns critérios como custo e tempo de processamento.

Em seguida, o modelo computacional deve passar por dois procedimentos fundamentais em um estudo de simulação: a validação e a verificação. O termo validação se refere ao modelo conceitual, ou seja, consiste em aceitar ou não o modelo como uma boa representação do sistema real. Embora exista a validação operacional atribuída ao modelo computacional, que consiste em se utilizar técnicas estatísticas, como testes de hipóteses, para comparar a igualdade entre os dados reais e simulados. Já a verificação está ligada ao modelo computacional, ou seja, consiste em se comprovar que o modelo conceitual foi corretamente traduzido em um modelo computacional. Em outras palavras, verificar se o modelo está sendo construído de forma correta. Estudos específicos sobre verificação e validação de modelos podem ser encontrados em Balci (2003), Banks et al. (2005), Kleijnen et al. (2005) e Sargent (2004).

Por último, e não menos importante, a fase de análise. Uma vez que o modelo foi verificado e validado, está apto a receber experimentos, dentro dos limites de validação. Sanchez (2007) afirma que o processo de construir, verificar e validar um modelo de simulação pode ser árduo, mas uma vez que ele está completo, então é o momento de ter o modelo trabalhando para o modelador.

Kleijnen et al. (2005) afirmam que muitos praticantes de simulação podem conseguir mais de suas análises por usar a teoria estatística de planejamento de experimentos (DOE) desenvolvida especificamente para explorar modelos computacionais. Os benefícios do DOE na simulação incluem a possibilidade de melhoria do desempenho no processo de simulação, evitando a técnica da tentativa e erro para a busca de soluções (Montevechi et al., 2007).


1.1 Objetivos edefinição do sistema

1.2 Construção domodelo conceitual

1.3 Validação domodelo conceitual

Validado?N

1.4 Modelagem dosdados de entrada

Dados domundo real

Modeloconceitual

S

CONCEPÇÃO

2.1 Construção domodelo

computacional

2.2 Verificação domodelo

computacional

Validado?N Modelo

ComputacionalS

2.3 Validação domodelo operacional

Validado?N

3.1 Definição do projetoexperimental

IMPLEMENTAÇÃO

S

3.2 Execução dosexperimentos

3.3 Análise estatística

3.4 Conclusões erecomendações

ANÁLISE

Verificado?

Figura 1 – Sequência de passos de um projeto de simulação

Fonte: Montevechi et al. (2007)

Neste trabalho, os cenários relevantes pela análise do DOE foram analisados do ponto de vista econômico pelo método do Valor Presente Líquido (VPL). De modo que cada modelo de simulação forneceu a quantidade de peças produzidas por ano para o cálculo do VPL do respectivo cenário.

O Valor Presente Líquido é uma medida de quanto valor é criado ou adicionado hoje por realizar um investimento. Dada a meta de criar valor para os acionistas, o processo de orçamento de capital pode ser encarado como uma busca de investimentos com valores presentes líquidos positivos (ROSS, WESTERFIELD e JORDAN, 2002).

O VPL foi adotado como critério econômico de decisão porque o VPL considera os


princípios da matemática financeira, sendo um método correto, e bastante prático para realizar análises envolvendo alternativas com investimentos diferentes sob a mesma vida econômica. Se o VPL for positivo, o investimento é atrativo, viável e a empresa estará ganhando dinheiro se realizar o investimento. Caso o VPL for negativo, significa que o projeto não é viável do ponto de vista econômico. E para casos em que o VPL for igual a zero, o projeto é indiferente. Estudos mais aprofundados podem ser encontrados em Casarotto e Kopittke (1998).

3. Aplicação do método no objeto de estudo

A aplicação da simulação foi motivada, principalmente, por duas situações que os engenheiros precisavam resolver.

Primeiro, a planta na qual esta célula está inserida passava pela implantação da filosofia Lean de produção. Por isso, havia a necessidade de implantação do fluxo contínuo entre as operações da célula, o que poderia envolver mudanças no leiaute e nas atividades realizadas pelos colaboradores.

E segundo, pelo apelo ambiental, já que o desengraxante atual poderia ser substituído por uma solução alcalina, menos agressiva ao meio ambiente.

Deste modo, com o uso da simulação, a gerência pôde testar cenários que contemplavam tais premissas. Estes cenários foram construídos a partir do modelo de simulação do sistema real, verificado e validado.

O sistema real que foi simulado é uma célula de manufatura de uma empresa de autopeças, localizada no sul de Minas Gerais. Esta célula transforma a matéria-prima (fitas de aço inox) em produtos semi-acabados. Após a primeira operação de conformação mecânica, as unidades são inspecionadas (por amostragem), então são levadas pelos colaboradores para serem desengraxadas e só depois elas podem passar por um tratamento térmico. Logo que elas saem do tratamento térmico, são inspecionadas novamente (por amostragem) e seguem para a célula seguinte, conforme mostra o mapa de processos da Figura 2, doravante chamado modelo conceitual da simulação da célula de manufatura.

Atualmente, estão disponíveis para a produção nove máquinas (4 máquinas tipo 01, 4 máquinas tipo 02 e 1 máquina tipo 03) e dois fornos. Existem dois colaboradores que operam duas máquinas cada um. Eles são responsáveis pela inspeção ao longo de suas operações e pelos deslocamentos de material em processo. Também existe um colaborador que carrega e opera os fornos, leva os produtos até a operação de desengraxe e os coloca nos fornos.

O modelo conceitual, apresentado na Figura 2, foi submetido à avaliação dos especialistas do processo e foi validado. Em seguida, foram escolhidas para alimentar o modelo dezesseis variáveis independentes e estocásticas. Esses dados foram obtidos através de cronometragem diretamente no sistema real ou de dados históricos (últimos seis meses). Com a utilização do software Minitab®, para cada amostra de cada variável, foi construído um diagrama de caixas a fim de se identificar e eliminar os valores não usuais (outliers). Após este tratamento, foi realizado um teste de aderência dos dados de cada amostra à distribuição de probabilidades Normal. Por este teste de normalidade foi comprovado que todas as variáveis poderiam ser aproximadas por uma Normal. Não significa que a Normal é a melhor distribuição para esses dados, mas o fato dessas variáveis poderem ser aproximadas por uma Normal implicará na seleção de técnicas específicas para a validação operacional do modelo.

Na fase de implementação, o modelo conceitual foi convertido em um modelo computacional através do simulador Promodel versão 7.0®. Esta escolha foi determinada principalmente pela experiência que os pesquisadores têm com o simulador, além de diferenciais como: animação da simulação e recursos visuais, recursos que facilitam a etapa de verificação do modelo computacional e a validação face a face do modelo computacional por especialistas do processo; relatórios e gráficos em 3D com as estatísticas do modelo; comandos de rastreamento; possibilidade de comunicação com o Excel através da importação e exportação de dados e possibilidade de programação em linguagem C.


Figura 2 – Mapa de processos para a célula de manufatura estudada, modelo conceitual

A Figura 3 apresenta a tela do modelo computacional do sistema real construído no simulador, após a construção sucessiva de 17 modelos, por ordem crescente de dificuldade.

Figura 3 – Tela do modelo computacional construído no simulador Promodel


O modelo foi dividido em dois módulos. Fato que ajudou na verificação do modelo. Então, foram escolhidas duas variáveis de saída para o modelo, total produzido diariamente no módulo 1 e total produzido no módulo 2. Cabe ressaltar que a programação através de linguagem C e utilizando recursos do simulador (Matrizes) foi um desenvolvimento que possibilitou que os valores destas variáveis fossem exportados diretamente para o Excel, facilitando a construção do fluxo de caixa.

Para a realização da validação estatística, o modelo foi executado para dezoito dias de produção, com dez réplicas cada um. Tendo-se assim dez valores para cada dia de produção, para cada uma das duas variáveis de saída. O valor de cada variável de saída foi determinado utilizando-se a média das dez réplicas. A mesma quantidade de dados de saída do modelo simulado foi extraída do sistema real para o mesmo período.

Passa-se então para a etapa de validação operacional do modelo computacional. Entretanto, como as saídas do modelo são variáveis discretas, foi necessário realizar uma transformação para a estabilização da variância (raiz quadrada do total produzido), conforme apresentado por Bisgaard e Fuller (1994), antes de se aplicar as técnicas estatísticas para a validação operacional propriamente dita.

Após a transformação de estabilização da variância, foi realizado um teste de aderência com estes dados, para cada uma das duas variáveis. Novamente, estes dados podem ser ajustados como uma distribuição Normal. Sendo assim, o próximo passo foi a realização de um Teste F, que testa a hipótese de que os dois conjuntos de dados (real e simulado) tem variâncias iguais.

Foi verificado através do teste F que os dois conjuntos de dados (real e simulado) têm variâncias iguais. A partir desta informação, pode-se então realizar um teste T para duas amostras independentes, que testa a hipótese de que não há diferença estatística entre os dois conjuntos de dados analisados (real e simulado). Então, após este teste pode-se dizer que o modelo computacional do sistema real está validado estatisticamente, em outras palavras, diz-se que o modelo computacional está apto para receber experimentações nestas duas variáveis de saída analisadas. Tem-se então o modelo operacional ou experimental da célula de manufatura estudada.

4. Experimentação

Nesta fase de análise, modelos experimentais (cenários) são construídos a partir do modelo validado. Estes cenários foram construídos a partir de percepções de melhorias no sistema real. Utilizando-se de um modelo de simulação, estas percepções podem ser testadas antes de serem implantadas no sistema real.

Conforme discutido no item 2, estes experimentos serão conduzidos através de uma técnica adequada para este fim, que é o Planejamento de Experimentos Simulados, ou seja, DOE aplicado no modelo de simulação construído.

A matriz experimental utilizada foi a do tipo 2k. Onde k é o número de fatores. O Planejamento Fatorial completo foi escolhido, pois, permite a consideração do efeito de todos os fatores e das interações de todas as ordens. Experimentos fatoriais é a única maneira de descobrir interações entre as variáveis (MONTGOMERY e RUNGER, 2003). Deste modo, cada um dos oito experimentos (pois, k = 3) será chamado de cenário.

Todos os cenários contemplam a substituição do desengraxante nocivo ao meio ambiente, através da substituição da máquina atual por outra que trabalhe entre as máquinas 01 e 02 da célula, possibilitando o fluxo contínuo entre as atividades da célula. Entretanto, os cenários se diferenciam quanto ao número de colaboradores dentro do primeiro módulo, número de turnos para o segundo módulo e número de máquinas automáticas dentro do primeiro módulo. A Tabela 1 mostra esses fatores e seus respectivos níveis.

Considerando três fatores, com dois níveis cada, tem-se um total de oito experimentos realizados (oito cenários avaliados). Considerando-se cinco réplicas para cada experimento, gerou-se um total de quarenta valores para a variável de resposta. Cabe ressaltar que a realização desses experimentos sem simulação seria inviável na prática, pois, a célula de produção não pode ser paralisada, além de envolver a realização de investimentos e contratação de pessoal sem uma


previsão confiável de como seria o resultado.

Tabela 1- Fatores e níveis

5. Resultados

O efeito de cada fator sobre o número de peças produzidas por mês foi conhecido através da execução do Planejamento Fatorial completo via Minitab®. O peso dos efeitos pode ser visualizado na Figura 4, lado direito, através do gráfico de Pareto para os efeitos padronizados.

O gráfico de probabilidade normal dos efeitos também é mostrado na Figura 4 (lado esquerdo). Essa figura ilustra o que pode ser comprovado pela análise do valor P da ANOVA, mostrada na Tabela 2, ou seja, se um fator afeta o total produzido ou não. Um valor P menor que 0,05 significa que este fator é importante para esta medida de desempenho.

Efeitos padronizados

Per

cent

agem

100500-50

99

95

90

80

70

60

50

40

30

20

10

5

1

Effect TypeNot SignificantSignificant

Ter

mo

Efeito padronizado

ABC

AB

AC

A

BC

B

C

1007550250

2,0

BC

AC

C

B

A

Gráfico de Probabilidade Normal para os efeitos Gráfico de Pareto para os efeitos padronizados

Figura 4 – Gráficos probabilidade normal e Pareto Portanto, dos oito cenários testados, apenas cinco são significativos para 95% de confiança.

E os três fatores principais são importantes. Apenas as interações AB e ABC não são significantes.

A Figura 5 mostra os efeitos dos fatores principais sobre o total de peças produzidas por mês. Pela interpretação desta figura, o fator C (Quantidade de máquinas automáticas) possui um forte efeito positivo sobre a medida de desempenho adotada. Isto significa que, a alteração do nível inferior para o nível superior, o total de peças produzidas por mês aumenta significativamente. O fator A (número de funcionários) possui um fraco efeito positivo sobre o total de peças produzidas, porém é significativo. Já o fator B (quantidade de turnos) possui um moderado efeito negativo, de modo que a alteração dos atuais três turnos para dois turnos apresentaria uma queda significativa no total de peças produzidas por mês.


Tabela 2- Análise de variância (ANOVA) para o total produzido por mês

Cabe ressaltar que para o modelo ser formulado adequadamente, os resíduos precisam ser aleatórios, normais, independentes (não correlacionados) e identicamente distribuídos. Neste trabalho, a análise dos resíduos foi realizada para comprovar a validade do modelo do DOE.

Méd

ia d

o to

tal p

rodu

zido

42

3200000

3000000

2800000

2600000

240000023

40

3200000

3000000

2800000

2600000

2400000

funcionários turnos

máquinas

Gráfico dos efeitos dos fatores sobre o total produzido por mês

Figura 5 – Gráfico dos efeitos principais

Para fins gerenciais, torna-se importante analisar qual cenário é mais viável para a empresa

do ponto de vista econômico. Nesta análise pretende-se responder a seguinte questão: a receita gerada pelo incremento no total produzido, causado pela mudança do nível inferior para o superior, é maior do que os investimentos e gastos necessários para isto?

Destaca-se aqui a importância de se utilizar o planejamento de experimentos para verificar a significância das variáveis que se está interessado em estudar. Neste caso, todos os fatores considerados foram significativos, mas em outras situações podem existir fatores não significativos, que não precisam ser considerados na análise econômica. Por exemplo, em um projeto com dez fatores, seriam necessários mil e vinte e quatro experimentos. Torna-se então muito importante realizar uma análise para saber quais fatores são relevantes para a análise econômica.

Para cada um dos cinco cenários relevantes foi construído um fluxo de caixa. Este foi construído considerando o incremento no total anual produzido pelo cenário multiplicado pela margem de contribuição unitária. Deste modo, está sendo avaliado se o total anual produzido a mais pelo cenário (em comparação com o sistema real) justifica economicamente o investimento neste cenário.

A vida econômica do projeto é de cinco anos. O total produzido por ano em cada cenário foi exportado diretamente para a planilha de avaliação econômica no Excel®, onde os dados econômicos do projeto foram previamente preenchidos, como a TMA da empresa (10% ao ano),


margem de contribuição unitária e o investimento total do cenário analisado. Por se tratar de uma peça industrial, portanto confidencial, os dados financeiros fornecidos pela empresa foram codificados.

De posse dos dados econômicos, o Valor Presente Líquido de cada cenário pode ser construído. A Figura 6 mostra um gráfico que classifica os cenários pelos respectivos VPL’s em ordem crescente. Também mostra o incremento que cada cenário gera no total produzido por mês.

Figura 6 – Gráfico dos VPLs dos cenários

Esse gráfico fornece aos gestores opções para auxiliar no processo de tomada de decisões. Na

parte inferior do gráfico, têm-se as variáveis que foram consideradas na análise econômica, com seus respectivos valores para cada cenário.

Por exemplo, o cenário A considera somente a contratação de dois funcionários a mais para o primeiro módulo, o que gera um incremento no total produzido por mês de 106600 peças, resultando no VPL de R$ -7.061,66. Neste caso, o VPL foi negativo porque os gastos gerados pela contratação de dois novos funcionários são maiores que a receita gerada pelo incremento no total produzido.

Analisando o cenário B, apontado pelo DOE como significante pela forte influência na queda do total produzido, percebe-se que se a empresa passar de 3 turnos para 2 turnos no segundo módulo, haveria uma queda no total produzido. Porém, o cenário é viável economicamente, pois haveria um ganho de um funcionário (gastos empregados com este funcionário seriam economizados). Da mesma forma, os outros cenários podem ser analisados.

Pela análise do mesmo gráfico, pode-se perceber que todos quatro dos cinco cenários são economicamente viáveis, pois possuem VPL maior que zero. O melhor cenário, economicamente falando, e se existisse demanda para tal é o cenário C (compra de quatro máquinas automáticas). Porém, sabendo que cada cenário produz um incremento no total produzido por mês, a gerência pode tomar decisões de investimentos considerando a demanda prevista para o produto. E pode escolher não necessariamente o cenário com o maior VPL, pois pode não ter demanda suficiente para absorver o total produzido por aquele cenário.

6. Conclusão

Conclui-se que a principal contribuição deste trabalho é o uso da simulação computacional combinada ao planejamento de experimentos e à análise econômica de investimentos para auxiliar os gestores a escolher o cenário economicamente mais viável. E esta análise é realizada


com base em uma previsão do total produzido pelo sistema de manufatura obtida do modelo de simulação, e não baseada somente na experiência dos especialistas do processo ou mesmo dados arbitrários.

Sendo assim, esse procedimento foi aplicado em uma célula de manufatura para auxiliar a escolha do cenário economicamente mais viável, que contemplasse a implantação do fluxo contínuo entre as atividades e a substituição do desengraxante atual por uma solução ambientalmente correta. Observando-se os VPL’s calculados para os cinco cenários, apontados pelo DOE como significativos, pode-se perceber que o cenário C apresenta o maior VPL, portanto, é o cenário mais atrativo para a célula de produção estudada.

Durante a aplicação, percebeu-se que a simulação contribuiu para um maior conhecimento do processo produtivo, mesmo entre os gestores. Uma vez que a metodologia de simulação proporciona várias etapas de reflexão e validação de modelos. Em uma dessas fases o mapa de processos foi construído e validado por especialistas do processo. Os tempos que foram cronometrados passaram a fazer parte dos registros do processo.

O uso do DOE permitiu a escolha dos cenários mais relevantes para a realização da análise econômica. Destaca-se que para esta análise foram escolhidas apenas três variáveis, gerando um total de oito possibilidades, porém poderiam ser escolhidas dez variáveis de interesse, fato que produziria mil e vinte e quatro possibilidades. Então, é bastante útil empregar o DOE antes da análise econômica.

Com o uso de modelos de simulação foram testados oito cenários a partir do modelo computacional validado. Os experimentos realizados através da simulação são inviáveis de serem testados no sistema produtivo existente. Uma vez que, os testes paralisariam a produção, além de envolver a compra de equipamentos e a contratação de funcionários, até que a melhor alternativa fosse encontrada.

Enfim, os cenários foram analisados do ponto de vista econômico. Perguntas do tipo “a receita gerada pelo aumento no total produzido supera os investimentos e gastos?” foram respondidas com o cálculo do VPL de cada cenário. Possibilitando aos gestores comparar alternativas de acordo com a demanda prevista.

O conhecimento o risco de se realizar um determinado cenário é outra vantagem que pode dar continuidade a este trabalho. Pois, com uma análise considerando as incertezas associadas a um cenário, pode-se conhecer a probabilidade do VPL ser negativo, o que pode até inviabilizar a adoção deste cenário, caso esta probabilidade seja considerada grande pela empresa. E tudo isso, sem causar nenhuma paralisação no sistema produtivo, sem nenhum investimento em equipamentos para a célula ou contratação de funcionários. Apenas testando as mudanças no modelo computacional, e caso essas mudanças sejam viáveis elas podem ser implantadas no sistema real de acordo com a demanda.

Agradecimentos

Os autores gostariam de agradecer ao CNPQ e à FAPEMIG pelo apoio a esta pesquisa.

Referências

Balci, O. Verification, validation and certification of modeling and simulation applications. In: Proceedings of the 2003 Winter Simulation Conference, New Orleans, Louisiana, USA, 2003.

Banks, J. Handbook of simulation: Principles, Methodology, Advances, Applications, and Practice. Ed. John Wiley & Sons, Inc., 864p, 1998.

Banks, J.; Carson, J.S.; Nelson, B.L.; Nicol, D.M. Discrete-event system simulation. 2ª Edição. New Jersey: Prentice Hall, 2005.

Bisgaard, S.; Fuller, H. Analysis of Factorial Experiments with defects or efectives as the response. Center for Quality and Productivity Improvement, University of Wisconsin, Report n. 119, 1994.


Casaroto, N.F. Kopttke, Análise de investimentos. Ed Atlas. São Paulo, 20-124, 1998.

Chwif, L.; Medina, A.C. Modelagem e simulação de eventos discretos: teoria e aplicações. 2ª Edição. São Paulo, Editora dos Autores, 2007.

Coates, E.R.; Kuhl, M.E. Using simulation software to solve engineering economy problems. Computer and industrial engineering, n. 45, p. 285–294, 2003.

Harrell, C.; Ghosh, B. K.; Bowden, R. Simulation Using Promodel. 3. ed. Boston: McGraw-Hill, 603 p, 2000.

Hernandez-Matias, J.C.; Vizan, A.; Perez-Garcia, J.; Rios, J. An integrated modeling framework to support manufacturing system diagnosis for continuous improvement. Robotics and computer-integrated manufacturing, v.24, n.2, p.187-199, 2008.

Hlupic, V.; Paul, R.J. Methodological approach manufacturing simulation selection. Computer Integrated Manufacturing Systems, vol. 9, n.1, p.49-55, 1996.

Kleijnen, J.P.C.; Sanchez, S.M.; Lucas, T.W.; Cioppa, T.M. State-of-the-Art Review: A User’s Guide to the Brave New World of Designing Simulation Experiments. Journal on Computing, vol. 17, n. 3, p. 263–289, 2005.

Law, A.M. How to build valid and credible simulation models. In: Proceedings of the 2006 Winter Simulation Conference, Monterey, CA, USA, 2006.

Leal, F.; Almeida, D.A.de; Montevechi, J.A.B. Uma Proposta de Técnica de Modelagem Conceitual para a Simulação através de elementos do IDEF. In: Anais do XL Simpósio Brasileiro de Pesquisa Operacional, João Pessoa, PB, 2008.

Montevechi, J.A.B.; Pinho, A.F. de; Leal, F.; Marins, F.A.S. Application of design of experiments on the simulation of a process in an automotive industry. In: Proceedings of the 2007 Winter Simulation Conference, Washington, DC, USA, 2007.

Montevechi, J.A.B.; Leal, F.; Pinho, A.F. de; Costa, R.F. Da S.; Marins, F.A.S.; Marins, F.F.; Jesus, J.T. de. Combined use of modeling techniques for the development of the conceptual model in simulation projects. In: Proceedings of the 2008 Winter Simulation Conference, Miami, USA, 2008.

Montgomery, D.C. e Runger, G.C. Estatística Aplicada e Probabilidade para Engenheiros. 2.ed. Editora LTC, 2003.

Nazzal, D.; Mollaghasemi, M.; Anderson, D.A. Simulation-based evaluation of the cost of cycle time reduction in Agere Systems wafer fabrication facility - a case study. International Journal of Production Economics, 100, p. 300-313, 2006.

O’kane, J.F.; Spenceley, J.R.; Taylor, R. Simulation as an essential tool for advanced manufacturing technology problems. Journal of Materials Processing Technology, 107, p. 412-424, 2000.

Ross, S.A.; Westerfield, R.W.; Jordan, B.D. Princípios de Administração Financeira. Editora Atlas, São Paulo, 2002.

Sanchez, S.M. Work smarter, not harder: guidelines for design simulation experiments. In: Proceedings of the 2007 Winter Simulation Conference, Washington,USA, 2007.

Sánchez, P.J. Fundamentals of simulation modeling. In: Proceedings of the 2007 Winter Simulation Conference, Washington, USA, 2007.

Sargent, R.G. Validation and Verification of simulation models. In: Proceedings of the 2004 Winter Simulation Conference, 2004.


simulaÇÃo a eventos discretos como uma ferramenta … · ... analisar o efeito de mudanças nos...

Documents