ANÁLISE DA CAPACIDADE PRODUTIVA DE UM PROCESSO DE MANUTENÇÃO POR MEIO DA SIMULAÇÃO DE EVENTOS DISCRETOS

Transcrição

1 FACULDADE IETEC Jussara Nepomuceno Lima ANÁLISE DA CAPACIDADE PRODUTIVA DE UM PROCESSO DE MANUTENÇÃO POR MEIO DA SIMULAÇÃO DE EVENTOS DISCRETOS Belo Horizonte 2017

2 Jussara Nepomuceno Lima ANÁLISE DA CAPACIDADE PRODUTIVA DE UM PROCESSO DE MANUTENÇÃO POR MEIO DA SIMULAÇÃO DE EVENTOS DISCRETOS Dissertação apresentada ao Programa de Mestrado da Faculdade Ietec, como requisito parcial à obtenção do título de Mestre em Engenharia e Gestão de Processos e Sistemas. Área de concentração: Engenharia e Gestão de Processos e Sistemas Linha de pesquisa: Gestão de Processos, Sistemas e Projetos Orientador: Prof. Dr. Rafael Pinheiro Amantéa Faculdade Ietec Belo Horizonte Faculdade Ietec 2017

3 L732a Lima, Jussara Nepomuceno. Análise da capacidade produtiva de um processo de manutenção por meio da simulação de eventos discretos / Jussara Nepomuceno Lima. - Belo Horizonte, f., enc. Orientador: Rafael Pinheiro Amantéa. Dissertação (mestrado) Faculdade Ietec. Bibliografia: f Teoria das Filas. 2. Simulação por eventos discretos. 3. Análise de processos. I. Amantéa, Rafael Pinheiro. II. Faculdade Ietec. Mestrado em Engenharia e Gestão de Processos e Sistemas. III. Título. CDU:

4

5 AGRADECIMENTOS Agradeço primeiramente a Deus, por ser minha força e meu guia ao longo desta caminhada. Aos meus pais, pelo amor e dedicação sempre. Aos meus irmãos pelos exemplos e conselhos. Ao meu marido pela compreensão e incentivo. A Faculdade Ietec e todos os professores pelo conhecimento compartilhado. Ao meu Orientador, Prof. Dr. Rafael Pinheiro Amantéa, pessoa fundamental para desenvolvimento e conclusão deste trabalho.

6 RESUMO Atualmente, as empresas estão inseridas em um cenário que aumenta a cada dia o nível da concorrência. As mudanças tornaram-se ainda mais frequentes e com maior amplitude. Neste cenário, o setor de mineração, especificamente de minério de ferro, tem passado por transformações advindas das mudanças no mercado. Desta forma, os desafios de aumento de produtividade e redução de custos são desdobrados dentro da empresa para as diversas áreas. Neste contexto, identifica-se a oportunidade e a necessidade de aprofundar os estudos em uma área responsável pela reforma dos componentes de equipamentos de Mina em uma empresa de mineração. Já que existe um problema de restrição quanto à capacidade produtiva da oficina para atender toda a demanda. Este trabalho tem como objetivo geral modelar o processo de Reforma de Componentes de Equipamentos de Mina utilizando a técnica de simulação de eventos discretos. Realizou-se a coleta dos dados e tratamento estatístico das variáveis identificadas no modelo. Três cenários distintos foram analisados buscando aumentar a eficiência do processo. Constatouse por meio deste estudo, a existência de um desbalanceamento da carga de trabalho entre as células de trabalho do processo de reforma dos Comandos Finais. Tal diagnostico afeta diretamente o resultado de produção, deixando de atender à demanda do cliente. Constatou-se também a existência de excesso de estoque parado no processo. Conclui-se que a técnica de simulação contribui muito para a análise de processos reais, permitindo identificar ineficiências e testar possíveis soluções antes mesmo de realizar qualquer alteração no cenário real dentro da empresa. Palavras-chave: Teoria das Filas. Simulação por Eventos Discretos. Análise de processos.

7 LISTA DE ILUSTRAÇÕES Figura 1 - Elementos de uma fila Figura 2 - Localização das variáveis Figura 3 - Conceitos fundamentais de verificação e validação Figura 4 - Imagem do Comando Final Figura 5 - Localização do Comando Final no caminhão Figura 6 - Representação do processo de reforma do comando final Figura 7 - Modelagem da célula de Desmontagem Inicial Figura 8 - Modelagem da célula de Desmontagem do Carrier Figura 9 - Modelagem da célula de Desmontagem do Freio Figura 10 - Modelagem da célula de Inspeção do Carrier Figura 11 - Modelagem da célula de Montagem do Carrier Figura 12 - Modelagem da célula de Inspeção do Freio Figura 13 - Modelagem da célula de Montagem do Freio Figura 14 - Modelagem da célula de Inspeção Inicial Figura 15 - Modelagem da célula de Montagem Final Figura 16 - Avaliação da variável, quantidade de Comados montados, por meio do Intervalo de Confiança Gráfico 1 - Utilização Média da Mão-de-Obra_Cenário Inicial (%) Gráfico 2 - Quantidade Média de Comandos na Fila_Cenário Inicial (unidade) Gráfico 3 - Tempo Médio de Fila_Cenário Inicial (hora) Gráfico 4 - Comandos Finais Processados _Cenário Inicial (unidade) Gráfico 5 - Utilização Média da Mão-de-Obra_Cenário 01 (%) Gráfico 6 - Comandos Finais Processados_Cenário 01 (unidade) Gráfico 7 - Utilização Média da Mão-de-Obra_Cenário 02 (%) Gráfico 8 - Comandos Finais Processados_Cenário 02 (unidade) Gráfico 9 - Utilização Média da Mão-de-Obra_Cenário 03 (%) Gráfico 10 - Comandos Finais Processados_Cenário 03 (unidade) Gráfico 11 - Tempo de Espera do Comando na fila_cenário 03 (hora) Gráfico 12 - Utilização Média da Mão-de-Obra_Cenário 04 (%) Gráfico 13 - Tempo de Espera do Comando na Fila_Cenário 04 (hora)... 55

8 LISTA DE TABELAS Tabela 1 - Critérios usuais para classificação do p-value Tabela 2 - Modelagem da célula de Desmontagem Inicial Tabela 3 - Modelagem da célula de Desmontagem do Carrier Tabela 4 - Modelagem da célula de Desmontagem do Freio Tabela 5 - Modelagem da célula de Inspeção do Carrier Tabela 6 - Modelagem da célula de Montagem do Carrier Tabela 7 - Modelagem da célula de Inspeção do Freio Tabela 8 - Modelagem da célula de Montagem do Freio Tabela 9 - Modelagem da célula de Inspeção Inicial Tabela 10 - Modelagem da célula de Montagem Final Tabela 11 - Equações de Distribuição Estatística Tabela 12 - Recursos utilizados nos processos Tabela 13 - Quantidade de Comandos Finais Processados Tabela 14 - Quantidade de Comandos Finais Processados_Cenário Tabela 15 - Quantidade de Comandos Finais Processados_Cenário Inicial Tabela 15 - Quantidade de Comandos Finais Processados_Pulmão... 54

9 SUMÁRIO 1 INTRODUÇÃO OBJETIVOS Objetivo Geral Objetivos específicos REFERENCIAL TEORICO Teoria das Filas Coleta de dados para modelos de simulação de eventos discretos Testes de Aderência Teste do qui-quadrado Teste do Kolmogorov-Smirnov Fator do valor p para testes de aderência Verificação e validação do modelo Validação dos resultados Regime transitório vs. regime permanente Simulação terminal vs. simulação não terminal Confiança nos resultados Análise dos dados de saída METODOLOGIA O processo de reforma dos Comandos Finais Programando o software Arena Coleta de Dados RESULTADOS E DISCUSSÃO Uma visão geral UMA VISÃO GERAL DO PROCESSO Condições de Simulação Análise dos Recursos Análise das Filas Análise da Produção Análise dos Cenários...48

10 Cenário 1: Realocação Mecânico Desmontagem Carrier Cenário 2: Realocação Mecânico Montagem Freio Cenário 3: Junção do Cenário 1 + Cenário Cenário 4: Cenário 3 com redução do pulmão CONCLUSÕES REFERÊNCIAS... 57

11 11 1 INTRODUÇÃO Atualmente, as empresas estão inseridas em um cenário de globalização do mercado, o qual aumenta a cada dia o nível da concorrência no ambiente empresarial de uma forma geral. Conforme mencionado por Rangel (2012) as mudanças, que já eram constantes, tornaram-se ainda mais frequentes e com maior amplitude, tendo como consequência ambientes de grandes incertezas e oportunidades. As mudanças constantes diante das incertezas e velocidade das transformações são elementos fundamentais da competitividade ou mesmo sobrevivência das organizações. Percebe-se atualmente que o setor de mineração, especificamente de minério de ferro, tem passado por transformações advindas das mudanças nos mercados. Os preços internacionais das commodities minerais no primeiro semestre de 2015 apresentaram quedas generalizadas, chegando a um valor de até 15% menor que o primeiro semestre de 2014 e cerca de 1/3 do seu maior valor em 2011 (MINERAL, 2015). Este cenário de mudança de patamar das commodities minerais desafia as empresas a realizarem mudanças internas que resultem em redução de custos, para se manterem competitivas ou até mesmo sobreviverem a acentuada queda no preço de venda de seus produtos. Mesmo as organizações de sucesso, com planejamentos estruturados e fundamentados, têm passado por necessidades de revisões permanentes, como forma de se manterem competitivas. Processos consagrados de planejamentos estratégicos têm passado por mudanças profundas, baseando-se cada vez menos em análises e fundamentos do passado, e cada vez mais em alternativas sobre o futuro, ou mesmo prospectando um futuro desejado (RANGEL, 2012). Em função do atual cenário descrito acima, em que as empresas estão inseridas, é possível perceber no ambiente de trabalho, o impacto e as constantes exigências por melhores resultados nos processos produtivos e áreas de apoio, em que a equipe é direcionada a buscar maior segurança, melhor qualidade, menor tempo de

12 12 entrega e menor custo. Desta forma, os desafios de aumento de produtividade e redução de custos para se manterem competitivas no mercado são desdobrados dentro da empresa para as diversas áreas, as quais buscam alcançar seus desafios e contribuírem para os resultados finais da organização. Dessa maneira, identifica-se a oportunidade e a necessidade de aprofundar os estudos em uma área responsável pela reforma dos componentes de equipamentos de Mina, os quais possuem uma vida útil estimada e quando chegam ao fim desta vida são enviados para a reforma nas oficinas internas da própria empresa ou nos fornecedores externos. No entanto, as oficinas internas são estratégicas para a empresa no atual cenário de redução de custos, pois a reforma interna apresenta nível de qualidade compatível com os fornecedores e o custo de reforma é significativamente menor. Portanto, as áreas clientes estão cada vez mais priorizando a reforma dos componentes nas oficinas internas e novas demandas estão surgindo. Identifica-se, então, um problema de restrição quanto à capacidade produtiva da oficina para atender toda a demanda. Sendo assim, existe um desafio na área de aumentar a capacidade produtiva da oficina para absorver novas demandas, sendo necessário estudar de forma mais aprofundada o fluxo do processo buscando o auxílio na identificação de gargalos e contribuição para tomada de decisões no processo. Em cenários de incerteza, escassez de recursos e consequente necessidade de tomada de decisão assertiva, não se permite ações que tenham como base tentativa e erro ou apenas experiências passadas e rotineiras (OZSAN et al., 2010). A pesquisa operacional é uma ciência interdisciplinar dedicada ao planejamento ótimo, com fortes ligações com todas as áreas do conhecimento. Suas bases estão na pesquisa e aplicação de estratégias e métodos analíticos, numéricos e estatísticos, com objetivo de aprovar decisões racionais e significativas em problemas de decisão de diversos níveis de complexidade (MURUGESAN, 2011). A modelagem e simulação de sistemas é uma das técnicas da pesquisa operacional que vem ganhando alta aplicabilidade em diversas áreas do conhecimento. O

13 13 objetivo das técnicas de simulação de sistemas é quantificar a performance e melhorias de sistemas demonstrando os efeitos da tomada de decisão e da variação de parâmetros sobre o sistema em estudo, permitindo o correto dimensionamento e a otimização do mesmo (ARES et al., 2012). Técnicas como dinâmica de sistemas (GOODMAN, 1997), simulação por eventos discretos (CHWIF; MEDINA, 2015) e simulação com base em agentes (RAILSBACK et al., 2006), possuem baixo nível de exigência em conhecimentos matemáticos e lógica de programação, permitem a modelagem de sistemas reais por metodologias de baixa complexidade, além de possuírem softwares de baixo custo e preparados para a modelagem e simulação em todos os níveis de complexidade. Tais fatores tornam atrativas tais técnicas para a análise e otimização de sistemas nas diversas áreas do conhecimento. A modelagem e simulação de sistemas por eventos discretos é uma técnica que tem como base a teoria de filas, o método de Monte Carlo e possui como característica o baixo nível de abstração em sua modelagem (PRADO, 2014). Usualmente os sistemas simulados são representados por fluxogramas dos processos em estudo, permitindo a fácil visualização e modelagem do processo. Aplicações usuais envolvem o projeto e melhorias de linhas de produção, assim como o planejamento e programação de decisões, permitindo uma melhor performance e estabilidade durante o processo de otimização (STEINEMANN et al., 2013). Krenczyk e Olender (2015) utilizaram a técnica de simulação por eventos discretos para simular o planejamento da produção de uma empresa, e afirmam que é uma ferramenta eficaz para a tomada de decisão, pois permite uma resposta rápida às mudanças, possibilita verificar rapidamente a viabilidade dos planos de produção desenvolvidos e é possível simular alterações no modelo em busca de melhores resultados. Seebacher, Winkler e Oberegger (2015) também apresentaram um estudo utilizando a técnica de simulação por eventos discretos para modelar o fluxo de trabalho de um sistema de produção com processos discretos de fabricação e seus processos de logística, buscando avaliar da eficiência logística na planta. Os autores alertam que os resultados do modelo de simulação devem ser verificados quanto à plausibilidade, por ser uma representação abstrata da realidade.

14 14 Diante dos estudos já realizados em sistemas produtivos e da aplicabilidade da técnica de simulação por eventos discretos já apresentados, entende-se que esta técnica possui forte aplicação para avaliação do problema de falta de capacidade produtiva do processo de reforma de componentes, em estudo.

15 15 2 OBJETIVOS 2.1 Objetivo geral Modelar o processo de Reforma de Componentes de Equipamentos de Mina utilizando a técnica de simulação de eventos discretos, para identificar possíveis ineficiências e oportunidades de melhoria no sistema. 2.2 Objetivos específicos a) Modelar o processo do ponto de vista da técnica de simulação por eventos discretos; b) Realizar a coleta dos dados e tratamento estatístico das variáveis identificadas no modelo; c) Simular o processo Reforma de Componentes de Equipamentos de Mina utilizando a técnica de simulação por eventos discretos; d) Realizar uma análise de sensibilidade dos parâmetros e identificar prováveis ineficiências no sistema.

16 16 3 REFERENCIAL TEORICO 3.1 Teoria das Filas Segundo Gross et al. (2011), as filas acontecem porque há mais demanda por serviços do que o serviço disponível e pode haver vários motivos para isso. Geralmente, é possível remover essas limitações com aumento da capacidade dos recursos. Para compreender e planejar a utilização dos mesmos, é necessário entender por quanto tempo o cliente espera e quantas pessoas formam a fila. A teoria das filas na maioria das vezes permite o entendimento destes dois pontos por meio de análise matemática e estatística detalhada. A Teoria das Filas é uma área da Pesquisa Operacional que utiliza conceitos básicos de processos estocásticos e de matemática aplicada para analisar o fenômeno de formação de filas e suas características (CHIAVENATO, 2014). Uma fila é caracterizada por um processo de chegadas a um sistema de atendimento formado por uma ou mais unidades de serviço. As unidades podem ser atendidas individualmente, ou em grupos (PRADO, 2014). Chiavenato (2014) complementa que, a maior parte dos trabalhos de Teoria das Filas situa-se em problemas de gargalos e esperas. Na Teoria das Filas, os pontos de interesse são: o tempo de espera dos clientes; o número de clientes na fila; e a razão entre o tempo de espera e o tempo de prestação de serviço. Provavelmente, o objeto mais simples e mais popular da teoria das filas é a fila M/M/1. O primeiro "M" afirma que o processo de chegada é Markoviano; ou seja, os intervalos de chegada são independentes e distribuídos de forma idêntica a partir de uma distribuição de probabilidade exponencial. O segundo "M" significa a distribuição de tempo de serviço, também exponencial. O "1" indica que há apenas um único servidor (KELTON; SADOWSKI; STURROCK, 2007). A Figura 1 representa os elementos que compõe uma fila. Os clientes são membros de uma população e são denominados também como entidades do sistema, estes

17 17 clientes formam uma fila e aguardam por algum tipo de serviço. O atendimento aos clientes é constituído de um ou mais servidores ou atendentes (PRADO, 2014). Figura 1 - Elementos de uma fila Fonte: PRADO, A definição de alguns conceitos são importantes para melhor entendimento da Teoria das Filas. Clientes e Tamanho da População: Duarte; Pinto e Lemes (2009) definem clientes como a unidade de chegada que requer atendimento. Estes clientes podem ser pessoas, máquinas, peças e outros. Rosseti (2016) apresenta o termo cliente como um termo genérico para descrever as entidades que fluem e recebem o serviço. Prado (2014) complementa que estes clientes provêm de uma população. A chegada de um novo cliente na fila afeta a taxa de chegada de clientes quando a população é pequena, ou seja, quando a população é considerada finita. Quando a população é muito grande, ou infinita, a taxa de chegada de clientes não é afetada. Fila: é o número de clientes aguardando um determinado atendimento e normalmente o cliente que está sendo atendido não é considerado parte desta fila (DUARTE; PINTO e LEMES, 2009). Servidores: o sistema de filas mais simples existente é o que possui apenas um servidor, capaz de atender um único cliente por vez. Deve-se aumentar a quantidade de servidores baseado no aumento do ritmo de chegada dos clientes para manter a qualidade do serviço, ou atendimento. Esta característica pode ser utilizada na modelagem de um sistema de filas (PRADO; 2014). DUARTE; PINTO e LEMES (2009) mencionam que o processo ou sistema que realiza o atendimento do cliente, único ou múltiplo, é indicado pelo símbolo S que informa o número de canais.

18 18 Disciplina da Fila: Prado (2014) afirma que a disciplina da fila é baseada na regra de ordem de atendimento dos clientes, ou seja, qual o próximo cliente será atendido. Uma disciplina de fila de primeiro a chegar, primeiro a ser servido ordena a fila pela ordem de chegada, com a chegada mais recente sempre se juntando ao final da fila. Uma disciplina de fila de último a chegar, primeiro a sair, tem a chegada mais recente ao início da fila (ROSSETI, 2016). Processo de Chegada: A taxa de chegada é uma variável importante dentro do sistema. Esta variável representa a taxa segundo a qual os clientes chegam para ser atendido, ou melhor, clientes chegam por um período de tempo (DUARTE; PINTO e LEMES, 2009). De forma a quantificar esta variável, a letra grega λ é usada para a taxa média de chegadas e se usa IC para intervalo médio entre chegadas (PRADO; 2014). Processo de Atendimento: O processo de atendimento também é quantificado por uma variável importante dentro do sistema. A taxa média de atendimento é a média das taxas de atendimentos resultante da coleta de dados em uma faixa de tempo determinada e em um intervalo de tempo definido. Estas taxas de atendimento definem uma distribuição de frequência, que podem ser ajustadas a uma curva teórica de distribuição de frequência (DUARTE; PINTO e LEMES, 2009). A taxa média de atendimento é representada pela letra grega µ e se usa TA para tempo ou duração média do serviço ou atendimento (PRADO; 2014). Figura 2 - Localização das variáveis Fonte: PRADO, 2014.

19 19 A Teoria das Filas pode disfarçar o desempenho real do sistema quando aleatório, pois trabalha com a média dos valores. A solução de problemas de alta complexidade é bastante limitada, mesmo com a existência de modelos analíticos para o estudo de filas. Estes modelos analíticos de filas possuem sua aplicabilidade restrita à modelos extremamente simples. Sendo assim, a utilização de técnicas de simulação é necessária para problemas de maior complexidade (CHWIF; MEDINA, 2015). Chwif e Medida (2015) ainda complementam que, além de a simulação contribuir para análise de problemas, é uma ferramenta que também contribui para uma melhor compreensão sobre os sistemas, facilitando a comunicação entre a equipe ligada a sua operação. Vale mencionar que é comum um estudo de simulação ser iniciado e não ser concluído, pois o desenvolvimento do projeto de simulação proporciona um entendimento entre os membros da equipe, fazendo com que a solução do problema seja encontrada antes de finalizar o estudo da simulação. Segundo Fowler, Mönch e Ponsignon (2015), a simulação é uma técnica que imita o comportamento de um sistema do mundo real. Os autores também trazem uma noção de sistema que é dado por um conjunto de componentes. Tais componentes e suas associações fornecem a estrutura do sistema. Já o comportamento do sistema é determinado pelas interações de seus. Somente aspectos de um determinado sistema são de interesse em muitas situações. Portanto, trabalha-se com modelos, representações apropriadas do sistema original. A criação do modelo é direcionada por objetivos que devem ser alcançados. O nível de detalhe da modelagem é influenciado por esses objetivos. 3.2 Coleta de dados para modelos de simulação de eventos discretos O processo de coleta de dados é uma etapa crítica e extremamente importante para a construção dos modelos, principalmente devido à influência exercida pelos dados sobre a precisão dos modelos, seus resultados e também devido ao tempo de dedicação necessário para esta atividade (OLIVEIRA; FAVARETTO, 2013).

20 20 Segundo Chwif e Medina (2015), a coleta de dados se inicia com a definição correta das variáveis de entrada do sistema a ser simulado e deve-se ter um cuidado especial para diferenciar os dados de entrada dos dados de saída, que são, respectivamente, os valores fornecidos ao modelo de simulação e os valores obtidos do modelo de simulação. Perera e Liyanage (2000) afirmam que um dos fatores críticos que impede a implantação de modelos de simulação é a coleta de dados ineficiente e apresentam algumas de suas principais causas: definição incorreta do problema; falta de objetivos claros; alta complexidade do sistema; alto nível dos detalhes do modelo; disponibilidade de dados pobre; dificuldade em identificar fontes de dados disponíveis; capacidade limitada de tratamento de dados. Deste modo, Rosseti (2016) afirma que uma boa metodologia de simulação reconhece que a modelagem e a coleta de dados geralmente ocorrem em paralelo. Ou seja, observar o sistema permite modelagem conceitual que permite a compreensão dos modelos de entrada que são necessários para a simulação. Este ciclo converge para o ponto em que o modelador tem uma compreensão bem definida dos requisitos de dados de entrada. Existem muitos métodos disponíveis para coletar dados, incluindo análise de estudos de tempo, amostragem de trabalho, registros históricos e dados coletados automaticamente. Em qualquer destes métodos, os modelos de entrada serão tão bons quanto os dados e processos usados para coletar os dados. Rosseti (2016) ressalta que em um processo típico de modelagem de entrada os seguintes procedimentos que devem ser feitos: documentar o processo a ser modelado; desenvolver um plano para coletar os dados e depois coletar os dados; realizar análises gráficas e estatísticas dos dados; avaliar hipóteses das distribuições; estimar os parâmetros e verificar a qualidade de ajuste para distribuições de hipóteses.

21 Testes de Aderência A qualificação da aderência do modelo é a última etapa do processo de modelagem de dados, ou seja, deve-se constatar se a distribuição é estatisticamente adequada para representar os dados coletados. Esta verificação pode ser feita através dos testes de aderência, o qual testa a validade ou não dessa hipótese. O teste do qui-quadradro e o teste de Kolmogorov-Smirnov são dois testes clássicos de aderência existentes. Ambos os conceitos apresentados nos tópicos abaixo são apresentados por Chwif e Medina (2015) Teste do qui-quadrado O teste do qui-quadrado é baseado no cálculo dos desvios entre as frequências acumuladas observadas em cada classe e as frequências teóricas (usando o modelo escolhido) nas mesmas classes. Em cada classe K (K=1,2,...,k), calcula-se o valor E k, que é a diferença entre o número observado de elementos (O k ) e o valor teórico da classe (T k ), dividindo-se o valor obtido por este valor teórico da classe: E k = (O k T k ) 2 k= 1,2,...,K T k (1) O somatório dos valores de E k ao quadrado, para todas as K classes envolvidas, determina a estatística E, cuja distribuição é a qui-quadrado com K-1-n graus de liberdade, onde n é o número de parâmetros estimados a partir da amostra coletada: (2) Escolhendo um nível de significância α(100)% e k-1-n graus de liberdade, obtém-se, da tabela da distribuição do qui-quadrado, a valor Ecrítico. Se E for maior que

22 22 Ecrítico, rejeita-se a hipótese de que a amostra observada provém de uma população com a distribuição teórica adotada Teste do Kolmogorov-Smirnov O teste do Kolmogorov-Smirnov (KS) compara a função acumulada do modelo teórico com a função acumulada de probabilidade observada. A ideia é simples: para comparar se o modelo observado adere ao modelo teórico, o teste calcula a distância absoluta máxima entre as duas distribuições acumuladas, através da estatística: D = max F(x) S(x) x (3) em que: D é a distância absoluta máxima; S(x) é a função acumulada observada; F(x) é a função acumulada teórica. Se os valores observados aderem ao modelo teórico, é natural supor que os valores de S(x) e F(x) estejam próximos; isto é, a distância absoluta entre os valores esteja dentro de limites de erros aleatórios. Naturalmente, quanto menor o valor da estatística D, mais próximas entre si estarão as duas funções acumuladas. O valor dessa distância é comparado com um valor teórico D crítico, relacionado na tabela de valores críticos do teste KS, para os níveis de significância de 1%, 5% e 10%. Escolhido um nível de significância α(100)%, determina-se o valor crítico do teste D crítico, através da tabela de valores críticos. Se D>D crítico, então, rejeita-se a hipótese de aderência H 0. Se D>D crítico, não temos razão para rejeitar a hipótese de aderência H 0. Como no teste do qui-quadrado, a hipótese nula é: H 0 : o modelo é adequado para representar a distribuição da população. Em confronto com a hipótese alternativa: Hα: o modelo é não adequado para representar a distribuição da população.

23 23 Os valores de S(x), função acumulada dos dados observados, são obtidos diretamente pela equação: S(x) = número de eventos x total de valores observados (4) Os valores de F(x), função acumulada do modelo teórico, são obtidos pela função acumulada da distribuição exponencial: F(x)= 1 e -λx (5) O cálculo da estatística D é feito à esquerda e à direita de cada intervalo de classe de frequência e a estatística é estimada pelo maior valor entre os dois: D=max{D esq, D dir } (6) Fator do valor p para testes de aderência Chwif e Medina (2015) afirmam que, para determinar se o modelo probabilístico selecionado tem ou não aderência ao conjunto de dados observados, o processo de modelagem de dados termina com algum teste estatístico. Define-se um nível de significância e, a hipótese não é rejeitada se o valor obtido da amostra for menor do que um valor crítico tabelado. No entanto, os softwares fornecem um certo valor, denominado p-value, a partir do qual são tomadas as decisões de rejeição ou não hipótese de aderência. O p-value representa o menor nível de significância que pode ser assumido para se rejeitar a hipótese de aderência, ou seja: Se p-value α, então, H 0 é rejeitada ao nível de significância α; Se p-value > α, então, H 0 não é rejeitada ao nível de significância α; Chwif e Medina (2015) apresentam critérios usuais para classificação do p-value conforme Tabela 1.

24 24 Tabela 1 Critérios usuais para classificação do p-value Valor Critério p-value 0,01 Evidência forte contra a hipótese de aderência. 0,01 p-value 0,05 Evidência moderada contra a hipótese de aderência. 0,05 p-value 0,10 Evidência potencial contra a hipótese de aderência. 0,10 p-value Evidência fraca ou inexistente contra a hipótese de aderência. 3.3 Verificação e validação do modelo O termo validação está relacionado ao modelo conceitual e a verificação está relacionada ao modelo computacional. Segundo Chwif e Medina (2015), a modelagem é realizada a partir da criação de um modelo conceitual baseado no mundo real. O processo de validação deste modelo conceitual acontece através da comparação do modelo realizado com o sistema do mundo real. Posteriormente, o modelo conceitual é implementado em alguma linguagem de simulação ou de simulador e deve-se verificar se o comportamento deste modelo está coerente com o modelo conceitual. Toda esta fase é denominada verificação do modelo. Após a verificação devida do modelo computacional, ele se torna operacional e pode ser utilizado para a experimentação. Depois de finalizados os experimentos, deve-se observar se os resultados obtidos a partir do modelo computacional condizem com o mundo real. Esse processo é denominado validação operacional (CHWIF; MEDINA, 2015).

25 25 Figura 3 - Conceitos fundamentais de verificação e validação Fonte: CHWIF; MEDINA, Validação dos resultados Após a realização da etapa de verificação e validação conceitual, o modelo de simulação está pronto para ser utilizado. Este modelo torna-se operacional e se transforma em uma fonte de experimentos estatísticos muito importante, utilizado no processo de análise do comportamento do sistema. Como as entradas da simulação são processos aleatórios, em cada replicação ou experimento realizado, obtém-se saídas cujos valores também são aleatórios, ou seja, entradas aleatórias implicam em saídas aleatórias. Portanto, não é possível chegar a grandes conclusões a partir de uma única replicação da simulação (CHWIF; MEDINA, 2015). Chwif e Medina (2015) afirmam que os processos de modelagem anteriores, como a construção do modelo computacional, verificação, validação, etc, são mais onerosos do que o processo de análise dos resultados Regime transitório vs. regime permanente O sistema é considerado em regime transitório, quando seu desempenho está fortemente relacionado com as suas condições iniciais. Durante este período o estudo dos sistemas é mais complexo e pouco conclusivo, devido a variação de

26 26 suas condições iniciais, porém estas condições iniciais podem afetar perigosamente o resultado da simulação (CHWIF; MEDINA, 2015). Depois de algum tempo, o comportamento do sistema não é mais afetado pelas condições iniciais, portanto o sistema passa a funcionar em regime permanente. Existem três alternativas para obter uma boa estimativa do que acontece em regime permanente: tornar o número de amostras em regime transitório desprezível em relação ao número de amostras em regime permanente, simulando o sistema por um período muito longo; utilizar alguma técnica para eliminar o período transitório; iniciar o sistema já em um estado dentro do regime permanente (CHWIF; MEDINA, 2015) Simulação terminal vs. simulação não terminal Os modelos de simulação podem ser classificados em duas classes principais com base em seu horizonte temporal: modelo de simulação terminal, ou de estado transitório, e modelos de estado estacionário, ou não terminal. Diferentes questões estatísticas relacionadas à análise de resultados são ocasionadas por cada classe (ALTIOK; MELAMED, 2007). Segundo Chwif e Medina (2015), a simulação é definida como terminal quando não há dúvidas quanto aos instantes de tempo de início e fim da simulação, ou seja, o momento em que se dá o início e o fim do processo é claro. Altiok e Melamed (2007) afirmam que um modelo de simulação terminal possui um tempo de término natural para as suas replicações inerentes ao sistema. Nestes modelos, os interesses do modelador são dinâmicas e estatísticas de sistemas de curto prazo dentro do horizonte de tempo natural do sistema. Existem casos cujos sistemas não permitem ter certeza do momento em que se deve terminar a simulação. Esse tipo de simulação é denominada como simulação não terminal, ou permanente. Não se sabe, inicialmente, o tempo que ela deve durar, apenas que deve ser um longo tempo (CHWIF; MEDINA, 2015). Este modelo de simulação de estado estacionário não possui um tempo de término natural para suas replicações. A simulação pode ser potencialmente executada "para sempre".

27 27 Os interesses do modelador nesses modelos são as dinâmicas e estatísticas de longo prazo (ALTIOK; MELAMED, 2007). A simulação terminal é, geralmente, mais fácil de ser conduzida e analisada. Cada execução do modelo fornece um conjunto de resultados. Com um número adequado de execuções, podemos realizar as estimativas desejadas a partir dos dados obtidos. A simulação em regime torna as coisas mais complicadas, pois precisamos analisar o comportamento da simulação para identificarmos cuidadosamente a duração dos regimes transitório e permanente do sistema (CHWIF; MEDINA, 2015, p.123) Confiança nos resultados Antes da avaliação de confiança dos resultados da simulação é necessário definir corretamente os parâmetros a serem utilizados como medidas de desempenho do sistema, considerando a definição dos objetivos da simulação e mantendo o foco do que está sendo apresentado ao modelo. Rosseti (2016) afirma que um intervalo de confiança expressa um grau de certeza associado a uma estimativa pontual. O intervalo de confiança é um intervalo de valores que contém a média da população, com certa probabilidade. Este intervalo representa a confiança estatística dos resultados. Quanto maior o valor da probabilidade, maior a confiança estatística de que a média da população encontrase nesse intervalo construído. No entanto, a alta confiança estatística torna-se irrelevante se o tamanho do intervalo não permitir uma conclusão em relação a média da população. Desta forma, faz-se necessário avaliar a precisão, ou seja, o tamanho do intervalo (CHWIF; MEDINA, 2015). Um intervalo de confiança específico não implica que o parâmetro μ esteja dentro do intervalo. O nível de confiança 1 - α é uma garantia sobre o procedimento usado para calcular o intervalo. Ou seja, um procedimento de intervalo de confiança garante que, se um grande número de intervalos de confiança forem calculados cada um com base em n amostras, a proporção dos intervalos de confiança que realmente contêm o valor verdadeiro de μ deve ser próxima de 1 - α. O valor α representa o risco de que o procedimento do intervalo de confiança produza um intervalo específico que não contenha o valor do parâmetro verdadeiro (ROSSETI, 2016).

28 28 Rosseti (2016) ainda complementa que, qualquer intervalo de confiança específico irá conter o verdadeiro parâmetro de interesse ou não. Como o valor verdadeiro não é conhecido, pode-se usar o intervalo de confiança para avaliar o risco de tomar uma decisão incorreta com base na estimativa do ponto. Pode-se ter certeza em uma tomada de decisão ou correr o risco de tomar uma decisão ruim. Chwif e Medina (2015) apresentam algumas fórmulas conforme abaixo: Um intervalo de confiança 100(1-α)% para a média de uma população é construído através da equação: h µ + h) = 1 - α (7) ou: (8) em que: é a média da amostra; precisão; é a metade do tamanho do intervalo de confiança, denominado liberdade; é o (1 α/2) percentil da distribuição t de Student com n-1 graus de s é o desvio-padrão da amostra n é o número de dados da amostra O número de replicações (amostras da população), necessárias para obter uma precisão igual a um valor h*, pode ser obtida pela seguinte expressão:

29 29 * ( )+ (9) Em que: n* corresponde ao número de amostras (replicações) necessári para obter uma precisão igual a um valor h* Análise dos dados de saída Nos sistemas terminais, a duração e o número de replicações precisam ser determinados para a simulação. O período de operação do sistema real é que define a duração da simulação. Já o número de replicações do modelo depende do grau de confiança que se deseja trabalhar (CHWIF; MEDINA, 2015). A análise de dados de sistemas terminais pode ser dividida em sete etapas: estabelecer as medidas de desempenho adequadas; escolher a confiança estatística e a precisão com que se pretende trabalhar; definir, a partir da observação do sistema real, o tempo de simulação; construir a amostra-piloto e estimar o intervalo de confiança; determinar o numero de replicações necessárias; rodar o modelo novamente; calcular o novo intervalo de confiança (CHWIF; MEDINA, 2015). Os sistemas não terminais não possuem um instante exato para o término da simulação, portanto é importante determinar por quanto tempo cada replicação deve ser executada. Deve-se executar a simulação garantindo a coleta dos dados de saída durante o estado em regime permanente e existem três técnicas para garantir que isto aconteça. 1. Começar a simulação em um estado próximo daquele esperado em regime permanente: Geralmente, no início da simulação o sistema está vazio e livre. O atingimento do regime permanente será afetado negativamente por essa condição inicial. Para resolver este problema da determinação do regime transitório, as condições iniciais do sistema devem ser estabelecidas de modo que a simulação já inicie configurada para uma situação de regime permanente. Porém esta técnica torna-se difícil para modelos que ainda não existem na realidade, pois não se conhece o estado do sistema em regime permanente.

30 30 2. Rodar o modelo por um tempo de simulação longo: Os efeitos que as condições iniciais do sistema podem provocar nos resultados pode ser minimizado rodando a simulação por um período muito grande. No entanto, um tempo de simulação muito longo pode ser restrito em função dos recursos computacionais necessários. 3. Eliminar, os dados de saída, todos os valores gerados durante o período transitório, ou período de warm-up : Nesta técnica, a simulação passa por um período de aquecimento, ou seja, ela ocorre durante o período inicial em que não são coletadas estatísticas, para ser utilizada posteriormente. A determinação do tempo de warm-up é mais prática através da observação. Os parâmetros de análise definidos são observados em função do tempo e a partir dos resultados visualizados tenta-se determinar a partir de que momentos as condições inicias do sistema parece não influenciar mais o parâmetro.

31 31 4 METODOLOGIA 4.1 O processo de reforma dos Comandos Finais O sistema em análise pertence ao departamento responsável por realizar a reforma dos componentes dos equipamentos de Mina e Usina em uma empresa de Mineração. O Comando Final é um dos componentes que pertence aos caminhões fora de estrada, localizado na roda do caminhão, conforme Figuras 4 e 5. Figura 4 Imagem do Comando Final Fonte: Elaborado pelo autor, Figura 5 Localização do Comando Final no caminhão Fonte: Caterpillar, 2017

32 32 O objetivo do processo de reforma destes Comandos é garantir que o componente, ao chegar ao fim da vida útil, seja reformado e retorne para o caminhão para operar mais um ciclo de vida. Este processo de reforma reduz a necessidade de descarte e compra de componentes ao fim da vida útil. Contribuindo para a redução de custo das áreas clientes, responsáveis pela manutenção dos equipamentos de Mina e Usina. Portanto, o processo de reforma dos Comandos Finais deve atender à demanda dos clientes, com qualidade, na quantidade e tempo necessário, garantindo a disponibilidade física dos equipamentos. O processo de modelagem de simulação por eventos discretos se inicia na representação do processo por meio da elaboração de diagramas ou fluxogramas para descrever as principais etapas e procedimentos do processo. Esta etapa tem como objetivo localizar no sistema em estudo os processos, entidades, recursos e especificidades para uma fiel representação da realidade no ambiente simulado. Neste texto o sistema de estudo (reforma do Comando Final) está representado por meio do fluxograma a seguir. Figura 6 - Representação do processo de reforma do comando final Fonte: Elaborado pelo autor, 2016.

33 33 A partir da necessidade de atender a uma demanda do cliente o componente é programado para reforma. A primeira atividade realizada é a desmontagem e inspeção inicial do comando, utilizando o recurso de um empregado e é realizada na célula 01. Durante a desmontagem na célula 01, o comando é subdivido em seis partes, e duas delas (Carrier e Freio) são direcionados para as células 02 e 03 e as outras quatro são processadas juntas na célula 01. Na célula 02 é realizada a atividade de desmontagem e inspeção do Carrier e posteriormente a montagem do mesmo. Na célula 03 é realizada a atividade de desmontagem e inspeção do freio que é enviado para a célula 04 para conclusão da atividade de montagem. Cada uma das células dispõe do recurso de um empregado para realização das atividades. O Carrier e Freio após montados e o restante das partes do Comando são enviados para um armazém interno para aguardar suprimento de materiais e peças para dar sequência ao processo. Após o recebimento de todos os materiais e peças no Armazém, o comando final é programado para a montagem final na célula 05. Esta é a última atividade realizada no processo de reforma do Comando Final. 4.2 Programando o software Arena A programação no arena foi feita com base na divisão existente dentro do processo do Comando Final. A primeira etapa programada foi a chegada do comando final no sistema e a atividade de desmontagem que acontece na primeira célula dentro do processo. Nesta etapa o comando final se subdivide em seis partes que foram representadas no sistema conforme imagem seguinte.

34 34 Figura 7 Modelagem da célula de Desmontagem Inicial Fonte: Elaborado pelo autor, Tabela 2 Modelagem da célula de Desmontagem Inicial (Continua) Nome do Bloco Nome Arena Descrição Início Create Gera a chegada dos comandos. Desmontagem Station Representa a estação de trabalho que o componente passa. Decide Decide Evita que na primeira chegada o comando entre em fila. Hold Hold Enfileira os comandos enquanto o recurso mecânico estiver ocupado.

35 35 Tabela 2 Modelagem da célula de Desmontagem Inicial (Conclusão) Assign Nome do Bloco Nome Arena Assign Descrição Inicia a contagem de tempo que será finalizada no bloco Marca Tempo Fila Desmontagem Seize Gerencia as filas geradas. Desmontagem Inicial Carrier Delay Representa a execução das atividades. Separa Carrier Separate Libera o componente carrier dos outros compenentes do comando. Classifica Carrier Assign Cria o atributo carrier como 1 para a entidade comando. Leave Desmontagem Carrier Leave Representa o destino do Carrier. Desmontagem Inicial Anelar Delay Representa a execução das atividades. Separa Anelar Separate Libera o componente anelar dos outros componentes do comando. Classifica Anelar Assign Cria o atributo anelar como 2 para a entidade comando. Leave Desmontagem Anelar Leave Representa o destino do Anelar. Desmontagem Inicial Cubo Delay Representa a execução das atividades. Separa Cubo Separate Libera o componente cubo dos outros componentes do comando. Classifica Cubo Assign Cria o atributo cubo como 3 para a entidade comando. Leave Desmontagem Cubo Leave Representa o destino do Cubo. Desmontagem Inicial Cesto Delay Representa a execução das atividades. Separa Cesto Separate Libera o componente cesto dos outros componentes do comando. Classifica Cesto Assign Cria o atributo cesto como 4 para a entidade comando. Leave Desmontagem Cesto Leave Representa o destino do Cesto. Desmontagem Inicial Freio Delay Representa a execução das atividades. Separa Freio Separate Libera o componente freio dos outros componentes do comando. Classifica Freio Assign Cria o atributo freio como 5 para a entidade comando. Leave Desmontagem Freio Leave Representa o destino do Freio. Desmontagem Inicial Eixo Delay Representa a execução das atividades. Classifica Eixo Assign Cria o atributo eixo como 6 para a entidade comando Leave Desmontagem Eixo Leave Representa o destino do Eixo. Classifica Freio Assign Cria o atributo freio como 5 para a entidade comando. O processo se inicia com a chegada do Comando Final na célula e o Mecânico de Desmontagem Inicial realiza a desmontagem do comando por etapas. A primeira parte liberada é o Carrier que segue para a célula de desmontagem do Carrier. A segunda parte a ser liberada é a anelar, seguida do cubo e cesto que seguem para o

36 36 processo do lavador. Posteriormente, é liberado o freio que segue para a célula de desmontagem do freio. Por último, é liberado o eixo que também segue para o processo do lavador, totalizando as seis partes do Comando subdivididas. Para a simulação desta primeira etapa basicamente foram utilizados os módulos: 1. Create : responsável por gerar as chegadas dos comandos para a manutenção. 2. Hold : responsável por gerenciar as filas geradas no processo. 3. Delay : responsável por representar a execução das atividades. Os módulos station, assign e decide foram utilizados como recursos lógicos para a implementação do fluxo do processo. O Carrier e Freio que seguiram para as respectivas células, representadas no arena pelos módulos Stations (em rosa), são desmontados pelo Mecânico de Desmontagem de Carrier e Mecânico de Desmontagem de Freio respectivamente. Os blocos Process (em amarelo) das imagens seguintes representam este processo de atendimento, simulando uma provável fila que possa aparecer, a desmontagem e a liberação do mecânico para uma nova desmontagem. Após a finalização da desmontagem do Carrier e do Freio, estes seguem para o processo do lavador, cuja representação são os blocos Leave (em rosa). Figura 8 Modelagem da célula de Desmontagem do Carrier Fonte: Elaborado pelo autor, Tabela 3 Modelagem da célula de Desmontagem do Carrier Nome do Bloco Nome Arena Descrição Estacao Desmontagem Carrier Station Representa a estação de trabalho que o componente passa. Desmontagem Carrier Process Realiza a atividade de desmontagem do Carrier Leave 1 Lavador Leave Representa o destino da parte do comando.

37 37 Figura 9 Modelagem da célula de Desmontagem do Freio Fonte: Elaborado pelo autor, Tabela 4 Modelagem da célula de Desmontagem do Freio Nome do Bloco Nome Arena Descrição Estacao Desmontagem Freio Station Representa a estação de trabalho que o componente passa. Desmontagem Freio Process Realiza a atividade de desmontagem do Freio. Leave 3 Lavador Leave Representa o destino da parte do comando. Os blocos que representam as atividades realizadas no lavador foram omitidos por conveniência, já que os tempos das atividades realizadas nesta etapa foram computados juntamente com a desmontagem e inspeção dos módulos. Após final da limpeza das peças o Carrier segue para a etapa de Inspeção do Carrier, a Anelar, o Cubo, o Cesto e o Eixo seguem para a etapa de Inspeção Inicial e o Freio segue para a etapa de Inspeção do Freio. A inspeção do Carrier é realizada pelo Mecânico de Desmontagem de Carrier, mesmo recurso que realiza a desmontagem do Carrier. Após finalizar a inspeção, o Carrier é montado, ainda utilizando o mesmo recurso da desmontagem e inspeção. Após conclusão da montagem, o Carrier é enviado para o armazém para aguardar recursos que possibilitem a montagem final do Comando. A modelagem desta etapa foi realizada no arena conforme imagem seguinte. Figura 10 Modelagem da célula de Inspeção do Carrier Fonte: Elaborado pelo autor, 2017.

38 38 Tabela 5 Modelagem da célula de Inspeção do Carrier Nome do Bloco Nome Arena Descrição Estacao Inpecao Carrier Station Representa a estação de trabalho que o componente passa. Inspecao Carrier Process Realiza a atividade de inspeção do Carrier. Leave Montagem Carrier Leave Representa o destino do Carrier. Figura 11 Modelagem da célula de Montagem do Carrier Fonte: Elaborado pelo autor, Tabela 6 Modelagem da célula de Montagem do Carrier Nome do Bloco Nome Arena Descrição Estacao Montagem Carrier Station Representa a estação de trabalho que o componente passa. Montagem Carrier Process Realiza a atividade de montagem do Carrier. Leave 3 Armazem Leave Representa o destino da parte do comando. As estações pelas quais o Carrier passa estão representadas pelos blocos em rosa ( Station ). Na primeira estação, o processo de inspeção está representado pelo bloco Process e o tempo de atendimento foi inserido no modelo através da equação da distribuição estatística com o recurso existente para este atendimento. A estação posterior, Montagem Carrier, foi modelada da mesma forma, alterando a equação da distribuição estatística para o processo de atendimento da montagem. A inspeção do Freio é realizada pelo Mecânico de Desmontagem de Freio, mesmo recurso que realiza a desmontagem do Freio. Após finalizar a inspeção, o Freio é enviado para a etapa de montagem. A mesma lógica de modelagem do processo de inspeção do Carrier foi feita nesta etapa, com os ajustes necessários dos recursos e equação da distribuição estatística referente ao tempo de atendimento.

39 39 Figura 12 Modelagem da célula de Inspeção do Freio Fonte: Elaborado pelo autor, Tabela 7 Modelagem da célula de Inspeção do Freio Nome do Bloco Nome Arena Descrição Estacao Inpecao Freio Station Representa a estação de trabalho que o componente passa. Inspecao Freio Process Realiza a atividade de inspeção do Freio. Leave Montagem Freio Leave Representa o destino do Freio. A Montagem do Freio é realizada por outro recurso do processo, denominado Mecânico Montagem Freio. Após conclusão da montagem, o Freio é enviado para o armazém para aguardar recursos que possibilitem a montagem final do Comando. Para o processo de Montagem do Freio também foi realizada a modelagem da mesma forma que os processos anteriores. Figura 13 Modelagem da célula de Montagem do Freio Fonte: Elaborado pelo autor, Tabela 8 Modelagem da célula de Montagem do Freio Nome do Bloco Nome Arena Descrição Estacao Montagem Freio Station Representa a estação de trabalho que o componente passa. Montagem Freio Process Realiza a atividade de montagem do Freio. Leave 4 Armazem Leave Representa o destino da parte do comando. Além do Freio e Carrier, as outras partes do Comando, tais como Anelar, Cubo, Cesto e o Eixo também passam pela etapa de Inspeção e o recurso utilizado nesta etapa é o Mecânico de Desmontagem Inicial. Após conclusão da inspeção, todas as

40 40 quatro partes são enviadas para o armazém para aguardar recursos que possibilitem a montagem final do Comando. A lógica principal para implementar o processo tem como base reunir as quatro partes de maneira que não se compute inspeções em excesso. Após a inspeção, as partes são novamente separados. As etapas de junção e separação foram feitas por meio dos módulos Batch e Separate. E ao final da inspeção o recurso é liberado para iniciar nova atividade, sendo utilizado o módulo Release. Figura 14 Modelagem da célula de Inspeção Inicial Fonte: Elaborado pelo autor, Tabela 9 Modelagem da célula de Inspeção Inicial Nome do Bloco Nome Arena Descrição Estacao Inspecao Inicial Station Representa a estação de trabalho que o componente passa. Decide Decide Verifica os atributos da entidade comando. Match 4 Match Agrupa os comandos de mesmo atributo. Batch 5 Batch Agrupa os componentes para remontar o comando. Inspecao Inicial Process Realiza a atividade de inspeção final. Libera Mecanico Release Libera os recursos para iniciar nova atividade. Separate 8 Separate Desagrupa os componentes agrupados antes da inspeção. Assign 23 Assign Realiza a contagem pos inspeção. Marca Tempo Record Marca o tempo que foi gasto do início do processo até o fim da inspeção. Leave Armazem Leave Representa o destino da parte do comando. Após chegada de todos os recursos, juntamente com as seis partes que já estão no armazém subdivididas, os Comandos ficam disponíveis para a próxima etapa do processo que é a Montagem Final. Nesta etapa, o recurso Mecânico de Montagem Final realiza a montagem final de todo o Comando e o disponibiliza para entregar ao

41 41 cliente. A programação desta etapa foi feita basicamente por meio dos módulos Match e Batch que tem como função agrupar as peças do mesmo tipo e montar o Comando Final com cada uma das suas seis partes respectivamente. O módulo Seize, chamado de pulmão representa a fila dos Comandos em espera para a montagem final. Este pulmão é também o armazém onde ficam armazenados os Comandos em espera para a montagem final. E o módulo Create, chamado insere pulmão tem a função de inserir o estoque de comandos atual no pulmão. Figura 15 Modelagem da célula de Montagem Final Fonte: Elaborado pelo autor, Tabela 10 Modelagem da célula de Montagem Final (Continua) Nome do Bloco Nome Arena Descrição Estacao Montagem Final Station Representa a estação de trabalho que o componente passa. Classifica Montagem Decide Verifica os atributos da entidade comando. Match 1 Match Agrupa os comandos de mesmo atributo 1-4. Match 2 Match Agrupa os comandos de mesmo atributo 5-6. Batch 2 Batch Agrupa em apenas uma entidade o comando com os atributos de 1-4. Batch 3 Batch Agrupa em apenas uma entidade o comando com os atributos de 5-6.