Utilização da Simulação a Eventos Discretos como ferramenta de melhoria contínua aplicado em linha produtiva de autopeças

Prévia do material em texto

UTILIZAÇÃO DA SIMULAÇÃO A EVENTOS 
DISCRETOS COMO FERRAMENTA DE MELHORIA 
CONTÍNUA APLICADO EM LINHA PRODUTIVA DE 
AUTOPEÇAS 
 
DIEGO JEAN DE MELO - diegojean_51@hotmail.com 
UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL REI - UFSJ 
 
WILSON TRIGUEIRO DE SOUSA JUNIOR - wilson.trigueiro@ufsj.edu.br 
UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL REI - UFSJ 
 
ISRAEL HEITOR DE. ANDRADE - andrade.israel2@hotmail.com 
CENTRO UNIVERSITARIO DE LAVRAS - UNILAVRAS 
 
LUIZ CARLOS LAGROTTA JUNIOR - juninho.lagrotta@yahoo.com.br 
UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL REI - UFSJ 
 
Resumo: AS INDÚSTRIAS DESENVOLVEM SUAS LINHAS DE PRODUÇÃO DE 
MODO A ALCANÇAR NÍVEIS DE PRODUTIVIDADE OTIMIZANDO A 
RELAÇÃO ENTRE RECURSOS E PRODUÇÃO DOS ITENS DESEJADOS. A 
CONSTANTE AVALIAÇÃO DESSA RELAÇÃO PERMITE QUE OS SETORES 
PRODUTIVOS OBTENHAM RESULTADOS SEM A NECESSIDADE DE 
REALIZAR INVESTIMENTOS DE GRANDE QUANTIA, DESSA FORMA 
AMPLIAM SEUS LUCROS E SE TORNAM COMPETITIVOS FACE AO 
MERCADO QUE PARTICIPAM. PARA ESTE EFEITO, É IMPORTANTE 
QUE SE UTILIZE DE MÉTODOS DE ANÁLISE DE PRODUÇÃO QUE 
DESCREVAM A SITUAÇÃO REAL DO SISTEMA PRODUTIVO. ESTE 
TRABALHO UTILIZOU DA SIMULAÇÃO A EVENTOS DISCRETOS (SED) 
COMO FERRAMENTA DE MELHORIA DE PROCESSO, APLICADO EM 
UMA LINHA DE PRODUÇÃO DO RAMO DE AUTOPEÇAS. FORAM 
UTILIZADAS AS FASES DA SED, JUNTAMENTE COM O AUXÍLIO DOS 
SOFTWARES MINITAB, ARENA, INPUT ANALYZER E EXCEL. OS 
RESULTADOS DEMONSTRARAM QUE A APLICAÇÃO DAS FASES DO 
SED PERMITIU MODELAR, SIMULAR E OTIMIZAR, ATRAVÉS DE UM 
SISTEMA COMPUTACIONAL, O COMPORTAMENTO DA LINHA DE 
PRODUÇÃO. COM A SIMULAÇÃO, FOI POSSÍVEL VISUALIZAR FILAS 
DURANTE O PROCESSO DE PRODUÇÃO, ENCONTRANDO DESSA 
FORMA O GARGALO DA LINHA DE PRODUÇÃO. FOI POSSÍVEL 
DESENVOLVER MELHORIAS DE FORMA A AMPLIAR A 
PRODUTIVIDADE DA LINHA EM 86,1 VEZES. 
 
Palavras-chaves: ARENA; MELHORIA CONTÍNUA; PRODUTIVIDADE; SED. 
 
Área: 6 - PESQUISA OPERACIONAL 
Sub-Área: 6.4 - MODELAGEM, ANÁLISE E SIMULAÇÃO 
 
 XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO 
Política Nacional de Inovação e Engenharia de Produção 
Bauru, SP, Brasil, 09 a 11 de novembro de 2015 
 
 
 
2 
USING THE DISCRETE EVENT SIMULATION AS A 
CONTINUOUS IMPROVEMENT TOOL APPLIED TO 
AUTO PARTS PRODUCTION LINE 
 
Abstract: INDUSTRIES DEVELOP THEIR PRODUCTION LINES TO ACHIEVE 
PRODUCTIVITY LEVELS OPTIMIZING THE RELATIONSHIP BETWEEN 
RESOURCES AND PRODUCTION OF GOODS. THE CONSTANT 
EVALUATION OF THIS RELATIONSHIP ALLOWS THE PRODUCTIVE 
SECTORS TO ACHIEVE RESULTS WIITHOUT THE NEED TO CARRY 
LARGE AMOUNT OF INVESTMENT, THEREBY AMPLIFY THE PROFITS 
AND BECOME COMPETITIVE IN THE MARKET INVOLVED. FOR THIS 
PURPOSE, IT IS IMPORTANT TO USE PRODUCTION ANALYSIS 
METHODS TO DESCRIBE THE REAL SITUATION OF THE PRODUCTIVE 
SYSTEM. THIS STUDY USED THE DISCRETE EVENT SIMULATION (DES) 
AS A PROCESS IMPROVEMENT TOOL, APPLIED IN AN AUTO PARTS 
INDUSTRY PRODUCTION LINE. THE PHASES OF THE DES WERE USED, 
ALONG WITH THE HELP OF MINITAB, ARENA INPUT ANALYZER AND 
EXCEL SOFTWARES. THE RESULTS SHOWED THAT THE APPLICATION 
OF THE DES PHASES ALLOWED MODELING, SIMULATING AND 
OPTIMIZING THROUGH A COMPUTER SYSTEM, MODIFYING THE 
BEHAVIOR OF THE PRODUCTION LINE. USING SIMULATION, WAS 
POSSIBLE TO DISPLAY QUEUE DURING THE PRODUCTION PROCESS, 
THEREBY FINDING THE BOTTLENECK OF THE PRODUCTION LINE. IT 
WAS POSSIBLE TO DEVELOP IMPROVEMENTS IN ORDER TO INCREASE 
THE LINE PRODUCTIVITY BY 86.1 TIMES. 
 
Keyword: ARENA; CONTINUOUS IMPROVEMENT; PRODUCTIVITY; DES. 
 
 
 XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO 
Política Nacional de Inovação e Engenharia de Produção 
Bauru, SP, Brasil, 09 a 11 de novembro de 2015 
 
 
 
3 
1. Introdução 
O mercado consumidor tem se tornado mais exigentes nos quesitos de produto da 
qualidade e custo baixo. Para satisfazer tais exigências e deter cada vez mais fatias do 
mercado, as indústrias buscam obter a melhor eficiência de seus sistemas de produção. Para 
auxiliar na otimização de processos produtivos, indústrias utilizam de métodos de simulação. 
Dentre os métodos de simulação pode-se citar: por agentes, contínuos e a eventos 
discretos, sendo o último utilizado para auxialiar na visualização do comportamento das 
linhas de produção ao longo de um determinado período, como ferramenta para o 
monitoramento e desenvolvimento da melhoria contínua de processos. 
Chwif e Medina (2015) afirmam que para as indústrias, a simulação a eventos 
discretos se torna importante para definir metas e visualizar as reações do sistema aplicando 
diferentes cenários antes de realizar algum investimento em alterações do sistema real. 
A utilização da simulação a eventos discretos é aplicada em empresas prestadoras de 
serviços, na fabrição de bens de consumo e/ou um misto entre os dois. Nesses casos, o método 
é utilizado para modelar, simular e por fim otimizar a utilização de recursos em função de 
custos associados à produção ou esperas que influenciam o valor do produto final. 
Baptista e Rangel (2012) utilizaram a simulação a eventos discretos (SED) com 
auxílio do software Arena para modelar uma via semaforizada em três situações diferentes 
obtendo ao final o tempo total de veículos que passaram pela via e o tempo em que 
permaneceram nela. 
Beluco e Carlin (2012) observaram através da aplicação da SED em uma linha de 
produção aeronáutica, que com mudanças pontuais na linha de produção, é possível reduzir o 
tempo de produção. 
Chwif (2015) desenvolveu modelos de processo utilizando a SED para encontrar 
falhas de projetos de sistemas automatizados de manufatura. 
Meirelles, Araújo e Lemos (2014) utilizam da modelagem de sistema em um processo 
de impressão para tomada de dicisões de acordo com o senário apresentado pelo mercado. 
O objetivo desse trabalho é demonstrar a aplicação da SED para encontrar pontos a 
serem trabalhados (gargalos) e assim otimizar a linha de produção, reduzindo o tempo de fila 
na linha de produção, elevando sua capacidade produtiva. Foram utilizadas as fases da SED, 
além dos softwares Minitab, Arena, Input Analyzer e Excel. 
 
2. Materiais e Métodos 
2.1. Simulação a eventos discretos 
A SED permite modelar sistemas de produção, bem e/ou serviço, de modo a descrever 
os tempos de processo e tempos de fila. Sua principal função é descrever as variações 
presentes em um processo (aleatoriedade) e como esse fator impacta nos processos 
subsequentes. 
Chwif e Medina (2015) divide a SED em três etapas. A seguir é representado as etapas 
e sua composição que foram utilizadas. 
a) Concepção: Nessa etapa é representado os objetivos, definição do sistema e descrito o 
modelo abstrato e conceitual do processo em análise. Essa etapa deve ser muito bem definida, 
pois será a base da simulação. 
b) Implementação: Nessa etapa o modelo conceitual é transferido para computacional. São 
inserido todos os dados amostrais colhidos do processo real de forma à melhor representa-lo. 
c) Análise: Verifica-se o modelo operacional e analisa os resultados encontrados. Através 
desses dados é possível encontrar pontos fracos do sistema real de produção de uma forma 
mais clara. Assim realizar melhorias de forma a otimizar o processo de produção. 
Harrel e Tumay (1995) reafirmam a importância de uma boa concepção e análise dos 
resultados. Segundo os autores, de todo o estudo da SED, deve-se gastar cerca de 80% desse 
 
 XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO 
Política Nacional de Inovação e Engenharia de Produção 
Bauru, SP, Brasil, 09 a 11 de novembro de 2015 
 
 
 
4 
tempo na concepção e análise dos resultados obtidos. 
O modelo abstrato é aquele onde se imagina o sistema de produção, e o modelo 
conceitualé o modelo que visa descrever o mais real possível o sistema de produção. Chwif 
(1999) descreve diversos métodos de elaboração de modelo conceitual e realiza uma 
comparação entre os mesmos. Em seus estudos ele concluiu que o método Activity Cycle 
Diagrams (ACD) é o mais simples de se desenvolver e de melhor compreensão do sistema. 
Neste trabalho as etapas da SED foram utilizadas para otimização do sistema de 
produção. O método ACD foi aplicado para realizar o modelo conceitual. 
 
2.2. Software Minitab 
O software estatístico Minitab possibilita sua aplicação em uma série de situações 
industriais. A exemplo, Pedrini et al. (2007) utilizaram o Minitab em uma industria do setor 
metalúrgico para determinar a média e o desvio-padrão tomando como base tamanho de 
amostras variaveis. 
Morais, Ferreira e Balestrassi (2005) utilizaram o Minitab para analisar as ferramentas 
de qualidade em um processo onde a distribuição das amostras não apresentam uma 
distribuição normal. 
Neste trabalho foi utilizado o software Minitab 17 para visualizar presença de outliers 
na amostra coletada da linha de produção, posto que a licença do mesmo é de domínio dos 
autores. 
 
2.3. Software Arena 
Dentre os softwares de modelagem de processo, o Arena é um dos mais utilizado. 
Desenvolvido pela Rockwell Arena em 1982, o Software Arena é capaz de modelar diferentes 
tipos de processos, sejam de manufatura ou serviço em diversos cenários. É uma poderosa 
ferramenta para análise de filas, processos e recursos de sistemas produtivos. 
Silva, Pinto e Subramanian (2007) utilizaram o Software Arena como uma ferramenta para 
auxiliar no ensino sobre fluxo de produção, operações gargalos, filas de processo e lead time 
de um processo de produção. Pereira e Costa (2012) modelaram um sistema de produção de 
um frigorífico de peixes utilizando o software Arena e assim realizar uma programação de 
produção. 
Nesse trabalho o Software Arena 14.0, versão estudante, foi utilizado para desenvolver o 
modelo computacional da linha de produção. Dentro desse pacote, o software Input Analyzer 
foi utilizado para a geração das distribuições de probabilidade, por ter sido utilizado nos 
trabalhos de Aguilar et al. (2009) e Baumgartner et al. (2013). 
 
3. Resultados 
Este trabalho foi desenvolvido em indústria de autopeças localizada no sul de Minas Gerais. 
As indústrias buscam, à nível de chão de fábrica, elevar a produtividade de suas linhas de 
produção, de forma a aumentar o volume de peças produzidas e reduzir os custos do mesmo, 
eliminando as perdas da atual linha de produção. 
Dentre as diversas formas de mensurar as perdas que envolvem uma linha de produção, o 
tempo é a principal unidade de medida utilizada. Isso se deve ao fato do tempo estar alinhado 
a diversos fatores na indústria como tempo de produção, utilização de mão de obra, 
capacidade produtiva, estoque em processo, entre outros. 
Desta forma, a busca por modelar e identificar meios de elevar a produtividade em um 
processo de produção se torna essencial para as indústrias. Com objetivo de reduzir o custo do 
produto final e ampliar os lucros. Assim conquistando uma maior fatia do mercado e se 
tornando uma indústria de referência e eficiência no mercado. 
 
 XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO 
Política Nacional de Inovação e Engenharia de Produção 
Bauru, SP, Brasil, 09 a 11 de novembro de 2015 
 
 
 
5 
O setor de autopeças, em busca da redução dos custos de sua linha de produção e aumento da 
quantidade de peças produzidas de forma a atender a demanda, inicia um plano de ação de 
melhoria. Para isso é calculado o número de peças produzidas por cada setor da indústria em 
busca dos gargalos. Encontrado o setor, foi analisado a linha de produção com o menor 
volume de produção mensal. 
Para otimizar a linha de produção considerada gargalo da indústria, foi decidido utilizar o 
método de modelagem e SED. Inicialmente foi desenvolvido a concepção do modelo, que 
consiste na primeira etapa da simulação. A partir do modelo abstrato em que é a linha de 
produção no seu estado presente, foi desenvolvido o modelo conceitual da mesma. 
A Figura 1 representa o modelo conceitual utilizando o método Activity Cycle Diagrams 
(ACD). No primeiro posto a operação consiste através de uma máquina realizar a prensagem 
de duas peças de forma a se unirem. O segundo posto é composto por duas máquinas de 
soldagem, responsável por soldar os componentes unidos na operação anterior. No terceiro é 
realizado furos na peça por meio de uma máquina de estampagem. No último posto é 
realizado teste de estanqueidade para verificar a qualidade da solda. Todos os postos de 
trabalho possuem um operador e o mesmo modelo ACD representado na Figura 1. 
A Figura 2 representa o Layout da linha de produção e como os postos de trabalho estão 
dispostos em sequência. 
 
FIGURA 1 - ACD da linha de produção. Fonte: Autor. 
 
 XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO 
Política Nacional de Inovação e Engenharia de Produção 
Bauru, SP, Brasil, 09 a 11 de novembro de 2015 
 
 
 
6 
Prensa de 
Montar
Solda 1
Solda 2
Prensa de 
Furar
Estanqueidade
Carrinho de 
peças
 
FIGURA 2 - Layout da linha de produção. Fonte: Autor. 
Após o desenvolvimento conceitual do processo de produção, foi iniciado a coleta de dados. 
Essa coleta consiste em cronometrar, em segundos, o tempo de ciclo de cada posto de 
trabalho. Para obter uma amostra de dados consistente, de forma a representar a realidade do 
processo, foram coletadas 60 amostras de cada posto de trabalho. Com os dados coletados foi 
analisado se havia presença de outliers através da ferramenta Boxplot do software Minitab. 
A Figura 3 representa os Boxplots de todos os postos de trabalho da linha de produção. 
Com a análise dos Boxplots foi visualizado a presença de outliers nos postos 1, 2 e 3. Foi 
realizado um estudo mais detalhado dos outliers para verificar se a ocorrência era real do 
sistema. Após levantar os motivos que provocaram os outilers. Foi confirmado que essas 
amostras são representativas do sistema, com isso não foram excluídas na modelagem do 
sistema. 
Após o estudo dos dados coletados, iniciou-se a etapa de implementação do modelo. 
Inicialmente foi necessário determinar o tipo de distribuição de cada posto de trabalho. Para 
isso foi utilizado o software Input Analyzer, que a partir das amostras coletadas consegue 
demonstrar qual a distribuição de probabilidade e a expressão que representa o posto de 
trabalho. 
W
IP
 
W
IP
 
WIP 
 
 XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO 
Política Nacional de Inovação e Engenharia de Produção 
Bauru, SP, Brasil, 09 a 11 de novembro de 2015 
 
 
 
7 
Posto 4Posot 3Posto 2Posto 1
120
100
80
60
40
20
0
se
gu
nd
os
Boxplot of Posto 1; Posto 2; Posot 3; Posto 4
 
FIGURA 3 - Boxplots dos postos de trabalho. Fonte: Autor. 
A Tabela 1 descreve a distribuição e a expressão que melhor representa cada posto de 
trabalho. 
TABELA 1 - Distribuição de probabilidade por posto de trabalho. 
Posto de trabalho Tipo de distribuição Expressão 
Posto 1 Erlang 19.5 + ERLA(1.23, 4) 
Posto 2 Gamma 17 + GAMM(1.34, 6.44) 
Posto 3 Weibull 25 + WEIB(6.1, 0.545) 
Posto 4 Beta 9 + 17 * BETA(0.717, 0.849) 
 Fonte: Autor 
Com a definição das expressões, foi possível gerar o modelo computacional, através do 
software Arena 14.0. Por ser um processo em linha, a primeira operação foi considerada como 
sendo a entrada do processo. Todas as etapas seguintes possuem um buffer de peças onde 
podem ser estocadas no máximo 50 peças. Ao encher o buffer, a operação anterior para seu 
processo e aguarda que obuffer seja reduzido de forma a possibilitar que seja inserido mais 
peças. 
O tempo de espera das operações, quando o buffer está cheio, é considerado como tempo de 
produção perdida, assim o modelo avalia o buffer antes de chegar a operação, caso esteja 
cheio, a peça é levada para o final do processo, representando um tempo de produção perdido 
pelo posto de trabalho. 
A Figura 4 descreve o modelo computacional gerado no software Arena 14.0. 
 
 XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO 
Política Nacional de Inovação e Engenharia de Produção 
Bauru, SP, Brasil, 09 a 11 de novembro de 2015 
 
 
 
8 
 
FIGURA 4 - Modelo computacional. Fonte: Autor. 
Com o modelo computacional definido, deu-se início a última faze da SED. A simulação foi 
realizada prevendo a produção efetiva de 2799 peças, desconsiderando as perdas. Através da 
simulação do processo foi possível registrar o Lead Time da linha de produção para cada 
peça. Essa simulação permite estimar o tempo médio de Lead Time da linha de produção e 
seus limites superior e inferior de controle. 
A Figura 5 demostra o gráfico de relação entre peça e tempo de Lead Time. 
FIGURA 5 - Lead Time por peça produzida. Fonte: Autor. 
Analisando o gráfico da Figura 5, foi observado a presença de Warm Up. O Warm Up ocorreu 
até a produção de aproximadamente 730 peças, onde o buffer do posto 3 se encontrava com 
50 peças, provocando a parada do posto 2. 
Para identificar o Lead Time médio da linha de produção os valores que faziam parte do 
Warm Up foram retirados. Assim a linha de produção possuía intervalo de confiança para o 
Lead Time (95%) = 2979,71 ±12,72 segundos. 
Para aumentar a eficiência da linha de produção, é necessário reduzir o tempo médio de Lead 
Time, reduzindo os tempos de fila entre as operações e restringindo o volume de peças que 
ficam no buffer aguardando operações. Com este efeito, foram avaliadas diversas ideias de 
melhorias de processo. 
 
 XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO 
Política Nacional de Inovação e Engenharia de Produção 
Bauru, SP, Brasil, 09 a 11 de novembro de 2015 
 
 
 
9 
Dentre as ideias de melhoria, a que se destacou foi a eliminação dos fatores que provocavam a 
ocorrência de outliers no processo. Novamente foi analisado as ocorrências de outliers do 
processo para verificar suas causas. 
Nos postos 1 e 2, os outliers ocorreram devido à falta de padronização do posto de trabalho, 
levando o operador a procurar peças em determinados momentos do processo. No posto 3, 
onde as filas se formavam em maior volume, os outliers ocorriam devido a limpeza de sobras 
que a máquina gerava. Por ser um processo de estampagem, as sobras eram acumuladas no 
interior do equipamento, e com frequência deviam ser retiradas para não provocar danos nas 
peças e no equipamento durante o processo. 
Todos os postos de trabalho foram readequados e demarcados, padronizando as atividades. A 
máquina no posto 3 foi modificada de modo a não reter mais sobras em seu interior, sendo 
escoado para um recipiente de sobras. Esse recipiente possui uma grande capacidade, assim 
sendo necessário esvazia-lo apenas uma vez ao turno. Desse modo, eliminando a atividade de 
limpeza de sobras. 
Para verificar a eficiência alcançada pelas modificações implantadas, novamente utilizou a 
simulação a eventos discretos. A etapa de concepção se manteve a mesma, pois não foi 
modificado nenhuma etapa do modelo já existente. A coleta de dados foi realizada novamente 
em segundos para realizar um ciclo de atividades e coletado 60 amostras. Foi utilizado a 
opção Boxplot do software Minitab para verificar se ainda existia presença de outliers no 
novo sistema. 
A Figura 6 representa os Boxplots gerados dos postos de trabalho após a implantação das 
melhorias de processo. 
É possível afirmar com base nos dados gerados pelos Boxplots da Figura 6, que o processo 
não apresenta mais outliers, confirmando que o objetivo de eliminação dos outliers foi 
alcançado. Após análise das amostras coletadas, foi determinado a distribuição de 
probabilidade das mesmas utilizando o software Input Analyzer. 
Posto 4Posto 3Posto 2Posto 1
15,0
12,5
10,0
7,5
5,0
se
gu
nd
os
Boxplot of Posto 1; Posto 2; Posto 3; Posto 4
 
FIGURA 6 - Boxplots dos postos de trabalho. Fonte: Autor. 
A Tabela 2 representa a distribuição e a expressão das amostras de cada posto de trabalho. 
TABELA 2 - Distribuição de probabilidade por posto de trabalho. 
 
 XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO 
Política Nacional de Inovação e Engenharia de Produção 
Bauru, SP, Brasil, 09 a 11 de novembro de 2015 
 
 
 
10 
Posto de trabalho Tipo de distribuição Expressão 
Posto 1 Erlang 11 + ERLA(0.428, 5) 
Posto 2 Erlang 10 + ERLA(0.505, 4) 
Posto 3 Gamma 9.24 + GAMM(0.371, 5.44) 
Posto 4 Beta 6 + 9 * BETA(0.392, 0.507) 
 Fonte: Autor 
Como o modelo conceitual não foi alterado, o modelo computacional se manteve o mesmo, 
modificando apenas as expressões de probabilidade de cada posto de trabalho. Uma simulação 
dos postos de trabalho após a aplicação das melhorias foi realizada através do software Arena 
14.0. Foram simulados a produção de 2963 peças. 
A Figura 7 representa o gráfico de relação entre Lead Time da linha de produção e peça 
produzida. 
A análise do gráfico da Figura 7, gerado pela relação entre Lead Time e peça produzida 
demonstra que não existe mais presença de Warm Up. Isso ocorreu devido o número de peças 
em fila reduziu drasticamente, mantendo um certo equilíbrio entre os tempos das operações. 
Assim todos os dados gravados pelo software Arena podem ser utilizados para determinar o 
Lead Time médio e o intervalo de confiança do processo de produção. 
FIGURA 7 - Lead Time por peça produzida. Fonte: Autor. 
A linha de produção passou a ter seu intervalo de confiança para o Lead Time (95%) = 
34,61±0,13 segundos. O número de peças que a linha passou a produzir se elevou 
consideravelmente pela redução do Lead Time em 2945,10 segundos por peça, além de 
aumentar a consistência da linha reduzindo a variabilidade em 12,59 segundos. Confirmando 
assim a eficiência da aplicação da melhoria do processo de produção. 
 
4. Considerações Finais 
Este estudo demonstrou a aplicação do método da simulação em duas etapas distintas. Na 
primeira etapa de aplicação o processo de produção foi representado e simulado conforme sua 
situação atual (passado). Nessa etapa foram identificados pontos que faziam elevar o Lead 
Time da linha de produção, provocando uma baixa produtividade. Após o levantamento de 
possíveis melhorias para o processo, foi tomada a decisão de implantar a que possuía menor 
custo e o melhor resultado para a empresa. 
A segunda etapa de aplicação do método de simulação representou a simulação da linha de 
produção com as melhorias implantadas. Nessa etapa foi avaliada a diferença de 
produtividade que a linha de produção obteve. Realizando uma comparação entre as duas 
 
 XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO 
Política Nacional de Inovação e Engenharia de Produção 
Bauru, SP, Brasil, 09 a 11 de novembro de 2015 
 
 
 
11 
situações, o Lead Time reduziu em 86,1 vezes e o processo se tornou mais consistente ao 
observar a queda também na variabilidade. 
O método da simulação aplicado na indústria de autopeças comprovou que sua utilização é 
essencial para se visualizar o comportamento de uma linha de produção. Também foi possível 
encontrar potenciais fontes de melhoria do processo. Por fim, foi possível simular e controlar 
a linha de produção com os resultados alcançados. 
A linha de produção foi modelada, simulada e otimizada conforme sua realidade. 
Oportunidades de melhorias foramencontradas e aplicadas na linha de produção. O processo 
foi novamente simulado e os resultados demonstraram a otimização da linha de produção no 
aumento de sua produtividade. 
Para trabalhos futuros, a presente metodologia será expandida para as demais linhas de 
produção dentro da indústria estudada. 
 
Referências 
CHWIF, L.; MEDINA, A. C. Modelagem e simulação de eventos discretos. Editora Campus, 298 p., 2015. 
BAPTISTA, R. C. T.; RANGEL, J. J. A. Simulação a eventos discretos de uma via semaforizada com controle 
automatizado em tempo real. Produção Online, n.1, p.290-317, 2012. 
BELUCO, A.; CARLIN, D. O. Utilização de simuladores de eventos discretos no processo de modelagem de 
linha de produção aeronáutica. Negócios e Talentos, n.9, 2012. 
CHWIF, L. Utilizando simulação de eventos discretos em projetos de sistemas automatizados de manufatura. 
Disponível em:< http://www.simulate.com.br/news_anterior_files/artigo_conai.PDF>. Acesso em: 25 de maio de 
2015. 
MEIRELLES, L. H.; ARAÚJO, C. L. K.; LEMOS, F. O. Aplicação de uma sistemática de modelagem e 
simulação no apoio à tomada de decisão em um processo de manufatura: Estudo de caso em um processo de 
impressão. XXI Simpósio de Engenharia de Produção. São Paulo, 2014. 
HARRE – . USA: Industrial Engineering and 
Management Press. Norcross, Georgia, 1995. 
CHWIF, L. Redução de Modelos de Simulação de Eventos Discretos na sua Concepção: Uma 
Abordagem Causal. Tese (Doutorado) – Escola Politécnica da USP. Departamento de Engenharia Mecânica, 
1999. 
PEDRINI, D. C.; CATEN, C. S. T.; SOARES, A. B.; CAMPOS, M. S. Gráfico de controle para média e desvio-
padrão com tamanho de amostra variável: uma aplicação em uma indústria do setor metalúrgico. XXVII 
Encontro Nacional de Engenharia de Produção. Paraná, 2007. 
MORAES, C. F.; FERREIRA, J. R.; BALESTRASSI, P. P. Análise crítica da aplicação de métodos estatísticos 
em processos definidos por dados que não apresentam distribuição normal. XII Simpósio de Engenharia de 
Produção. São Paulo, 2005. 
SILVA, L. M. F. E.; PINTO, M. G.; SUBRAMANIAN, A. Utilizando o Software Arena como ferramenta de 
apoio ao ensino em Engenharia de Produção. XXVII Encontro Nacional de Engenharia de Produção. Paraná, 
2007. 
PEREIRA, C. R.; COSTA, M. A. B. Um modelo de simulação de sistemas aplicado à programação da produção 
de um frigorífico de peixe. Produção Online, n.4, p.972-1001, 2012. 
AGUILAR, S. M. S.; GUIMARÃES, I. F. G.; SCHUCHTER, D. C.; MENDES, L. G. Avaliação dos benefícios 
da aplicação da simulação, através do software Arena 10.0, em uma empresa de transporte ferroviário. XXIX 
Encontro Nacional de Engenharia de Produção. Bahia, 2009. 
BAUMGARTNER, D.; CAVALLI, D.; SANTOS, J. A. A.; SCHMIDT, C. A. P. Modelagem, simulação e 
otimização da dinâmica operacional do processo de embalagem e paletização de sachês de refresco em pó: um 
estudo de caso. Revista Espacios, n.6, p.10, 2013.