Baixe o app para aproveitar ainda mais
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.
Compartilhar