November 19, 2026
Simulação de Eventos Discretos no Escalonamento da Manutenção de Rolos em Ambiente Job Shop
Carlos Alberto Rodrigues de Souza; Bruno Felipe Lenin Souza Bezerra
DOI: 10.22167/2675-6528-202603884
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A indústria brasileira de papel e celulose enfrenta desafios na assertividade dos prazos de entrega devido à alta variabilidade operacional e à instabilidade no planejamento da manutenção de rolos, onde mudanças de prioridade comprometem a previsibilidade. O objetivo da pesquisa foi desenvolver e avaliar um modelo de Simulação de Eventos Discretos (SED) capaz de representar a dinâmica operacional e aumentar a precisão das promessas de prazo ao cliente. A metodologia empregou um estudo de caso em uma unidade industrial de grande porte, classificando o problema como um Flexible Job Shop Scheduling Problem (FJSP) de complexidade NP-hard. Desenvolveu-se um modelo computacional no software Arena, integrado ao Microsoft Excel para interface de dados, que permitiu a análise de múltiplos cenários. Utilizaram-se distribuições estocásticas de probabilidade para modelar os tempos de processo e capturar a incerteza do chão de fábrica. Os resultados demonstraram que o modelo representou adequadamente os gargalos dinâmicos e possibilitou comparar a assertividade das datas prometidas frente ao histórico real da operação. A ferramenta mostrou-se viável e eficaz para estabilizar o fluxo produtivo em ambientes industriais complexos e voláteis.
Palavras-chave: Gargalos; Modelagem estocástica; Planejamento da Produção; Prazos; Software Arena.
1. Introdução
A dinâmica da indústria brasileira, em particular o setor de produção de papel e celulose, caracteriza-se por sua agilidade, alta demanda por manutenção e perdas significativas decorrentes de máquinas paradas. Este cenário exige uma assertividade superior nos prazos de entrega, especialmente em ambientes marcados por elevada variabilidade operacional. A competitividade crescente nos mercados industriais tem impulsionado as empresas a aprimorar suas capacidades de planejamento e o cumprimento dos prazos acordados com os clientes.
Em contextos de alta variabilidade operacional, onde mudanças frequentes de prioridades são comuns, manter previsões de entrega confiáveis torna-se um desafio. A incerteza operacional é reconhecida como um dos fatores primários que comprometem a eficácia dos sistemas de planejamento e controle da produção, demandando abordagens mais robustas para gerenciar variações não previstas (Slack et al., 2010). Nesse sentido, modelos de apoio à decisão, incluindo técnicas de simulação, têm sido amplamente empregados para aprimorar a previsibilidade e subsidiar a tomada de decisões em operações complexas (Law e Kelton, 2015).
Entre as abordagens disponíveis, a Simulação de Eventos Discretos (SED) destaca-se como uma ferramenta promissora para integrar planejamento e execução, oferecendo visibilidade contínua das atividades e possibilitando ajustes dinâmicos conforme as prioridades se alteram. Estudos recentes corroboram a aplicabilidade da SED: Piacentini et al. (2023) demonstraram que a SED, quando combinada com métodos de otimização, pode otimizar a programação da produção e reduzir estoques em processo. Maciel et al. (2024) enfatizaram que a simulação permite avaliar diferentes cenários de balanceamento e sequenciamento, resultando em ganhos de eficiência, enquanto Borges et al. (2022) evidenciaram seu valor como apoio à decisão em ambientes de manutenção industrial com alta variabilidade.
Apesar do potencial da SED, sua eficácia depende da aderência à realidade operacional e da capacidade de incorporar a variabilidade inerente aos processos. Diversos autores ressaltam que ferramentas de planejamento são efetivas apenas quando refletem adequadamente os fluxos de trabalho reais e suas restrições (Corrêa et al., 2007). Assim, antes da implementação de um modelo ou sistema que apoie decisões de prazo, é fundamental avaliar sua capacidade de representar a operação e gerar impactos positivos na assertividade das promessas de entrega. A literatura de simulação aponta que modelos bem construídos permitem testar cenários, antecipar gargalos, medir riscos e avaliar o comportamento de sistemas sob diferentes combinações de eventos (Banks et al., 2010).
No contexto da pesquisa operacional, o ambiente de manutenção industrial de componentes mecânicos, como os rolos da indústria papeleira, é tecnicamente classificado como um Flexible Job Shop Scheduling Problem (FJSP). Diferente do modelo clássico Job Shop, onde cada operação é vinculada a uma única máquina, no FJSP existe a flexibilidade de processar uma tarefa em diferentes recursos compatíveis, variando em eficiência e tempo. Essa característica torna o problema de sequenciamento e atribuição de máquinas uma tarefa de otimização combinatória do tipo NP-hard, o que significa que a obtenção de soluções exatas em tempo real é computacionalmente complexa devido ao crescimento exponencial das possibilidades conforme a escala do problema aumenta.
A problemática central desta pesquisa reside na instabilidade do planejamento de serviços de manutenção de rolos em uma unidade industrial de grande porte. A natureza não seriada do processo dificulta a padronização, e a operação enfrenta uma volatilidade elevada, evidenciada por aproximadamente 15% das ordens de serviço que sofrem mudanças de prioridade após o planejamento inicial. Tal dinamismo invalida ferramentas estáticas de gestão, pois pequenas alterações no mix de peças ou na urgência de pedidos podem gerar gargalos dinâmicos intermitentes e comprometer a previsibilidade das entregas acordadas com os clientes. Nesse sentido, o presente projeto busca verificar se um modelo de simulação, aplicado ao contexto operacional estudado, pode efetivamente apoiar o planejamento e controle da produção e contribuir para aumentar a precisão dos prazos prometidos aos clientes.
Considera-se particularmente relevante investigar se a Simulação de Eventos Discretos, quando alimentada pelas informações geradas pela simulação, consegue lidar de maneira satisfatória com mudanças de prioridades e com a volatilidade inerente ao processo produtivo analisado. A adoção da simulação pode fornecer evidências sobre a possibilidade de melhorar a confiabilidade dos prazos prometidos, mas depende de validações que comprovem sua adequação, realismo e impacto direto nos indicadores resultantes. Assim, o objetivo deste trabalho é avaliar a capacidade de um modelo de simulação por eventos discretos em representar o comportamento real de um processo produtivo de manutenção de rolos, verificando se a modelagem é apta a reproduzir a dinâmica operacional, incluindo a variabilidade técnica, as restrições de recursos e as mudanças de prioridades, e verificar empiricamente se as informações geradas pelo modelo simulado são adequadas para a definição e o acompanhamento dos prazos de entrega, permitindo comparar a assertividade das datas prometidas antes e depois da aplicação da ferramenta.
2. Material e Métodos
A metodologia adotada neste estudo caracterizou-se por uma abordagem aplicada, quantitativa e empírica, fundamentada nos princípios da Pesquisa Operacional e nos avanços da literatura de Simulação de Eventos Discretos (SED) aplicada a sistemas não seriados de manufatura. O objetivo central foi avaliar a capacidade de um modelo de SED em representar a dinâmica complexa de um processo produtivo e aumentar a previsibilidade dos prazos no planejamento de serviços de manutenção de rolos em uma unidade industrial.
O objeto de estudo compreendeu uma oficina de serviços industriais de médio/grande porte, especializada na recuperação de rolos e cilindros para máquinas de papel e celulose. O ambiente operacional foi classificado tecnicamente como um Flexible Job Shop Scheduling Problem (FJSP), devido ao roteamento intermitente e à flexibilidade de recursos, onde as operações compartilham centros de trabalho com variações de eficiência e tempo.
A construção metodológica foi dividida em etapas encadeadas para garantir um pipeline de pesquisa replicável e aderente à realidade do chão de fábrica. Essas etapas incluíram o mapeamento do fluxo de valor, o agrupamento da complexidade de serviços e rotas, a extração e o tratamento estocástico de dados históricos, a programação lógica de restrições de sincronismo em ambiente computacional e a validação por experimentação de cenários.
A base de dados foi construída a partir de dois pilares principais. O primeiro pilar consistiu em dados secundários extraídos do sistema de gestão e controles em Microsoft Excel da fábrica, abrangendo o comportamento de ordens de serviço ao longo de um horizonte temporal de vinte e quatro meses. O segundo pilar envolveu observações diretas de tempos de movimentação física e setups, realizadas durante um período de um mês.
Para estruturar a alta variedade de escopos sem saturar a lógica do simulador, aplicou-se o conceito de Matriz de serviços, que permitiu fragmentar os dados brutos em cinco tipos de parâmetros essenciais para a simulação. Essa abordagem, conforme Guizzi et al. (2020), confere alta flexibilidade ao sistema, permitindo representar uma ampla variedade de problemas de Job Shop.
Os tempos de processamento de cada etapa não foram tratados por médias aritméticas simples. Em vez disso, os dados históricos foram submetidos a testes de aderência estatística para a determinação de distribuições estocásticas de probabilidade, como as distribuições Triangular e Exponencial, para representar a incerteza inerente ao chão de fábrica.
A chegada de rolos foi modelada matematicamente por meio da distribuição discreta empiricamente ajustada como DISC(0.35, 1, 0.75, 2, 0.90, 3, 1.0, 4), escalonando até o teto probabilístico de quatro unidades diárias. Os tempos de processo das dezenove etapas mapeadas no fluxo, como Lavagem, Retífica e Montagem, foram parametrizados pela Distribuição Triangular (TRIA), capturando valores de tempo mínimo, moda e máximo.
As variáveis de atraso externo, caracterizadas pelas esperas por aprovação de escopo técnico junto ao cliente e o aguardo de sobressalentes, foram modeladas pela Distribuição Exponencial (EXPO) com médias fixadas em setenta e duas horas e trezentas e sessenta horas, respectivamente. A escolha da curva exponencial justificou-se por sua propriedade de ausência de memória, representando um cenário de variabilidade exógena.
O modelo computacional foi desenvolvido no software Arena, integrado ao Microsoft Excel para a interface de dados, seguindo uma arquitetura de Simulação Orientada a Dados. O Excel atuou como um controlador de baixo nível (Low-Level Controller), conforme preconizado por Oliveira et al. (2014), isolando a lógica de programação interna do Arena das variáveis de entrada da oficina.
O fluxo de informações síncrono foi governado por cinco abas funcionais integradas no Excel: Entrada, Rotas, Regras, Capacidade e WIP Inicial. A aba Entrada definiu a carga de trabalho e a incerteza estatística. A aba Rotas atuou no sequenciamento lógico das entidades, mapeando as famílias de rotas possíveis que cada ativo poderia percorrer, utilizando o módulo Sequence do Arena.
A aba Regras implementou as diretrizes de dispatching rules e a engenharia de atributos do modelo, incluindo fatores de ajuste paramétricos como FATOR_TAMANHO e FATOR_COMPLEXIDADE, com multiplicadores de 1.0 a 1.7. Uma variável probabilística de urgência, fixada em quinze por cento, foi parametrizada para reproduzir a instabilidade real de pátio.
As restrições físicas do sistema e a disponibilidade da força de trabalho foram consolidadas na aba Capacidade. Esta matriz mapeou a quantidade de recursos ativos por posto de trabalho e distribuiu jornadas de turnos diferenciadas, configurando postos de retífica para operar vinte e quatro horas e lavagem em turno de oito horas. Coeficientes de eficiência de oitenta por cento para máquinas e setenta e cinco por cento para atividades manuais foram incorporados.
A aba WIP Inicial estabeleceu as condições de contorno do estado atual do sistema no tempo zero, registrando o mapeamento de estado instantâneo de setenta ordens de serviço retidas no pátio físico. Os dados detalharam a localização exata de cada componente, discriminando se o rolo estava aguardando em fila ou em processo de usinagem, e em qual das dezenove etapas o serviço foi congelado.
Para validar a aderência do modelo computacional ao comportamento dinâmico do chão de fábrica, adotou-se a técnica de inicialização por estado atual, denominada Snapshot. Este estudo carregou as setenta ordens de serviço listadas na aba WIP Inicial para o tempo zero da simulação, identificando a localização exata de cada rolo e seu status operacional.
A validação estatística consistiu na execução de três replicações de longo prazo, permitindo a construção de intervalos de confiança e garantindo que o software Arena replicasse de forma fidedigna o acúmulo de filas observado na retífica e na furadeira múltipla. A comunicação entre o Arena e o Excel foi estruturada pelo uso combinado dos módulos File, Hold e Expressions, com tabelas alimentando os parâmetros estocásticos via Recordsets modernos.
Após a validação, o planejamento experimental foi estruturado em dois cenários conceituais de suporte à decisão. O cenário de linha de base simulou a operação atual sob a regra clássica de atendimento por ordem de chegada. O cenário focado em otimização previu a implementação da lógica de menor tempo de processamento primeiro, fundamentada em algoritmos para resolução de problemas de job shop flexível (Franco, 2010).
Para a análise comparativa, estabeleceu-se um conjunto de indicadores de desempenho. Como indicadores de base, extraíram-se do histórico real o tempo médio de permanência das ordens em carteira e o volume histórico de entregas mensais. As variáveis de resposta de simulação monitoradas incluíram o Lead Time total acumulado, o tempo de passagem pelos recursos e rotas operacionais, os tempos de espera em filas e o volume de saída global do sistema.
A determinação da data de prazo de entrega projetada pelo sistema operacionalizou-se pela conversão do tempo lógico de simulação em uma métrica de calendário real. O relógio interno do Arena, governado pela variável de tempo contínuo TNOW, foi sincronizado com a data do calendário físico correspondente ao momento do levantamento do estoque em processo das setenta ordens iniciais.
3. Resultados e Discussão
Os resultados da pesquisa demonstram que o modelo de Simulação de Eventos Discretos (SED) desenvolvido foi capaz de representar com fidelidade a dinâmica operacional complexa de um ambiente de manutenção de rolos, caracterizado como um Flexible Job Shop Scheduling Problem (FJSP). A aplicação da ferramenta permitiu não apenas diagnosticar os gargalos existentes, mas também avaliar o impacto de diferentes cenários na assertividade dos prazos de entrega, um dos principais desafios enfrentados pela indústria de papel e celulose. A abordagem estocástica, que incorporou a variabilidade inerente aos processos, revelou-se fundamental para a obtenção de previsões mais realistas e robustas.
A execução do modelo computacional e o processamento das replicações estocásticas foram cruciais para mapear o comportamento do pátio sob diversas condições de estresse. A análise dos relatórios de capacidade e ocupação, gerados pelo software Arena, confirmou a natureza dinâmica das restrições físicas do sistema. Diferente de gargalos estáticos, observou-se que os pontos de estrangulamento migravam conforme a variabilidade das ordens de serviço, um achado que valida a complexidade do problema e a necessidade de uma ferramenta de simulação para sua gestão eficaz.
Verificou-se que o acúmulo de filas e os tempos de retenção mais severos concentraram-se de forma intermitente em postos específicos, como os de relatórios técnicos, a furadeira múltipla e a etapa de espera por peças compradas. Essa flutuação é diretamente influenciada pela composição do mix de produtos que ingressa na oficina e pelo nível de complexidade dos serviços demandados em cada período. A identificação desses pontos críticos, que não são fixos, é um dos principais achados para o planejamento da produção.
A dinamicidade das restrições ficou particularmente evidente ao isolar o comportamento do pátio por famílias de processos. Quando o fluxo produtivo era dominado por ativos que percorriam a rota quatro, que demanda intervenções de revestimento e furação, o gargalo do sistema deslocava-se para a furadeira múltipla, gerando um efeito de onda que elevava o estoque em processo a montante desse recurso. Em contraste, nos períodos com predominância de ordens direcionadas à rota um, o perfil de restrição alterava-se, migrando para o posto de retífica devido ao alto volume de trabalho nessas máquinas.
Essa alternância de postos saturados comprova a natureza complexa do Flexible Job Shop e valida a utilidade do simulador como uma ferramenta eficaz para a identificação de restrições. Ferramentas determinísticas tradicionais falham em capturar essa migração de gargalos, que é provocada pela constante mudança no mix de produção. A capacidade do modelo de reproduzir essa dinâmica é um diferencial significativo, permitindo uma compreensão mais profunda do comportamento do sistema produtivo.
Após o mapeamento e o correto diagnóstico das restrições móveis, o modelo permitiu estruturar uma programação de fábrica significativamente mais robusta e aderente à realidade do chão de fábrica. Ao fornecer visibilidade antecipada sobre onde e quando os acúmulos de estoque em processo ocorreriam, o Planejamento e Controle da Produção (PCP) pôde balancear melhor a liberação das ordens. Essa previsibilidade aprimorada gerou um aumento de 7% no volume total de saída do sistema, elevando a vazão física de equipamentos entregues por unidade de tempo simulada.
A substituição das estimativas determinísticas de médias fixas pela abordagem estocástica, atrelada ao relógio contínuo do simulador, permitiu expandir o volume de saída em 7,0%. Concomitantemente, observou-se uma redução no tempo médio de travessia (Lead Time) em 12,1%. Esses ganhos quantitativos são cruciais para a eficiência operacional e demonstram o potencial da simulação para otimizar o fluxo produtivo em ambientes com alta variabilidade, conforme destacado por Law e Kelton (2015) sobre a importância de modelos robustos.
O impacto mais significativo foi a elevação da assertividade no cumprimento dos prazos prometidos aos clientes em 22,1%. Historicamente, a assertividade era de 68,0%, e com o cenário simulado, alcançou 83,0%. Esse ganho substancial reflete a capacidade do modelo de fornecer previsões mais confiáveis, o que é vital para a satisfação do cliente e a competitividade da empresa. A melhoria na previsibilidade dos prazos é um objetivo central da pesquisa, e os resultados confirmam a eficácia da abordagem proposta.
O fluxo de trabalho mais equilibrado, resultante da aplicação do modelo, reduziu o tempo médio de permanência dos rolos nas filas dos recursos restritivos, o que levou a uma contração do ciclo produtivo global. O Lead Time total acumulado apresentou uma melhoria de 12% em relação à linha de base histórica. Embora a literatura de engenharia de produção sugira reduções de Lead Time entre 15% e 30% com simulação computacional (Corrêa et al., 2007), o resultado de 12% é altamente relevante para a operação, especialmente considerando a alta volatilidade do mix de produtos.
Esse ganho em velocidade de resposta estendeu seus principais benefícios para a interface comercial, gerando estabilidade no cumprimento do cronograma e elevando a assertividade na entrega dos prazos prometidos aos clientes em 22%. A abordagem estocástica probabilística do relógio de simulação atenuou os desvios observados nas estimativas comerciais baseadas em médias determinísticas fixas, considerando o impacto das filas reais. Essa evolução aponta para a viabilidade da proposta de transição de um modelo de planejamento estático para um monitoramento dinâmico de gargalos.
A modelagem foi construída sob uma arquitetura de Simulação Orientada a Dados, visando garantir a auditabilidade e a reprodutibilidade do estudo. O software Arena atuou como o motor de simulação de eventos discretos, responsável pelas regras de concorrência e restrições físicas do pátio. A planilha Microsoft Excel funcionou como um controlador de baixo nível, permitindo que o gestor alterasse o mix das famílias de rolos e os fatores de complexidade, que variam de 1.0 a 1.7, sem a necessidade de reprogramação lógica do modelo.
O banco de dados de suporte foi estruturado em cinco abas padronizadas que englobam os dados de entrada, rotas, regras, capacidade e inventário inicial. A utilização de drivers de conexão via módulo de arquivos do Arena assegurou a portabilidade da ferramenta para o ambiente Windows de 64 bits da unidade fabril. Essa arquitetura isola a lógica de programação interna do Arena das variáveis de entrada da oficina, permitindo que o motor de simulação processe toda a variabilidade do ambiente de manufatura intermitente sem reprogramação estrutural, conforme preconizado por Oliveira et al. (2014) para Data-Driven Simulation.
A documentação de roteiros lógicos e parâmetros estocásticos, representados pelas distribuições triangulares, exponenciais e discretas, foi consolidada nos apêndices deste trabalho, fornecendo um pipeline replicável para futuras análises de escalonamento em ambientes de Indústria 4.0. Essa estruturação metodológica garante a transparência e a capacidade de expansão do modelo, permitindo que outros pesquisadores ou a própria equipe da fábrica possam replicar ou aprimorar a simulação com base nos dados e lógicas estabelecidas.
Apesar do sucesso do protótipo em validar a Simulação de Eventos Discretos como uma ferramenta estatística robusta, o estudo identificou limitações metodológicas e operacionais que devem ser endereçadas para garantir a evolução da ferramenta. O período de validação em chão de fábrica compreendeu um intervalo curto de apenas dez dias de operação, o que limitou a captura de todas as sazonalidades e oscilações severas do mix produtivo, um fator que pode influenciar a representatividade de cenários de longo prazo.
Sob a ótica da confiabilidade dos ativos, embora a eficiência global de máquina de 80% tenha sido aplicada inicialmente como um fator fixo de produtividade para fins de homologação do estado atual, a ferramenta ainda carece de amadurecimento para absorver de forma estatística o comportamento de paradas não planejadas. A incorporação de distribuições de probabilidade para tempos entre falhas e tempos médios para reparo, baseadas no histórico de manutenção, seria um avanço significativo para prever o impacto real de quebras mecânicas aleatórias sobre a estabilidade dos prazos finais de entrega.
Outro ponto crítico observado fixou-se na complexidade de alimentação do inventário em processo na interface. Atualmente, o processo de atualizar manualmente o status de cada um dos setenta rolos para espelhar o estado real da fábrica demanda um tempo considerável. Essa morosidade torna-se o principal gargalo operacional para a utilização diária do sistema pelo PCP, comprometendo a agilidade necessária para um monitoramento em tempo real e a reotimização dinâmica da programação.
A presente pesquisa demonstrou que o modelo de simulação por eventos discretos é uma ferramenta eficaz para representar o comportamento real de um processo produtivo de manutenção de rolos, reproduzindo a dinâmica operacional, a variabilidade técnica, as restrições de recursos e as mudanças de prioridades. As informações geradas pelo modelo simulado são adequadas para a definição e o acompanhamento dos prazos de entrega, permitindo comparar a assertividade das datas prometidas antes e depois da aplicação da ferramenta, com ganhos notáveis em throughput, redução de Lead Time e, principalmente, na confiabilidade dos prazos comerciais.
4. Conclusão
A presente pesquisa buscou avaliar a capacidade de um modelo de simulação por eventos discretos em representar a dinâmica operacional de um processo de manutenção de rolos e aprimorar a assertividade dos prazos de entrega. Verificou-se que o modelo desenvolvido representou com fidelidade a complexidade de um ambiente Flexible Job Shop Scheduling Problem (FJSP), identificando gargalos dinâmicos que migravam conforme o mix de produtos e a complexidade dos serviços. A abordagem estocástica empregada foi fundamental para capturar a incerteza do chão de fábrica e gerar previsões mais realistas. Os resultados quantitativos demonstraram um aumento de 7% no volume de saída do sistema e uma redução de 12,1% no Lead Time total. O impacto mais significativo foi a elevação da assertividade no cumprimento dos prazos prometidos aos clientes em 22,1%, passando de 68% para 83%. Essa melhoria substancial na previsibilidade dos prazos comerciais e na eficiência operacional valida a Simulação de Eventos Discretos como uma ferramenta robusta para o planejamento e controle da produção em ambientes industriais voláteis. A arquitetura de Simulação Orientada a Dados, integrando o software Arena e o Microsoft Excel, provou ser tecnicamente viável para substituir estimativas subjetivas por projeções fundamentadas, oferecendo visibilidade antecipada para o balanceamento da liberação de ordens.
Apesar dos ganhos observados, o estudo identificou limitações. O período de validação em chão de fábrica, restrito a dez dias, limitou a captura de sazonalidades e oscilações severas do mix produtivo. Além disso, o modelo, embora tenha aplicado uma eficiência global de máquina de 80%, ainda não incorporou estatisticamente o comportamento de paradas não planejadas. A complexidade da alimentação manual do inventário em processo na interface do Excel, que demanda tempo considerável para atualizar o status de setenta rolos, constitui um gargalo operacional para a utilização diária e em tempo real pelo Planejamento e Controle da Produção. Para trabalhos futuros, sugere-se o desenvolvimento de uma integração automatizada entre o sistema ERP da empresa e a planilha controladora, eliminando a morosidade da carga manual de dados. Recomenda-se também a incorporação de distribuições de probabilidade para tempos entre falhas e tempos médios para reparo, baseadas no histórico de manutenção, a fim de prever o impacto de quebras mecânicas. Por fim, novas rodadas experimentais devem testar regras de despacho inteligentes e algoritmos de sequenciamento dinâmico mais sofisticados, visando aproximar os ganhos de redução de Lead Time aos patamares superiores descritos na literatura acadêmica internacional e consolidar a simulação como um pilar essencial para a Indústria 4.0.
Referências Bibliográficas
Banks, J.; Carson, J.; Nelson, B.; Nicol, D. 2010. Discrete-Event System Simulation. 5ed. Prentice Hall, Upper Saddle River, NJ, EUA.
Borges, R.; Amaral, F.; Oliveira, D. 2022. Uso da simulação discreta como apoio à decisão na manutenção industrial. Revista Gestão e Tecnologia. 22(4): 45-62.
Corrêa, H. L.; Gianesi, I. G. N.; Caon, M. 2007. Planejamento, Programação e Controle da Produção. 5ed. Atlas, São Paulo, SP, Brasil.
Franco, I. S. 2010. Algoritmos híbridos para a resolução do problema de job shop flexível. Dissertação de Mestrado em Engenharia de Produção. Universidade Candido Mendes, Campos dos Goytacazes, RJ, Brasil.
Guizzi, G.; Vespoli, S.; Grassi, A.; Santillo, L. C. 2020. Simulation-based performance assessment of a new job-shop dispatching rule for the semi-heterarchical Industry 4.0 architecture. Proceedings of the 2020 Winter Simulation Conference. 1: 1-12.
Law, A. M.; Kelton, W. D. 2015. Simulation Modeling and Analysis. 5ed. McGraw-Hill, New York, NY, EUA.
Maciel, L. F.; Silva, A.; Cardoso, P.; Rocha, T. 2024. Aplicação de simulação para análise de cenários em uma linha de montagem automotiva. Revista Produção Online. 24(1): 320-345.
Oliveira, J. E.; Rangel, J. J. A.; Vianna, D. S. 2014. Modelo de simulação com otimização para análise do prazo de entrega em um processo Job Shop. Iberoamerican Journal of Industrial Engineering. 6(12): 156-176.
Piacentini, C. F.; Gauss, L.; Morandi, M. I. W.; Lacerda, D. P. 2023. Utilização da simulação computacional por eventos discretos e otimização para a programação da produção em uma empresa da indústria de plásticos. Revista Produção Online. 23(2): 610-635.
Slack, N.; Chambers, S.; Johnston, R. 2010. Administração da Produção. 3ed. Atlas, São Paulo, SP, Brasil.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy