Planejamentos Fatoriais Fracionados para análise de ... ?· fatorial fracionado na identificação…

Embed Size (px)

Text of Planejamentos Fatoriais Fracionados para análise de ... ?· fatorial fracionado na...

UNIVERSIDADE FEDERAL DE ITAJUB

Renaldo Gonzaga de Almeida Filho

PLANEJAMENTOS FATORIAIS FRACIONADOS

PARA ANLISE DE SENSIBILIDADE DE

MODELOS DE SIMULAO DE EVENTOS

DISCRETOS

Dissertao submetida ao Programa de Ps-

Graduao em Engenharia de Produo como

requisito parcial obteno do ttulo de Mestre em

Engenharia de Produo

Orientador: Prof. Jos Arnaldo Barra Montevechi, Dr.

Itajub - MG

2006

i

DEDICATRIA

minha famlia:

minha amada esposa Mrcia Andra,

meus queridos filhos Jlio Csar e Isabela Catarina

e meus pais Renaldo e Maria do Carmo.

ii

AGRADECIMENTOS

Agradeo Indstria de Material Blico do Brasil Fbrica de Itajub na pessoa do

seu superintendente sr. Alte Saturno Evangelista Zylberbergue por disponibilizar o tempo

necessrio para freqentar o curso na Universidade Federal de Itajub - UNIFEI e permitir

a realizao desta pesquisa nas suas instalaes. Agradeo aos chefes que tive no perodo de

realizao do curso, Eng. Ronaldo Roberto Rodrigues e Eng. Afonso Henrique Castilho, pela

compreenso e colaborao que eu recebi.

Aos amigos do Ncleo de Estudos Avanados para Auxlio Deciso NEAAD do

Instituto de Engenharia de Produo e Gesto agradeo pela companhia agradvel e pelas

dicas teis para o desenvolvimento desta pesquisa. Em especial, para o meu orientador

Professor Jos Arnaldo Barra Montevechi, um muito obrigado pela pacincia, compreenso,

motivao e amizade fundamentais para concluso desta pesquisa.

A minha querida esposa Mrcia Andra Souza de Oliveira Almeida agradeo pela

pacincia e compreenso e aos meus amados pais Renaldo Gonzaga de Almeida e Maria do

Carmo Bezerra da Silva agradeo pela oportunidade, investimento e incentivo para seguir o

caminho o qual me conduziu at este momento.

Por fim, a todos aqueles que de uma forma ou de outra colaboraram ou

acompanharam-me nessa jornada, meu muito obrigado!

iii

RESUMO

A modelagem de sistemas de manufatura atravs da simulao utilizada desde

primrdios da dcada de 1960 e tornou-se uma das mais populares e poderosas ferramentas

empregadas para analisar complexos sistemas de manufatura. Atravs da modelagem dos

sistemas possvel realizar sua otimizao. Entretanto, a integrao entre otimizao e

simulao no ocorreu rapidamente, na prtica, at o fim do ltimo milnio otimizao e

simulao estiveram bem separadas, mas esse quadro tem mudado e, atualmente, programas

de otimizao so parte integrantes na maioria dos pacotes de simulao.

A otimizao via simulao exige um considervel esforo computacional, pois para

se localizar a soluo tima necessrio verificar diversas configuraes de valores dos

parmetros. Uma forma de acelerar a otimizao reduzir o seu espao de busca limitando o

nmero de variveis que o comporo, uma vez que nem todas as variveis so igualmente

importantes com respeito ao seu efeito sobre a resposta do modelo.

A presente pesquisa estudou o emprego das tcnicas estatsticas de planejamento

fatorial fracionado na identificao das variveis mais importantes de dois modelos de

simulao de eventos discretos objetivando a reduo do espao de busca da otimizao de

modo a acelerar esta fase. Esta pesquisa classifica-se como experimental quantitativa de

natureza aplicada com objetivo explicativo. A ferramenta utilizada para a realizao dos

experimentos a simulao de eventos discretos.

O procedimento experimental seguido foi otimizar cada modelo de duas formas

distintas. Na primeira forma, inicialmente, realizou-se a anlise de sensibilidade das variveis

do modelo utilizando planejamentos fatoriais fracionados. Aps a identificao das variveis

mais significativas, realizou-se a otimizao do modelo utilizando esse espao de busca

reduzido. A segunda forma consistia na otimizao pura e simples do modelo. Nenhum estudo

foi feito nesta abordagem para determinar se todas as variveis do modelo tm o mesmo efeito

no resultado final. Por fim, comparou-se o nmero de execues de cada uma das formas.

O resultado da primeira aplicao indicou uma reduo de 59% no nmero de

execues entre a otimizao planejada e a otimizao no planejada. Para a segunda

aplicao, no houve vantagem no planejamento preliminar da otimizao. A principal razo

para o resultado desfavorvel desta ltima aplicao deveu-se a sua forma de modelagem

mostrando a importncia da construo do modelo.

Palavras chave: Simulao, Planejamento de Experimentos, Otimizao, Fatorial

Fracionado.

iv

ABSTRACT

The manufacturing system modeling through simulation is used since the early 60s

and became one of the most popular and powerful tools for analyzing complex manufacturing

systems. Through system modeling is possible perform its optimization. However, the

integration between optimization and simulation did not happen fast. In fact, until the end of

last millennium, optimization and simulation were kept well separated but this situation has

changed and, nowadays, optimization software is a component of almost every simulation

package.

Optimization via simulation demands a considerable computational effort since to

locate the optimum solution it is necessary to verify several parameter value settings. One

way to accelerate the optimization is reducing the search space by selecting the variables

which comprises it, once not all variables have the same importance with respect of their

effect over the model output.

This research has studied the use of fractional factorial design statistic techniques to

identify the more important variables from two discrete-event simulation models aiming to

reduce the optimizations space search in order to accelerate that phase. This is an applied

quantitative experimental research, with explanatory objective. The tool to perform the

experiments is the discrete-event simulation.

The research methodology was to optimize each model by two distinct procedures.

The first procedure performs a variable sensitivity analysis of the model using fractional

factorial designs. After identifying the more important variables, the models optimization is

performed using this reduced search space. The second procedure performs a straightforward

models optimization. No study was done in this approach to determine if all models

variables impact the same effect to the output. Finally, for each model, the amount of runs of

each procedure was compared.

The result of the first application appointed a 59% reduction for the amount of runs

between the planned optimization and the straightforward one. The second application did not

present such reduction. The main reason for this bad result in the last application is the way

the system was modeled, showing the importance of planning the systems model correctly.

Keywords: Simulation, Design of Experiments, Optimization, Fractional Factorial

Design.

v

LISTA DE FIGURAS

Figura 1.1 Classificao da pesquisa cientfica. Fonte: Baseado em Silva e Menezes (2005)._________________________________________________________________________ 5

Figura 2.1 Formas de estudar um sistema. Fonte: Adaptado de Law e Kelton (2000).____ 9 Figura 2.2 Estado do sistema. Fonte: Adaptado de Banks et al. (2005). ______________ 10 Figura 2.3 Eliminao da fase transiente para simulao no-terminante. Fonte: Adaptado de Banks (1998).___________________________________________________________ 11 Figura 2.4 Etapas de um estudo por simulao. Fonte: Banks et al. (2005).___________ 17 Figura 2.5 Natureza iterativa de um projeto de simulao. Fonte: Adaptado de Harrel et al. (2000). __________________________________________________________________ 18 Figura 2.6 Tela de abertura do ProModel._____________________________________ 22 Figura 3.1 Emprego da otimizao na simulao. Fonte: adaptado de Fu (2002).______ 26 Figura 3.2 Interao entre o pacote de otimizao e o modelo de simulao. Fonte: Adaptado de Law e Kelton (2000)._____________________________________________ 28 Figura 3.3 Representao binria de um cromossomo com quatro genes e seis bits cada gene. Fonte: Silva (2005). ___________________________________________________ 32 Figura 3.4 Cruzamento de ponto nico. Fonte: Izidoro (2001)._____________________ 35 Figura 3.5 Cruzamento de dois pontos. Fonte: Izidoro (2001). _____________________ 35 Figura 3.6 Cruzamento uniforme. Fonte: Izidoro (2001). _________________________ 36 Figura 3.7 Operador mutao. Fonte: Izidoro (2001).____________________________ 36 Figura 3.8 Seleo do modelo ou projeto. _____________________________________ 38 Figura 3.9 Definio da funo objetivo. ______________________________________ 39 Figura 3.10 Definio das entradas.__________________________________________ 39 Figura 3.11 Mdulo de anlise do modelo. ____________________________________ 40 Figura 3.12 Execuo da anlise.____________________________________________ 40 Figura 3.13 Opes da otimizao. __________________________________________ 41 Figura 3.14 Execuo da otimizao._________________________________________ 42 Figura 3.15 Grfico das medidas de desempenho. _______________________________ 42 Figura 3.16 Superfcie de resposta. __________________________________________ 43 Figura 5.1 Fluxograma do processo no grupo 1 para a ap