UTILIZAÇÃO DA SIMULAÇÃO DENTRO DO CONTEXTO DA …

UTILIZAÇÃO DA SIMULAÇÃO DENTRO

DO CONTEXTO DA INDÚSTRIA 4.0:

PROPOSTA DE UM SISTEMA CYBER-

FÍSICO VISANDO A REDUÇÃO DE

DESPERDÍCIOS EM UM PROCESSO DE

ABASTECIMENTO DE MATERIAIS DE

UMA INDÚSTRIA AERONÁUTICA

Carlos Henrique dos Santos

[email protected]

José Antonio de Queiroz

[email protected]

Fabiano Leal

[email protected]

Mona Liza Moura de Oliveira

[email protected]

José Hamilton Chaves Gorgulho Júnior

[email protected]

A utilização da simulação como ferramenta de apoio a melhorias vem

sofrendo alterações quanto à sua utilização, sobretudo no contexto da

Indústria 4.0. Modelos de simulação focados em análises pontuais e

que carecem de especialistas dão espaço a modelos com certo grau de

automatização e integrados a diversos sistemas. Tal integração

favorece a atualização constante do modelo a partir das variações do

sistema real, possibilitando tomadas de decisão e, neste caso, a

simulação pode atuar como um sistema cyber-físico, um dos pilares da

Indústria 4.0. Neste contexto, o presente trabalho propõe a utilização

da simulação como um sistema cyber-físico de apoio à tomada de

decisão em um processo de abastecimento de materiais em uma

indústria do ramo aeronáutico. Através da integração da simulação

com os dados do processo real, tal sistema visa otimizar as rotas de

abastecimento de materiais com foco na redução de desperdícios

relacionados à movimentação e transporte de materiais. Nota-se, a

partir da utilização do sistema, uma possível redução de movimentação

e transporte durante a rota de abastecimento na ordem de 20%,

impactando diretamente na produtividade e eficiência do processo,

além de estar diretamente relacionado aos preceitos dos Conceitos

Enxutos.

Palavras-chave: Simulação; Indústria 4.0; Sistemas cyber-físicos.

XXXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “Os desafios da engenharia de produção para uma gestão inovadora da Logística e Operações”

Santos, São Paulo, Brasil, 15 a 18 de outubro de 2019.

XXXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

“Os desafios da engenharia de produção para uma gestão inovadora da Logística” Santos, São Paulo, Brasil, 15 a 18 de outubro de 2019.

1

1. Introdução

De acordo com Uriarte, Ng e Moris (2018), os modelos de simulação tendem a ser, no

contexto da Indústria 4.0, integrados com os sistemas de informação e gestão e adaptativos de

acordo com o sistema real, auxiliando na tomada de decisão. Neste contexto, os modelos de

simulação podem atuar como sistemas cyber-físicos, uma vez que representam uma versão

virtual do processo que se adapta frente às alterações do ambiente real.

Uriarte, Ng e Moris (2018) ressaltam ainda que a indústria do futuro traz importantes

mudanças nas organizações atuais. Neste contexto, os princípios da filosofia Lean, ou em

português Conceitos Enxutos, também necessitarão de mudanças para se adaptar às

possibilidades trazidas pela Indústria 4.0. Tais princípios visam a redução de desperdícios e a

manutenção de processos mais eficientes e, neste caso, Tortorella e Fettermann (2017) relatam

que a Indústria 4.0 impacta diretamente na implementação da filosofia enxuta, permitindo

algumas facilidades frente as atuais barreiras e ainda criando novos desafios.

Objetiva-se através do presente trabalho demonstrar a aplicabilidade da simulação no

contexto da Indústria 4.0 e para tal, propõe-se a criação de um sistema cyber-físico para

otimização de rotas em uma indústria do ramo aeronáutico. Mais precisamente, o objeto de

estudo escolhido foi um processo de abastecimento de materiais, o qual permite ao colaborador

responsável pela tarefa a escolha de uma, dentre inúmeras rotas de abastecimento possíveis. Tal

cenário sugere desperdícios relacionados à movimentação e transportes desnecessários e dessa

forma, o sistema cyber-físico visa justamente otimizar a tomada de decisão e reduzir tais

desperdícios, convergindo com os objetivos e preceitos dos Conceitos Enxutos.

Este trabalho apresenta primeiramente uma revisão bibliográfica acerca da Indústria 4.0,

com ênfase nos sistemas cyber-físicos, bem como do papel simulação e dos Conceitos Enxutos

neste âmbito. Posteriormente, é descrito o método empregado para realização do trabalho,

seguido da aplicação do mesmo em um objeto de estudo real e, finalmente, é apresentada uma

conclusão acerca da utilização da simulação como sistema cyber-físico no ambiente da Indústria

4.0.

2. Revisão Bibliográfica

2.1. Indústria 4.0 e sistemas cyber-físicos

O termo Indústria 4.0 descreve a integração de todas as divisões de negócio e cadeia de

agregação de valor com ajuda da digitalização (RODIC, 2017). Para Uriarte, Ng e Moris (2018),



2

as três mais relevantes características produtivas da Indústria 4.0 são: capacidade de lidar com

sistemas cada vez mais complexos, capacidade de inovação e, por fim, flexibilidade. Segundo

os autores, neste contexto, o termo “Virtualização” passa a ser um dos conceitos predominantes

no âmbito da Indústria 4.0 e este refere-se à uma cópia virtual do sistema físico, compondo o

sistema cyber-físico.

Os sistemas cyber-físicos podem ser entendidos como mecanismos onde o ambiente

físico e o ambiente virtual são intimamente conectados e ambos interagem entre si de forma a

compartilhar e trocar informações. Neste caso, os diversos sistemas de um processo são

conectados e possibilitam a comunicação através de entradas e saídas de dados, as quais

permitem interação entre o ambiente físico e uma resposta do modelo digital correspondente

através de algoritmos e processamento computacional (ZHONG et al., 2017). Ainda para os

autores, o sistema cyber-físico é capaz de monitorar o sistema real e auxiliar na tomada de

decisão em cooperação com humanos, maquinas, sensores, dentre outros.

2.2. Simulação e seu papel como sistema cyber-físico para apoio à tomada decisão

Banks (1998) apresenta a simulação como sendo um processo de imitação de sistemas

reais, o qual envolve a criação de uma história baseada nestes, seguida pela criação de

inferências acerca das suas características. Segundo o autor, a ferramenta é capaz de descrever

e analisar o comportamento de sistemas, bem como responder questões acerca de suas

características. Rodic (2017) ressalta que a simulação se consolidou nos mais diversos setores

nas últimas décadas, contribuindo para redução de custos em processos, desenvolvimento de

produtos, aumento da qualidade de produtos e serviços, dentre outras contribuições. Entretanto,

o autor relata que a simulação deve sofrer modificações no contexto da indústria moderna.

Diferente de trabalhos passados, onde a simulação era utilizada em análises pontuais e

com escopo e períodos limitados, há agora uma tendência crescente de uma simulação

envolvendo diversas áreas integradas para tomada de decisão. Além disso, modelos pontuais e

de difícil interpretação carecem ser substituídos por modelos controlados por interfaces

amigáveis e integrados com os diversos sistemas de uma operação (RODIC, 2017). Portanto,

nota-se que modelos de simulação passam a agir como cópias virtuais dos sistemas reais,

concordando com Uriarte, Ng e Moris (2018), os quais destacam que a simulação possui grande

importância no contexto de sistemas cyber-físicos, sendo capaz de desempenhar tal papel.



3

2.4. Conceitos Enxutos no contexto da Indústria 4.0

Segundo Ohno (1997), o foco do Lean, ou em português Conceitos Enxutos, é a

eliminação ou minimização dos desperdícios, que pode ser definido como toda e qualquer

atividade que não agrega valor aos clientes ou usuários, mas que adiciona custo ao produto.

Hines e Taylor (2000) segregam as atividades das empresas em três grupos: atividades que

agregam valor aos clientes, atividades que não agregam valor aos clientes, mas que são

necessárias e, por fim, atividades que não agregam valor aos clientes e que não são necessárias,

os chamados desperdícios puros. Ainda sobre os desperdícios, Ohno (1997) os classifica em

sete grupos. São eles: Superprodução, Estoque, Espera, Transporte, Movimentação,

Processamento ineficiente ou desnecessário e, por fim, Itens Defeituosos.

Já no que se refere aos Conceitos Enxutos no contexto da Indústria 4.0, para Uriarte, Ng

e Moris (2018), a filosofia enxuta continuará sendo fator chave para alcançar maiores

eficiências por parte das companhias. Além disso, para os autores, as soluções disponíveis

através da evolução da Indústria 4.0 vão auxiliar na implementação dos Conceitos Enxutos e

sanar dificuldades encontradas atualmente. Tortorella e Fetterman (2017) complementam que

os Conceitos Enxutos tomam o papel de pré-requisito para a utilização das tecnologias no

ambiente de manufatura, ressaltando seu papel no contexto da indústria 4.0.

3. Método De Pesquisa

O presente trabalho utilizará o método de Modelagem e Simulação, onde basicamente

manipula-se variáveis e seus níveis em um modelo matemático ou computacional (MARTINS,

2018).

3.1. Objeto de estudo

O objeto de estudo deste trabalho é um processo de abastecimento de peças de uma

indústria do ramo aeronáutico. Tal processo é composto por quatro linhas produtivas

localizadas em diferentes pontos da planta e que possuem demandas independentes. Cada linha

conta com um estoque intermediário no local, chamado de posto kanban. Na medida em que

tais materiais são consumidos, deve haver o abastecimento periódico dos mesmos. Neste

contexto, a escolha da melhor rota de abastecimento está relacionada muitas vezes à experiência

do colaborador e não se pode afirmar que a rota escolhida é, de fato, a escolha mais eficiente.

Através da simulação como ferramenta diária de auxílio à tomada de decisão, atuando como

um sistema cyber-físico, objetiva-se reduzir desperdícios relacionados à movimentação e



4

transporte de materiais, tornando o processo de abastecimento mais enxuto. A figura 1 ilustra a

localização dos postos kanban presentes na planta, objeto deste estudo:

Figura 1- Ilustração da planta produtiva objeto deste estudo

Fonte: elaborado pelos próprios autores

3.2. Proposta de um método para condução do projeto de simulação como sistema cyber-

físico

Há diversos trabalhos na literatura que abordam métodos de condução de projetos de

simulação. Levando em conta o nível de detalhe abordado pelo método, utilizou-se como base

o proposto por Montevechi et al. (2010). A primeira fase do método é chamada de Concepção

e como resultado da mesma têm-se o modelo conceitual do objeto de estudo. Já a segunda fase

é chamada de Implementação e o resultado desta fase é o modelo operacional, o qual pode ser

utilizado para experimentos e análises futuras na última fase, chamada de Análise.

Porém, antes de aplicar o método, algumas modificações são necessárias de forma a

adequá-lo ao cenário atual de utilização da simulação. Neste contexto, Uriarte, Ng e Moris

(2018) ressaltam que a simulação deixa de ser uma ferramenta de análises pontuais e isoladas

para se conectar e integrar com diversos dados e fontes para suporte à tomada de decisões. Já

Rodic (2017) relata o fato de que modelos de simulação que requerem o auxílio de especialistas

em simulação tendem a ser substituídos por modelos os quais podem ser operados por qualquer

usuário, sem a necessidade de conhecimento prévio do modelo e do software. Levando em

consideração o contexto relatado, algumas modificações foram realizadas em cada uma das

Planta produtiva



5

fases, conforme descreve o quadro 1. Além disso, a figura 2 apresenta o método proposto com

todas as etapas presentes em cada uma das fases.

Quadro 1- Modificações realizadas no método proposto por Montevechi et al. (2010)


Fase Modificação

I- Concepção

Esta fase não sofreu alterações quanto suas etapas.

Entretanto, é proposta uma nova nomenclatura para a fase,

objetivando uma melhor representação quanto às atividades

pertencentes à mesma. Dessa forma, a primeira fase do

método passa a se chamar Modelagem Conceitual.

II- Implementação

Propõe-se a criação de duas etapas que irão auxiliar na

integração do modelo de simulação com o sistema real,

chamadas de Definição dos dados de atualização do modelo

e das respostas desejadas e Estruturação da interface com

o processo real. A fase também teve alteração quanto à sua

nomenclatura, passando a se chamar Modelagem

Computacional.

III- Análise

Foram criadas três novas etapas, as quais substituem as etapas

propostas por Montevechi et al. (2010). Uma vez que a

simulação passa a refletir o sistema real e se adaptar quanto

às suas mudanças, torna-se necessário um método que

viabilize a utilização constante da ferramenta. Foram criadas,

portanto, três novas etapas, chamas de Definição dos

cenários a serem testados, Execução periódica dos

cenários e Análises e Tomadas de decisão. Além disso, a

terceira fase do método também terá mudanças quanto à

nomenclatura, passando a se chamar Modelagem

Operacional.



6

Figura 2- Proposta de alteração do método para condução de projetos de simulação

Fonte: Adaptado de Montevechi et al. (2010)



7

4. Aplicação

4.1. Modelagem conceitual

4.1.1. Objetivos e definição do sistema

O objetivo do projeto consiste em avaliar a utilização da simulação como ferramenta

diária de auxílio à tomada de decisão, atuando como um sistema cyber-físico. De forma a

representar o objeto de estudo, será construído um modelo de Simulação a Eventos Discretos

(SED), o qual permitirá simular todas as possíveis rotas de abastecimento em função da

demanda de cada posto kanban. Dessa forma, torna-se possível a tomada de decisão baseando-

se nos resultados do modelo, interferindo novamente no processo real e fechando o ciclo. A

figura 3 ilustra de maneira simplificada tal proposta.

Figura 3- Síntese da proposta de utilização da simulação integrada ao processo real


4.1.2. Construção do modelo conceitual

Chwif e Medina (2015) ressaltam que, a partir de uma abstração do processo real, deve-

se partir para uma técnica adequada para representação de modelos de simulação. Para a

modelagem conceitual, utilizou-se da técnica de modelagem IDEF-SIM, desenvolvida por Leal

(2008). O modelo conceitual que representa o processo Abastecimento de kanbans, principal

atividade do processo em estudo, é apresentado na figura 4:



8

Figura 4 – Modelo conceitual do processo (Abastecimento de kanbans)


4.1.3. Validação do modelo conceitual

De acordo com Sargent (2013), a validação do modelo conceitual objetiva assegurar que

as teorias e inferências acerca do modelo estão corretas. Para a validação, foi utilizada,

primeiramente, a técnica de Passos Estruturados, onde o modelo foi apresentado a dois

pesquisadores, os quais dominam o processo de modelagem. Em seguida, o modelo foi então

submetido à técnica de Face-a-Face, onde um especialista do processo avaliou o modelo

conceitual.

4.1.4. Documentação do modelo conceitual

Conforme ressaltam Leal et al. (2008), a técnica IDEF-SIM, utilizada no mapeamento

conceitual, contribui inclusive para a documentação do modelo, facilitando o entendimento do

mesmo. Neste contexto, a fase de documentação do modelo conceitual foi realizada.

4.1.5. Modelagem dos dados de entrada

Antes de partir para a modelagem dos dados, deve-se primeiramente definir quais os

dados de entrada do modelo. Observa-se a existência de três parâmetros de entrada a serem

abastecidos no modelo. São eles os tempos TC Picking e TC Pagamento, bem como a

velocidade V Deslocamento com que o operador se movimenta na operação. O parâmetro TC

Pagamento foi considerado como determinístico, não sendo tratado na modelagem de dados.

O processo de modelagem dos dados pode ser dividido em três etapas: (1) Coleta de dados, (2)

Tratamento de dados e (3) Inferência Chwif e Medina (2015). As distribuições de ambos os



9

parâmetros, V Deslocamento e TC Picking, foram associadas a distribuições normais, com um

nível de confiança de 95%, conforme ilustra a tabela 1.

Tabela 1 – Inferência estatística para os parâmetros

Parâmetro Distribuição associada

TC Picking [s] N(176,1 ; 26,77)

V Deslocamento [m/s] N(1,10 ; 0,26)


4.2. Modelagem computacional

4.2.1. Construção do modelo computacional

Rodic (2017) ressalta, dentre outros fatores, a alta resolução gráfica do modelo

computacional, o alto nível de detalhamento e o baixo nível de abstração como pontos

essenciais para a adequação da simulação no cenário da Indústria 4.0. Optou-se pela utilização

do software FlexSim® parar a construção do modelo e a figura 5 ilustra o mesmo em vistas 2D

e 3D.

Figura 5 – Vistas 2D e 3D do modelo computacional criado através do software FlexSim®


4.2.2. Verificação do modelo computacional

Para Chwif e Medina (2015), a etapa de verificação do modelo pode ser entendida como

uma análise do modelo computacional de acordo com a lógica imposta pelo modelo conceitual.



10

A verificação do modelo computacional foi realizada através de duas técnicas de verificação

sugeridas pelos autores: Implementação modular, a qual se baseia na construção e teste do

modelo em partes e Animação gráfica, onde procura-se identificar e corrigir erros através do

acompanhamento visual da simulação.

4.2.3. Definição dos dados de atualização do modelo e das respostas desejadas

Espera-se que o modelo seja alterado no decorrer do tempo, a partir das alterações

ocorridas no processo real, permitindo que a simulação seja utilizada como ferramenta diária

de auxílio à tomada de decisão. Porém, antes de estabelecer a comunicação entre ambas as

partes, deve-se definir basicamente duas questões principais: quais informações o modelo

computacional precisa para se adaptar ao mundo real e quais informações o processo real

precisa, após executada a simulação. A demanda por materiais em cada posto kanban foi

escolhida como sendo a informação necessária para haver a atualização do modelo de

simulação. Já quanto à resposta necessária para o processo real, definiu-se como sendo a rota

de abastecimento mais eficiente. Neste caso, leva-se em conta a distância percorrida pelo

operador responsável pelo abastecimento, bem como a quantidade de materiais abastecidos no

período.

4.2.4. Estruturação da interface com o processo real

Para a criação da interface de integração, optou-se pela utilização de uma Dashboard

de controle e gestão, a qual foi construída a partir do software Microsoft Excel®. Diversos

outros trabalhos ilustram a utilização de sistemas intermediários para permitir a integração entre

o modelo de simulação e processos reais (RODIC e KANDUC, 2015; BARLAS E HEAVY,

2016; RODIC, 2017). A dashboard funciona, inicialmente, como um banco de dados,

importando as demandas de materiais de relatórios oriundos do sistema ERP da operação. Em

seguida, permite a atualização e simulação do modelo virtual. Por último, a dashboard permite

a obtenção dos resultados oriundos da simulação, possibilitando a tomada de decisão. A figura

6 ilustra a dashboard criada, seguida da explicação de seus elementos principais.



11

Figura 6 – Dashboard de interface entre o processo real e o modelo de simulação


I. Botões de controle da dashboard: através destes botões, o usuário interage com o

sistema.

II. Painel de rotas: após a exportação dos resultados da simulação, a dashboard irá

apresentar as três melhores rotas que o modelo de simulação encontrou.

III. Gráficos de comparação: a dashboard apresenta os gráficos de comparação das rotas.

IV. Mapa de rota: indica qual a ordem de abastecimento dos postos kanban de maneira

interativa e de fácil interpretação para o colaborador responsável pelo abastecimento.

Finalmente, a figura 7 ilustra o fluxo de dados e informações desde o processo real,

passando pelo modelo de simulação e retornando à operação através de tomada de decisão.

I

II

III

Rank rotas 1ª parada 2ª parada 3ª parada 4ª parada

Total de

entregas

[linhas]

Distância

percorrida

[m]

Tempo

estimado

[min]

1ª melhor rota kanban 2 kanban 1 kanban 3 kanban 4 7 605,8 33,3



Dashboard Rotas MELHOR ROTA

7 7 7

1ª melhor rota 2ª melhor rota 3ª melhor rota

To

tal d

e e

ntr

ega

s Entregas [linhas]

605,8 667,2764,4


Dis

tân

cia

pe

rco

rrid

a

Distância [m]

2º

1º

3º

4º

Atualizar dados

Gerar rotaSimular

33,3

34,2

35,7


Te

mp

o e

stim

ad

o Tempo [min]

IV



12

Figura 7 – Fluxo de dados e informações entre o sistema real e o modelo de simulação


4.2.5. Validação do modelo computacional

Para a validação do modelo computacional, optou-se pelo procedimento Qualitativo

Formal, onde ferramentas estatísticas auxiliam na determinação da validade operacional

(CHWIF E MEDINA, 2015). O parâmetro de validação escolhido foi o Tempo de

abastecimento unitário (Tu). Para obtenção do Tu, dividiu-se o tempo total de cada rodada de

abastecimento pelo total de materiais abastecidos na mesma. A fim de se comparar os dados

reais da operação com os resultados de um certo número de réplicas do modelo, optou-se pela

escolha do teste ANOVA. O modelo de simulação foi pré-programado para simular 17 réplicas

em cada uma das rodadas, de forma a fornecer a precisão de um minuto e o nível de confiança

de 95%. A figura 8 apresenta o gráfico de comparação entre os dados reais e do modelo de

simulação, bem como o resultado do teste ANOVA. Com o valor P, igual 0,584 e maior que

5%, pode-se afirmar com um nível de confiança de 95% que não foi possível comprovar alguma

diferença significativa entre os dados reais e os dados da simulação, validando o modelo

(MONTGOMERY E RUNGER, 2012).



13

Figura 8 – Comparação entre os dados reais e as réplicas da simulação


4.3.Modelagem operacional

4.3.1. Definição dos cenários a serem testados

Os cenários a serem testados foram definidos levando-se em conta as respostas

desejadas do modelo. O software, após testar os cenários, classifica cada uma das possíveis

rotas em um ranking, onde a melhor rota é aquela que apresenta o melhor resultado combinando

as variáveis de resposta Distância percorrida e Volume abastecido. Os resultados do software

são gravados em um banco de dados com extensão “.CSV”, permitindo a posterior importação

destes pela dashboard de controle e gestão.

4.3.2. Execução periódica dos cenários

No contexto da utilização da simulação dentro do contexto da Indústria 4.0, a execução

periódica do modelo passa a ser um dos pilares da integração entre os sistemas virtual e real.

Dessa forma, o modelo de simulação deve ser executado em períodos de tempo pré-

determinados de maneira a representar o processo real em suas características principais. Xu et

al. (2018) ressaltam justamente o fato de que os sistemas cyber-físicos possuem este papel,

onde, a partir de uma conexão com o mundo real, os mesmos alteram seu comportamento frente

T17

abas

tecim

ento

[mod

elo]

T16

abas

tecim

ento

[mod

elo]

T15

abas

tecim

ento

[mode

lo]

T14

abas

tecim

ento

[mod

elo]

T13

abas

tecim

ento

[mod

elo]

T12

abas

tecim

ento

[mode

lo]

T11 ab

aste

cimen

to [m

odelo]

T10

abast

ecim

ento

[mod

elo]

T9 a

baste

cimen

to [m

odelo

]

T8 a

bast

ecim

ento

[mod

elo]

T7 a

bastec

imen

to [m

odelo]

T6 a

bastec

imen

to [m

odelo]

T5 a

bastec

imen

to [m

odelo]

T4 a

baste

cimen

to [m

odelo

]

T3 a

bastec

imen

to [m

odelo]

T2 abas

tecim

ento

[mod

elo]

T1 ab

aste

cimen

to [m

odelo]

T ab

aste

cimen

to [R

eal]

400

350

300

250

200

Data

Boxplot of T abastecime; T1 abastecim; ...



14

às variações do processo. Quanto ao objeto de estudo deste trabalho, o processo de

abastecimento de materiais é executado durante toda a jornada diária de trabalho e, ao finalizar

uma rota de abastecimento, o processo recomeça, havendo uma nova tomada de decisão. Dessa

forma, a cada término de rota de abastecimento o modelo de simulação será atualizado e

executado, se espelhando ao processo real.

4.3.3. Análises e tomadas de decisão

As análises e tomadas de decisão serão realizadas ao termino de cada rodada de

abastecimento de materiais. Dessa forma, ao iniciar um novo abastecimento, o operador

responsável pela atividade terá acesso à rota mais eficiente a ser seguida. A figura 9 localiza a

tomada de decisão através da simulação no processo de abastecimento.

Figura 9 – Tomada de decisão através da simulação


4.3.4. Considerações finais

Para fins de comparação entre a eficiência do processo antes e depois de se implementar

o sistema cyber-físico para otimizar as rotas de abastecimento, pôde-se realizar algumas

análises. Foram coletados dados de doze rodadas de abastecimento de materiais com o objetivo

de comparar as possíveis rotas que o operador poderia seguir para realizar o abastecimento,

bem como destacar e o ganho obtido a partir da simulação como sistema cyber-físico. A figura

10 ilustra a comparação entre a rota otimizada e as demais rotas possíveis, em termos da

distância média percorrida, bem como o teste de hipóteses do tipo 2-sample t que compara as

distâncias médias percorridas. Com o valor P, igual 0,00 e menor que 5%, pode-se afirmar com



15

um nível de confiança de 95% que há uma redução estatisticamente significativa entre

distâncias percorridas nas demais rotas possíveis e a rota otimizada (MONTGOMERY E

RUNGER, 2012).

Figura 10 – Comparação entre as distâncias percorridas na pior rota possível vs. rota otimizada


Nota-se que há um potencial de redução de cerca de 20% na distância média percorrida

pelo operador durante o abastecimento de materiais. Na comparação realizada, a rota otimizada

forneceu uma média de 563,9 metros frente à uma média de 710,7 metros nas demais rotas

possíveis. Além da redução dos desperdícios relacionados à movimentação e transporte de

materiais, destaca-se a possibilidade de utilizar o tempo economizado para outras atividades

agregadoras de valor, fato estes que vão de encontro aos preceitos dos Conceitos Enxutos.

5. Conclusões

Com o advento da Indústria 4.0, observa-se uma necessidade crescente de adaptação por

parte de ferramentas e conceitos já consagrados, de forma a permitir sua aplicação nos

processos e operações atuais. Em um cenário onde a competitividade e o grau de complexidade

estão cada vez maiores, necessita-se recorrer a sistemas e ferramentas integradas para auxílio à

tomada de decisão, tornando-a mais eficiente e assertiva.

Rota otimizadaDemais rotas

850

800

750

700

650

600

550

Data

Boxplot of Demais rotas; Rota otimizada

Média = 710,7 m

Média = 563,9 m



16

Neste contexto, este trabalho foi desenvolvido visando a utilização da simulação como

sistema cyber-físico, um dos pilares da Indústria 4.0, tornando a tomada de decisão mais

eficiente e alinhada aos Conceitos Enxutos. O objeto de estudo trata-se de um processo de

abastecimento de materiais de uma indústria aeronáutica e, como resultado, obteve-se um

sistema virtual que é influenciado pelo processo real e capaz de otimizar a tomada de decisão.

Tal sistema contribuiu para a redução de desperdícios relacionados à movimentação e transporte

de materiais, impactando em cerca de 20% das distancias percorridas na operação, além de

possibilitar o direcionamento do tempo economizado para outras atividades agregadoras de

valor. Destaca-se a aplicabilidade da simulação como uma ferramenta capaz de se adaptar às

novas tendências e necessidades, se mostrando compatível com os preceitos da indústria

moderna. Para trabalhos futuros, sugere-se novas aplicações da simulação como sistemas cyber-

físicos, de forma a se verificar sua aplicabilidade em outros cenários industriais e até mesmo

no setor de serviços.

6. Agradecimentos

Os autores agradecem à FAPEMIG, à CAPES, ao CNPq e à empresa objeto de estudo

pelo apoio e suporte ao longo da pesquisa.

REFERÊNCIAS BIBLIOGRÁFICAS

BANKS, J. Handbook of simulation: Principles, Methodology, Advances, Applications and Practice. 1. ed.

New York: John Wiley & Sons, 1998.

BARLAS, P.; HEAVEY, C. Automation of input data to discrete event simulation for manufacturing: A review.

International Journal of Modeling, Simulation, and Scientific Computing, v. 07, n. 01, 2016.

CHWIF, L.; MEDINA, A. C. Modelagem e Simulação de eventos discretos: teoria & aplicações. 4. ed. Rio de

Janeiro: Elsevier, 2015.

HINES, P.; TAYLOR, D. Going lean - A guide to implementation. Cardiff: Lean Enterprise Research Centre,

2000.

LEAL, F. Análise do efeito interativo de falhas em processos de manufatura através de projeto de

experimentos simulados. 2008. 237 p. Tese (Doutorado em Engenharia Mecânica) – Faculdade de Engenharia

do Campus de Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá, SP, 2008.



17

LEAL, F.; ALMEIDA, D. A.; MONTEVECHI, J. A. B. Uma proposta de técnica de modelagem conceitual para

a simulação através de elementos do IDEF. In: XL Simpósio Brasileiro de Pesquisa Operacional, Anais... João

Pessoa, PB, BR, 2008.

MARTINS, R. A. Abordagens Quantitativa e Qualitativa. In: MIGUEL, P. A. C. (Org). Metodologia de Pesquisa

em Engenharia de Produção e Gestão de Operações. 2. ed. Rio de Janeiro: Elsevier, 2015.

MONTEVECHI, J. A. B.; LEAL, F.; PINHO, A. F.; COSTA, R. F. S.; OLIVEIRA, M. L. M.; SILVA, A. L. F.

Conceptual modeling in simulation projects by mean adapted IDEF: an application in a Brazilian tech company.

In: Winter Simulation Conference, Proceedings... Baltimore, MD, USA, 2010.

MONTGOMERY, D. C.; RUNGER, G. C. Estatística aplicada e probabilidade para engenheiros, 5. ed. Rio

de Janeiro: LTC, 2012.

OHNO, T. O Sistema Toyota de Produção: além da produção em larga escala. 5. ed. Porto Alegre: Bookman,

1997.

RODIČ, B. Industry 4.0 and the New Simulation Modelling Paradigm. Organizacija, v. 50, n. 3, p. 193–207,

2017.

RODIC, B.; KANDUC, T. Optimisation of a complex manufacturing process using discrete event simulation and

a novel heuristic algorithm. International Journal of Mathematical Models and Methods in Applied Sciences,

v. 9, p. 320–329, 2015.

SARGENT, R. G. Verification and validation of simulation models. Journal of Simulation, v.7, n.1, p.12-24,

2013.

TORTORELLA, G. L.; FETTERMANN, D. Implementation of Industry 4.0 and lean production in Brazilian

manufacturing companies, International Journal of Production Research, v.1, p. 1-13, 2017.

URIARTE, A. G.; NG, A. H.; MORIS, M. U. Supporting the lean journey with simulation and optimization in the

context of Industry 4.0. Procedia Manufacturing, v. 25, p. 586–593, 2018.

XU, L. DA; XU, E. L.; LI, L. Industry 4.0: state of the art and future trends. International Journal of Production

Research, v. 56, n. 8, p. 2941–2962, 2018.

ZHONG, R. Y.; XU, XUN; KLOTZ, E.; NEWMAN, S. Intelligent Manufacturing in the Context of Industry 4.0:

A Review. Engineering, v. 3, n. 5, p. 616–630, 2017.

Documents

UTILIZAÇÃO DA SIMULAÇÃO DENTRO DO CONTEXTO DA …