Modelo de programação da produção preditiva-reativa orientada a dados de estoque integrando machine learning e otimização baseada em simulação

Abstract

A programação da produção é um importante processo de tomada de decisão nas indústrias, tendo a finalidade de alocar de maneira ideal os recursos limitados para tarefas de processamento ao longo do tempo. Além disso, as indústrias lidam com uma ampla gama de perturbações que colocam em risco a sua produtividade. Para auxiliar neste desafio, os sistemas de programação da produção no contexto da Indústria 4.0, devem incorporar mecanismos com recursos inteligentes para buscar um desempenho ideal e a reatividade da operação, independentemente de qualquer cenário. Assim, a adoção de estratégias como a programação preditiva-reativa é estudada para garantir que o processo seja realizado mantendo um bom desempenho operacional. Os problemas mais comuns na literatura que abordam a programação preditiva-reativa lidam com perturbações como a quebra da máquina, modificação do pedido e/ou cancelamento. No entanto, problemas com disponibilidade de estoque também causam interrupções na programação e ainda há oportunidades de pesquisas. Nesse contexto, a presente tese tem como objetivo propor um modelo para a programação da produção preditiva-reativa orientada a dados de estoque provenientes do chão de fábrica. O estudo foi elaborado na forma de coletânea de artigos e estruturado em três fases: (i) Definição do problema de pesquisa e desenvolvimento do modelo conceitual, (ii) Construção do modelo computacional e caso teste e (iii) Análise do desempenho operacional do modelo proposto em um estudo de caso. O modelo proposto combina uma técnica de aprendizado de máquina, a rede neural artificial com o algoritmo genético, para fornecer periodicamente a programação preditiva, considerando um melhor cenário de acordo com um indicador chave de desempenho. Porém, com a dinâmica do mundo real, a indisponibilidade de material causa rupturas na produção, o que aciona o método de otimização baseada em simulação para lidar com esses eventos. Então, este método fornece uma programação reativa que é um conjunto otimizado de regras de prioridade para sequenciar os trabalhos em cada máquina de acordo com os dados atuais do chão de fábrica. O modelo foi validado através de simulação computacional de um estudo de caso utilizando dados reais de uma empresa. Os resultados mostraram que, o modelo proposto foi capaz de aumentar de 75,2% para 80,7% o nível de serviço, impactando em uma redução no valor médio das entregas atrasadas ao cliente em 22%. Assim, mesmo em um cenário dinâmico e estocástico, com quebras de máquinas, problemas de qualidade, atrasos de matéria-prima e problemas de acuracidade de estoque, o modelo mostrou-se eficiente para mitigar os efeitos dessas variações. Em termos teóricos, esta tese visa contribuir para a ampliação do horizonte de pesquisas sobre o tema abordado, apresentando um modelo único, ainda não explorada no meio científico. Em termos práticos, o modelo busca fornecer uma melhor compreensão dos problemas inerentes à indisponibilidade de material, reduzindo a incerteza das informações e fornecendo conhecimento sobre os dados do chão de fábrica. Além disso, permite que a tomada de decisão seja mais rápida e inteligente, apresentando soluções que melhoram a eficiência operacional da programação da produção, promovendo a competitividade das empresas.

Abstract: Production scheduling is an important decision-making process in industries, aiming to optimally allocate limited resources to processing tasks over time. In addition, industries deal with a wide range of disturbances that place their productivity at risk. This challenge requires that production scheduling systems, in the context of Industry 4.0, incorporate mechanisms with intelligent features to seek optimal performance and reactivity of the operation, regardless of any scenario. Thus, the adoption of strategies such as predictive-reactive scheduling are studied to ensure that the process is executed while maintaining good operational performance. The most common problems in the literature that address predictive-reactive scheduling deal with disruptions such as machine breakdown, order modification, and/or cancellation. However, problems such as material non-availability also cause scheduling disruptions and there are still opportunities for research. In this context, this thesis aims to propose an approach for predictive-reactive production scheduling based on inventory data from the shop floor. The study was organized as a collection of papers and structured in three phases: (i) Definition of the research problem and development of the conceptual model, (ii) Construction of the computational model and test case, and (iii) Analysis of the operational performance of the proposed approach in a case study. The proposed approach combines a machine learning technique, artificial neural network with genetic algorithm, to periodically provide predictive scheduling by considering a best-case scenario according to a key performance indicator. However, with real-world dynamics, material non-availability causes disruptions in production, which triggers the simulation-based optimization method to handle these events. Then, this method provides a reactive scheduling that is an optimized set of priority rules to sequence the jobs on each machine according to the current shop floor data. The approach was validated through computer simulation of a case study using real data from a company. The results showed that the proposed approach was able to increase the service level from 75.2% to 80.7%, impacting on a reduction in the average value of delayed deliveries to the customer by 22%. Thus, even in a dynamic and stochastic scenario, with machine breakdowns, quality problems, raw material delays, and inventory accuracy problems, the approach proved efficient to mitigate the effects of these variations. In theoretical terms, this thesis seeks to contribute to the expansion of the research horizon on the subject, presenting a unique approach, not yet explored in the scientific environment. In practical terms, the approach seeks to provide a better understanding of the problems inherent to material non-availability, reducing the information uncertainty and providing knowledge about the shop floor data. Furthermore, it allows faster and smarter decision making, presenting solutions that improve the operational efficiency of production scheduling, promoting the competitiveness of companies.