[pt] Tradicionalmente, em indústrias de produção de peças discretas, no nível
tático do planejamento da produção, é calculado o plano mestre de produção
(Master Production Scheduling – MPS), que estabelece a quantidade de cada
bem a ser produzida por período. Com o MPS em mãos, a necessidade de
matéria-prima é levantada e o requerimento de material é realizado levandose
em consideração o lead time de chegada das peças, que está relacionado
com o modal de transporte previamente definido pela empresa. Mais próximo
da operação, o sequenciamento dos jobs é feito com o objetivo de atender
ao planejamento do MPS. Normalmente, esses quatro problemas - definição
do modal de transporte, elaboração do plano mestre de produção, definição
do momento de compra de materiais e sequenciamento da produção - são
tratados em momentos diferentes e, muitas vezes, de forma determinística.
Neste trabalho é avaliado o impacto financeiro e operacional de realizar o
planejamento de forma determinística e segregada. Em particular, avaliase:
(i) o impacto da estocasticidade e co-otimização do planejamento da
produção e das decisões de compra e (ii) a viabilidade do sequenciamento.
Para (i) é proposto um modelo de otimização estocástica de dois estágios
que co-otimiza as decisões de volume de produção, momentos de compra
e modal de transporte. Para (ii) restrições de sequenciamento de jobs são
adicionadas através de uma heurística e de um modelo de programação
matemática. Avaliações empíricas são feitas por meio de dois experimentos
numéricos com dados realistas de uma empresa do setor automobilístico. Para
(i) observamos uma redução de custo de 7 por cento na operação para o ano de 2018
(ano do planejamento) e cerca de 3,5 por cento para 5000 cenários simulados (out-ofsample),
comparando o modelo de dois estágios proposto com o procedimento
normalmente adotado na indústria. Para (ii) também observamos uma redução
de 8 por cento no custo de operação de 2018, e de 9,6 por cento para 50 cenários simulados (outof-
sample), em relação ao modelo proposto em (i) e 13 por cento no custo de operação
de 2018 e 15,6 por cento para 50 cenários simulados (out-of-sample), em comparação
com o modelo típico da indústria. / [en] Traditionally, in discrete manufacturing industries, at the tactical level
of production planning, the master production scheduling (MPS) is calculated,
which establishes the quantity of each good to be produced per
period. With the MPS in hand, the need for raw material is raised and
the material requirement is carried out taking into account the lead time
arrival of the parts, which is related to the transport mode previously defined
by the company. Closer to the operation, the jobs scheduling is done
with the purpose of meeting MPS planning. Typically, these four problems
- definition of the transportation mode, preparation of master production
scheduling, definition of the time to purchase materials and job scheduling
- are dealt with at different times and often in a deterministic way. In this
work we evaluate the financial and operational impact of carrying out the
planning in a deterministic and segregated way. In particular, we assess:
(i) the impact of stochasticity and co-optimization of production planning
and purchasing decisions and (ii) the feasibility of job scheduling. For (i) a
two-stage stochastic optimization model is proposed that co-optimizes production
volume decisions, purchase moments and transportation mode. For
(ii) sequencing constraints of jobs are added through a heuristic and a mathematical
programming model. Empirical assessments are made through two
numerical experiments with realistic data from a discrete manufacturing
company. For (i) we observed 7 percent cost reduction in the operation for the
year 2018 (planning year) and approximately 3.5 percent for 5000 simulated scenarios
(out-of-sample), comparing the proposed two-stage model with the
procedure typically adopted in the industry. For (ii) we also observed a reduction
of 8 percent in the 2018 operation cost, and 9.6 percent for 50 simulated scenarios
(out-of-sample), in relation to the model proposed in (i) and 13 percent in the
2018 operation cost and 15.6 percent for 50 simulated scenarios (out-of-sample),
compared to the typical industry model.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:55523 |
| Date | 28 October 2021 |
| Creators | DANIELLE DE MACEDO |
| Contributors | BRUNO FANZERES DOS SANTOS, BRUNO FANZERES DOS SANTOS, BRUNO FANZERES DOS SANTOS, BRUNO FANZERES DOS SANTOS, BRUNO FANZERES DOS SANTOS |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0027 seconds