impacto de decisões de gerenciamento da produção na...
Post on 02-Dec-2018
216 Views
Preview:
TRANSCRIPT
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
45
Impacto de decisões de gerenciamento da produção na
performance de Sistemas Produtivos: um estudo de simulação
em uma Job Shop Impact of production management decisions on performance of Productive
Systems: a simulation study in a Job Shop
Patrick Gabbi; Marcelo Battesini
Palavras chave: sistemas de produção, simulação, performance, Job Shop
Key words: production systems, simulation, performance, Job Shop
RESUMO
As medidas de performance de um Sistema de
Produção (SP) não estão dissociadas da
estratégia de gestão da produção adotada pela
empresa. O objetivo deste estudo foi avaliar o
impacto de decisões gerenciais relacionadas ao
tamanho dos lotes adotados, aos tempos de
setup e ao sequenciamento da produção nas
medidas de performance de um SP em
organizado na forma de uma Job Shop. O
estudo de modelagem e simulação teve caráter
exploratório e abordagem quantitativa e foi
conduzido em ambiente computacional. Os
resultados obtidos indicam que a adoção de
lotes unitários e a habilidade de realizar baixos
tempos de setup são fatores chave para a para
a obtenção dos menores makespan e work in
process, independentemente do
sequenciamento de lotes adotado. Foram
identificados indícios de que os três fatores
agem de forma combinada, não devendo ser
descartada uma relação não linear entre os
mesmos. O estudo confirmou os nexos causais
descritos na literatura, especialmente aqueles
que relacionam ao tempo de setup e ao lead
time, porém, foi observado que o tamanho do
lote e o sequenciamento assumem uma
importância menor na ausência de baixos
tempos de setup.
ABSTRACT
The performance measures of a Production
System (PS) are not dissociated from the
production management strategy adopted by
the company. The objective of this study was to
evaluate the impact of managerial decisions
related to the size of the adopted lots, to the
setup times and to the production sequencing
in the performance measures of an PS
organized in Job Shop form. The modeling and
simulation study had an exploratory objective
and quantitative approach and was conducted
in a computational environment. The results
indicate that the adoption of unit batches and
the ability to perform low setup times are key
factors for obtaining smaller makespan and
work in process, regardless of the batch
sequencing adopted. We have identified
evidence that all three factors act in a combined
manner, and a nonlinear relationship between
them should not be ruled out. The study
confirmed the causal links described in the
literature, especially those related to setup time
and lead time, however, it was observed that
batch size and sequencing assume less
importance in the absence of low setup times.
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
46
INTRODUÇÃO
Os gestores de Sistemas de Produção (SP)
devem estar preparados para a tomada de
decisão em relação aos fatores chave da sua
performance diante das variadas opções
descritas pelas diferentes estratégias de
gerenciamento apresentadas na literatura.
A gestão de Sistema de Produção (SP) de
bens demanda um conjunto de decisões
acerca das mais diversas atividades em
cada nível de planejamento de uma
indústria, podendo ser estratégicas de
longo prazo ou operacionais de curto prazo
(Miguel et al, 2012).
Ao discutir os SP, a literatura de
administração da produção e de
planejamento programação e controle de
produção relaciona um conjunto de fatores
chave para o seu desempenho (Shingo,
1989; Ohno, 1997; Slack, Brandon-Jones e
Johnston, 2015; Groover, 2001; Gaither e
Frazier, 2002; Krajewski, Ritzman e
Malhotra, 2009; Tubino, 2009; Corrêa e
Corrêa, 2010; Chase, 2011; Monden, 2015;
Corrêa e Gianesi, 2016), a exemplo de
tamanho de lote, tempo de preparo,
quantidade de produto em processo,
nivelamento da produção, que se bem
controlados afetam diretamente as
principais medidas de performance dos SP:
taxa de produção, utilização e a
disponibilidade de recursos, o tempo de
atravessamento de um lote ou de um
conjunto de lotes.
As decisões gerenciais relacionadas esses
fatores não estão dissociadas da estratégia
de gestão da produção adotada pela
empresa, merecendo destaque, dentre
àquelas caracterizadas ao longo do tempo
pela literatura: a proposta de Henry Ford
de Produção em Massa (PM) em linhas de
produção; a Produção Enxuta (PE)
inicialmente descrita por Taiichi Ohno e
Shingeo Shingo como Sistema Toyota de
Produção (STP); e a gestão focada em
gargalos proposta por Eliyahu Goldratt,
conhecida como Teoria das Restrições
(TOC).
Apesar de possuírem similaridades em
termos dos seus objetivos essas estratégias
diferem na abordagem e nos mecanismos
utilizados para realizar a gestão dos SP
(Ohno, 1997; Goldratt, 2009). Tanto o STP
quanto o sistema de Ford são baseados no
fluxo de trabalho e que caso Ford tivesse a
oportunidade de dar seguimento ao seu
trabalho certamente estaria orientado na
mesma direção da Toyota Ohno (1997).
Goldratt (2009) identificou que Ford e
Ohno seguiram quatro conceitos chave em
suas abordagens, assim como a TOC:
melhorar o fluxo das operações, ou seu
equivalente reduzir o lead time; adoção de
um mecanismo prático que oriente a
produção sobre quando não produzir;
eliminação das ineficiências locais; e
proposição de um processo de focalização
para balancear o fluxo.
Com o auxílio de simulação discreta de
eventos, este estudo analisa a influência
desses fatores e confronta os resultados
obtidos em relação a um conjunto de
assertivas sistematizadas da literatura
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
47
sobre como gerir os recursos de
manufatura. O objetivo deste trabalho é
avaliar o impacto do tempo de setup, do
tamanho de lote e do sequenciamento da
produção na performance de um SP em
organizado na forma de uma Job Shop.
Referencial teórico
Em uma perspectiva tecnológica SP se
refere a uma composição de pessoas,
equipamentos e de procedimentos
organizados para a combinação de
materiais e processos que realizam as
operações de manufatura de uma empresa,
incluindo os procedimentos de suporte que
permitem que estes funcionem (Groover,
2001). As complexas inter-relações entre as
opções gerenciais da empresa quanto aos
parâmetros de seus processos e o efeito
destas sobre as medidas de performance
usualmente são apresentadas em mapas
conceituais (Pacheco et al., 2014 e Godinho
Filho e Uzsoy, 2009), porém é comum que
diferentes autores apresentem nexos
causais entre elas entre pares destes fatores
e medidas, como a seguir indicado.
Uma das principais variáveis que
interferem no desempenho de um sistema
de manufatura é o tamanho de lote em
processamento (Tubino, 2009; Krajewski et
al., 2009; Godinho Filho e Uzsoy, 2010).
Lotes grandes de produção tem elevado
tempo de atravessamento pelo SP, no
entanto lotes pequenos exigem preparações
de máquinas (setup) mais frequentes
(Krajewski et al., 2009), sendo que quanto
maior o tamanho do lote, mais longo será o
seu lead time (Chase, 2011). A sequência
em que os recursos serão utilizados por um
lote de produção depende de uma
priorização prévia e do seu roteiro de
execução em diferentes centros de trabalho
(Tubino, 2009). Uma realidade fabril o ideal
teria um sequenciamento de lotes
pequenos e baixo tempo de setup, situação
na qual são diminuídos os níveis de
estoque (Gaither e Frazier, 2002).
O resultado das decisões gerenciais, a
exemplo de tamanho de lote, tempo de
setup e sequenciamento da produção, pode
ser monitorado com medidas de
performance. Uma delas é a utilização, que
se refere ao grau em que o recurso está
sendo usado (Slack et al., 2015) ou a razão
entre a taxa média de produção e a
capacidade máxima de produção
(Krajewski et al., 2009). A quantidade de
itens que estão sendo processados
simultaneamente em um dado momento
(WIP, work in proscess) é um indicador de
desempenho de SP, sendo desejado que o
WIP se mantenha em níveis baixos
(Groover, 2001). De acordo com Krajewski
et al. (2009), o desempenho de uma
indústria também pode ser vinculado ao
indicador de throughput (número de itens
que saem do SP), sendo este um indicador
do quanto o sistema gera de dinheiro e,
consequentemente, do lucro líquido e no
retorno sobre o investimento. Além dessas
medidas, pode ser utilizado o makespan,
que se refere ao tempo total para a
produção de um trabalho, ou a um grupo
deles (Gaither, 2002). Esse conjunto de
relações causais são a seguir sistematizadas
na forma de assertivas, que se referem a
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
48
frases síntese para as relações oferecidas
pela literatura.
Assertivas 1, Tempo de Setup: A redução
do tempo de setup permite reduzir o
tamanho do lote de produção e aumenta a
utilização dos recursos.
• Reduzir o tempo de troca de
ferramentas permite minimizar o lote de
produção e reduzir o estoque intermediário
e final de produtos; o tempo de execução de
produtos pode ser reduzido com pequenos
lotes de produção e a companhia pode
adaptar-se prontamente às ordens do
cliente e às alterações de demanda
(Monden, 2015, p. 43);
• Para que se atinja o ideal da
produção com estoque zero é necessário ter
tempos de setup menores que 10 minutos,
ou até mesmo segundos; a adoção da troca
rápida de ferramentas possibilita a
produção em pequenos lotes e, por
conseguinte, permite respostas rápidas às
flutuações da demanda (Shingo,1989, p.
98);
• A utilização da capacidade das
máquinas é aumentada com a redução do
tempo de setup, apesar de uma alta taxa de
utilização das máquinas ocasionar
superprodução, o que é uma situação pior
do que uma taxa baixa de utilização
(Monden, 2015, p. 43).
Assertiva 2, Tamanho de Lote: Lotes
pequenos reduzem o WIP. Lotes pequenos
aumentam o número de setups. Lotes
grandes aumentam o lead time.
• Lotes pequenos têm a vantagem de
reduzir o nível médio de WIP em relação
aos grandes, porém embora esses sejam
benéficos à produção, eles têm a
desvantagem de gerem uma frequência
muito maior de setups (Krajewski et al.,
2009, p. 290);
• Tamanhos de lotes reduzidos e a
diminuição de tempo de troca de
ferramentas reduzem o WIP (Ohno, 1997,
p. 107-108) e lotes grandes de produção tem
um elevado lead time no sistema produtivo
em relação a lotes menores (Krajewski et
al., 2009, p. 290);
• Quanto maior o tamanho de lote,
maior o tempo de processamento
correspondente e portanto, maior o lead
time da ordem de produção (Corrêa e
Corrêa, 2010, p.115).
Assertiva 3, Sequenciamento da Produção:
O adequado sequenciamento da produção
aumenta o nível de utilização dos recursos
produtivo, diminui o WIP e reduz o lead
time.
• A forma com que se sequenciam as
ordens de produção em sistemas Job Shop
é influenciadora do desempenho da
operação com repercussão estratégica no
nível de utilização dos recursos (Corrêa e
Corrêa, 2010, p. 580);
• O sequenciamento de produção
diminui o WIP e o tempo ocioso de
máquinas e trabalhadores, aumentando
assim a sua utilização (Chase, 2011, p. 585);
• O sequenciamento é crítico para o
desempenho do SP que produz em lotes de
produto, pois a maior parcela de lead time
está relacionada à espera do lote para ser
trabalhado em um dado recurso, sendo
que, caso essa função não seja
adequadamente estruturada, esse tempo
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
49
pode chegar facilmente a 80% do tempo
total (Tubino, 2009, p. 114);
• Os tempos de fila são dependentes
de como a programação é feita; a
programação de atividades e capacidade
deve ser feita simultaneamente e os lead
times são resultados da programação,
devendo ser considerado que uma hora
ganha no gargalo é uma hora ganha no
sistema global (Corrêa e Corrêa, 2010,
p.465).
Procedimentos metodológicos
Este trabalho tem natureza aplicada,
objetivo exploratório e abordagem
quantitativa (Silva e Menezes, 2001; Santos,
2007), podendo ser classificada em relação
aos procedimentos utilizados como um
estudo de modelagem e simulação (Silva e
Menezes, 2001).
Simulação é a imitação de um sistema
dinâmico usando um modelo
computacional para avaliar a melhora de
sua performance, consistindo no uso de
técnicas computacionais para simular a
operação de sistemas produtivos com o
objetivo de investigar a relação causal e
quantitativa entre as variáveis estudadas
(Harrell et al., 2012).
A pesquisa realizada seguiu as etapas
definida em Law (2003): formulação do
problema, criar um modelo conceitual;
desenvolver, verificar e validar o modelo
computacional; projetar, conduzir e
analisar para os cenários propostos;
documentar e apresentar os resultados da
simulação. O problema formulado se refere
a investigar como as medidas de eficiência
de um sistema de manufatura são afetadas
pela concepção de gestão adotada,
delimitada às decisões da empresa adotar
tamanhos de lotes pequenos ou grandes,
ser capaz de realizar setups em curto
espaço de tempo, ou em longos, e
programar diferentes sequenciamentos da
produção.
É importante destacar que o sistema
estudado não assume nenhuma
abordagem específica de gestão, uma vez
que não adota o kanban, não utiliza lotes de
produção unitários e não se propõe a
gerenciar o gargalo. O modelo de
simulação estudado foi baseado no sistema
de manufatura real estudado no trabalho
de Conceição (2005), referente a uma
fábrica de móveis organizada por
processos que assume características de
uma Job Shop com nove setores/centros de
trabalho, assim como em alguns dos
parâmetros estudados por Godinho Filho e
Uzsoy (2010).
O modelo conceitual simulado neste
trabalho considerou quarenta e três tipos
de produtos organizados em 10 classes (A-
J) que demandam o roteamento entre
diferentes setores (1-9), sendo que cada
classe possui uma quantidade distinta de
tipos de produtos (Tprodutos), representando
um percentual do mix de produção (%
mix), como indicado no Quadro 1.
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
50
Quadro 1. Roteamentos, Tipos de produtos e Percentuais do mix por Classe de produto
Classe Roteamento Tproduto % mix Classe Roteamento Tproduto % mix
A 1-2-3-4-6-7-8-9 11 25,6% F 1-2-3-8-9 2 4,7%
B 1-2-3-4 11 25,6% G 1-2-4 1 2,3%
C 1-2-3-5-4 8 18,6% H 1-3-5 1 2,3%
D 1-2-3-5-4-6 4 9,3% I 1-2-4-3 1 2,3%
E 1-3-4 3 7,0% J 1-2-3-7-8-9 1 2,3%
Preservando o conjunto de
máquinas/recursos de cada setor como
indicado em Conceição (2005) e com base
nas necessidades de produção indicadas no
Quadro 1, foram adotados tempos de
processamento (Tpsetor) com o objetivo de
equilibrar deterministicamente as cargas
de trabalho (Ct), ver Quadro 2. Observe que
as maiores Ct (210h) são 2,94% superiores a
menor Ct (204h), indicando o Setor 7 como
setor candidato à gargalo do sistema.
Quadro 2. Composição, Tempos de processamento e Carga de trabalho por Setor
Setores Máquinas Tpsetor Ct Tpmáquina
1 Corte T2 – T3 –T4 4,8min 206,4h 1,6 min
2 Prensa S1 – S4 – S5 – S6 – S10 4,2 min 210h 0,84 min
3 Viradeira V1 – V3 – VA 5,01 min 210,4h 1,67 min
4 Solda Ponto P1-P8-M1 5,31 min 209,1h 1,77 min
5 Solda MA 16 min 208h 16 min
6 Lixadeira L1 14 min 210h 14 min
7 Limpeza LM 17 min 204h 17 min
8 Pintura P1 15 min 210h 15 min
9 Montagem Final MF 15 min 210h 15 min
Com base nessas parametrizações foi então
construído o modelo computacional,
utilizando o software Flexsim®, ver Figura
1. O modelo é constituído de dezenove
recursos fixos (máquinas), vinte filas de
espera por processamento, sendo uma de
entrada e uma de saída de cada setor, além
destes uma fila com os produtos a serem
processados (IN T41) e outra para produtos
já produzidos (IN T42). É importante
destacar que o sistema de movimentação
de materiais modelo não foi estudado,
portanto não foram utilizados recursos
móveis para o transporte das entidades
(dez diferentes classes de produto) em
movimento pela produção, cada uma delas
representada em cores distintas. Outra
simplificação adotada é que as diferentes
máquinas de um mesmo setor realizam os
mesmos tipos de processamento em cada
classe de produto, sendo assim o TpSetor
determinístico utilizado no balanceamento
inicial foi repartido igualmente entre as
máquinas de um dado setor (Tpmáquina).
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
51
Figura 1. Modelo computacional
Uma vez concebido, o modelo
computacional foi verificado e validado. A
verificação avaliou a realização os
roteamentos para cada uma das dez classes
de produtos, o atendimento do mix de
produção, o cumprimento dos tempos de
processamento e a ocorrência e os tempos
previstos para os setups. Em função da
característica teórica do modelo conceitual
adotado a validação se deu pela
constatação que o modelo computacional é
capaz de representar o modelo indicado em
Conceição (2005), que por sua vez
representa uma situação real.
De modo a permitir a responder o
questionamento de pesquisa, os cenários
foram idealizados tendo sido variados
intencionalmente os tamanhos dos lotes a
serem produzidos, os tempos de setup em
cada uma das máquinas do sistema e a
sequência de envio dos lotes para
processamento, considerados parâmetros
do modelo de simulação. Para cada um dos
nove cenários investigados (C), a simulação
foi conduzida considerando a produção de
dez mil unidades proporcionais as
quantidades dos diferentes tipos de
produtos, a disponibilidade de todos os
recursos, durante todo o tempo de
processamento, e sem tempo de warm up.
O Quadro 3 apresenta os tamanhos dos
lotes (Tlote) que assumem valores entre 1un,
50 ou 100un; os tempos de setup (Tsetup)
foram considerados estocásticos, seguindo
distribuições normais com média e desvios
padrão iguais a 10% da média (nas
dezenove máquinas do sistema); e o
sequenciamento de processamento (Seq)
investigados em ordem aleatória (A),
sequenciada (S), de acordo com a ordem de
das classes e quantidades apresentadas no
Quadro 1, e sequenciado/aleatório (S/A), na
qual 50% dos itens (cinco mil) foram
ordenados na sequência apresentada no
Quadro 1 e os demais 50% em ordem
aleatória. É importante destacar que o
controle adotado para os tamanhos dos
lotes enviados ao sistema no início do
processamento foi distinto controle de
fluxo dos itens lotes unitários de
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
52
transferência entre os setores,
procedimento que tende produzir tempos
totais de processamento menores.
Os cenários foram replicados um número n
de vezes (Nrep) por um tempo
computacional de simulação (Temposim),
ver Quadro 3, sendo que, em todos os
casos, o Erro (em min), que corresponde à
metade da amplitude do intervalo de
confiança, associado ao tempo total para
completar processamento os dez mil itens
(makespan) foi inferior ao erro absoluto
considerado aceitável de 30min. O
intervalo de confiança de 95% para o valor
médio do makespan (makespanmédio, em
min) foi aceito como válido bem como os
valores médios obtidos para as demais
medidas de performance estudadas. Todos
cenários se apresentaram estatisticamente
diferentes entre si para o makespanmédio,
como é possível verificar pela comparação
entre os limites inferiores (LI, em min) e
superiores (LS, em min), apesar de uma
exceção referente aos cenários 1 e 3.
Quadro 3. Cenários de Simulação
C Tlote Tsetup ( ; ) Seq Nrep Temposim Erro LI Makespanmédio LS
0 50 N (5,25; 0,525) S/A 10 3min:32s 9,30 51390,3 51399,6 51408,9
1 100 N (0,5; 0,05) A 20 3 min:32s 3,10 51224,5 51227,6 51230,7
2 1 N (10; 1) A 120 3 min:21s 26,50 62369,0 62395,3 62422,0
3 1 N (0,5; 0,05) A 10 1 min:30s 5,15 50432,9 50438,1 50443,2
4 100 N (10; 1) A 20 4 min:37s 23,00 51960,0 51982,8 52006,0
5 100 N (0,5; 0,05) S 20 3 min:29s 4,50 51329,2 51333,7 51338,2
6 100 N (10; 1) S 20 3 min:39s 8,15 53422,5 53430,6 53438,8
7 1 N (0,5; 0,05) S 20 4 min:08s 2,30 50232,4 50234,7 50237,0
8 1 N (10; 1) S 140 23 min:28s 22,00 56067,0 56089,0 56111,0
Resultados e Discussão
O comportamento não linear da dispersão
dos makespanmédio pode ser observado na
Figura 2, na qual destaca-se o cenário 7 com
o menor valor de makespanmédio (837,2
horas) e o cenário 2 com o maior valor
(1039,9 horas), sendo assim 24,21% maior
(202,7 horas). Além disso, a Figura 2
apresentada uma categorização entre
cenários (alto, médio e baixo desempenho)
realizada com base em um critério de
relevância prática segundo o qual
diferenças superiores a 480 minutos (8h),
correspondendo aproximadamente 1 dia
de trabalho. Nesse sentido, são diferenças
importantes que merecem uma análise
aprofundada àquelas superiores a 8h no
makespanmédio, a exemplo do que ocorre
entre os cenários 1 e 3, entre os cenários 0 e
4 assim como entre cada um dos cenários
da categoria analítica baixo desempenho.
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
53
Figura 2. Categorização dos cenários por makespanMédio (min)
Os valores médios dos indicadores de
performance estudados são apresentados
no Quadro 4, para o intervalo de confiança
de 95%, em ordem crescente de
makespanmédio: utilização do sistema
(UmédiaS, em %), número de itens em espera
na fila gargalo (NmédioG, em unidades),
tempo de espera dos itens na fila gargalo
(TmédioG, em minutos), número de itens em
processamento em todo o sistema (WIPmédio,
em unidades). O gargalo do sistema foi a
fila de entrada do Setor 5 (IN MA), com
maiores valores de NmédioG e TmédioG
diferentemente do previsto no
balanceamento determinístico das cargas
de trabalho dos setores.
Quadro 4. Valores das medidas de performance estudadas (em minutos), por cenário
C Makespanmédio(min) WIPmédio(un) UmédiaS(%) NmédioG(un) TmédioG(min)
7 50234,69 4643,34 31,49 1238,37 21149,03
3 50438,05 4700,60 32,48 1225,90 21019,16
1 51227,57 4999,75 31,04 1243,40 21236,05
5 51333,67 4999,75 30,92 1311,02 22434,26
0 51399,59 4999,75 31,90 1256,95 21543,74
4 51982,85 4999,75 32,60 1174,25 20350,64
6 53430,61 4999,75 30,32 1257,68 22400,71
8 56089,02 4840,17 38,95 973,89 18532,70
2 62395,29 4906,15 53,89 702,55 14846,00
Os cenários com alto desempenho (7 e 3),
nos quais o Tlote=1un e o Tsetup das máquinas
foi baixo e [N(0,5; 0,05)], indicaram que
quanto menor o makespanmédio menor é o
WIPmédio independentemente do
sequenciamento de lotes adotado. Assim, a
adoção de lotes unitários e a habilidade de
realizar baixos Tsetup parecem indicar serem
Alto Médio Baixo
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
54
fatores chave para a obtenção de menores
makespanmédio e menores é o WIPmédio. Para
esses cenários não foi evidenciado haver
relação entre os menores makespanmédio e o
fato de os recursos do sistema estarem
sendo utilizados em suas capacidades
máximas, dado a UmédiaS ter variado entre
30% e 33% para a maioria dos cenários, à
exceção dos cenários 2 e 8 com pior
desempenho dentre todos. Similar
raciocínio pode ser realizado em relação às
variáveis relacionadas ao gargalo do
sistema, dado o fato de nos cenários 7 e 3 o
número médio de itens em espera para
processamento no Setor 5 (NmédioG) ter sido
de ordem de grandeza similar aos demais
cenários. Esse raciocínio é valido para a
variável TmédioG, porém em direção inversa.
Quando analisados os cenários com médio
desempenho (1, 5 e 0) observou-se que não
é possível afirmar que exista diferença
entre os WIPmédio em relação aos cenários
com baixo desempenho, o que é válido para
as variáveis UmédiaS, NmédioG e TmédioG, à
exceção dos cenários 2 e 8 que tiveram o
pior desempenho dentre todos. Em relação
aos cenários 1 e 5, o desempenho médio
parece estar relacionado à habilidade de
realizar baixos tempos de setup, mesmo
que os tamanhos de lote sejam grandes
(100un), independentemente do
sequenciamento de lotes adotado. O fato do
cenário 0 ter tido um desempenho médio
parece indicar que makespanmédio é afetado
por uma combinação entre o Tsetup, o Tlote e
o sequenciamento, reforçando a
constatação de interação entre os mesmos.
Apesar disso, é importante lembrar que o
tamanho dos lotes teve seu efeito atenuado
em função terem sido utilizados dos lotes
de transferência unitários. Corrêa e Corrêa
(2010) sustentam que, em presença de
gargalos produtivos, o lote de transferência
pode não ser, e frequentemente não deveria
ser, igual ao lote de processamento para
diluir os tempos de setup. O autor sustenta
que deveriam ser mantidos lotes de
produção grandes no gargalo de modo a
minimizar o tempo com setup, uma vez
que, são eles que determinam o fluxo do
sistema e definem seus estoques recursos
em processamento.
Todos os cenários com baixo desempenho
(4, 6, 8 e 2) tiveram Tsetup alto não
importando o Tlote e sequenciamento de
lotes adotado. Como era esperado os
cenários 8 e 2 apresentaram o pior
desempenho, que além de terem um Tsetup
alto têm um aumento no número de setups
(Tlote=1un), combinação o que prejudica o
makespanmédio, reforçando a existência de
uma relação tripla entre os parâmetros
utilizados para ajustar os cenários
investigados (Tsetup, o Tlote e o
sequenciamento). Vale destacar que os
melhores desempenhos dos cenários 2 e 8
nas variáveis UmédiaS, NmédioG e TmédioG
foram obtidos a custa de maiores
makespanmédio.
Nesse sentido, os resultados obtidos
indicam que as medidas de performance
estudadas são afetadas, em ordem de
importância, pelo Tsetup, Tlote e
sequenciamento, porém não deve ser
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
55
descartada a existência de uma relação não
linear entre os mesmos.
Os resultados obtidos também podem ser
cotejados em relação aos conceitos teóricos
caracterizados na literatura na forma de
assertivas, sistematizadas na seção 2. O
estudo dos cenários com alto desempenho
(7 e 3) permitiu concluir em relação ao nexo
causal estabelecido pela: assertiva 1 foi
verificado pelo fato de a redução do Tsetup
permitir reduzir o Tlote, porém não houve
comprovação de que a redução do Tsetup
tenha produzido aumento UmédiaS; assertiva
2, foi verificado em relação ao fato de que
em presença de pequenos Tlote os WIPmédio
foram os menores dentre todos os cenários;
assertiva 3 não foi verificado já que o
sequenciamento de produção não
aumentou o nível de utilização dos
recursos produtivos, diminuiu o WIP ou
reduziu o lead time. Em relação aos cenários
com baixo desempenho (4, 6, 8 e 2)
verificou-se que: não foi verificado o nexo
causal estabelecido pela assertiva 1 já que o
tamanho Tlote e o sequenciamento assumem
uma importância menor em presença de
altos Tsetup; foi verificada a assertiva 2 dado
grandes Tlote aumentarem o lead time; não
foi verificada a assertiva 3, uma vez que, o
sequenciamento de produção não
influenciou a utilização dos recursos
produtivos, o WIP ou o lead time.
Os resultados obtidos sugerem que as
decisões tomadas no gerenciamento da
produção em relação ao tempo de setup,
tamanho de lote e sequenciamento não
podem ser tomadas dissociadas de uma
opção consciente sobre a abordagem
adotada para a gestão do SP. Além disso,
foi constatada uma relação de dependência
entre os três fatores investigados, uma vez
que, é a habilidade de realizar tempos de
setup baixos que permite a decisão sobre a
redução nos tamanhos de lotes. Nesse
sentido, a decisão de balancear, ou nivelar,
o fluxo de produção deve ser precedido
pelo estabelecimento de uma capacidade
de realizar setup rápido. Sabidamente a
capacidade de alterar o tempo, depende de
planejamento e de investimento financeiro,
podendo estar associada à automação ou a
estudos de otimização. Assim, as decisões
de planejamento e controle da produção de
alterar o tamanho do lote, o
sequenciamento da produção e,
consequentemente, o número de setup, não
são independentes da habilidade de alterar
rapidamente os setups.
Em relação aos nexos causais descritos na
literatura entre fatores e medidas de
performance de sistema de produção, os
resultados indicaram que a redução no
tempo de setup é elemento chave para a
redução do makespan e do WIP, produzindo
consequentemente menores lead time. Além
disso, não foi possível evidenciar o impacto
dos fatores investigados no gargalo, tanto
em relação a sua utilização quanto em
relação aos tempos de espera.
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
56
A avaliação do impacto das decisões de
gerenciamento da produção permitiu
estudar os nexos causais entre os fatores
estudados e entre estes e as medidas de
performance adotadas para o SP
organizado como uma Job Shop estudado.
Os resultados obtidos com o auxílio de
simulação computacional indicam que as
medidas de performance estudadas são
especialmente afetadas pelo tempo de
setup e, em menor medida, pelo Tlote e
sequenciamento em uma relação tripla que
parece não ser linear. Verificou-se que a
adoção de lotes unitários e a habilidade de
realizar baixos tempos de setup são fatores
chave para a para a obtenção de menores
makespan e WIP, independentemente do
sequenciamento de lotes adotado, porém
não foi evidenciada a existência de uma
relação direta entre os menores makespan
e aumento da utilização média do sistema.
Foram identificados indícios de que os três
fatores agem de forma combinada em
relação ao makespan e ao WIP, tanto nos
melhores cenários de melhor performance
quanto de pior, não deve ser descartada a
existência de uma relação não linear entre
os mesmos.
O estudo realizado confirmou os nexos
causais descritos na literatura,
especialmente aqueles que relacionam o
tempo de setup e o lead time, porém o
tamanho do lote e o sequenciamento dos
lotes assumem uma importância menor na
ausência de baixos tempos de setup. Dessa
forma, em situações em que não é adotada
uma específica estratégia de gerenciamento
da produção a empresa deveria investir
mais tempo e recursos na redução dos
tempos de setup, para posteriormente
diminuir os tamanhos dos lotes e só então
priorizar um sistema de sequenciamento
da produção. Como sugestão para
trabalhos futuros indica-se estudar o efeito
de lotes de transferência com tamanho
igual aos lotes de produção, bem como a
existência de relações não lineares entre os
fatores estudados na produção da
performance do sistema.
Chase, J. (2011). Operations and Supply Chain
management. (13a ed). New York: Mcgrall-Hill.
Conceição, S. V. (2005). Otimização do fluxo de
materiais através da manufatura celular.
Produção, 15 (2), 235-250. DOI:
http://dx.doi.org/10.1590/S0103-
65132005000200008
Corrêa, H. L.; Gianesi, I.N. (2016) Planejamento,
programação e controle da produção: MRP II/ERP:
conceitos, uso e implementação: base para SAP,
Oracle Applications e outros softwares integrados
de gestão. (5a ed). São Paulo: Atlas.
Corrêa, H.L; Corrêa, A.C. (2010). Administração
de Produção e Operações: manufatura e serviços:
uma abordagem estratégica (2a ed). São Paulo:
Atlas.
Gaither, N.; Frazier, G. (2002). Administração da
Produção e Operações. (8a ed). São Paulo: Pioneira
Thomson Learning.
CONSIDERAÇÕES FINAIS
Referências
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
57
Godinho Filho, M.; Uzsoy, R. (2010). Estudo do
efeito de programas de melhoria contínua em
variáveis do chão de fábrica na relação entre
tamanho de lote de produção e lead time.
Gestão e Produção, 17 (1), 137-148. DOI:
http://dx.doi.org/10.1590/S0104-
530X2010000100011
Goldratt, E.M. (2009). Standing on the
Shoulders of Giants – Production concepts
versus production applications The Hitachi
Tool Engineering example. Gestão e Produção, 16
(3), 333-343. DOI:
http://dx.doi.org/10.1590/S0104-
530X2009000300002
Groover, M.P. (2001). Automation, Production
Systems, and Computer-Integrated Manufacturing.
(2a ed). Upper Saddle River: Prentice Hall.
Harrell, C.; Ghosh, B.K.; Bowden, R.O. (2012).
Simulation using ProModel, (3a ed). Singapore:
McGraw Hill.
Krajewski, L.; Ritzman, L.; Malhotra, M. (2009).
Administração da Produção e Operações. (8a ed).
São Paulo: Pearson Prentice Hall.
Law, A.M. (2003). How to conduct a successful
simulation study. Proceedings of the 2003 Winter
Simulation Conference, 66-70. Recuperado de:
http://citeseerx.ist.psu.edu/viewdoc/download
?doi=10.1.1.75.443&rep=rep1&type=pdf
Miguel, P.A.C. org. (2012). Metodologia de
pesquisa em engenharia de produção e gestão de
operações. Rio de Janeiro: Elsevier.
Monden, Y. (2015). Sistema Toyota de Produção:
uma abordagem integrada ao Just-in-time. (4a ed).
Porto Alegre: Bookman.
Ohno, T. (1997). O Sistema Toyota de produção:
Além da produção em larga escala. Porto Alegre:
Bookman.
Pacheco, A.P.; Lacerda, D.P.; Neto, S.C.; Jung,
C.F.; Junior J.A. (2014). Balanceamento de fluxo
ou balanceamento de capacidade? Análises e
proposições sistêmicas. Gestão e Produção, 21(2),
355-367. DOI: http://dx.doi.org/10.1590/S0104-
530X2014005000006
Santos, A. R. (2007). Metodologia Científica: a
construção do conhecimento. Rio de Janeiro:
Lamparina.
Silva, E. L.; Menezes, E. M. (2001). Metodologia
da Pesquisa e Elaboração de Dissertação.
Florianópolis: UFSC.
Shingo, S.; Dillon A.P. (1989) A Study of the
Toyota Production System: From an Industrial
Engineering Viewpoint. Productivity Press:
Cambridge.
Slack, N.; Brandon-Jones, A.; Johnston, R.
(2015). Administração da Produção. (4a ed). São
Paulo: Atlas.
Tubino, D. F. (2009). Planejamento e controle da
produção: Teoria e prática. (4a ed). São Paulo:
Atlas..
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 19
ISSN: 1856-8327
Gabbi & Battesini, Impacto de decisões de gerenciamento da produção..., p. 45-58
58
Autores
Patrick Gabbi. Curso de Engenharia de Produção e Sistemas, Centro de Tecnologia,
Universidade Federal de Santa Maria, Santa Maria, Brasil.
ORCID: https://orcid.org/0000-0002-4324-1475
E-mail: patrick_gabbi@hotmail.com
Marcelo Battesini. Departamento de Engenharia de Produção e Sistemas, Centro de Tecnologia,
Universidade Federal de Santa Maria, Santa Maria, Brasil.
ORCID: https://orcid.org/0000-0002-9063-0959
E-mail: marcelo-battesini@ufsm.br
Recibido: 17-05-2017 Aceptado: 04-12-2017
top related