Loteamento e sequenciamento da produção: um caso de estudo na indústria de injeção de plásticos

• Autor(a) principal: Veríssimo, João Marcelo Figueira
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10316/37003
• topic: Indústria de plásticos; Produtividade; Gestão da produção; Programação linear inteira mista; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Mecânica

Atualmente verifica-se que a indústria está em constantes mudanças, sendo cada vez mais inteligente e flexível. Nos processos industriais, a tomada de decisão é fulcral e pode ser facilitada com recurso a diversos métodos e técnicas computacionais. A otimização dos processos suscita um interesse elevado no tecido industrial, uma vez que permite aumentar a competitividade e o lucro. Assim sendo, a principal motivação deste trabalho passa pelo desenvolvimento de uma ferramenta que possa auxiliar a tomada de decisão no tecido industrial, visando a otimização dos processos, racionalização de recursos e, consequentemente ganhos em eficiência no processo produtivo. A ferramenta foi obtida através da construção de um modelo matemático de Programação Linear Inteira Mista e tem como objetivo minimizar o atraso total das tarefas programadas, e consequentemente, encontrar a melhor sequência de agendamento da produção num ambiente de n tarefas em m máquinas paralelas idênticas. Para além disto, o sequenciamento é obtido tendo em conta o loteamento de tarefas, nomeadamente o binómio molde-máquina. Devido à elevada natureza combinatória estes problemas são considerados como NP-Hard. O modelo proposto foi implementado na linguagem de modelagem matemática AMPL (Algebraic Mathematical Programming Language), recorrendo posteriormente ao software GLPK (GNU Linear Programming Kit). Ao longo do trabalho foi possível testar duas instâncias, sendo a primeira com 32 tarefas e 2 máquinas e a segunda com 10 tarefas e 2 máquinas. A ferramenta é eficaz na tomada de decisão para instâncias de pequena dimensão, no entanto, quando se aumenta a quantidade de informação (tarefas e máquinas), o problema não é resolvido num tempo computacional útil.