Production planning problems subject to machine failures considering characteristics of an industry 4.0 environment

Abstract

Novas tecnologias e o avanço da Indústria 4.0 tem gerado mudanças significativas nos processos de produção, como maior uso de dados para tomada de decisão, maior velocidade de produção devido à automação e horizontes de planejamento mais curtos. Em breve, os métodos de resolução e cenários consolidados na literatura podem não se adequar a esse novo panorama. Portanto, os tomadores de decisão devem considerar esse novo contexto na fase de planejamento da produção. Neste trabalho, incorporamos características da Indústria 4.0 em nosso estudo, considerando que a entrega dos produtos aos clientes nas datas combinadas será mais relevante do que a minimização de custos. Nós assumimos que, neste contexto, ordens de produção chegarão e serão rapidamente produzidas. Longos horizontes de planejamento e grandes quantidades de estoque não existirão mais. Assim, decisões em tempo real e horizontes curtos devem ser considerados no planejamento da produção. Estudamos as adaptações a serem feitas nos algoritmos e no processo de tomada de decisão do planejamento da produção baseadas nas ferramentas e características de um ambiente de Indústria 4.0. Primeiramente, propomos e comparamos duas abordagens proativas para lidar com falhas de máquinas no chão de fábrica. Os métodos visam reduzir a probabilidade de inviabilidade no nível de sequenciamento após a ocorrência de falhas. Nós verificamos se existe diferença na utilização de ambas as estratégias e, além disso, testamos diversos parâmetros de robustez utilizados para lidar com rupturas. Com base nos experimentos, concluímos que o tomador de decisão decidirá qual parâmetro de robustez utilizar com base nas quantidades de produtos consideradas, visto que a maioria das métricas testadas não apresenta um padrão definido ao modificar este parâmetro. Em relação ao teste de similaridade das abordagens proativas, concluímos que elas exibiram resultados semelhantes para a maioria dos cenários e variações testadas. Este trabalho também propõe abordagens usando algoritmos de aprendizado de máquina para prever rupturas no chão de fábrica, além de apresentar um framework que prevê a melhor estratégia para implementação de acordo com a instância específica do problema. Também propomos uma abordagem proativa-online integrando decisões proativas e em tempo real, comparando os resultados com uma estratégia corretiva. Com base em testes computacionais realizados com um benchmark proposto, as abordagens proativa e proativa-online resultaram em menor atraso total ponderado em comparação ao método corretivo. Em relação às abordagens proativa e proativa-online, observamos que seus resultados dependem do conjunto de instâncias analisadas, justificando a proposição do framework. Por fim, para a maioria dos casos, as estratégias previstas pelo framework obtiveram menor atraso total ponderado quando comparadas com os resultados médios obtidos por todas as estratégias estudadas neste trabalho. Nós concluímos que as estratégias e framework propostos poderiam melhorar o processo de tomada de decisão, resultando em soluções rápidas e robustas em relação à falhas de máquinas em um ambiente com características da Indústria 4.0.