Pareto iterated local search: uma aplicação ao sequenciamento de linhas de montagem de modelos mistos

Abstract

Em um contexto de Indústria 4.0, em que a transformação do mercado de consumo exige cada vez mais que as indústrias repensem e reformulem seus modelos de negócio para lidar com as constantes mudanças nas demandas dos clientes, sistemas de produção capazes de serem flexíveis para produzirem diversos modelos de forma eficiente ganham destaque. Além disso, neste mesmo contexto, a aplicação de inteligência artificial está inserida no conjunto de tecnologias que vão permitir as indústrias trilharem uma trajetória rumo a um sistema inteligente de manufatura. Neste trabalho aborda-se o Problema de Sequenciamento de Linhas de Montagem de Modelos Mistos – linhas destinadas à produção de modelos diversificados, suportada por diferentes fornecedores. Em situações em que existe um alto número de modelos a serem produzidos, o sequenciamento é uma ferramenta importante para obter benefícios tais como nivelar estoques intermediários e carga de trabalho, evitar paradas de linha, e o desbalanceamento de carga do fornecedor e minimizar a variação da taxa de produção. Neste trabalho, os objetivos do sequenciamento multiobjetivo considerados são minimizar a distância entre o consumo real do consumo ideal de componentes ao longo dos instantes e o número de setups, simultaneamente. Para resolver o problema, foi aplicado de forma inédita ao sequenciamento, a meta-heurística Pareto Iterated Local Search, escolhido devido sua simplicidade e eficiência. O método foi testado utilizando instâncias da literatura, se mostrando capaz de fornecer boas soluções, com tempo computacional competitivo, quando comparado a outros métodos. Posteriormente, o modelo foi aplicado a um caso real de montagem de estruturas em uma indústria do ramo automotivo, resultando em um conjunto de boas soluções, que melhoram o sequenciamento atual, em um tempo adequado, para o decisor optar.

In a context of Industry 4.0, in which the transformation of the consumer market increasingly requires industries to rethink and reformulate their business models to deal with the constant changes in customer demands, production systems capable of being flexible to produce diverse models efficiently gain prominence. In addition, in this same context, use of artificial intelligence is inserted in the set of technologies that will allow the industries to follow a path towards an intelligent manufacturing system. This work addresses the Sequencing Problem of Mixed Model Assembly Lines - lines designed to produce various models and supported by different suppliers. In cases where there is a high number of models to be produced, sequencing is an important tool to obtain benefits such as leveling intermediate inventory and workload, avoiding line stops, and unbalancing the supplier's load and minimizing variation in production rate. In this work, the multiobjective sequencing objectives considered are minimizing the distance between the actual consumption of the ideal consumption of components over time and the number of setups, simultaneously. To solve the problem, the metaheuristic Pareto Iterated Local Search was applied in an unprecedented way to sequencing, chosen due to its simplicity and efficiency. The method was tested using the literature, showing itself capable of providing good solutions, with competitive computational time, when compared to other methods. Subsequently, the model was applied in a real case of assembling structures in an automotive industry, producing a set of good solutions, which improve the current sequencing, in a suitable time, for the decision maker to choose from, according to his priorities.