Post on 28-Sep-2018
DESENVOLVIMENTO DE UM
PROTÓTIPO DE SISTEMA
INTELIGENTE VOLTADO PARA O
PLANEJAMENTO DA PRODUÇÃO.
Dayse Mourao Arruda (INT)
dayse.arruda@int.gov.br
Elton Fernandes (COPPE/UFRJ)
adelina@pep.ufrj.br
Carlos Alberto Nunes Cosenza (COPPE/UFRJ)
cosenza@pep.ufrj.br
Rogerio Macedo Pontes (COPPE/UFRJ)
rogerio@pep.ufrj.br
Felipe Arruda Pontes (INT)
felipe.arruda.pontes@gmail.com
Nosso objetivo neste artigo é discutir a modelagem do planejamento
mestre da produção sob a forma de um Sistema de Inferência Fuzzy no
âmbito do sistema GesPlan - Gestão do Plano Mestre de Produção
desenvolvido no escopo de um projeto FAPERRJ, através de uma
parceria firmada entre o Instituto Nacional de Tecnologia e a
COPPE/UFRJ. A aplicação foi desenvolvida inteiramente a partir do
emprego de softwares livres, funciona em plataforma web e tem como
objetivo apoiar o gestor na definição de planos mestres de produção de
uma forma mais ágil e flexível. A atividade de gerenciamento do plano
mestre corresponde a definição dos planos de produção e de estoques
considerando um dado horizonte de planejamento de médio prazo,
tendo em vista a demanda que se deseja atender e a capacidade
disponível dos recursos considerados críticos na empresa.
Palavras-chaves: planejamento da produção, planejamento mestre,
lógica fuzzy
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
2
1. Introdução
Com o aumento da competitividade, variedade e personalização dos produtos, a tarefa de
planejar a produção vem ganhando maior complexidade.
Neste contexto, o gestor precisa conciliar uma ampla gama de variáveis relativas aos seus
fornecedores, níveis de estoque, capacidade produtiva, cumprimento de prazos, e variações
na demanda, o que exige do planejador o emprego de ferramentas de apoio a decisão ágeis e
flexíveis que auxiliem nesse processo de planejamento.
Denominamos planejamento mestre da produção ao conjunto de atividades relacionadas ao
processo de converter os planos de médio prazo da companhia, em decisões de curto prazo.
Estes planos devem ser elaborados de forma a compatibilizar a demanda que pretendemos
atender com as restrições de capacidade da empresa.
Esta função faz parte da tradicional arquitetura dos Sistemas de Gestão Integrada, também
denominados sistemas ERP – Enterprise Resources Planning.
Nosso objetivo no presente artigo é apresentar as funcionalidades e a modelagem baseada na
abordagem dos Sistemas de Inferência Fuzzy (SIF) que implementamos num protótipo
desenvolvido em java, para plataforma Web e que tem como finalidade apoiar a atividade de
gerenciamento do plano mestre.
Um interessante subproduto decorrente da linha de trabalho principal, é a utilização sob a
forma de uma espécie de toolbox dos algoritmos relativos à modelagem fuzzy que
empregamos no escopo do software de apoio a decisão. Desta forma poderemos disponibilizar
com mais facilidade o mesmo ferramental para uso nos demais projetos das instituições
envolvidas na pesquisa.
Discutimos a seguir uma breve justificativa para a escolha da abordagem que empregamos,
descrevemos o histórico da pesquisa de forma a contextualizar a parceria que deu origem ao
trabalho e apresentamos muito resumidamente os principais conceitos relativos ao
desenvolvimento de Sistemas de Inferência baseados em Regras Fuzzy.
Apresentamos ainda uma visão geral do protótipo, onde detalhamos sua arquitetura e forma
de funcionamento e a partir daí abordamos as características da modelagem fuzzy empregada
em duas funções do sistema, assim como os principais aspectos relativos ao uso da biblioteca
Xfuzzy 3.0, utilizada no escopo do software.
2. Justificativa
O gerenciamento do plano mestre é uma atividade bastante complexa, que além de exigir
uma forte interação entre os diversos setores da empresa é também caracterizada pela
necessidade de conciliação de objetivos normalmente conflitantes, múltiplos e ambíguos.
Inconsistências na elaboração dos planos tem impactos muito negativos no processo produtivo
como um todo, podendo levar a redução da competitividade da empresa.
Em paralelo com a identificação da importância da execução adequada dessa atividade de
planejamento, observamos que existe uma série de críticas aos modelos clássicos e até
mesmo aos modelos mais modernos tais como: redes neurais, algorítmos genéticos ou
otimização fuzzy, que estão disponíveis na literatura para resolução do problema. Dentre as
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
3
principais críticas podemos citar: dificuldade de expressar matematicamente as metas
gerenciais; problemas para obter informação com o nível de detalhamento requerido pelos
modelos, falta de transparência e pouco entendimento do usuário em relação às técnicas
empregadas, criando desta forma resistência ao uso dos modelos(ARRUDA et al, 2006).
Devido às restrições e limitações existentes nos modelos clássicos para definição do plano
mestre e às características da atividade que estamos focando, optamos por uma modelagem
que possibilite ao gestor um instrumental de apoio ao processo de definição do plano mestre
de produção, empregando os conceitos e algoritmos oferecidos pelos modelos baseados em
regras nebulosas, de forma a derivar conclusões a partir de um conjunto de regras baseadas
na experiência do usuário. Aliado a isso, implementamos recursos que permitem ao gestor o
uso de simulações “what if” de forma similar ao que normalmente é usado na prática em seu
processo de planejamento, para avaliar o impacto dos planos de produção alternativos no
contexto fabril.
3. Referencial Teórico - Sistemas de Inferência Fuzzy
Todo instrumental usado na construção dos SIF (também chamados Sistemas Nebulosos) está
fundamentado na Teoria dos Conjuntos Fuzzy que foi formalizada primeiramente por Zadeh
(1965) e estende a Teoria dos Conjuntos Clássica de forma a permitir tratar o conceito de
verdade parcial, onde o grau de pertinência de um elemento ao seu conjunto pode assumir
qualquer valor no intervalo [0,1], ao invés de apenas 0 ou 1 como na Teoria dos Conjuntos
Clássica.
A Lógica Fuzzy por sua vez, emprega os conceitos da Teoria dos Conjuntos Fuzzy e ajuda a
modelar a forma imprecisa de raciocinar, que é uma característica intrínseca do ser humano
(ZADEH,1988).
Ainda no escopo da Teoria dos Conjuntos Fuzzy, temos o conceito das variáveis linguísticas
que são constituídas de palavras ou sentenças em linguagem natural, e usadas no lugar das
variáveis numéricas. Podemos ter, a título de exemplo, a variável linguística idade, que pode
assumir os valores ou termos linguísticos, “jovem” ou “velho”; e a variável velocidade, que
pode ser “baixa”, “média” ou “alta”.
Os termos linguísticos definidos para uma determinada variável formam a sua estrutura de
conhecimento, também denominada partição fuzzy da variável (ALMEIDA & EVSUKOFF,
2003).
Neste contexto temos os chamados Sistemas de Inferência Fuzzy que correspondem a uma
estrutura computacional que emprega os conceitos da Teoria dos Conjuntos Fuzzy, Regras
Fuzzy e um processo de inferência que deriva conclusões a partir dessas regras e de fatos
conhecidos, ao qual denominamos raciocínio aproximado (JANG et al, 1997).
4. Histórico/Contextualização
A pesquisa que ora descrevemos foi elaborada no escopo do Projeto Faperj: E-
26/110.322/2007 – “GesPlan – Desenvolvimento de um protótipo de sistema adequado ao
planejamento mestre da produção com mecanismos inteligentes de apoio a decisão” e é
resultante da experiência adquirida pela equipe no desenvolvimento e implantação de
sistemas integrados de gestão em diferentes contextos produtivos. A parceria estabelecida
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
4
entre o INT, através da Divisão de Gestão da Produção - DGEP e a COPPE, através do
Programa de Engenharia de Produção possibilitou a realização do estudo.
O Programa de Engenharia de Produção da COPPE/UFRJ tem historicamente uma
atuação destacadamente interdisciplinar e abrangente dedicada ao estudo da gerência de
sistemas no qual interagem pessoas, materiais, equipamentos e ambiente.
O outro elemento componente da rede de cooperação envolvida no projeto é o Instituto
Nacional de Tecnologia - instituição de pesquisa de caráter multidisciplinar vinculada ao
Ministério da Ciência, Tecnologia e Inovação , situado no Rio de Janeiro.
O INT conta em seus quadros, com pesquisadores que atuam nas áreas de química, tecnologia
de materiais, energia, desenho industrial e gestão da produção. Esta última, sob a
responsabilidade da DGEP, cuja missão é contribuir para a melhoria da produtividade e
qualidade das empresas e instituições públicas através da disseminação das modernas
tecnologias de gestão da produção e serviços.
5. Metodologia
Conforme Silva(2005), em relação a sua natureza podemos classificar este trabalho como
sendo pesquisa aplicada, pois objetiva gerar conhecimentos para aplicação prática e dirigidos
à solução de problemas específicos, envolvendo verdades e interesses locais. Do ponto de
vista de seus objetivos, é uma pesquisa exploratória, pois visa proporcionar maior
familiaridade com o problema com vistas a torná-lo explícito ou a construir hipóteses,
envolvendo levantamento bibliográfico ou análise de exemplos que estimulem a compreensão
do problema.
Além da pesquisa bibliográfica, com o intuito de identificar a viabilidade da utilização da
modelagem proposta, tanto em termos computacionais como em relação ao aspecto de
modelagem do processo de planejamento propriamente dito, implementamos inicialmente
sob a forma de simuladores, os algoritmos necessários para a resolução do problema com o
auxílio da toolbox Fuzzy do MatLab
(ARRUDA et al., 2007). Dessa forma poderíamos
vivenciar as questões relativas à formulação desejada e avaliar melhor sua adequação, numa
abordagem do tipo “prototipagem rápida”.
Como referencial para a construção dos simuladores, partimos da experiência no processo de
gestão do plano mestre adquirida no segmento de confecção. Elaboramos para isso alguns
cenários que permitissem contextualizar e avaliar a utilização dos simuladores.
Neste primeiro estágio dos trabalhos observamos que apesar da série de recursos que oferece,
um sério inconveniente do uso do MatLab
é seu alto custo, o que inviabilizaria a sua
utilização em muitos casos.
Levando esse fato em consideração, numa etapa posterior da pesquisa, implementamos esta
proposta de modelagem baseada em lógica fuzzy, indepedentente de um software proprietário,
no escopo de um Sistema de Gestão Integrada convencional voltado para a atividade de
planejamento mestre, desenvolvido inteiramente em uma linguagem de programação de alto
nível adequada a este fim.
Descrevemos ao longo do presente artigo as características deste software e da modelagem
baseada em SIFs que empregamos em seu desenvolvimento.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
5
6. Visão Geral do Sistema GesPlan
O protótipo funciona em plataforma Web a partir de um servidor de aplicações Apache
Tomcat e foi desenvolvido em java. É constituído de 8 módulos com 130 telas
aproximadamente, e tem como principal foco a atividade de definição e avaliação de planos
mestres de produção alternativos.
A modelagem do sistema GesPlan tem como pano de fundo o setor de confecções,
aproveitando a experiência de atuação de mais de vinte anos do INT neste segmento.
Considerando isto os módulos do sistema são organizados conforme a figura 1.
Ilustração 1 - Estrutura de Módulos do Sistema GesPlan
Em linhas gerais o sistema tem a seguinte forma de funcionamento:
Uma vez cadastrados os produtos acabados, os recursos produtivos relevantes, o horizonte de
planejamento que será foco do processo de planejamento e as vendas/pedidos, o usuário pode
cadastrar diversos planos de produção alternativos para cada produto. Estes planos são
definidos ao longo de um horizonte de planejamento móvel, partindo de um plano de
produção vigente quando for o caso.
Na inclusão do plano, o sistema gera os valores relativos às variáveis de produção e níveis de
estoque empregando a equação de conservação de estoques que discutiremos adiante (vide
equação 1). Outra possibilidade é o emprego de uma modelagem baseada em SIF para
geração de planos de produção alternativos, empregando uma base de regras fuzzy definida a
priori no Módulo de Engenharia de Conhecimento.
Numa nova etapa, através de simulações “what if”, o gestor pode então experimentar e
comparar os diversos planos para avaliar quais se enquadram melhor nos critérios definidos.
Uma vez definidos os planos de produção para cada produto o conjunto destes planos é
tornado o plano vigente para aquele horizonte de planejamento determinado e um novo ciclo
de planejamento se inicia.
Um conjunto de atividades do sistema se refere ao processo de definição dos aspectos
relativos à modelagem fuzzy, ou seja, definição das variáveis linguísticas, das bases de regras,
operadores fuzzy, e demais procedimentos de inferência fuzzy relativos à geração de planos
segundo diferentes estratégias e à avaliação de planos alternativos segundo critérios
estabelecidos.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
6
Na figura abaixo esquematizamos a arquitetura em camadas implementada no escopo do
sistema GesPlan que permite uma visão geral do conjunto de tecnologias e frameworks para
desenvolvimento web combinadas no protótipo. Uma discussão detalhada dessas tecnologias
e da organização e estrutura do protótipo podem sem encontradas em Fernandes et al(2011).
Ilustração 2 -Arquitetura em camadas - Sistema GesPlan (Fernandes et al,2011)
7. Modelagem fuzzy no escopo do sistema GesPlan
Em nosso sistema utilizamos a abordagem baseada em Sistemas de Inferência Fuzzy para
implementar duas funcionalidades diferentes:
Na inclusão de um plano mestre no cadastro de planos mestres alternativos;
Na avaliação de planos mestre de produção alternativos segundo critérios
estabelecidos.
Independente de qual o objetivo da modelagem fuzzy utilizada, o usuário deve tê-la
cadastrado anteriormente no Módulo de Engenharia de Conhecimento antes de poder usá-la
no escopo do sistema.
Dentre as ferramentas disponibilizadas para trabalhar com lógica fuzzy optamos pela
utilização do Xfuzzy 3.0, que é um ambiente de desenvolvimento baseado em SIFs. Este é
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
7
um Software Livre desenvolvido pelo Instituto de Microeletrônica de Sevilha e composto de
várias ferramentas gráficas que abrangem as diferentes etapas do processo de concepção de
um sistema fuzzy, desde a sua descrição inicial até a execução final. Suas principais
características são a capacidade de desenvolvimento de sistemas complexos e a flexibilidade
de extensão das funções disponíveis. O ambiente foi totalmente programado em Java para que
ele possa ser executado em qualquer plataforma com JRE - Java Runtime Environment.
A especificação dos sistemas nebulosos no Xfuzzy divide a descrição de um sistema fuzzy
em duas partes: a definição lógica da estrutura do sistema, contida em arquivos com a
extensão “.xfl” e a definição matemática das funções fuzzy, que está contida em arquivos
com a extensão “.pkg”.
Maiores detalhes sobre a ferramenta podem ser obtidos em IMSE-CNM(2003) ou Arbex et al
(2011).
Foram necessárias alterações na versão original da biblioteca Xfuzzy para permitir seu
funcionamento no escopo do aplicativo GesPlan, pois para usá-la o desenvolvedor deveria
trabalhar “importando” para o projeto os arquivos “.java” relativos a uma modelagem
específica gerada anteriormente na ferramenta Xfuzzy. Em nosso caso precisamos trabalhar
com modelagens fuzzy alternativas, para dar maior flexibilidade ao usuário, o que
inviabilizaria o uso da biblioteca conforme seu projeto original, pois a seleção do arquivo de
modelagem que usamos é feito durante a execução do aplicativo, não permitindo portanto que
“incorporássemos” novos arquivos “.java” ao fonte do sistema em tempo de execução.
Para atender as especificidades de nosso projeto, incorporamos ao sistema todos os arquivos
fonte em Java dos algoritmos fuzzy disponibilizados no ambiente Xfuzzy e seus métodos são
executados diretamente a partir das funções em que são necessários (ou seja, na geração do
plano mestre, em sua avaliação e no cadastro de modelagens alternativas).
Vale destacar que existem dois momentos distintos em nosso sistema - primeiramente
executamos o ambiente desktop Xfuzzy 3.0 para construir a modelagem fuzzy desejada, e
uma vez feito isso, podemos incluir no sistema GesPlan essa modelagem que fica armazenada
num arquivo com extensão “.xfl” . Depois de feito “upload” do arquivo “.xfl”, este fica
disponível no servidor de aplicações para uso no “Cadastro de Modelagens Fuzzy” do
Módulo de Engenharia do Conhecimento. A partir deste cadastro o usuário pode visualizar
os detalhes da modelagem, tais como as varíaveis linguísticas, gráfico das funções de
pertinência, operadores usados e regras fuzzy e pode usar a modelagem nas funções de
geração do plano ou de análise.
Nosso objetivo, em relação às duas funcionalidades em que utilizamos a abordagem baseada
em lógica fuzzy, foi o de reproduzir a estratégia usada pelo gestor, sob a forma de regras
fuzzy, para modelar o processo de geração de planos e de avaliação dos mesmos.
Tendo em vista sua maior transparência e possibilidade de retratar o processo decisório usado
pelo proprio gestor, optamos pelo emprego de regras do tipo Mandani e na construção das
bases de regras empregamos o método intuitivo considerando a experiência adquirida pelos
autores no desenvolvimento de sistemas integrados de gestão.
7. 1. Uso de SIF na geração do Plano Mestre
No processo de modelagem levamos em consideração o fato de que a estrutura de produção
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
8
da empresa influencia significativamente o tipo de estratégia empregada na formulação do
plano mestre de produção, isto porque, optar por uma determinada estratégia no
gerenciamento do plano, implica em decidir primeiramente a política de estoques que será
praticada.
Dentre as políticas de estoque pelas quais o gestor pode optar, podemos destacar a estratégia
de acompanhamento da demanda, que propõe que as quantidades produzidas sejam
ajustadas de forma a seguir as necessidades do mercado. Uma descrição mais detalhada
destas e outras políticas pode ser encontrada em Slack et al. (2002, p. 354).
Implementamos no simulador a política de acompanhamento da demanda, tendo como base
o raciocínio implícito na equação algébrica para geração do plano mestre, que apresenta uma
formulação bastante intuitiva, onde temos:
DispProjetadat = DispProjetadat-1 + Produçãot - Max (PVt – Pedidost) (1)
sendo:
DispProjetadat = disponibilidade projetada ao fim do período t;
Produçãot = quantidade programada para recebimento no período t;
PVt = vendas projetadas no período;
Pedidost = pedidos em carteira no período t.
Na equação básica do planejamento mestre relacionamos estoques, produção e demanda
defasados ao longo do horizonte de planejamento.
Usamos em nossa formulação do mecanismo de inferência fuzzy um desdobramento desse
procedimento, porém ao invés de trabalhar com o nível de estoque no período anterior
definido em número de peças (disponibilidade projetada), substituímos este pela Variação
Percentual entre o estoque em peças desejado, e o estoque efetivamente projetado no plano
para o período anterior. Outra diferença em relação a equação de conservação de estoques
explicitada em (1) se deve ao emprego de um nível de estoque de segurança desejado,
variável a cada período. Em Pontes et al(2011) discutimos passo a passo a definição da
modelagem empregada aqui.
Considerando o exposto, definimos então as variáveis linguísticas, e suas respectivas partições
nebulosas, e após um processo de depurações sucessivas chegamos a um algoritmo
estruturado sob a forma de 81 regras do tipo Mandani, sendo:
Produção t = f ( DemandaMáxima t , Variação%Estq t-1 )
Temos a seguir o exemplo de uma das regras em sua forma literal:
Se DemandaMaxt é Alta e VariaçãoEstq% t-1 é Nula então P t deve ser Alta
Devido à sua simplicidade e eficiência computacional, empregamos funções triangulares e
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
9
trapezoidais para a definição das partições nebulosas das variáveis linguísticas envolvidas na
formulação. Na figura 3 podemos visualizar uma tela do sistema com a partição fuzzy da
variável linguística relativa a demanda e seus respectivos termos linguísticos.
A combinação que apresentou melhores resultados quanto ao mecanismo de inferência,
emprega o operador fuzzy de mínimo na etapa de avaliação das regras e de soma limitada
para a etapa de agregação das mesmas. Na figura 4 exibimos a tela com a superfície
resultante da relação definida pelas variáveis com a base de regras e o mecanismo de
inferência modelado.
Ilustração 3 - Tela com funções de pertinência da variável linguística Demanda Máxima por período
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
10
Ilustração 4 – Tela com superfície resultante da relação entre variáveis, base de regras e mecanismo de
inferência
Na etapa de defuzzificação usamos o método do centróide, que possui dentre outras
vantagens, o fato de evitar que ocorram mudanças bruscas nas variáveis de saída a partir de
pequenas mudanças nos dados de entrada, o que atende as necessidades do problema tratado
(COX, 1994, p.396).
Uma representação esquemática da modelagem implementada para a funcionalidade relativa à
geração do plano mestre no âmbito do sistema GesPlan, pode ser vista na figura abaixo.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
11
Ilustração 5 - Estrutura do SIF para geração do plano mestre (adaptado de Pontes et al, 2011, p. 28)
7. 2. Uso de SIF na avaliação de planos alternativos
Outra funcionalidade do sistema GesPlan que emprega a abordagem baseada em SIFs é a
atividade de avaliar planos mestres alternativos.
A atividade de selecionar/avaliar dentre os diversos planos qual aquele que mais se encaixa
nos critérios desejados, é um trabalho meticuloso e lento, devido ao volume de dados
envolvidos. Para modelar essa questão nos baseamos em nossa observação do processo de
decisão dos gestores no contexto produtivo. Ou seja, estabelecemos sob a forma de regras a
estratégia de decisão que observamos na prática sobre a adequação ou não de um determinado
plano, em relação aos objetivos que pretendemos atingir.
Na atual versão do protótipo focalizamos a atenção no critério de atendimento à política de
estoques, mas este tipo de modelagem baseada em regras, permite a inclusão de critérios
subjetivos específicos de cada contexto, e neste caso sua utilidade é ainda maior.
Implementamos uma modelagem que permite a avaliação do nível de estoque para cada
período do plano sugerido, observando se atende ou não aos critérios estabelecidos.
Optamos por fazer essa avaliação empregando também regras nebulosas, pois durante a
prática de gestão notamos que o próprio estabelecimento dos critérios é feito de forma vaga e
imprecisa tornando bastante adequado o ferramental da lógica fuzzy.
Temos como variável de entrada a “Variação%Estq” dentro do mesmo intervalo da
modelagem que usamos para gerar o plano mestre (vide figura 5), e em função dela
determinamos um valor de escore para o nível de estoque sugerido a cada período pelo
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
12
simulador, ou seja:
PoliticaEstoque t = f (Variação%Estq t )
Definimos a variável PolíticaEstoquet para funcionar como uma nota, variando num
intervalo de 0 a 100 e estabelecemos seus termos linguísticos considerando os diferentes
níveis de atendimento aos critérios desejados. Na figura 6 podemos visualizar a tela com a
partição nebulosa da variável de saída.
Ilustração 6 - Partição nebulosa da variável PoliticaEstoque t para avaliação de planos
Para determinar o escore do plano do modelo como um todo, calculamos então a média dos
escores obtidos para cada período conforme estabelecido em (2).
Escore do Plano do Modelo = ∑ PolíticaEstoque t / n , para t = 1,n (2)
Da mesma forma que na formulação das regras relativas à geração do plano mestre,
experimentamos mais de uma combinação de termos e operadores nebulosos para a análise
dos planos, e o conjunto que retratou melhor o procedimento de avaliação dos planos
corresponde as 9 regras descritas na figura 7, associadas aos operadores de mínimo e soma-
limitada, para as etapas de avaliação e de agregação das regras respectivamente.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
13
Ilustração 7 - Esquema da modelagem de avaliação de estoques empregando SIF (Pontes et al, 2011, p. 67)
8. Considerações Finais
O protótipo resultante da pesquisa, além de permitir ao gestor maior agilidade e flexibilidade
no processo de planejamento, possibilita incorporar a imprecisão e subjetividade inerentes ao
problema. Utilizamos para isso, o arcabouço teórico disponibilizado pela abordagem baseada
em Sistemas de Inferência Fuzzy, que é bastante adequado à modelagem de problemas
imprecisos, conflitantes e com aspectos subjetivos como é o nosso caso. Adicionalmente
combinamos essa modelagem com a utilização de simulações “what if” no estilo das planilhas
eletrônicas com as quais o gestor já está familiarizado.
Tivemos como um resultado adicional interessante a utilização, sob a forma de uma biblioteca
em Java, dos algoritmos relativos à modelagem fuzzy incorporando exclusivamente recursos
de softwares de código aberto, independente de uma solução proprietária, a partir da
adaptação de uma parcela das classes Java contidas no ambiente de desenvolvimento Xfuzzy
3.0.
No processo de desenvolvimento do sistema GesPlan empregamos o estado d’arte em termos
de desenvolvimento web, com a adoção de uma série de tecnologias combinadas e chegamos
a uma solução inteiramente desenvolvida a partir do emprego de softwares livres.
Esta solução pode ser usada no processo de planejamento mestre propriamente dito ou como
instrumento didático para disseminar a modelagem de problemas empregando a lógica fuzzy,
como aliás já estamos fazendo. Adicionalmente podemos aproveitar a infraestrutura
elaborada para uso dos algoritmos fuzzy neste projeto em outros desenvolvimentos das
instituições parceiras.
XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.
14
Referências
ALMEIDA, P.E.M. E EVSUKOFF, A.G., “Sistemas Fuzzy”: in Rezende, S.O. (organizadora), Sistemas
Inteligentes–Fundamentos e Aplicações. SP: Manole, 2003, 525 p.
ARBEX,M.A., ARRUDA,D.M., PONTES,R.M., PONTES,F.A. ,ARAUJO,A. M.B. Xfuzzy 3.0 Manual –
Versão em portugues. Nota Técnica – INT, Fev. 2011, 45 P.
ARRUDA, D.M, COSENZA,C.A.N., MARTINS,R.C. & PONTES, R.M., Estado d’arte no planejamento
mestre e no planejamento agregado da produção. In: III Simpósio de Excelência em Gestão e Tecnologia -
SeGeT, Anais eletrônicos, Resende, RJ: AEDB, p. 1-12, 2006, CD-ROM.
ARRUDA, D. M, COSENZA,C.A.N. MARTINS, R.C. & PONTES, R.M., “Proposta de um sistema de
inferência nebulosa para geração e avaliação de planos de produção alternativos.” In: XXVII ENEGEP, Anais
eletrônicos, Foz do Iguaçu, PR: ABEPRO, p. 1-9, 2007, CD-ROM.
COX, E., The Fuzzy Systems Handbook, a Practitioner’s Guide to Building, Using, and Maintaining Fuzzy
Systems. USA: Academic Press, 1994. 626 p.
FERNANDES, E., ARRUDA, D.M, COSENZA,C.A.N., FERNANDES,C.A.O. & PONTES, R.M.,
Relatório Final - Projeto GesPlan: E-26/110.322/2007. Nota Técnica – INT, 2011, 71 p.
JANG, J. R., SUN, C. e MIZUTANI, E. Neuro-Fuzzy and Soft Computing: A Computacional Approach to
Learning and Machine Intelligence. USA: Prentice-Hall. Inc., 607 p., 1997.
IMSE-CNM , XFuzzy. Fuzzy Logic Design Tools, Espanha – Sevilha: IMSE, 2003, 54 p. disponível em:<
http://www2.imse-cnm.csic.es/Xfuzzy/Xfuzzy_3.0/Xfuzzy3.0_en.pdf>. Acesso em 15 fev. 2011.
PONTES,F.A., ARRUDA,D.M., SILVA,P.P.L., PONTES,R.M., Uso de Lógica Fuzzy no Planejamento
Mestre da Produção. Nota Técnica – INT, ago. 2011, 134 p.
SILVA, E. L.; MENEZES, E. M. Metodologia da pesquisa e elaboração de dissertação. Florianópolis: UFSC,
2005.
SLACK, N., CHAMBERS, S. e JOHNSTON, R. Administração da Produção, 2ª edição, Trad. Maria Teresa
Corrêa de Oliveira e Fábio Alher. São Paulo: Ed. Atlas S.A., 747 p. Tradução de: Operations Management.,
2002.
ZADEH, L.A. Fuzzy sets. Information and Control , Vol. 8, p. 338-353, 1965.
____________ Fuzzy Logic , IEEE Computer Mac., p. 83-93, abr. 1988.