Resumo |
Dentro de um mercado cada vez mais competitivo e informatizado, tornou-se não só um diferencial, mas uma necessidade das empresas atuais, a busca pela satisfação dos clientes aliado a busca de preços mais justos para o consumidor final. Uma das estratégias que as companhias têm implementado desde o surgimento do Sistema Toyota de Produção e de metodologias como Seis Sigma é a redução do tempo e custos em toda a cadeia produtiva. Essa estratégia, que garante uma grande vantagem competitiva, está diretamente ligada a melhorias de processos e implementação de tecnologias mais eficientes, como a Inteligência Artificial (IA). A aplicação da inteligência artificial (IA) possibilita a identificação de padrões, criando soluções ótimas e modelos cada vez melhores e mais exatos. Nesse cenário, dentro das indústrias manufatureiras, é notório que um dos fatores mais críticos para perda de produtividade e consequente impacto nos lucros da empresa são as manutenções e quebras de máquinas. Dado a criticidade desse fator e da atual revolução tecnológica que o mundo vem passando, o presente estudo propõe um algoritmo de machine learning com base em dados históricos para prever a quebra de docas usadas em centro de Cross Dockings e utiliza essa informação como entrada para um framework de Cross Docking (CDC). Vale ressaltar que CDC é o conceito de logística que abrange o recebimento das mercadorias em um terminal inicial através dos caminhões de entrada e essas mercadorias são movidas diretamente para serem carregadas nos caminhões de saída no terminal de saída. Com esses resultados é possível definir a melhor estratégia de atuação no problema de sequenciamento de caminhões num centro de CDC. Sendo estas estratégias a proativa, em que antes da quebra há a parada do CDC para a manutenção, a corretiva, em que a manutenção ocorre após a quebra da máquina, e corretiva com prioridade, em que é estabelecido uma ordem de prioridade com base nas máquinas que possuem maiores chances de quebra. |