Öz-duyarlık Alanında Yapılan Araştırmalar

KIM e LEE (1993) realizaram vários estudos sobre utilização de RNA para melhorar o desempenho de regras de prioridade (heurísticas) em máquina única e em máquinas paralelas. O desempenho das heurísticas que utilizavam a abordagem por RNA foi superior ao das heurísticas puras.

TOURE et al. (1993) analisaram a capacidade de aplicação de redes Hopfield, Kohonen e Perceptron de Múltiplas Camadas (MLP) em Sistemas Flexíveis de Manufatura - FMS. O objetivo era comparar o desempenho de seis regras de prioridade frente ao critério de minimização do atraso das tarefas. Os resultados gerados pela rede foram superiores aqueles obtidos pela aplicação direta das regras de prioridade.

WATANABE et al. (1993) propuseram uma melhoria numa rede neural back propagation para estimação da folga dinâmica de uma tarefa (tempo até a data de entrega menos o tempo de processamento remanescente), em ambiente job-shop. As medidas de desempenho relacionadas ao atraso médio e máximo foram coletadas na saída da rede. O índice de confiabilidade dessas medidas foi calculado através da adição de uma segunda rede neural em seqüência. Com esta segunda rede houve melhoria de até 14% no atraso máximo das tarefas.

A metodologia de que uma rede neural de múltiplas camadas - MLP - poderia ser usada como a função inversa de um sistema de simulação foi sugerida por CHRYSSOLOURIS et. al. (1990). A simulação foi utilizada para determinar medidas de desempenho, dada a configuração do sistema e certas estratégias de controle. Neste estudo a rede neural foi treinada para aprender a função inversa da simulação, ou seja, estimar parâmetros do sistema a partir das medidas de desempenho fornecidas. Os resultados mostraram que a RNA poderia ser utilizada como uma ferramenta para o projeto de um sistema de manufatura, e poderia reduzir os erros das rodadas de simulação.

LIU e DONG (1996) propuseram um algoritmo para programação da produção em ambiente job-shop que consiste de três estágios:

• simulação com o objetivo de avaliar a eficiência de regras de prioridade

em diferentes situações de programação;

• utilização dos resultados da simulação para treinar a rede neural com o

objetivo de adquirir conhecimento para selecionar a regra mais eficiente para cada situação de programação;

• utilização da rede treinada como seletor de regras de prioridade num

sistema de programação em tempo real.

O sistema é composto por cinco máquinas pelas quais são processadas cinco tipos de peças. As peças chegam aleatoriamente em lotes. As peças de um lote possuem a mesma data de entrega. O tamanho do lote, o número

de operações por tipo de peça e o tempo de processamento variam segundo uma distribuição uniforme. As tarefas são designadas às máquinas segundo regras de prioridade. Para cada situação de programação são avaliadas as regras SPT, LPT(é selecionada da fila a peça com maior tempo de processamento), FCFS (a primeira peça a entrar no sistema é a primeira a sair), LCFC (a última peça a entrar no sistema é a primeira a sair), EDD, LDD (a peça com data de entrega mais longe é seqüenciada primeiro) e CR (razão crítica entre o tempo disponível e o tempo de processamento remanescente). As medidas de desempenho coletadas ao final da simulação são: tempo médio de permanência no sistema, utilização da máquina e espera média para cada máquina.

As medidas de desempenho obtidas pela melhor regra de prioridade em cada situação de programação foram utilizadas para treinar a rede neural. A rede utilizada foi do tipo Perceptron de Múltiplas Camadas (MLP) com algoritmo back propagation. Os resultados da RNA (regras de prioridade recomendadas) foram comparados aos das regras utilizadas no simulador. Esses resultados mostraram que em 70% dos casos as regras fornecidas pela rede foram mais efetivas que as do simulador. Esse trabalho apresentou o potencial de utilização de redes neurais artificiais como seletor de regras de prioridade.

CHEN e YIH (1996) propuseram a utilização de redes neurais para selecionar atributos essenciais de um FMS. Atributos são características usadas para representar um sistema. Entre os vinte atributos analisados estão: estoque em processo, utilização média das máquinas, atraso médio das tarefas. Primeiramente foi realizada a simulação com o objetivo de coletar dados contendo a relação entre as medidas de desempenho e os atributos sob várias regras de prioridade. Foram analisadas seis medidas de desempenho, entre elas: atraso médio, makespan (duração total da programação), tempo médio de permanência no sistema. Foram testadas nove regras de prioridade, entre elas: SPT, FIFO, EDD, SLACK.

O FMS era composto por quatro centros de usinagem, uma máquina de lavar, um guindaste e área para estocagem. Cada centro de usinagem possuía seu próprio buffer (local de espera) de entrada e de saída com capacidade de uma peça. Esse sistema era capaz de processar quarenta diferentes operações e cada operação podia ser feita em exatamente dois centros diferentes. Como o transporte das peças era feito pelo guindaste, os pontos de decisão eram definidos quando o guindaste estivesse livre.

Para cada regra foram feitas várias rodadas de simulação e ao final foram coletados os valores das medidas de desempenho e a variabilidade dos atributos. Foram desenvolvidas várias redes neurais (uma para cada regra) com o objetivo de mapear as relações entre as medidas de desempenho e os valores dos atributos. A rede utilizada foi a Perceptron de Múltiplas Camadas, com o algoritmo back propagation para o treinamento. Foram testadas várias topologias de rede e o desempenho de cada uma foi medido através do cálculo do erro. As topologias com menor erro foram escolhidas para a seleção dos atributos. Os resultados mostraram que a habilidade de generalização da rede neural depende de quais atributos são usados.

SUN e YIH (1996) propuseram um sistema de controle baseado em redes neurais para adaptar diferentes estratégias de programação em uma célula de manufatura. O sistema de controle é constituído por um módulo de ajuste e por um equipamento de controle para cada máquina da célula e para um robô. O módulo de ajuste determina a importância relativa de cada medida de desempenho em cada ponto de decisão. O equipamento de controle, implementado por uma rede neural back propagation, é alimentado pelo módulo de ajuste, e determina a regra de prioridade baseado no seu status e nos níveis de importância relativa.

A célula é composta por cinco máquinas e um robô para o transporte. Existe um buffer de entrada e de saída com capacidade limitada em cada máquina, e um buffer de entrada no sistema. Quando uma peça chega, espera no buffer de entrada do sistema e requisita o robô para o

transporte. O robô leva a peça para o seu destino. Não é permitida interrupção nesse transporte. Depois de visitar cada máquina de acordo com seu roteiro, a peça deixa a célula e as medidas de desempenho são coletadas, como: tempo de ciclo, tempo de espera médio, atraso médio e taxa de tarefas atrasadas. São investigadas regras de prioridade para as máquinas e para o robô. As regras associadas às máquinas selecionam uma peça do buffer de entrada, entre elas, SPT, EDD, FIFO, SLACK, STT. As regras associadas ao robô selecionam a próxima peça quando o robô se torna ocioso. Entre as regras do robô estão: SDIST (seleciona a tarefa com menor tempo de transporte), NEARQ (seleciona a tarefa que estiver na fila mais próxima).

As entradas de cada rede são a importância relativa das medidas de desempenho e características do estado atual como tamanho da fila, setup, tempo de folga. As saídas das redes são notas para cada regra de prioridade. Pelos resultados obtidos concluiu-se que não existe uma única regra que satisfaça simultaneamente todas as medidas de desempenho. Isso provou a capacidade de adaptação do sistema de controle em ambiente multicritério, e de resposta a mudanças de objetivos.

SAAD (1996) propôs um modelo híbrido de simulação de sistemas com redes neurais artificiais cujo objetivo era testar a capacidade do modelo em realizar a diferenciação entre um dado conjunto de regras de um sistema de produção intermitente, de modo a operar num nível de desempenho preestabelecido.

O sistema era formado por cinco máquinas onde eram processados três tipos de peças, A, B e C. As peças A eram consideradas lentas (possuíam maior tempo de processamento), as peças B médias e as C rápidas. Apesar de cada peça possuir um roteiro de fabricação próprio, a primeira operação sempre era realizada em M1 e a última em M5. Com o objetivo de caracterizar três níveis de carga (alta, média e baixa) variou-se a porcentagem de cada tipo de peça no conjunto de ordens a serem

simuladas. Cada simulação consistia da passagem de 90 peças pelo sistema, com chegada estática.

As regras analisadas foram: SPT, EDD, FIFO, SLACK, MFSE (seleciona da fila a peça com menor fila na próxima máquina). A cada passagem das peças pelo sistema foram coletadas três medidas de desempenho: makespan, estoque médio em processo e tempo total de atraso.

As regras foram atribuídas individualmente a cada máquina, de modo aleatório. Foram simuladas 1% de todas as combinações possíveis de regras às máquinas. As medidas de desempenho coletadas do simulador foram as entradas da rede neural. A RNA utilizada foi a Perceptron de Múltiplas Camadas, com algoritmo de treinamento back propagation. Foram analisadas várias topologias de rede com variação dos parâmetros como: número de camadas escondidas, taxa de aprendizagem, termo de momento. As saídas da rede (regras de prioridade recomendadas) foram validadas no simulador, ou seja, as regras recomendadas pela rede foram atribuídas às máquinas e as medidas de desempenho obtidas foram comparadas às desejadas. Um resultado satisfatório significa que a RNA prescreveu bem as regras de prioridade às máquinas.