Energy-Aware Integrated Proactive Maintenance Planning and Production Scheduling

Título

Planejamento Integrado de Manutenção Proativa e Programação de Produção Consciente de Energia

1. Problema e Motivação

O setor de manufatura consome cerca de 30% da energia global, sendo que o custo da eletricidade representa aproximadamente 40% dos custos de produção primária. Programas de gestão de energia do lado da demanda (DSM), como o Preço em Tempo Real (RTP), permitem que os fabricantes reduzam custos deslocando a produção para horários de preços baixos.

No entanto, a implementação dessa estratégia enfrenta um desafio crítico: a degradação das máquinas.

• O Dilema: Máquinas degradadas têm capacidade de processamento reduzida e consomem mais energia. A Manutenção Proativa (PM) restaura a saúde da máquina, mas exige tempo de inatividade (downtime).
• O Trade-off: Agendar a manutenção durante horários de baixo preço de energia sacrifica oportunidades de produção econômica. Adiar a manutenção leva a perdas de capacidade e maior consumo energético, corroendo as economias do RTP.
• Limitação da Literatura Existente: A maioria dos estudos trata o agendamento de RTP e o planejamento de manutenção como problemas desacoplados ou assume que a saúde da máquina é estática, ignorando a relação bidirecional entre a produção (que causa desgaste) e a manutenção (que restaura a eficiência).

2. Metodologia Proposta

Os autores propõem um framework de controle hierárquico de dois níveis que otimiza conjuntamente o planejamento de PM e a programação de produção em tempo real, considerando a degradação da máquina e os preços RTP.

A. Modelagem do Sistema

• Rede de Manufatura: Modelada como um espaço de estados discreto, descrevendo o fluxo de materiais entre buffers e máquinas.
• Degradação da Máquina: Um modelo linear onde a saúde ($h$) diminui com o uso (taxa de degradação $b_j$) e aumenta com a manutenção (taxa de restauração $w_j$).
• Relação Saúde-Desempenho:
  • Capacidade: A capacidade efetiva diminui linearmente conforme a saúde cai.
  • Energia: O consumo de energia por unidade aumenta linearmente conforme a saúde cai.
• Restrições: Limites de capacidade de buffers, janelas de tempo para manutenção (ex: horário comercial), disponibilidade de equipes e metas de entrega.

B. Arquitetura de Controle Hierárquico

O framework opera em duas camadas temporais distintas:

1. Nível Superior (Planejamento Offline de PM):

   • Objetivo: Determinar um plano de manutenção proativa para o dia seguinte (horizonte de 24h) minimizando custos totais operacionais.
   • Abordagem: Formulação de um problema de otimização bi-nível. O objetivo é minimizar o custo de manutenção e o custo de energia estimado (baseado no RTP previsto, $RTP_{est}$).
   • Mecanismo: Utiliza o nível inferior como um subproblema embutido para avaliar a viabilidade e o custo de produção de cada plano candidato de manutenção.
   • Solução: Utiliza Decomposição de Benders Generalizada (GBD) para resolver o problema misto-inteiro linear (MILP) bi-nível. O algoritmo alterna entre um problema mestre (que propõe planos de PM) e um subproblema (o MPC de nível inferior) para gerar cortes de otimalidade.

2. Nível Inferior (Programação de Produção em Tempo Real - MPC):

   • Objetivo: Executar o agendamento de produção hora a hora (horizonte de 1h) minimizando custos de energia sob o RTP real ($RTP_{act}$), respeitando as restrições de saúde e o plano de PM definido pelo nível superior.
   • Abordagem: Model Predictive Control (MPC) em malha fechada.
   • Tratamento de Não Linearidade: O termo de energia é bilinear (saúde $\times$ taxa de produção). Para manter o problema convexo, utiliza-se o relaxamento de McCormick (envelopes convexos) para linearizar a interação entre saúde e consumo de energia.
   • Feedback: O nível inferior fornece feedback sobre o custo operacional real para o nível superior através da estrutura de otimização bi-nível, embora o plano de PM diário não seja reotimizado em tempo real (para evitar custos operacionais de reagendamento de equipes e ferramentas).

3. Contribuições Principais

1. Modelo Unificado de Espaço de Estados: Integra dinâmicas de buffer/máquina, evolução da saúde e uso de energia em um único modelo matemático.
2. Framework de Controle Bi-nível: Uma estrutura inovadora que coordena o planejamento de longo prazo (manutenção) com o controle de curto prazo (produção), capturando as interações complexas entre degradação, energia e custos.
3. Validação Empírica: Demonstração prática através de um estudo de caso em uma linha de montagem de baterias de íon-lítio, provando a eficácia da abordagem em reduzir custos e manter a confiabilidade.

4. Resultados do Estudo de Caso

O framework foi testado em uma linha de montagem de baterias de íon-lítio (7 máquinas, 6 buffers) simulando 5 dias (120 horas) com dados reais de RTP da região de Chicago (PJM).

• Comparação: O método proposto foi comparado com um controlador de base (baseline) que usa um plano de manutenção fixo e calibrado (ex: 1 hora diária em máquinas específicas, independentemente do preço ou estado da máquina).
• Desempenho Econômico:
  • Redução de Custo Total: Otimização de 23,70% no custo operacional total.
  • Redução de Custo de Manutenção: 35% (devido à redução do tempo de manutenção de 20 para 13 horas).
  • Redução de Custo de Energia: 5,38%, alcançada ao deslocar a manutenção para horários de pico de preço, liberando horários de baixo preço para a produção.
  • Custo por Unidade: Redução de 5,41%.
• Desempenho Operacional:
  • Saúde da Máquina: Aumento de 3,45% na saúde média do sistema, indicando melhor gestão de degradação.
  • Entrega: Ambos os métodos atenderam às metas de produção diária, mas o framework proposto mostrou um perfil de produção mais suave e recuperação mais rápida após a manutenção.
• Viabilidade Computacional: O tempo de solução para o planejamento diário foi de ~1,22 segundos e a decisão horária do MPC levou ~0,25 segundos, confirmando a viabilidade para implementação online.

5. Significado e Conclusão

Este trabalho preenche uma lacuna crítica na literatura ao integrar a gestão de saúde de equipamentos com a gestão de energia dinâmica. A principal contribuição é demonstrar que a manutenção não deve ser vista apenas como uma necessidade de confiabilidade, mas como uma variável de controle estratégica que pode ser sincronizada com os preços de energia para maximizar a eficiência econômica.

Ao agendar a manutenção durante horários de preços altos (quando a produção é menos lucrativa) e restaurar a saúde das máquinas antes de picos de demanda ou degradação severa, os fabricantes podem alcançar economias significativas sem comprometer a entrega de pedidos. O estudo sugere que futuros trabalhos devem incorporar degradação estocástica e métricas de sustentabilidade adicionais (como emissões de carbono) para refinar ainda mais a robustez do sistema.