Optimal decomposition of desegn structure matrices into modules using genetic algorithms

Authors

  • Guilherme Augusto Capellari da Silva Universidade do Vale do Rio dos Sinos (UNISINOS), São Leopoldo, RS, Brasil. https://orcid.org/0000-0001-7005-693X
  • Leandro Gauss Universidade do Vale do Rio dos Sinos (UNISINOS), São Leopoldo, RS, Brasil. https://orcid.org/0000-0001-5708-5912
  • Fabio Antônio Sartori Piran Universidade do Vale do Rio dos Sinos (UNISINOS), São Leopoldo, RS, Brasil.
  • Daniel Pacheco Lacerda Universidade do Vale do Rio dos Sinos (UNISINOS), São Leopoldo, RS, Brasil. https://orcid.org/0000-0002-8011-3376

DOI:

https://doi.org/10.14488/1676-1901.v24i1.4886

Keywords:

Optimization, Modularity metrics, Design structure matrices, Product design in modules, Genetic algorithm, Evolutionary optimization

Abstract

 With the high demand for product variety, companies have sought efficient alternatives to offer this diversity. The adoption of modular product designs has been common by companies, so this research presents a proposal on how to decompose, in an optimized way, structural matrices of designs into modules. To this end, the modularity metric (MI) was employed as an objective function in an evolutionary optimization algorithm, and the model obtained was applied to existing studies in the literature. The method proved to be a good alternative for optimally decomposing structural matrices of projects into modules when compared to techniques presented in previous studies. This work contributes academically by using the MI metric as the objective function of an evolutionary optimization algorithm. Managerially, it delivers an agile and effective tool for managing the variety-cost dilemma faced by companies.

Downloads

Download data is not yet available.

Author Biographies

Guilherme Augusto Capellari da Silva, Universidade do Vale do Rio dos Sinos (UNISINOS), São Leopoldo, RS, Brasil.

Graduado em Engenharia de Produção pela Universidade do Vale do Rio do Sinos (UNISINOS), aprovado com distinção no trabalho de conclusão. Atua a mais de 5 anos na áreas de logística interna, planejamento de produção e planejamento de suprimentos na industria de não tecidos. 

Leandro Gauss, Universidade do Vale do Rio dos Sinos (UNISINOS), São Leopoldo, RS, Brasil.

Doutor, mestre e especialista em Engenharia de Produção e Sistemas, com graduação em Engenharia Mecânica e Design de Produtos. Por mais de 20 anos tem atuado na área de engenharia de sistemas, especificamente no projeto, simulação e construção de bens de capital para ambientes de manufatura. Desde 2018 integra o Grupo de Pesquisas em Modelagem para Aprendizagem (GMAP Unisinos) como pesquisador permanente. Atua há quase dois como Coordenador, e há mais quatro anos como Professor nos cursos de Graduação em Engenharia de Produção e Tecnólogo em Gestão da Produção Industrial da Universidade do Vale do Rio dos Sinos (UNISINOS), onde ministra regularmente as seguintes disciplinas: (i) Simulação Computacional de Processos Produtivos; (ii) Modelagem e Otimização de Sistemas Produtivos; (iii) Modelagem de Dinâmica de Sistemas; (iv) Métodos Hard e Soft para a Tomada de Decisão; (v) Sistemas de Informação para Smart Factories; e (vi) Concepção e Desenvolvimento de Produtos e Serviços Inovadores. Recentemente, passou a integrar o Programa de Pós-Graduação Stricto Sensu em Engenharia de Produção e Sistemas da UNISINOS como professor permanente. Obteve reconhecimento, por meio do prêmio ANPEPRO, de melhor artigo em nível de mestrado acadêmico no ano de 2019. Em 2020, recebeu o prêmio ABEPRO de melhor dissertação de mestrado acadêmico em Engenharia de Produção e, em 2022, o prêmio de melhor Caso Empresarial. Possui um livro internacional publicado pela Springer e artigos publicados no International Journal of Production Economics, Journal of Intelligent Manufacturing, Research in Engineering Design, International Journal of Advanced Manufacturing Technology, Operations Management Research, entre outros. Em termos internacionais, tem colaborado com a Eindhoven University of Technology (TU/e) e Hanken University no desenvolvimento de pesquisas sobre Design Science na Gestão de Operações. Também tem colaborado com a empresa sueca Modular Management em atividades de ensino, pesquisa e aplicação de sistemas modulares.

Fabio Antônio Sartori Piran, Universidade do Vale do Rio dos Sinos (UNISINOS), São Leopoldo, RS, Brasil.

Doutor em Engenharia de Produção e Sistemas pela Universidades do Vale do Rio dos Sinos - Unisinos com período de estudos na Universidade do Porto (Portugal). Mestre em Engenharia de Produção e Sistemas pela Universidades do Vale do Rio dos Sinos - Unisinos. Graduado em Logística pela Universidades do Vale do Rio dos Sinos - Unisinos. Formação Superior em Gestão de Produção pela Universidade Feevale. Professor do Programa de Pós-Graduação em Engenharia de Produção e Sistemas - PPGEPS/UNISINOS e Pesquisador no GMAP UNISINOS (Grupo de Pesquisa em Modelagem para Aprendizagem). Possui experiência em Tomada de Decisão baseada em Dados (Data Analytics) e Modelagem para Tomada de Decisão. Desenvolveu projetos em empresas nacionais e multinacionais de calçados, componentes para calçados, artefatos, têxteis, metal mecânica, alimentação, varejo, aviação e da área da saúde. Obteve reconhecimento, por meio do Prêmio ABEPRO, de melhor dissertação de mestrado acadêmico em Engenharia de Produção no ano de 2015. Possui cinco prêmios NUGEEP de melhor TCC em Engenharia de Produção (orientador), sendo três como primeiro colocado e dois como segundo colocado. Obteve reconhecimento por meio do Prêmio de melhor artigo das sessões temáticas no ENEGEP 2022, conferido pela ABEPRO.Coordena e participa de projeto de pesquisa financiado por órgão de fomento nacional (Fapergs). Possui parceria com pesquisadores internacionais das seguintes universidades: Universidade do Porto, Universidade Católica do Porto. É um dos coordenadores do Workshop de Pós-Graduação (WPG) da ABEPRO. Atua como consultor Ad hoc da Secretaria de Inovação, Ciência e Tecnologia (SICT) do estado do Rio Grande do Sul. Possui 2 livros publicados em importantes editoras (Elsevier e Taylor & Francis). Publica em relevantes Journals de Gestão de Operações e Pesquisa Operacional.

Daniel Pacheco Lacerda, Universidade do Vale do Rio dos Sinos (UNISINOS), São Leopoldo, RS, Brasil.

Doutor em Engenharia de Produção pela COPPE/UFRJ e Bolsista de Produtividade em Pesquisa do CNPq (PQ-1D) na área de Engenharia de Produção. Atuou como Coordenador do Bacharelado em Engenharia de Produção/UNISINOS (2011-2021). Coordena o Programa de Pós-Graduação em Engenharia de Produção e Sistemas - PPGEPS/UNISINOS, lidera o GMAP | UNISINOS (Grupo de Pesquisa em Modelagem para Aprendizagem) e atua como Vice-Presidente da ABEPRO (Associação Brasileira de Engenharia de Produção). Desenvolve projetos de pesquisa aplicada em empresas como FIOCRUZ/Bio-Manguinhos, PETROBRAS, TRANSPETRO, JBS, AGDI, SEBRAE/RS, SESI, VALE, TAURUS e INDASA. Obteve distinções acadêmicas com a orientação das pesquisas premiadas pela ABEPRO em 2013/2014/2015/2018/2020/2023 e ANPEPRO em 2019, Prêmio Pesquisador Gaúcho - FAPERGS 2014 (categoria Pesquisador na Empresa), Prêmio Mérito em Administração (CRA-RS) e a bolsa de Produtividade em Desenvolvimento Tecnológico e Extensão Inovadora do CNPq (2013-2016). Publicou mais de 100 artigos em periódicos como International Journal of Production Economics, European Journal of Operational Research, Journal of Intelligent Manufacturing, Production Planning and Control, International Journal of Advanced Manufacturing Technology e Business Process Management Journal entre outros, com alto fator de impacto. Atua como revisor ou editor associado de periódicos indexados na SCOPUS e na Web of Science. Possui 22 livros publicados em importantes editoras como Elsevier, Bookman, Springer e Taylor Francis. O livro sobre Design Science Research alcançou mais de 60.000 acessos e o Literature Reviews mais 8.000 acessos. Em termos internacionais, obteve o Outstanding Paper Award for Excellence da Emerald Literati Network e o TOCICO Outstanding Volunteer Award, publicou livros pela Springer e Taylor Francis. Avalia projetos para o NSERC (Natural Sciences and Engineering Research Council of Canada), integra o Independent Award Committee of International Symposium on Immunobiologicals (ISI-Bio-Manguinhos/FIOCRUZ) e desenvolve colaborações com o College of Charleston/USA, Universidade do Porto, Universidade Católica do Porto e Eindhoven Technology University (TU/e - Netherlands). Atuou como Professor Visitante na Faculdade de Engenharia da Universidade do Porto (FEUP/UPorto), no Department of Industrial Engineering da Universià Degli Studi di Firenze e integra o Global Manufacturing Research Group (GMRG). É listado em artigo publicado no International Journal of Production Research como um dos 12 mais profícuos autores em Teoria das Restrições (Theory of Constraints) do mundo. Tem experiência profissional e acadêmica nas áreas de Estratégia de Operações, Engenharia de Processos e Projeto Organizacional, Gestão e Análise de Eficiência (Data Envelopment Analysis), Design Science Research, Teoria das Restrições, Modularidade e Modelagem hard e soft.

References

BORJESSON, F.; HOLTTA-OTTO, K. Improved Clustering Algorithm for Design Structure Matrix. Chicago, 2012.

BORJESSON, F.; HÖLTTÄ-OTTO, K. A module generation algorithm for product architecture based on component interactions and strategic drivers. Research in Engineering Design, v. 25, n. 1, p. 31–51, 2014.

EPPINGER, S. D.; BROWNING, T. R. Design structure matrix methods and applications. MIT Press, 2012.

ERENS, F.; VERHULST, K. Architectures for product families. Computers in Industry, v. 33, p. 165–178, 1997.

GAUSS, L.; LACERDA, D. P.; CAUCHICK M., P. A. Module-based product family design: systematic literature review and meta-synthesis. Journal of Intelligent Manufacturing, v. 32, n. 1, p. 265–312, 2021.

GAUSS, L.; LACERDA, D. P.; CAUCHICK M. P. A. Market-Driven Modularity: Design method developed under a Design Science paradigm. International Journal of Production Economics, v. 246, 2022.

GERSHENSON, J. et al. Modular product design: a life-cycle view. Journal of Integrated Design and Process Science, 1999.

GERSHENSON, J. K.; PRASAD, G. J.; ZHANG, Y. Product modularity: measures and design methods. Journal of Engineering Design, v. 15, n. 1, p. 33–51, 2004.

GUO, F.; GERSHENSON, J. K. A comparison of modular product design methods based on improvement and iteration: design engineering technical conferences and computers and information in engineering conference. Anais [...], 2004.

HASSANAT, A. et al. Choosing mutation and crossover ratios for genetic algorithms-a review with a new dynamic approach. Information (Switzerland), v. 10, n. 12, 2019.

HELMER, R.; YASSINE, A.; MEIER, C. Systematic module and interface definition using component design structure matrix. Journal of Engineering Design, v. 21, n. 6, p. 647–675, 2010.

HILLIER, F. S.; LIEBERMAN, G. J. Introduction to operations reasearch. McGraw-Hill Science/Engineering/Math, v. 7, 2002.

HÖLTTÄ-OTTO, K. et al. Comparative analysis of coupling modularity metrics. Journal of Engineering Design Taylor and Francis Ltd. 2012.

HÖLTTÄ-OTTO, K.; WECK, O. Degree of modularity in engineering systems and products with technical and business constraints. Concurrent Engineering Research and Applications, v. 15, n. 2, p. 113–125, jun. 2007.

JIAO, J. R.; ZHANG, Y.; WANG, Y. A heuristic genetic algorithm for product portfolio planning. Computers and Operations Research, v. 34, n. 6, p. 1777–1799, 2007.

JIAO, J.; SIMPSON, T. W.; SIDDIQUE, Z. Product family design and platform-based product development: A state-of-the-art review. Journal of Intelligent Manufacturing, v. 18, n. 1, p. 5–29, fev. 2007.

JUNG, S.; SIMPSON, T. W. A clustering method using new modularity indices and a genetic algorithm with extended chromosomes. International Dependency and Structure Modelling Conference, 2014.

JUNG, S.; SIMPSON, T. W. New modularity indices for modularity assessment and clustering of product architecture. Journal of Engineering Design, v. 28, n. 1, p. 1–22, 2017.

MENG, X.; JIANG, Z.; HUANG, G. On the module identification for product family development. International Journal of Advanced Manufacturing Technology, v. 35, n. 1-2, p. 26-40, 2007.

MONTGOMERY, D. C.; RUNGER, G. C. Applied statistics and probability for engineers. Wiley, 2003.

MORANDI, M. I. W. M.; CAMARGO, L. F. R. Revisão sistemática da literatura. In:

DRESCH, A.; LACERDA, D. P.; ANTUNES JR, J. A. V. Design science research:

método de pesquisa para o avanço da ciência e tecnologia. Porto Alegre:

Bookman, 2015. p. 141–172.

OTTO, K. et al. Global views on modular design research: linking alternative methods to support modular product family concept development. Journal of Mechanical Design, Transactions of the ASME, v. 138, n. 7, 2016.

PIMMLER, T. U.; EPPINGER, S. D. Integration analysis of product decompositions. Design Theory and Methodology Conference. Anais [...], 1994.

PIRAN, F. Modularização de produto e os efeitos sobre a eficiência técnica: uma avaliação em uma fabricante de ônibus. 2015. 233F.Dissertação (Mestrado em Engenharia de Produção e Sistemas) – Universidade do Vale do Rio dos Sinos, São Leopoldo, 2015.

R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. URL https://www.R-project.org/. 2022

SIMPSON, T. W. et al. Advances in product family and product platform design. New York: Springer Science+Business Media, 2014.

YU, T. L.; YASSINE, A. A.; GOLDBERG, D. E. An information theoretic method for developing modular architectures using genetic algorithms. Research in Engineering Design, v. 18, n. 2, p. 91–109, 2007.

YU, T. L.; YASSINE, A. A.; GOLDBERG, D. E. A genetic algorithm for developing modular product architectures. 2003. Disponível em: http://www.asme.org/about-asme/terms-of-use. Acesso em: 15 jun. 2022.

ZHANG, W. Y.; TOR, S. Y.; BRITTON, G. A. Managing modularity in product family design with functional modeling. International Journal of Advanced Manufacturing Technology, v. 30, n. 7–8, p. 579–588, out. 2006.

Downloads

Published

2024-05-15

How to Cite

Silva, G. A. C. da, Gauss, L. ., Piran, F. A. S., & Lacerda, D. P. (2024). Optimal decomposition of desegn structure matrices into modules using genetic algorithms. Revista Produção Online, 24(1), 4886 . https://doi.org/10.14488/1676-1901.v24i1.4886

Issue

Vol. 24 No. 1 (2024): fluxo contínuo

Section

Papers

License

Copyright (c) 2024 Revista Produção Online

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

The Journal reserves the right to make spelling and grammatical changes, aiming to keep a default language, respecting, however, the style of the authors.

The published work is responsibility of the (s) author (s), while the Revista Produção Online is only responsible for the evaluation of the paper. The Revista Produção Online is not responsible for any violations of Law No. 9.610 / 1998, the Copyright Act.

The journal allows the authors to keep the copyright of accepted articles, without restrictions


 
This work is licensed under a Creative Commons License .