https://rpubs.com/dmax2000/expmercury

Pacotes requeridos

library("tidyr")
library("dplyr")
library("plotly")
library("tm")
library("DT")
library("wordcloud")
library("RColorBrewer")
library("readr")
library("tidyverse")
library("kableExtra")
library("abjutils")
library("Hmisc")
library("dbplyr")
library("dbplyr")
library("sqldf")
library("ggplot2")
library("lubridate")
library(data.table)#altera nome coluna

Modelo abordado

Corte_Costura

Corte_Costura_Beneficiamento

Corte_Costura_Beneficiamento_Pós Beneficiamento

Corte_Costura_Beneficiamento_Pós Beneficiamento_Pré Embalagem

Corte_Costura_Beneficiamento_Pós Beneficiamento_Pré Embalagem_Embalagem

Processo produtivo manufatura têxtil

Processo produtivo manufatura têxtil

Dados

Dicionário de dados

library(dplyr)
library(DT)

dicionario<-read.csv(file='dicionario_experimentos.csv',sep = ';',na.strings = '',stringsAsFactors = F )
colnames(dicionario)<-c("Coluna","Tipo")

#DT::datatable(dicionario[1:20,],options=list(searching= T,paging= T,scrollX= T))
dicionario %>% 
  head(dicionario,n=12L) %>% 
  DT::datatable(dicionario)

Dados prova conceito 1

library(dplyr)
library(DT)

simulacao<- read.csv("simulacao.csv",header=TRUE,sep = ';',na.strings= '',stringsAsFactors = F)
colnames(simulacao)<-c("Experimentos","Utilização","Vazão","Tempo de Resposta","Célula Costura Acionada","Célula Beneficiamento Acionada","Célula Pré Embalagem Acionada","Cortar","Costurar","Avaliar Costura","Ajustar Costura","Beneficiar", "Avaliar Beneficiamento","Ajustar Beneficiamento", "Acionar Célula Costura Pós Beneficiamento", "Costurar Pós Beneficiamento","Costurar Pós Beneficiamento","Avaliar Costura Pos Beneficiamento","Ajustar Costura Pós Beneficiamento","Pré Embalar","Avaliar Pré Embalagem","Ajustar Pré Embalagem","Embalar","Avaliar Embalagem","Ajustar Embalagem","Estocar")

DT::datatable(simulacao[1:40,],options=list(searching= T,paging= T,scrollX= T))

Dados prova conceito 2

library(dplyr)
library(DT)

simulacao2<- read.csv("simulacao2.csv",header=TRUE,sep = ';',na.strings= '',stringsAsFactors = F)
colnames(simulacao2)<-c("Experimentos","Utilização","Vazão","Tempo de Resposta","Célula Costura Acionada","Célula Beneficiamento Acionada","Célula Pré Embalagem Acionada","Cortar","Costurar","Avaliar Costura","Ajustar Costura","Beneficiar","Avaliar Beneficiamento","Ajustar Beneficiamento", "Costurar Pós Beneficiamento","Costurar Pós Beneficiamento","Avaliar Costura Pos Beneficiamento","Ajustar Costura Pós Beneficiamento","Pré Embalar","Avaliar Pré Embalagem","Ajustar Pré Embalagem","Embalar","Avaliar Embalagem","Ajustar Embalagem","Estocar")

DT::datatable(simulacao2[1:40,],options=list(searching= T,paging= T,scrollX= T))

Métricas abordadas

$$

$$

Trabalho relacionado

Segundo um estudo apresentado por Andrade et al. (2021), cujo tema central é a avaliação de compensações de desempenho e disponibilidade de ambientes Fog-Cloud IoT, foram observadas as interações e os desafios técnicos de capacidade limitada de armazenamento, processamento, alta latência e possibilidade de falha na comunicação entre Things (coisas), Cloud (nuvem) e Fog (névoa). Os autores adotaram dois seguimentos de métricas; relacionados a disponibilidade (disponibilidade de estado estável, tempo de inatividade e solicitações perdidas); e relacionados a performabilidade (tempo de resposta, taxa de transferência, utilização de névoa e utilização de nuvem). Após a definição das métricas, para replicar os comportamentos e as probabilidades de ocorrência de eventos de indisponibilidade mais próximos ao cenário real, os autores utilizaram a ferramenta acadêmica Mercury Tool Ver 5.0.2 para realizar simulações fundamentadas nas redes de Petri determinísticas e estocásticas (DSPN). Segundo os autores estas simulações podem facilitar a modelagem e análise dos arranjos de ambiente Fog mais adequados para uma determinada infraestrutura. Por fim, os autores concluem, através dos experimentos, que a adoção de um nó Fog pode melhorar a disponibilidade da infraestrutura desde quê os Things ofertem baixos níves de solicitação de serviços. Caso as solicitações sejam mais intensas, adotar uma configuração de nuvem pode resultar numa escolha mais adequada.

Teste Conceito 1

No teste de conceito 1, atribuimos as atividades do modelo os menores valores de tempo possíveis. Em seguida realizamos simulações alternando os tempos da atividade de corte do tecido e o acionamento das células de costura para explorar o comportamento das métricas de utilização, vazão e tempo de resposta. Como resultado destes experimentos podemos observar o comportamento dos dados nos gráficos de linha apresentados a seguir.

Percentual de utilização

Tempo médio de vazão

Tempo de resposta

Teste Conceito 2

No teste de conceito 2, atribuimos as atividades do modelo os menores valores de tempo proporcionais aos tempos recolhidos junto a empresa parceira na pesquisa. Em seguida realizamos simulações alternando os tempos da atividade de corte do tecido e o acionamento das células de costura para explorar o comportamento das métricas de utilização, vazão e tempo de resposta. Como resultado destes experimentos podemos observar o comportamento dos dados nos gráficos de linha apresentados a seguir.

Percentual de Utilização

Tempo médio de vazão

Tempo Resposta

Teste Conceito 3

Percentual de Utilização

Tempo médio de vazão

Tempo de resposta

Referencia

Andrade, Ermeson, Bruno Nogueira, Ivaldir de Farias Junior, and Danilo Araújo. 2021. “Performance and Availability Trade-Offs in Fog–Cloud IoT Environments.” Journal of Network and Systems Management 29 (1): 1–27.