Selección de Planes de Proceso Considerando la Secuencia

Alvaro Jeria M., Max Rivera S. y José Ceroni D.

Escuela de Ingeniería Industrial
Pontificia Universidad Católica de Valparaíso
Av. Brasil 2241, Valparaíso, Chile
jceroni@ucv.cl

Resumen
Este artículo aborda la planificación de procesos en ambientes tipo job-shop,
enfocándose en la selección de planes de proceso de productos utilizando lógica difusa. Se
presenta un modelo de selección, generado en base a una adaptación del modelo de Zhang y
Huang, que incluye como objetivo anexo la similitud en la secuencia de los planes.
Comúnmente en ambientes tipo job-shop, los productos utilizan recursos escasos comunes. La
existencia de planes de proceso alternativos para cada producto hace crucial la selección de los
planes, ya que las mejoras realizables inciden directamente en el nivel de productividad del
taller. Por otra parte, los objetivos en un problema de selección de planes de proceso pueden ser
imprecisos y difíciles de incorporar en modelos de optimización. La inclusión de la lógica
difusa para representar la contribución a los objetivos permite manejar dicha inexactitud. El
modelo utiliza la Distancia de Levenshtein para la consolidación de planes, aumentando su
similitud en relación al conjunto de planes del taller. La experimentación con el modelo muestra
mejoras en la similitud de los planes seleccionados, considerando simultáneamente el
incremento del tiempo de proceso individual de los productos.

1. Introducción
En el mundo empresarial moderno, desarrollado en un ambiente de constante cambio y
competitividad, se hace necesario que las nuevas organizaciones se desenvuelvan en forma ágil, de
manera que les permita reaccionar en todo ámbito a las necesidades del mercado y a las actividades que le
impone la competencia. En el ámbito de la industria manufacturera, una de las maneras en que se puede
expresar la agilidad es la capacidad de éstas para reducir el tiempo dedicado a las actividades que
permitan convertir el diseño en un producto terminado. La Planificación de Procesos es el puente entre
diseño y manufactura y como tal debe ser abordada con la importancia que requiere.

La planificación de procesos puede ser dividida en una serie de fases donde la consecución de
cada una puede estar determinada por el uso de sistemas basadas en el conocimiento y/o algoritmos de
optimización. Dentro de ellos podemos encontrar las etapas de generación de alternativas de procesos y la
selección de los mejores planes, dadas ciertas restricciones u objetivos preponderantes buscados. Dentro
de estos objetivos se considera que la similitud es importante pues simplifica algunos aspectos propios de
la ejecución de los planes de proceso. Este artìculo se desarrolla sobre la base de un modelo de selección
de Planes de Proceso utilizando Lógica Difusa, modificándolo en busca de aportar a dicho proceso al
incluir la similitud de secuencias como uno más de los objetivos del conjunto de planes solución.

2. La Función de Planificación de Procesos

La Figura 1 presenta el esquema general de la función de planificación de la
producción, mostrando la función de planificación de procesos. La planificacion de
procesos (PP) comprende muchas tareas Gupta et al. (1999) Bhaskaran (1990).
Diferentes dominios de aplicación pueden tener distintos requerimientos funcionales
para la PP. En general, el proceso de PP incluye las siguientes tareas:
1. generación de las secuencia de procesos
 2. generación de las operaciones
3. generación del ruteo en la planta
4. generación de los planes de control
5. validación de planes y programas
Los elementos de informacion requeridos para el desarrollo de la función de PP
son nueve. El modelo del producto consiste en una descripción de las características
parametrizadas del producto. El inventario de herramientas y materiales describe los
recursos físicos disponibles para su uso; esto se relaciona con la descripción del stock y
de los procesos susceptibles de realizar por cada herramienta y las relaciones factibles
entre ellas, que conforman así las descripciones y datos de los recursos de maquinado.
El sistema necesita modelos estándar de proceso. Las últimas dos entradas están
relacionados con aspectos económicos, que son las restricciones y las asignaciones de
costo. Las salidas del sistema, además de los planes de proceso, son las infactibilidades
(que generarán cambios en el diseño), las estimaciones de costo, los requerimientos de
calidad y cantidad de recursos necesarios para la manufactura, los programas de control
y los planes de ruteo. Los requerimientos de validación de la corrida de producción
consisten en los parámetros de comparación para poder determinar si los resultados de
la corrida de producción se ajustan al diseño.

Figura 1. - Descomposición de la función de planificación de procesos.

3. Optimización en un Ambiente Difuso

En un problema de optimización de múltiples variables, algunos de los objetivos
y restricciones pueden ser difusos. En esta situación se puede aplicar la teoría de
conjuntos difusos como sigue.
Sea X el conjunto de alternativas que contiene la solución de un problema de
optimización. Los elementos de X son representados por x. Bellman y Zadeh (citados en
Zhang y Huang, 1994) han propuesto que los objetivos y restricciones difusas son de la
misma naturaleza y pueden ser representados por conjuntos difusos X. Sea C i el
dominio difuso delimitado por la i-ésima restricción y Gj el dominio difuso asociado
con el j-ésimo objetivo. Cuando los objetivos y las restricciones tienen distinta
importancia las funciones de pertenencia pueden ser ponderadas por coeficientes i y i
tal que:
m n
∀ x∈ X , ∑ αi  x  ∑ β j  x =1
i =1 j =1

Un conjunto D de decisiones del conjunto X estaría relacionada entonces con:

m n
μ D  x =∑ α i  x  μC  x ∑ β j  x  μG j  x 
i
i=1 j=1

4. Lógica Difusa en la Selección de Planes de Proceso

En un ambiente real de manufactura, el problema de la selección de los planes de
proceso es resuelto por el planificador de procesos en base a su experiencia o utilizando
heurísticas en vez de modelos matemáticos precisos (Kusiak, 2000, Chang, 1991, Alting
y Zhang, 1989). Un sistema experto debiera poder utilizar información inexacta dada
por fuentes humanas, manejar información incompleta o no confiable y poder relacionar
experiencias idénticas como también similares (Opas et al., 1994, Jang et al., 1997, Irani
et al., 1995, Singh y Mohanty, 1991). En el desarrollo de un plan de procesos algunos
objetivos que inciden en la selección de los planes son imprecisos por naturaleza. Por
ejemplo, un planificador puede justificar la selección de planes basándose en su criterio
particular: “el costo debiera ser razonablemente bajo, el tiempo de maquinado no
debiera ser muy largo y el producto final debiera ser de una calidad aceptable”. Estos
objetivos no son muy manejables por las metodologías tradicionales que trabajan
principalmente con información determinística. Al modelar el razonamiento de un
planificador, la lógica difusa permite disminuir la brecha entre el modelo y el entorno
real.

4.1. Determinación de Funciones de Pertenencia

Las funciones de pertenencia son la base de la utilización de lógica difusa en
problemas aplicados. Para el caso del análisis propuesto en este trabajo se considera de
una gran importancia la determinación de las funciones de pertenencia de cada elemento
al que será aplicado la teoría de lógica difusa. En general, para cada objetivo planteado
en un modelo de optimización difuso se debe determinar una fp adecuada para su
representación. Se está conciente de que la estructura de ella depende en gran medida de
la experiencia que se tenga en este tipo de situaciones del ambiente de manufactura.
Para aplicar lo anterior a los objetivos propios de la selección de planes de proceso
debemos construir funciones de pertenencia difusa para evaluar la contribución de un
plan de procesos a un objetivo. Para esto, sea X el conjunto de pp que contribuyen al
objetivo. Cuando se considera, por ejemplo, un objetivo de minimizar el número de set-
ups, si las unidades de set-ups de un plan de procesos están entre S a y Sb (límites
superior e inferior permitidos), podemos decir que éste contribuye al objetivo y es
miembro del conjunto X. Si el pp contiene exactamente S a set-ups podemos decir que su
pertenencia al conjunto es 1; de manera opuesta, si contiene S b, se puede decir que su
pertenencia es 0. Para los efectos de evaluar la contribución a un objetivo se puede
utilizar la función siguiente:
 S b −S x 
μi  x =
 S b −S a 

donde µi(x) es el grado de pertenencia del pp x al objetivo i, siendo Sx el número de set-

ups de dicho plan.
La ventaja de usar una función de pertenencia difusa reside en permitir análisis
cuantitativos además de cualitativos. Un ejemplo de esto se puede ver en la siguiente
situación. Supongamos que un planificador de procesos usualmente describe el tiempo
de flujo de un producto como "muy corto", "corto", "regular" y "largo". En base a esto
podríamos asignar un valor de pertenencia al conjunto difuso a cada plan de procesos: 1
para "muy corto", 0,8 para "corto", 0,4 para "regular" y 0,1 para "largo".

5. Comparación de Secuencias
La estrategia para encontrar similitudes entre secuencias está basada en métodos
de pares y agrupamiento de cadenas utilizadas en estudios de genética, química
molecular y otras ciencias biológicas, las cuales han adquirido gran desarrollo en el
último tiempo (Sankof y Kruskal, 1999). Una comparación puede ser utilizada para
corregir errores, como también para identificar y determinar relaciones. La comparación
de secuencias mide la extensión de la diferencia existente entre ellas. Dentro de los
métodos descritos para realizar este tipo de comparaciones se pueden encontrar algunos
que permiten comparar secuencias de la misma longitud, los cuales están basados en
confrontar los elementos compartidos y aquellos que permiten comparar secuencias de
distinta longitud. Como ejemplo del primer grupo están la Distancia Euclidiana y la
Distancia de Hamming, mientras que en el segundo grupo está la Distancia de
Levenshtein y el Coeficiente de consolidación, entre otras.

5.1. Diferenciación entre Secuencias

La determinación de diferencias entre secuencias y sus algoritmos de medición
se basa en las operaciones que es necesario realizar para homologar dos secuencias, es
decir, generar una secuencia a partir de la otra. Estas operaciones pueden ser:

• Sustituciones

• Eliminaciones e inserciones

• Compresiones y expansiones

• Transposiciones
Las sustituciones son aquellas operaciones que consisten en el cambio de un
elemento de la secuencia que se está interviniendo por otro elemento. La eliminación y
la inserción, como su nombre lo indica representa la extracción e introducción de
elementos en la secuencia. La compresión es la transformación de dos o más elementos
de la secuencia en uno, mientras que la expansión es la operación contraria. La
transposición es el intercambio de dos elementos adyacentes en una secuencia. La
comparación de las secuencias de cadenas se implementa en base a la Distancia de
Levenshtein, que se describe a continuación.

5.2. Distancia de Levenshtein

La distancia de Levenshtein [11] desde una secuencia x a una secuencia y se
define como el menor número de inserciones, eliminaciones y sustituciones requeridos
para transformar a x en y. Si consideramos las diferencias elementales como
sustituciones e indels podemos utilizar una función de longitud denominada función de
longitud simple la cual asigna un valor que pondera a cada operación elemental. Para
una ponderación equivalente de todas las operaciones, esta distancia entrega el mismo
resultado que la distancia de Levenshtein. Esta medida de disimilitud data del año 1966
y ha sido utilizada en numerosas aplicaciones. Si se le compara con la medida anterior
es necesario destacar que sólo busca la similitud entre cadenas, ignorando las
subcadenas comunes. Esto la hace reaccionar de manera más fuerte al comparar cadenas
de distinta longitud. La distancia de Levenshtein cumple con ciertas propiedades básicas
derivadas de su formulación:

• La distancia entre secuencias es mayor o igual a cero, d(x,y) ≥ 0

• Si dos secuencias son iguales entonces la distancia es cero, x = y ⇒ d(x,y) = 0

• La distancia entre dos secuencias es independiente del orden de las

comparaciones, d(x,y) = d(y,x)

6. Modelo de Zhang y Huang para la Selección de Planes

Este modelo parte de la base que usualmente en ambientes de manufactura se
elaboran diferentes productos al mismo tiempo. En consecuencia, se debe seleccionar
un plan para cada uno de ellos teniendo presente la utilización de todos los recursos.
Según los creadores de este modelo, la selección bien puede hacerse buscando satisfacer
los siguientes objetivos:

• Minimizar el número de set-up: puede lograrse minimizando el tiempo total

de set-up o minimizando el número de máquinas que ejecutarán el proceso.
Esto se puede conseguir incrementando el número de actividades
susceptibles de realizar con un set-up.

• Minimizar el número de pasos en un proceso: con esto se consigue disminuir

la variabilidad introducida al proceso debido al movimiento de materiales,
WIP, y otros factores.

• Minimizar el tiempo de maquinado.

• Maximizando la similitud entre planes seleccionados: ésta es una

aproximación indirecta de minimizar el tipo de maquinaria, mesas de trabajo
y herramientas, con los beneficios que le acompañan tales como facilidad de
planificación y programación de la producción, reducción de costos de
manufactura y menos problemas en el diseño del layout de un shop-floor.
La aplicación de este modelo consta de de dos fases. La primera consiste en la
optimización de los planes de proceso considerando la minimización del número de set-
ups, del número de pasos del proceso y del tiempo de maquinado. Luego, en la segunda
fase, se preocupa de buscar una mejor solución considerando el objetivo de similitud de
planes.
Una de las principales razones para seccionar el modelo en dos partes se debe a
que, al considerar todos los planes de proceso de un producto, para todos los productos,
la complejidad del problema, si se considera la similitud, sería combinatorialmente
explosiva [3].

6.1. Optimización de planes

Sea:
i 1…N pieza
j 1...M planes de procesos
Pi conjunto de pp para el pieza i
PPi pp seleccionado para el pieza i
SDj el conjunto de recursos para pp j
k 1…O número de objetivo excluyendo el de similitud de planes

µk(j) pertenencia del pp j al objetivo k

µA(j) pertenencia del pp j a todos los objetivo excepto el de similitud

{
a j = 1 si el pp j es seleccionado
0 e.o.c.

Wk ponderación del objetivo k

Dado

 
O
Wk
μ A  j = ∑ O
μk  j 
k =1
∑Wk
k =1

El modelo de selección puede ser expresado como un modelo de programación lineal

entera:
j

N
max ∑ ∑ μ A  j aalignl ¿ ¿¿ ¿
i =1 j∈ P
i

Sujeto a
∑ a j =1 ∀ i ∈ {1,2, , N }
j∈ P i

a j ∈ { 0,1 }
 La primera restricción asegura que se elige sólo un plan de procesos por cada
pieza, mientras que la segunda mantiene la integridad de la variable a. La solución de
este modelo puede ser obtenida calculando todos los µA(j) y permitiendo que PPi =
max{µA(j)}  j ∈ Pi.

Los planes óptimos obtenidos como solución de este modelo constituirán la base
del proceso de consolidación de los planes de proceso.

6.2. Consolidación de los planes

Los planes de procesos utilizados en la etapa anterior tienen cada uno sus características
dadas por el tipo de recursos que utilizan. En función de esto se puede definir el término
de disimilitud de planes: sólo cuando un pp introduce una diferencia en cuanto a los
recursos usados con otros planes, se puede decir que se ha perdido similitud entre estos.
En función de lo anterior, sea SD j el conjunto de recursos utilizados por el plan de
procesos j obtenido del modelo anterior. Esta variedad de recursos puede ser definida
por:

{t x , f y }=¿ j ∈ 1,2, J  SD j
donde tx son las herramientas (x = 1…X) y fy son las estaciones de trabajo (y = 1…Y).
En la tabla 1 se representa los recursos necesitados por cada plan de procesos,
donde las columnas representan el plan de procesos j y las filas representan los recursos
l (l=1…X+Y). Definiremos rjl como:

{
r jl = 1 si recurso l es requerido por plan de proceso j
0 e.o.c }
Tabla 1. Medición de diferencias entre planes de procesos

1 ..... J
1(t1) r11 ..... rJ1
..... ..... ..... .....
X(tx) r1X ..... rJX
X+1(f1) R1(X+1) ..... rJ(X+1)
..... ..... ..... .....
X+Y(f1) R1(X+Y) ..... rJ(X+Y)

Usando esta tabla se pueden medir cuantitativamente las diferencias entre planes
de proceso, a diferencia del modelo de Kusiac y Finke [4] que incluye la medición
dentro de la selección óptima de los planes.
Una vez obtenido el conjunto inicial de pp óptimos, se debe buscar un
intercambio de planes de manera que se reduzca la diferencia entre los recursos
utilizados. Para estos efectos, la disimilitud entre los planes j1 y j2 puede ser medida
por:
 L
1
d j1 j 2 = ∑ ∣r 1−r j 2 l ∣
L l =1 j1 l

donde L es el número de elementos del conjunto:

{t x , f y }=SD j ∪SD j 1 2

Se debe considerar que en la búsqueda de mayor similitud hay productos para

los que, por alguna razón fundada del planificador, no es factible cambiar su plan de
procesos seleccionado. Para representar esta aversión al cambio se puede incluir un
factor de disposición al cambio de plan, denotado por τi; se estará más dispuesto a
utilizar un plan de proceso alternativo para un producto mientras τi sea más pequeño.
El algoritmo de consolidación de procesos sigue los siguientes pasos:
Paso 1:
Para i=1 hasta N hacer:

Para todo j∈Pi y j≠PPi, sea:

τi
R j= N [ μ A  PP i − μ A  j  ]
∑ τi
i =1

Ordenar los planes de proceso en orden ascendente según sus valores de

Rj, permitiendo que [e] represente el plan de procesos ocupando el
puesto e en la lista de planes ordenados. Además [e] representa el plan de
proceso para la parte θe.
Paso 2:
Para e=1 hasta M-N hacer:
Asumir que existe un plan de procesos j* que requiere todos los recursos
requeridos por todos los planes de proceso excepto el plan PPθe
Calcular:
L
1
d [ e ] j = ∑ ∣r [ e ] l  1−r j l ∣
L l =1
¿ ¿

Considerando L como el numero de elementos del conjunto:

{t x , f y }=SD [e ]∪SD j ¿

Si:

μ A  PP θ −d PP j
¿ ¿ μ A  [ e ] −d [ e ] j ¿
e θe

Reemplazar plan de procesos PPθe con plan de procesos [e].

 6.3. Modificacion del Modelo
El modelo de selección de planes de proceso desarrollado en ambiente de lógica
difusa considera sólo los recursos comunes utilizados a la hora de mejorar la solución
obtenida inicialmente. Sin embargo, la planificación de procesos consiste en mucho más
que una lista de recursos que se utilizan en la producción, debiendo generarse en su
desarrollo, el ruteo de los procesos, los planes de control y los requerimientos de
recursos, entre otros elementos. Es por esto que un plan de procesos siempre debe
considerar la secuencia de utilización de los equipos, por lo que la solución planteada
por Zhang y Huang representa una limitación a la potencialidad del la obtención del
conjunto de planes de proceso. Esto hace necesario considerar la modificación de dicho
modelo de tal manera que se considere la secuencia en los planes de procesos de la
solución final obtenida. Debido a que este modelo consta de 2 fases para su aplicación
(1. obtención de los planes de proceso óptimos de acuerdo a un problema de
programación lienal entera mixta; 2. consolidación de los planes), la modificación que
se buscará introducir se ubicará en la segunda fase, ya que es en ésta donde el modelo
original considera los recursos comunes para consolidar los planes.

6.3.1. Optimización de Planes

El modelo en su fase de optimización selecciona los planes que maximizan su
función de pertenencia total ponderada de acuerdo a los objetivos definidos por el
planificador. Para esto se debe calcular las funciones de pertenencia que revelan la
contribución difusa de cada plan a los objetivos buscados. Manteniendo las mismas
definiciones de variables, en esta fase se busca resolver el siguiente problema:
j

N
max ∑ ∑ μ A  j aalignl ¿ ¿¿ ¿
i =1 j∈ P
i

Sujeto a:

∑ a j =1 ∀ i ∈ {1,2, , N }
j∈ P i

a j ∈ { 0,1 }

6.3.2. Consolidación de planes

El algoritmo escogido para la comparación de la secuencia de los planes es la
Distancia de Levenshtein. Los motivos de su elección son, primeramente, por el
reconocimiento universal que tiene, siendo ésta la base de todos los posteriores
desarrollos en comparación de secuencias. En segundo lugar, el algoritmo para su
cálculo es simple a la hora de su implementación computacional. Otro punto a favor en
la elección de Levenshtein es que es fácilmente adaptable a los escenarios en que se
debe utilizar, ya que permite comparar secuencias de distinta longitud, cosa que otras
distancias, como la de Hamming, no permiten.
 El modelo de Zhang y Huang original, en su etapa de consolidación, ordena los
planes no seleccionados en función de la diferencia ponderada con el plan seleccionado.
Luego pasa a la evaluación de la conveniencia de mantener el plan actual o sustituirlo
por su retador, en función del aporte a la disimilitud del conjunto de planes.
Recordemos que mide la similitud sólo en función de los recursos comunes. La
intervención del modelo contempla el mismo ordenamiento de los planes no
seleccionados, pero al momento de evaluar el cambio, este se hace determinando la
distancia de Levenshtein entre el plan seleccionado, o el retador y el resto de planes
seleccionados para los otros productos hasta el momento. El algoritmo de consolidación
es como sigue:
Paso 1:
Para i=1 hasta N hacer:

Para todo j ∈ Pi y j ≠ PPi (planes de proceso no seleccionados), sea:

R j= [ μ A  PP i −μ A  j  ]
Ordenar los planes de proceso en orden ascendente según sus valores de Rj,
permitiendo que PP[e] represente el plan de procesos ocupando el puesto e en la
lista de planes ordenados. Además PP[e] representa el plan de proceso para el
producto θe.
Paso 2:
Calcular la disimilitud promedio (d) en las secuencias de un conjunto de planes
por:
L−1 L
1
d= ∑
L y
∑ DL  j y , j x 1 
x= y1

donde DL es la distancia de Levenshtein entre el plan j y el plan jx+1 cada uno

correspondiente a un producto y L es el numero total de productos.
Partiendo desde el plan con menor Rj, evaluar la disimilitud promedio del
conjunto de planes sustituyendo al plan seleccionado para el producto θe (PPθe)
por PP[e].
Evaluar la disimilitud promedio del conjunto de planes seleccionados
(incluyendo PPθe).

Si d PP [ e ] d PP  e , reemplazar el plan PPθe por el PP[e] en la lista de planes

seleccionados y continuar la evaluación con el resto de la lista ordenada de
planes alternativos no seleccionados.

7. Pruebas con el modelo modificado

Para la realización de las pruebas del modelo se implementó un programa
computacional cuyo comportamiento se describe a continuación. El modelo se
estructura sobre la base de arreglos los cuales contienen la información de los productos
con sus planes alternativos. El primer paso dentro de la implementación es generar los
planes de proceso alternativos para cada producto. Para ello se ingresan los parámetros
de número de productos, número de recursos del sistema y cantidad de réplicas a
generar. Una vez asignados estos valores se generan los planes para cada producto como
cadenas de caracteres seleccionados aleatoriamente, siendo su largo también aleatorio
con distribución Uniforme (3, número de recursos); esta longitud representa el número
de etapas del plan de proceso.
El modelo original de Zhang y Huang, como ya se mencionó, utiliza como
objetivos en la optimización la disminución de el número de set-up, el número de etapas
del proceso, el tiempo de maquinado y, a través de la consolidación, minimiza también
la disimilitud de los planes en el conjunto final de solución. Estos objetivos pueden ser
reemplazados por otros que se estimen relevantes como aproximación a los costos de
cada etapa en los procesos e incluso adicionar más objetivos a los ya definidos, sean
estos cuantitativos o cualitativos, explotando las ventajas de un modelo fundamentado
en la lógica difusa. En vista de lo anterior, se ha escogido para las pruebas del modelo
dos objetivos que son: el tiempo de proceso del producto asociado a la aplicación del
plan y un índice asociado a la utilización del recurso humano. Por la equivalencia de los
modelos, estos objetivos también pueden ser modificados o desechados dependiendo de
las necesidades del experimentador o usuario del modelo. Para efecto de la
experimentación, estos valores se determinan aleatoriamente con distribución Uniforme
(1, número de etapas).

7.1. Diseño Experimental y Resultados

Como ya se ha mencionado, el propósito de la intervención del modelo de Zhang
y Huang es incluir la secuencia de los planes de proceso en la determinación del
conjunto final de planes. Por lo tanto, para evaluar dicha intervención se hace necesario
diseñar un experimento que permita determinar el comportamiento de él ante algunas
variaciones en el sistema de manufactura sobre el cual se aplica. La evaluación que se
hará de los resultados del modelo modificado tendrá relación con la bondad de la
solución en términos de la similitud del conjunto de planes.

7.2. Factores y niveles del experimento

Para las pruebas estadísticas se definirán los escenarios en función de dos
factores: número de recursos total del sistema y número de productos susceptibles de
fabricar. Estos factores se dividirán en tres niveles cada uno, los cuales se muestran en
la Tabla 2.
Los distintos escenarios propuestos son aleatoriamente generados. Cada sistema
resultante es procesado por el modelo, comparando las salidas de la fase 1 con las
salidas finales después de la iteración consolidatoria.
 Tabla 2. Diseño del Experimento

Factores Niveles

a1: 10
A: Número de productos a2: 20
a3: 100

b1: 10
B: Número de recursos b2: 20
b3: 50

7.3. Medidas de efectividad

Las medidas de efectividad o respuestas son las variables que se pretende
optimizar y que dependen potencialmente de los factores. A través de la evaluación de
ellas, como variables dependientes que se ven afectadas por los cambios producidos en
los factores, se pretende conocer la forma como se interrelacionan las variables
dependientes e independientes. Las respuestas sobre los cuales se evalúa la
modificación del modelo son:

• Porcentaje promedio de aumento de similitud,

• Porcentaje de pérdida de optimalidad y

• Promedio de cambios por réplica

El porcentaje promedio de aumento de similitud tiene por objetivo medir el
cambio en la solución en términos de similitud luego del proceso de consolidación de
planes. Como medida de disimilitud se usa la distancia de Levenshtein, evaluada en
forma conjunta, esto es, se calcula la distancia de cada plan seleccionado al resto de
planes seleccionados y luego se promedia. Finalmente se calcula el índice de esta
respuesta como sigue:
So - Sc
Porcentaje de aumento de similitud promedio = So

siendo So el nivel de disimilitud luego de la optimización difusa y S c el nivel de

disimilitud luego de la consolidación.
El porcentaje de pérdida de optimalidad tiene por objetivo medir la otra cara de
la moneda. Si bien se sabe que con la consolidación hecha incluyendo la secuencia de
los planes se gana en similitud del conjunto final, no se puede desconocer que esto
conlleva un deterioro en el nivel de optimalidad de la solución final. Este indicador
tiene la función de revelar dicha pérdida. Hay que tener presente que, como la
optimización se hace bajo el ambiente difuso, la pérdida de optimalidad se mide en
función de la disminución que muestra el promedio de las sumas ponderadas de los
planes en el conjunto de planes seleccionados. El cálculo se hace según la siguiente
fórmula:
 µi - µf
Porcentaje de pérdida de optimalidad = µf

onde µi representa el nivel de optimalidad luego del problema de programación lineal

entera mixta y µf representa el nivel de optimalidad en la solución final.
La medición del número promedio de cambios tiene por objetivo monitorear la
efectividad de incluir la segunda fase del modelo (etapa de consolidación), pues puede
que ante las variaciones en los factores se haga no necesaria la inclusión de ella dado un
escenario. No hay que perder de vista que esta efectividad está ligada estrechamente a la
herramienta utilizada en la fase de consolidación.

8. Resultados
Los resultados obtenidos comprenden el conjunto de planes de proceso óptimo
para cada situación. El resumen de ellos (promedios por cada escenario) se muestra en
la Tabla 3.
Tabla 3. Resultados del experimento

Combinación de Aumento de Pérdida de Número de

tratamientos Similitud Optimalidad Cambios

a1b1 0,08290665 0,32378001 4,85

a1b2 0,03816126 0,35507683 4,45
a1b3 0,01600884 0,39079717 4,28
a2b1 0,05886048 0,33278753 9,14
a2b2 0,02613387 0,37233443 8,60
a2b3 0,01114294 0,41044767 8,01
a3b1 0,02386020 0,34455395 38,44
a3b2 0,01029827 0,37522655 35,04
a3b3 0,00364453 0,40158774 31,91

Una vez obtenidos los resultados se debe realizar dos análisis importantes:
determinación de efectos y análisis de varianza (ANOVA). El primero nos permite
conocer en términos cuantitativos y comparativos el efecto que cada factor tiene en las
respuestas medidas, permitiendo determinar que efectos son más relevantes y
determinar si existen también interrelaciones entre los factores que sean importantes. El
segundo análisis nos permite, mediante el desarrollo de un test estadístico, determinar la
significancia de los efectos determinados en primera instancia.
 8.1. Análisis de resultados
La intervención del modelo busca dar cabida a un factor que no ha sido
considerado hasta ahora en la planificación de procesos. El resultado de dicha
intervención puede considerarse efectivo debido a que se produce el cambio de los
planes aumentando la similitud a costo de un alejamiento del óptimo.

8.2. Efectos
En la Tabla 4 se muestran los resultados del cálculo de los efectos principales y
de interacción. En ella se puede observar que existen efectos de los factores sobre las
respuestas, los cuales deben ser verificados en su relevancia a través de un análisis de
varianza (ANOVA).
Tabla 4. Efectos de los factores sobre las respuestas

Aumento Pérdida de Número de

Efecto de Optimalida Cambios
Similitud d

A1 0,03774 0,2417 8,2867

A2 0,00290 0,0067 11,245

B1 0,04494 0,0672 2,7433

B2 0,00787 0,0002 0,075

AB1 0,02334 0,0050 2,98

AB2 0,00392 0,0022 0,01

AB3 0,00208 0,0078 1,21

AB4 0,00075 0,0004 0,075

Para el caso del aumento de la similitud, en esta tabla se puede observar que los
efectos relevantes en cuanto a su valor pasan por la fracción del efecto principal
representado en los contrastes A1 y B1, los cuales tienen supremacía respecto de los
demás. El único efecto de interacción que tiene un valor mayor es el AB1, el cual da
cuenta de la comparación entre los niveles 1 y 3 del factor A y del factor B. Para el caso
de la segunda respuesta, los efectos principales A1 y B1 siguen siendo los de mayor
valor, mientras el que le sigue en importancia es el efecto de interacción AB3 que
permite comparar los efectos entre los niveles 1 y 3 del factor B en conjunto con la
combinación de los niveles del factor A. Finalmente para la respuesta del número de
cambios, los efectos principales A1 y A2 tienen el mayor tamaño, seguidos por el efecto
de interacción AB1 y el principal B1, que mide la variación entre los niveles 1 y 3 del
factor B.
 En las Figuras 2, 3 y 4 se muestran las gráficas de interacción. En ellas se
muestra la relación entre los cambios de los niveles para cada factor y su influencia en
las respuestas. En la figura 2 podemos ver que ante un aumento en el número de los
productos (manteniendo fijo el nivel de recursos) el índice de aumento de similitud
disminuye, sucediendo lo mismo para el caso de la variación de los recursos. Esto queda
explicado por el hecho que la similitud es una característica que depende del conjunto
de planes elegidos, por lo que a medida que aumenta el número de productos, las
posibilidades de encontrar secuencias similares que mejoren la solución se reduce. Lo
mismo sucede con la variación de los recursos, pues a medida que aumenta su número
crece la probabilidad de tener planes de proceso más largos. Considerando que la
distancia de Levenshtein compara cadenas completas y no detecta similitudes entre
subcadenas, se limita la posibilidad de mejorar el índice de similitud. Además, existe
algo de interacción entre los factores, lo que se ve en el comportamiento de las líneas
para los distintos niveles de recursos, en las cuales no predomina un efecto paralelo.

Figura 2. interacción para la respuesta Aumento de Similitud

 Figura 3. Interacción para la respuesta Pérdida de Optimalidad
En la figura 4 se observa el comportamiento de la respuesta que mide la
Reducción del óptimo. A medida que aumenta el nivel de recursos, para el nivel dado de
productos, dicha respuesta aumenta, lo cual demuestra una relación directa. Para el caso
del aumento del nivel de productos se observa algo distinto. Para los niveles de recursos
10 y 20 hay una pequeña tendencia al aumento de la respuesta cuando crece el número
de productos, pero para la línea de 50 recursos se presenta una pequeña disminución en
el último nivel de productos (100). Los orígenes de esta variación no son claros, aun
cuando hay que tener presente que las diferencias son pequeñas y que la tendencia lineal
se presenta más fuertemente en estos efectos. En contraposición a la medición de la
similitud, el paralelismo de las líneas revela un bajo nivel de interacción entre los
factores.

Figura 4. Interacción para la respuesta Número de cambios

En la figura 4 podemos ver que a medida que aumenta el número de productos
(manteniendo constante el número de recursos) hay una tendencia claramente creciente
para el número de cambios, mientras que para el nivel de recursos se observa una
relación inversa con esta respuesta, ya que disminuye el número de cambios al aumentar
este factor. En lo que se refiere a la existencia de interacción entre los factores, aquí se
demuestra un nivel mayor de ella, lo cual incide en que a medida que aumenta el nivel
de productos, la brecha entre el número de cambios para cada nivel de recursos crece.

8.3. Análisis de varianza

Luego de la determinación de los efectos se hace necesario comprobar hasta que
punto ellos son significativos. Esto se hace a través de una prueba ANOVA. Para ello se
utilizó el software estadístico S - Plus, del cual se obtiene la información que se muestra
en las Tablas 5, 6 y 7.
Tabla 5. Resultados ANOVA para la respuesta Aumento en la Similitud

Terms: Productos Recursos Residuals

 Sum of Squares 0,1493925 0,2479752 0,1496156
Deg. of Freedom 1 1 897
Residual standard error: 0.01291493

Df Sum of Sq Mean Sq F Value Pr(F)

Productos 1 0,1493925 0,1493925 895,663 0

Recursos 1 0,2479752 0,2479752 1486,702 0

Residuals 897 0,1496156 0,0001668

Tabla 6. Resultados ANOVA para la respuesta Pérdida de Optimalidad

Terms:

Productos Recursos Residuals

Sum of Squares 0,023673 0,624593 7,063372

Deg. of Freedom 1 1 897

Residual standard error: 0,08873804

Df Sum of Sq Mean Sq F Value Pr(F)

Productos 1 0,023673 0,0236732 3,00633 0,08328335

Recursos 1 0,624593 0,6245932 79,31907 0

Residuals 897 7,063372 0,0078744

De los resultados obtenidos del análisis de varianza podemos concluir que el

efecto de los productos y los recursos en el aumento de similitud es relevante (debido al
valor-p=0), por lo que queda demostrado que los efectos calculados son
estadísticamente significativos. Un similar comportamiento podemos observar para el
caso de la respuesta Número de cambios, ya que a través del ANOVA queda
demostrada la reacción de ella ante los cambios en los niveles de los factores. Sin
embargo, la variable dependiente Pérdida de optimalidad presenta un comportamiento
distinto. El análisis de varianza muestra que hay sustantiva relevancia en la reacción de
esta respuesta ante las variaciones en el nivel de los recursos, tal como se obtuvo para
las respuestas anteriores (valor-p = 0), pero para el caso de las variaciones en el número
de productos se muestra cierta pérdida de relevancia. Sin perjuicio de esto, si
designamos un error tipo I o nivel de significancia equivalente al 10% (0,1) el resultado
puede seguir siendo considerado relevante.

Tabla 7. Resultados ANOVA para la respuesta Número de Cambios

 Terms:
Productos Recursos Residuals
Sum of Squares 165702,9 1023,1 9566,2
Deg. of Freedom 1 1 897

Residual standard error: 3,265676

Df Sum of Sq Mean Sq F Value Pr(F)

Productos 1 165702,9 165702,9 15537,60 0

Recursos 1 1023,1 1023,1 95,94 0

Residuals 897 9566,2 10,7

9. Conclusiones
La búsqueda de similitud en los planes de proceso de un conjunto de productos
basándose en la secuencia de producción del plan es un objetivo deseable, por cuanto
contribuye a la simplificación del sistema de manufactura. El algoritmo planteado
entrega suficiente evidencia de su efectividad en buscar dicha similitud, realizando los
cambios que permiten conseguir mejores índices. En el 100% de los casos el modelo
realiza cambios a la solución inicial y los valores mínimos de aumento de similitud
oscilan entre un 0,33% (100 productos – 50 recursos) y un 3,43% (20 productos – 10
recursos), mientras que los máximos se encuentran entre el 0,39% (100 productos – 50
recursos) y el 8,97% (10 productos – 10 recursos). Otro dato importante es que el 70%
del total de datos está sobre el 1,12% de aumento de similitud.
Desde la óptica de la eficiencia, debemos tener presente que el rango de pérdida
de optimalidad para el total de datos está entre el 30% y 41% aproximadamente, sin
embargo, para los sistemas más complejos con mayor número de recursos para fabricar
mayor cantidad de productos, la ganancia en similitud de la solución final es
significativamente menor a la de los sistemas pequeños (8,2% - 0,3%). Esto demuestra
que el algoritmo propuesto entrega mejores resultados para sistemas pequeños, en
términos del balance entre beneficios y costos. Sin embargo, ante el conocimiento de
ellos puede resultar aún ventajoso su uso para algunos casos. Es necesario destacar que,
aún cuando la eficiencia computacional no está dentro de los objetivos del analisis, la
ejecución computacional del modelo es relativamente rápida en relación con la
información que maneja. Sin embargo, el algoritmo es complejo y está lejos de poder
efectuarse en forma manual.

Referencias
[1] Gupta, Satyandra K. et al, Automated Process Planning for Sheet Metal Bending
Operations, Rapid Manufacturing Laboratory, Robotics Institute, Carnegie Mellon
University, 1999.
[2] Bhaskaran, Kumar, “Process Plan Selection”, International Journal of Production
Research, v.28, n.8, p.1527 – 1539, 1990.
[3] Zhang, H.-C. y Huang, S.H., “A Fuzzy Approach to Process Plan Selection”,
International Journal of Production Research, v.32, n.6, p.1265 – 1279, 1994.
[4] Kusiac, Andrew, Computational Intelligence in Design and Manufacturing, John
Wiley & Sons, Inc., New York, 2000.
[5] Chang, Tien-Chien et al., Computer-Aided Manufacturing, Prentice-Hall, New
Jersey, 1991.
[6] Alting, Leo y Zhang, Hong-Chao, “Computer Aided Process Planning: The State of
the Art Survey”, International Journal of Production Research, v.27 n.4, p.553 – 583,
1989.
[7] Opas, Jussi et al. “Automatic Process Plan Generation in an Operative Process
Planning System”, International Journal of Production Research, v.32, n.6, p.1347 –
1363, 1994.
[8] Jang, Jyh-Shing Roger et al., Neuro-Fuzzy and Soft Computing, Prentice Hall, Inc,
Upper Saddle River, 1997.
[9] Irani, Shahrukh A. et al., “Feature-Based Operation Sequence Generation in
Computer Aided Process Planning (CAPP)”, International Journal of Production
Research, v.33, n.1, p.17 – 39, 1995.
[10] Singh, Nanua y Mohanty, Bhaba Krishna, “A Fuzzy Approach to Multi-Objetive
Routing Problem with Applications to Process Planning in Manufacturing Systems”,
International Journal of Production Research, v.29, n.6, p.1161 – 1170, 1991.
[11] Sankof, David y Kruskal, Joseph, Macromolecules: The Theory and Practice of
Sequence Comparison, Addison-Wesley, 1999.