Professional Documents
Culture Documents
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.
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.
• 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.
{
a j = 1 si el pp j es seleccionado
0 e.o.c.
O
Wk
μ A j = ∑ O
μk j
k =1
∑Wk
k =1
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.
{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
{t x , f y }=SD j ∪SD j 1 2
{t x , f y }=SD [e ]∪SD j ¿
Si:
μ A PP θ −d PP j
¿ ¿ μ A [ e ] −d [ e ] j ¿
e θe
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 }
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= y1
Factores Niveles
a1: 10
A: Número de productos a2: 20
a3: 100
b1: 10
B: Número de recursos b2: 20
b3: 50
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
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
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.
Terms:
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.