Sistema de producción multi-línea optimizado por PSO

• Víctor Quezada-Aguilar ^[1] ; Juan Carlos Seck Tuoh-Mora ^[1] ; Jose Carlos Quezada-Quezada ^[1] ; Arturo Cuatepotzo-Bravo ^[2]
  1. [1] Universidad Autónoma del Estado de Hidalgo

     Universidad Autónoma del Estado de Hidalgo

     México

     
  2. [2] Instituto Tecnológico y de Estudios Superiores de Monterrey

     Instituto Tecnológico y de Estudios Superiores de Monterrey

     México

     
• Localización: Ingeniería, investigación y tecnología, ISSN 1405-7743, ISSN-e 2594-0732, Vol. 21, Nº. 1, 2020
• Idioma: español
• DOI: 10.22201/fi.25940732e.2020.21n1.006
• Títulos paralelos:
  • Multiple system of production optimized by PSO
• Enlaces
  • Texto completo
• Resumen
  • español

    La competitividad en el sector industrial nacional e internacional exige variabilidad de productos, donde la flexibilidad de los sistemas productivos es el eje principal. Sin embargo, el manejo inadecuado de los recursos disminuye el factor de competencia en los mercados. Este documento analiza el problema de asignación de órdenes de producción en un sistema flexible, que tiene 4 líneas productivas, donde cada una cuenta hasta con 6 estaciones de trabajo. La producción es de 10 lotes, cada uno de ellos contiene hasta 5 productos diferentes. El objetivo es encontrar la asignación de lotes para su procesamiento en las líneas de producción, que optimicen el tiempo total de procesamiento, así como el tiempo total de demora. Para lograr el objetivo se evalúan soluciones en un simulador del sistema productivo; la optimización de las funciones objetivo le corresponde al algoritmo PSO (Particle Swarm Optimization). La optimización se realiza primero para cada función objetivo y después para ambas considerando pesos ponderados. Los resultados muestran correlación en los valores de las funciones objetivo, sin embargo la solución del óptimo de la función objetivo 1 no lo es para la función objetivo 2 y viceversa. Una limitante en el proceso de optimización es la aleatoriedad que existe en el sistema de producción, lo que implica tener valores diferentes para una misma solución. No obstante, el proceso de optimización mantiene la solución óptima.

  • English

    The competitiveness in the national and international industrial sectors requires product variability, where the flexibility of the production systems is the central axis. However, the inadequate management of resources diminishes the competition factor in the markets. The document considers the problem of assigning production orders in a flexible system that has four production lines where each one has up to 6 work stations. The production is of 10 lots where each of them contains up to 5 different products. The objective is to find the allocation of batches for processing to the production lines, which optimize the total processing time as well as the total delay time. To achieve the objective, solutions are evaluated in a production system simulator where the optimization of the objective functions corresponds to the PSO (Particle Swarm Optimization) algorithm. The optimization is done first for each objective function and then taking both considering weighted weights. The results show a correlation in the values of the objective functions. Nevertheless, the solution of the optimum of the objective function 1 is not for objective function 2 and vice versa. One limitation in the optimization process is the randomness that exists in the production system, which implies having different values for the same solution; however, the optimization process maintains the optimal solution.

• Referencias bibliográficas
  • Acosta-Flores, J.J.. (2019). Algoritmo para analizar decisiones con objetivos múltiples bajo incertidumbre. Ingeniería Investigación y Tecnología....
  • Bellgran, M.,Säfsten, K.. (2010). Production development design and operation of production systems. Springer. New York, EUA.
  • Ben-Guedria, N.. (2016). Improved accelerated PSO algorithm for mechanical engineering optimization problems. Applied Soft Computing. 40....
  • Chu, Y.,You, F.,Wassick, J.M.,Agarwal, A.. (2015). Integrated planning and scheduling under production uncertainties: Bi-level model formulation...
  • Cuevas-Jiménez, E.V.,Osuna-Enciso, J.V.,Oliva-Navarro, D.A.,Díaz-Cortés, M.A.. (2017). Optimización, algoritmos programados con MATLAB. 1....
  • Dorigo, M.,Birattari, M.,Stützle, T.. (2006). Ant colony optimization artificial ants as a computational intelligence technique. IEEE Comput....
  • Eskandar, H.,Sadollah, A.,Bahreininejad, A.,Hamdi, M.. (2012). Water cycle algorithm a novel metaheuristic optimization method for solving...
  • Goldberg, D.. (1989). Genetic algorithms in search, optimization and machine learning.
  • Guinet, A.. (2001). Multi-site planning: A transshipment problem. International journal of production economics. 74. 21-32
  • Guo, Z.,Wong, W.,Li, Z.,Ren, P.. (2013). Modeling and Pareto optimization of multi-objective order scheduling problems in production planning....
  • Holland, J.. (1975). Adaptation in natural and artificial systems: An introductory analysis with applications to biology, Control, and artificial...
  • Hoon-Kim, S.,Hoon-Lee, Y.. (2016). Synchronnized production planning and scheduling in semiconductor fabrication. Computer and industrial...
  • Husseinzadeh-Kashan, A.. (2011). An efficient algorithm for constrained global optimization and application to mechanical engineering design:...
  • Józefowska, J.,Zimniak, A.. (2008). Optimization tool for short-term production planning and scheduling. International journal de production...
  • Karaboga, D.,Basturk, B.. (2007). Artificial bee colony (ABC) optimization algorithm for solving constrained optimization. LNAI. 4529. 789
  • Kennedy, J.,Eberhart, R.. (1995). Particle swarm optimization. International Conference on Neural Networks. IV. Perth, Australia.
  • Lee, K.,Geem, Z.. (2004). A new structural optimization method based on the harmony search algorithm. Comput. Struct. 82. 781
  • Leung, S.C.,Tsang, S.O.,Lung, W.N.,Wu, Y.. (2017). A robust optimization model for multi-site production planning problem in an uncertain...
  • López-Sánchez, A.Y.,González-Lara, A.L.,Alcaraz-Corona, S.. (2019). Simulación para la optimización de la producción de ejes en la línea de...
  • Man, K.,Tang, K.,Kwong, S.,Ip, W.. (2000). Genetic algorithm to production planning and scheduling problems for manufacturing systems. Production...
  • Mori, J.,Mahalec, V.. (2017). Planning and scheduling of steel plates production. Part II: Scheduling of continuous casting. Computer and...
  • Pedersen, M.,Chipperfield, A.. (2010). Simplifying Particle Swarm Optimization. Applied Soft Computing. 10. 618
  • Sadollah, A.,Bahreininejad, A.,Eskandar, H.,Hamdi, M.. (2013). Mine blast algorithm: a new population based algorithm for solving constrained...
  • Timpe, C.,Kallrath, J.. (2000). Optimal planning in large multi-site production networks. European journal of operational research. 126. 422
  • Yang, X.. (2009). Firefly algorithms for multimodal optimization. Lect. Notes Comput. Sci.