Академический Документы
Профессиональный Документы
Культура Документы
COM
Revista de la Ingeniera Industrial
ISSN 1940-2163
Resumen
En este artculo se aborda el problema del diseo ptimo de procesos de un sistema de produccin en
lotes con demandas imprecisas sobre las cantidades a producir. La representacin en la imprecisin de
la demanda se efecta utilizando distribuciones de probabilidad normal. La metodologa de solucin al
problema de diseo hace intervenir un algoritmo gentico bi-criterio, con dos funciones objetivo a
optimizar: maximizar el valor presente neto de la inversin y minimizar una funcin que representa el
tiempo total de produccin con respecto a un horizonte de tiempo establecido. Se escogi a un
algoritmo gentico debido a que es adaptable a la solucin de problemas de tipo multicriterio.
Este estudio requiri el uso de dos software especializados, uno de simulacin llamado ProModel y uno
ms llamado Riskoptimizer, el cual combina simulacin y optimizacin logrando la optimizacin de
modelos que contienen factores de incertidumbre, obteniendo resultados que ayudan a elegir la mejor
alternativa de solucin.
Introduccin
Los sistemas de produccin en lotes representan un modo ideal de funcionamiento para
fabricar productos con las siguientes caractersticas: produccin en pequeas cantidades,
elaboracin de manera compleja, ciclo de vida limitada y un estricto control de condiciones de
operacin. Estos sistemas de produccin presentan la ventaja de poder elaborar, por
periodos, diferentes tipos de productos a partir de equipos estndar y de adaptarse a las
variaciones de naturaleza y calidad de las materias primas, as como a fluctuaciones
frecuentes de mercado, constituyendo un aspecto favorable desde el punto de vista de
flexibilidad.
As, durante la etapa del diseo de un proceso con un sistema de produccin en lotes, es casi
imposible obtener una informacin precisa sobre la futura demanda a producir (Shah y
Pantelides, 1992).
Recordemos que, clsicamente la capacidad del proceso debe satisfacer un equilibrio entre la
demanda a producir y el margen de produccin disponible en las instalaciones de la planta, de
manera que busque satisfacer dos criterios: maximizar el valor presente neto y minimizar una
funcin que representa el tiempo total de produccin con respecto a un horizonte de tiempo
(Cao y Yuan, 2002).
Dentro de este marco, se utiliz como mtodo de optimizacin un algoritmo gentico
multicriterio, anteriormente desarrollado por Modi y Karimi (1989), modificado y adaptado a
un modelo clsico de diseo. La integracin del carcter impreciso de la demanda a producir
necesit utilizar la media de sta as como su desviacin estndar, asumiendo que la
demanda se ajusta a una distribucin normal.
Producto
Producto
Demanda
(nmero
de
piezas)
=473000
=125
Demanda
(nmero
de
piezas)
Etapa
Mquina
1,2
3,4
5,6
7,8,9
10
11,12
13
8043
9965
9675
5354
7379
9999
3400
Capacidad de
cada mquina
(nmero de
piezas)
Tamao del lote
(piezas/lote)
943
943
943
943
943
943
943
Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)
10
10
10
Total de lotes en
cada etapa
(lotes/etapa)
16
20
20
15
20
Tiempo de
procesamiento en
cada mquina
(hrs/lote/maq)
Etapa
10
11
12
13
14
Mquina
14
15
16
17
18
19
20
Capacidad de
cada mquina
(nmero de
piezas)
4212
3211
4735
8473
5940
3222
1271
=473000
=125
943
943
943
943
943
943
943
Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)
Total de lotes en
cada etapa
(lotes/etapa)
Tiempo de
procesamiento en
cada mquina
(hrs/lote/maq)
Producto
Demanda
(nmero
de
piezas)
Mquina
1,2
3,4
5,6
7,8,9
10
11,12
13
8043
9965
9675
5354
7379
9999
3400
1195
1195
1195
1195
1195
1195
1195
12
16
16
12
16
Tiempo de
procesamiento
en cada mquina
(hrs/lote/maq)
Etapa
10
11
12
13
14
Capacidad de
cada mquina
(nmero de
piezas)
Tamao del lote
(piezas/lote)
Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)
=324000
=100
Total de lotes en
cada etapa
(lotes/etapa)
Demanda
(nmero
Producto
de
piezas)
Etapa
Mquina
14
15
16
17
18
19
20
Capacidad de
cada mquina
(nmero de
piezas)
4212
3211
4735
8473
5940
3222
1271
1195
1195
1195
1195
1195
1195
1195
Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)
=324000
=100
Total de lotes en
cada etapa
(lotes/etapa)
Tiempo de
procesamiento
en cada mquina
(hrs/lote/maq)
Producto
Demanda
(nmero
de
piezas)
Mquina
1,2
3,4
5,6
7,8,9
10
11,12
13
Capacidad de
cada mquina
(nmero de
piezas)
8043
9965
9675
5354
7379
9999
3400
939
939
939
939
939
939
939
10
10
10
16
20
20
15
20
Tiempo de
procesamiento
en cada mquina
(hrs/lote/maq)
Etapa
10
11
12
13
14
Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)
=258000
=90
Total de lotes en
cada etapa
(lotes/etapa)
Demanda
(nmero
Producto
de
piezas)
Etapa
Mquina
14
15
16
17
18
19
20
Capacidad de
cada mquina
(nmero de
piezas)
4212
3211
4735
8473
5940
3222
1271
939
939
939
939
939
939
939
Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)
=258000
=90
Total de lotes en
cada etapa
(lotes/etapa)
Tiempo de
procesamiento
en cada mquina
(hrs/lote/maq)
Los resultados de las medidas de desempeo obtenidos para el modelo del sistema de
produccin se muestran en la tabla 2. El tiempo total para procesar todos los lotes es el
tiempo total de la simulacin.
Tabla 2. Resultados de la simulacin en Promodel del sistema actual de produccin
A
B
C
Demanda (nmero de
piezas)
Total de piezas
producidas al final de la
simulacin
= 473000 s=125
= 324000 s=100
= 258000 s=90
501
271
274
472443
323845
257286
94.0
104.3
109.7
6358
(m j a jV j j ) + (nk bk Rk k ) + (csVs s )
j =1
k =1
s =1
(1)
b) Restricciones :
Restriccin temporal : H
Qi
i =1
i =1
Pr od i
Hi =
(2)
(3)
(4)
Restriccin de la productividad
i{1,..,I } Pr od i = Min [Pr odloc is ]
s S
(5)
(6)
t Ts , j J s
[Tij , it ]
(7)
i, t + i (t +1 ) + pij
mj
(8)
(9)
pij0 + g ij Bisd ij
(10)
(11)
i{1,..,I };s{1,..,S }
(12)
Pr odi S *is (T + T
s{1,..,S 1} Vs = Max
iI
L
is
L
i ( s +1)
it i (t +1) )
(13)
La notacin cientfica para comprender las formulaciones de Modi y Karimi (1989) se presenta
a continuacin:
Notaciones utilizadas
f : Costos de arranque
VP: Ventas en el ao p
DP: Costos del ao p
AP: Amortizacin
a:Tasa de Impuestos
i: Tasa de actualizacin
n: Duracin de vida del proyecto
CEj: Costo para la etapa discontinua j($)
COi: Costo de operacin del producto i ($/kg)
CPi: Precio del producto i ($/kg)
s :
10
11
Resultados
Como se coment en la seccin de formulacin del problema, la investigacin se bas en un
problema terico simulado. Los datos del modelo terico simulado son introducidos al
algoritmo gentico el cual es desarrollado en Excel. Estos datos se muestran en la tabla 4.
Tabla 4. Datos iniciales del modelo introducidos al algoritmo gentico
Etapa
Nmero de mquinas
Capacidad de cada mquina (nmero de piezas) 8043 9965 9675 5354 7379 9999 3400
Etapa
Nmero de mquinas
10
11
12
13
14
Capacidad de cada mquina (nmero de piezas) 4212 3211 4735 8473 5940 3222 1271
Una vez que se introdujeron los datos anteriores se obtuvieron como datos iniciales del
mismo algoritmo gentico los mostrados en la tabla 5, los cuales se obtienen de manera
directa debido a que el algoritmo gentico est construido sobre una plataforma de Excel. Los
datos iniciales son resultado de aplicaciones de frmulas del algoritmo gentico de Modi y
Karimi.
Tabla 5. Datos iniciales obtenidos en el algoritmo gentico.
VPN
Almacenamiento
(Vs)
(piezas)
Tamao de lote
(piezas)
1209
$17,415
Costo de
inversin ($)
Costo de
operacin
($)
Amortizacin
($)
Fondos de
arranque ($)
$962,107
$779,809
$192,421
$144,316
182.06
101.72
74.51
5.20
11.89
12.63
Al introducir los datos iniciales del sistema al algoritmo gentico y utilizando el software
Riskoptimizer se plantearn diversas alternativas modificando en cada una de ellas la tasa de
12
5 aos
10 aos
10%
15%
5 aos y 10%
10 aos y 10%
5 aos y 15%
10 aos y 15 %
En un anlisis previo se determin el tiempo necesario que tiene que pasar para que los
resultados de este algoritmo gentico se estabilicen. El anlisis mostr que se debe dejar
correr en la computadora cada uno de los escenarios a evaluar durante 10 horas. En la figura
2 se muestra una pantalla del algoritmo gentico en Excel, corrido en Riskoptimizer.
13
ya que fue el escenario que mostr un mayor VPN. La tabla 7 muestra los resultados de dicho
escenario.
Tabla 7. Datos obtenidos a 10 aos con una tasa de inters del 10%
VPN
Tamao de lote
(piezas)
Almacenamiento
(Vs)
(piezas)
1206
965
1206
$359,098
Amortizacin
($)
Fondos de
arranque
($)
$134,353
$100,765
Nmero de
mquinas
Capacidad de
cada mquina
(nmero de
piezas)
Nmero de
mquinas
Capacidad de
cada mquina
(nmero de
piezas)
Costo de
inversin
($)
Costo de
operacin
($)
965
$671765
$768589
Ciclo de tiempo
185.00
101.50
76.10
5.22
11.88
12.68
Etapa
4
7721
9648
9646
4833
7238
9659
2900
12
13
14
10
Etapa
11
3876
2898
4832
8690
5787
2896
1213
Conclusiones
Al realizar el anlisis de los resultados obtenidos despus de correr el algoritmo gentico, se
logr determinar lo siguiente:
14
El tamao del lote para cada una de las piezas (A, B, C) en cada caso aument.
Referencias bibliogrficas
Cao, D.M. y X.G. Yuan, Optimal design of batch plants with uncertain demands considering
switch over of operating modes of parallel units, Industrial Engineering and Chemistry
Research, 2002.
Goldberg, D.E. Genetic Algorithms in Search Optimization and Machine Learning, AddisonWesley Publishing Company, Reading, Massachusetts, 1989.
Huang, H. y W.F. Wang, Fuzzy decision-making desing of chemical plant using mixed-integer
hybrid differential evolution, Computers and Chemical Engineering, vol. 26, 2002.
Modi, A.K. e I.A. Karimi, Design of multiproduct batch processes with finite intermediate
storage, Computer and Chemical Engineering, vol. 13, 1989.
Shah N. y C.C. Pantelides, Desing of multipurpose batch plants with uncertain production
requerements, Ind. Eng. Chem. Res, 1992.
Silva C.M. y E.C. Biscaia, Genetic algorithm development for multi-objetive optimization of
Batch Free-radical polymerization reactors, Computers and Chemical Engineering, 2003.
15