UNIVERSIDAD TÉCNICA DE MANABÍ

FACULTAD DE CIENCIAS MATEMÁTICAS FÍSICAS

Y QUÍMICAS

CARRERA DE INGENIERÍA QUÍMICA

CONTROL AUTOMÁTICO DE PROCESOS

TEMA:

PROGRAMACIÓN DE LA PRODUCCIÓN EN EL MUNDO REAL

PARA LA INDUSTRIA ALIMENTARIA:

UN ENFOQUE INTEGRADO

ESTUDIANTES:

BRAVO MURILLO JEFFERSON DARÍO

MERA PRADO CESAR ANTONIO

PILLIGUA MACÍAS JOSÉ ROBERTO

REINOZO ALCÁNTARA PATRICIO ESEQUIEL

ZAMBRANO ARTEAGA EVELYN KAROLINA

DOCENTE:

ING. ANDRES SALAS

PARALELO “E”

ABRIL/AGOSTO-2018
 1. Introducción
Los sistemas ejecución de fabricación (SEM) pueden contribuir en la eficiencia de una
fábrica, puede servir para gestionar y supervisar el trabajo d proceso en un suelo de
fábrica. Estos cada día se van integrando más en una planificación empresarial para
conectar el control y nivel de una manera continua. Los procesos de producción primaria
son continuos, u ocurre en un lote indistinguible de materiales. Por ejemplo, en la
industria de procesos podemos incluir alimentos, bebidas, productos químicos, productos
farmacéuticos, petróleo, pinturas y recubrimientos, etc. La investigación que vamos a
analizar se concentra en empresas de procesamiento de alimentos.

Por ejemplo, las rutas físicas entre los centros de trabajo en el diseño de la planta,
la gran diversidad de productos (diferentes gustos, diferentes envases, etiquetas
personalizadas, etc.), recetas de productos complejos, y muchos más. . Bilgen y Gunther
(2010) introdujo una llamada 'planificación de bloques' Para la programación de
producción en el consumidor de rápido movimiento industria la cual veremos a
continuación….
 En cooperación con un sistema de ejecución SEMware desarrollaron un integrado
para refinar el kernel de programación dentro de sus productos, un desafío que enfrentan
los clientes de MESware es hacer frente a una creciente demanda de flexible,
personalizado y producción más rápida. . En este momento, MESware y sus clientes no
requieren horarios óptimos. Los horarios deben generarse rápidamente suficiente y debe
ser de calidad suficiente en comparación con el manual práctica. El enfoque de solución
general desarrollado en este documento consiste en un marco de programación genérico
en el que los problemas específicos de la industria se pueden incluir mediante módulos
de pre procesamiento o decisión.

Las técnicas de búsqueda local son utilizadas para optimizar las decisiones
tomadas en estos módulos. En segundo lugar, nosotros utilizar técnicas de aprendizaje
automático para mejorar el conocimiento de fondo en los indicadores clave de
rendimiento (KPI). Luego mostraron como el marco modular se usa para implementar los
primeros tres requisitos, y cómo se puede utilizar para abordar aún más el resto unos.
Actualmente, el programador opera de manera totalmente determinista entorno, pero en
el futuro lo haremos más dinámico.

2. Una visión general de alto nivel

En el mundo real la programación es un desafío complejo con muchas

restricciones, pero gracias a algunos métodos como el que vimos en la figura número 1
se puede descomponer en varios pasos y llegar una solución. Estos pasos son: un paso de
decisión, un paso de traducción, un paso de generación de programación, y finalmente un
paso de optimización. El paso de pre procesamiento comprueba la corrección de la
entrada ordena y hace algunos preparativos. Este es un problema de enrutamiento eso se
discute en la Sección 3. El paso de decisión, que es parte del paso de optimización, asigna
valores a las variables de decisión. Este paso se discute en la Sección 4. El paso de
traducción usa la información de fondo, la entrada órdenes y las variables de decisión
para formular una programación problema. Usaron el problema de programación general,
para así formar relaciones como (RCPSP / GPR). El paso de generación de programación
resuelve el problema de programación formulado en el paso anterior, que es un RCPSP
de múltiples proyectos /GPR. . Los múltiples problemas de programación se resuelven
uno a uno por la secuencia de órdenes dada (elegida en el paso de decisión). . La Sección
5 describe el paso de traducción, junto con el paso de generación de cronograma. La
generación de horario paso proporciona algunos comentarios sobre la calidad de la
solución eso fue generado. Esta información se retroalimenta a la optimización paso, para
que se puedan tomar mejores decisiones locales y mejorar (horarios) se pueden encontrar
de forma iterativa. Finalmente, el paso soluciones de optimización busca soluciones de
buena calidad de una manera guiada.

Asumieron que en todos los pasos ellos tuvieron un conocimiento de fondo.

Buscando información estática y dinámica sobre el diseño de la planta, las relaciones de
proceso, la estructura del producto, los tiempos de procesamiento, los tiempos de
preparación, avería de la máquina o mantenimiento, personal, horas de trabajo y
equipamiento. La exactitud de esta información influye fuertemente la aplicabilidad del
planificador. La Sección 6 discute el Último tema.
5. Traducción a RCPSP / GPR

Las restricciones, variables y objetivos del mundo real se traducen a un problema

de programación. El proyecto de recursos limitados RCPSP / GPR es un problema de
programación muy general, el cual las limitaciones de recursos y tiempo pueden
formularse muy fácilmente. Un ejemplo que se puede adjuntar son los retrasos de tiempos
entre consecutivas actividades, se puede decir también que los pedidos múltiples
componen un problema de programación con recursos compartidos. Primero se describe
RCPSP / GPR, seguido de la conversión de lo real limitaciones mundiales a este problema
teórico de programación. El RCPSP / GPR es un tipo de proyecto de recursos limitados
problema de programación con retardos mínimos y máximos, también llamadas
relaciones de precedencia generalizadas o restricciones temporales.

La programación de producción es una de las técnicas más obvias en el campo de

aplicación de algún problema, para la cual se usó una notación similar a la descrita por
Frank (2001), que consiste en un proyecto con n actividades reales, dos actividades
simuladas que se agregan para representar el inicio y final de tal proyecto.

Una vez traducido, es decir, en un problema RCPSP / GPR, la solución se genera

secuencialmente proyecto por proyecto. La secuencia fue determinada en el paso de
decisión. Los problemas RCPSP / GPR pueden ser resuelto con técnicas de la literatura.
6. Alimentar el programador con antecedentes precisos conocimiento.

Se dice que la precisión del conocimiento es la parte con mayor importancia para
obtener un buen método de programación, se puede decir que conocer el tiempo exacto
para producir cierta cantidad de un determinado producto en alguna industria sería un
ejemplo claro que se puede aplicar al concepto anteriormente dado.

Si bien es conocido que, en su mayoría las empresas utilizan maquinas que

estiman los valores del proceso de un determinado producto, pero también es necesario
acotar que estas maquinarias no son cien por ciento confiables puesto que tienden a arrojar
algún error en este proceso. Para ello se ha desarrollado un método de programación que
se acerca a un porcentaje de confiabilidad mayor al de las maquinas utilizadas por ciertas
empresas.

Para el mejor funcionamiento de estas máquinas, se ha desarrollado un método

basado en la regresión con el fin de ajustar los valores de velocidad con los que trabaja.
Esta experimentación se llevo a cabo de una manera confidencial en conjunto con clientes
que proporcionaron los valores iniciales con los cuales se trabajó y se pudo hacer una
comparación del avance del desarrollo del método.

Los datos proporcionados por los clientes contienen registros ejecutados en un

periodo aproximadamente de un año, estos valores fueron ejecutados en valores de
instancias los cuales a su vez corresponden a un a instancia con múltiples valores de
parámetros y un valor de clase continua. Luego se alimentaron estos valores en un
régimen con el fin de desarrollar un modelo a partir de estos datos, los cuales luego
servirían para ejecutarlos en las máquinas y ajustar los valores de velocidad de la misma.
7. Ejemplo ilustrativo

En este parámetro ellos van a ilustrar un enfoque por medio de un ejemplo del
mundo real a escala promedio. Nos han dado datos de un diseño de planta con
aproximadamente 20 centros de trabajo, tres empaques paralelos líneas y muchas zonas
de almacenamiento y búferes. Tanto el extremo y las conexiones de inicio y fin están
presentes. Casi todos los centros de trabajo son diferente en velocidad y capacidad. Una
serie de conjuntos heterogéneos de órdenes de producción con diferentes tamaños (de 10
a 100 en incrementos de 10, y de 100 a 1000 en incrementos de 100pedidos de
producción) están preparados, utilizando un conjunto de cinco diferentes tipos de
producto dados por MESware (todas las estructuras de árbol). Las ordenes consiste en un
promedio de 10 pasos del proceso (incluida la producción y el empaquetado). Todos estos
pedidos contienen uno o más pasos de mezcla donde se requieren múltiples productos
intermedios como entrada.

La Fig. 3 muestra los tiempos de cálculo promedio en milisegundos para generar un

cronograma inicial factible para un conjunto heterogéneo pedidos de un cierto tamaño. El
paso de generación de programación aplica LST como una regla de prioridad. Las pruebas
se realizan en un Intel Core 2 Duo 2.8 GHz procesador, y el programa está escrito en la
programación c] idioma. Toda la información de fondo se carga por adelantado, base de
datos los tiempos de conexión están excluidos. Podemos ver que incluso para el más
grande conjunto de 1000 órdenes de producción el algoritmo necesita menos de un
segundo para encontrar un primer cronograma factible (solución inicial). Esto incluye la
reprocesamiento (enrutamiento), decisión y paso de generación de cronograma. En esto
momento en que un cliente típico de MESware programa menos de 100 órdenes por
semana. El enfoque probado requiere menos de 100 ms para programar este número de
pedidos y, por lo tanto, dejar suficiente potencial para la optimización o para escalar a
clientes más grandes. El desempeño escala linealmente con el número de pedidos, porque
los pedidos son programados uno después del otro. La cantidad de pasos de proceso por
pedido tendrá un mayor impacto en el sistema e influye en el tiempo de ejecución de tanto
el enrutamiento como los pasos de generación del cronograma. Para un horario
optimizado, es decir, un horario con makespan más bajo, el tiempo de cálculo depende de
varios factores. Uno de esos factores es la condición de terminación. Usamos la siguiente
condición de terminación:

Detener cuando el número de ciclos consecutivos (iteraciones)sin significado

(>Xmin%) la mejora excede un límite Lmax.
 Otros factores que influyen en el tiempo de cálculo son los iniciales solución, el
número de pedidos y el número de rutas alternativas. El método de búsqueda local
utilizado es un descenso más empinado que optimiza el objetivo makespan total (es decir,
minimiza el makespan sobre todos los proyectos).Generar un cronograma optimizado
para un conjunto de 30 pedidos toma aproximadamente 10 s, cuando usamos
Xmin=0.01% y Lmax=3 en la condición de terminación. El progreso de esta optimización
en términos de total makespan se presenta en la figura 4. La figura muestra que ella
optimización mejora aún más la solución inicial. En nuestras pruebas notó que muchas
mejoras se realizan cambiando rutas La secuencia de pedidos tiene menos influencia en
el cronograma makespan cuando todos los pedidos son similares. Tenga en cuenta que
podríamos fácilmente reemplazar el algoritmo de descenso más empinado por un más
inteligente algoritmo de optimización (tabu-busqueda , recocido simulado, genético
algoritmo, etc.), lo que permitiría mejoras adicionales.

8. Discusión

En el trabajo que vimos se presentó un enfoque integrado para la producción

programación, y demostrado su aplicabilidad a la comida industria de procesos. Separan
la programación del mundo real en varias subtareas o pasos que pueden ser realizados por
diferentes componentes. Esto les permitió desarrollar métodos para cada subtarea por
separado y también nos permite extender fácilmente el enfoque con nuevos componentes.
Inicialmente, modelamos la programación problema como una programación muy
general de recursos limitados problema con las relaciones de precedencia generalizadas.

Nos permite modelar una variedad de restricciones relacionadas con la industria

en forma separada módulos. Se usa un método basado en reglas de prioridad popular para
resolver el problema teórico de programación. Sin embargo, podría ser intercambiado con
otros solucionadores también. El enfoque presentado es capaz de programar múltiples
producciones pedidos juntos, que en realidad era un requisito importante del socio
industrial. Tratar con cualquier posible planta el diseño es otro requisito esencial. Por lo
tanto, una ruta el problema se resuelve en un módulo separado, es decir, los pasos del
proceso son mapeado en los centros de trabajo. Al poner esto en un módulo separado,
decidir una ruta específica se ha convertido en una decisión explícita variable. Al aplicar
la búsqueda local, las decisiones nuevas y mejores pueden ser exploradas para este
módulo. Como muestra la figura 4, decidiendo una ruta es una variable de decisión bien
elegida desde mejoras considerables del horario se puede llegar cambiando esta decisión
variable.

Otra variable que utilizaron es determina una secuencia explícita en que los
pedidos del cliente deben programarse. Este módulo debe extenderse aún más, a fin de
abordar dependiente de la secuencia tiempos de configuración. Se pueden agregar otros
módulos para decidir, para ejemplo, si incluir o no la capacidad de stock en el producción.
Este módulo podría diseñarse como un refuerzo módulo de aprendizaje que aprende en
qué Situaciones de stock deben ser incluidas o no.

Muchas otras variables de decisión podrían ser tomadas en cuenta. Incluso se

podría tomar una decisión variable para representar la elección del algoritmo de
planificación teórico real utilizado. Uno de los requisitos restantes es alimentar el
planificador con información actualizada sobre el proceso de producción. Esto era
abordado mediante la sustitución de las velocidades teóricas de la máquina por unos
mejores estimados. Estas estimaciones son el resultado de un algoritmo de regresión que
usa información histórica. Por ahora, solo las estimaciones de los tiempos de
procesamiento son retroalimentadas al sistema, pero esto puede directamente a otros KPI.
 El enfoque también demostró ser lo suficientemente rápido para uso práctico y
escala bien a una gran cantidad de producción pedidos.