SECUENCIACION EN AMBIENTES JOB SHOP POR MEDIO DE SISTEMAS EXPERTOS Y AGENTES INTELIGENTES

Omar D. Castrillón.Ingeniería Industrial, Universidad Nacional de Colombia

Manizales, Caldas 0017, Colombia. odcastrillong@unal.edu.co

Jaime Alberto GiraldoIngeniería Industrial, Universidad Nacional de Colombia

Manizales, Caldas 0017, Colombia. jaiagiraldog@unal.edu.co

William Ariel Sarache CIngeniería Industrial, Universidad Nacional de Colombia

Manizales, Caldas 0017, Colombia. wasarachec@unal.edu.co

RESUMEN

El objetivo del presente trabajo1, es disminuir el tiempo de proceso (Makespan) y aumentar el tiempo de utilización de las máquinas, disminuyendo el tiempo de ocio (idle), en ambientes Job Shop, mediante el diseño de una metodología basada en Sistemas Expertos y Agentes Inteligentes. Este trabajo se desarrolla en dos fases: En la primera, se aborda la identificación y definición de una metodología para los procesos de secuenciación en ambientes Job Shop. En la segunda etapa, se demuestra la efectividad de este Sistema Informático, en los procesos tradicionales de programación de la producción. La investigación propuesta se desarrolla en una empresa del sector metalmecánico, donde por medio de la combinación de Sistemas Expertos y Agentes Inteligentes se mejora la programación de un pedido, logrando disminuir considerablemente su tiempo total de proceso y en consecuencia su tiempo total de ocio. Igualmente, en este documento se analiza el comportamiento de otras variables como el porcentaje de utilización de las máquinas o centros de trabajo.

Palabras claves: Job Shop Scheduling, Fitness, Makespan, Idle.

1. INTRODUCCION

Desde el origen de la planificación industrial, a mediados del siglo XX, se han logrado grandes avances; especialmente en los últimos años, se ha

1 Este trabajo se deriva de la participación de sus autores en un proyecto de investigación financiado por La Vicerrectoria de Investigaciones de la Universidad Nacional de Colombia, titulado “Los sistemas Expertos y los Agentes Inteligentes, en la reducción de los plazos de fabricación en ambientes Job Shop”.

.

venido desarrollando un gran interés por la aplicación de métodos heurísticos y analíticos, los cuales han generado nuevos algoritmos con el fin de resolver los problemas típicos en la planificación de los procesos industriales[1], como: Repartición de recursos, ineficiente asignación de máquinas, inadecuada ordenación y secuencia de los I lotes en cada una de las J máquinas, incumplimiento de plazos de entrega, inapropiada estimación de la demanda, difícil manejo de las ordenes de compra, mal control de inventarios, frecuentes acciones de empuje de trabajos, desequilibrio en la capacidad de los centros de trabajo CT e insatisfacción de las condiciones de calidad. [2]

Si bien, existen múltiples metodologías para tratar de solucionar gran parte de los anteriores problemas, en su gran mayoría, estas técnicas son estáticas o de corto alcance y presentan problemas cuando el número de lotes (I) y máquinas (J), cambia considerablemente, pudiéndose decir que no existe ninguna técnica de solución general e incluso las técnicas de simulación informatizadas, son de difícil aplicación debido al altísimo número de posibles soluciones del problema (I!J).

Sin embargo, la evolución de las diferentes heurísticas y los nuevos adelantos informáticos, como los sistemas inteligentes, han generado una nueva serie de metodologías capaces de controlar métodos de alto nivel, diseñados por medio de técnicas especializadas, con el fin de controlar adaptativamente varios métodos heurísticos, meta heurísticos y analíticos que permitan encontrar, para los problemas específicos, de secuenciación de la producción en ambientes Job Shop, [3] soluciones muy cercanas a la óptima, en tiempos de computo despreciables. [4] Estas técnicas, establecen nuevas y mejores soluciones a partir de soluciones ya existentes, lo que permite una gran versatilidad en la solución de estos problemas [5].

Es así, como se han desarrollado, diferentes metodologías, de secuenciación de máquinas, basadas en: Sistemas inteligentes, algoritmos genéticos [6,7,8], partículas inteligentes [9,10,11], colonia de hormigas[12] y sistemas inmunes [13] entre otras.

En general, la inteligencia artificial ha permitido solucionar una gran variedad de problemas tales como: Optimización de cualquier función calculable independientemente de que sea analítica o digital; solución del clásico problema del viajero, planificación de horarios de clase; programación del transporte público; programación de aterrizajes de aviones; carga de talleres, análisis de colas en problemas de programación dinámica. [14, 15, 16], programación de vehículos inteligentes[17] y otras diversas áreas [18].

El objetivo fundamental de este artículo, es diseñar una nueva metodología basada en Sistemas Expertos y Agentes Inteligentes, la cual permita mejorar la secuenciación de los pedidos, en las diferentes máquinas, en un ambiente Job Shop.

Aunque específicamente, esta metodología se centra en las variables tiempo total de proceso y tiempo total muerto, la misma también permite analizar el funcionamiento de otras variables como el porcentaje de utilización de las máquinas.

2. METODOLOGIA

Paso 1 Estructura: Si bien, existen diversas estructuras [19,20,21] para representar un problema JSSP NXM, en esta metodología, este problema, será representado por medio de una matriz bidimensional, como la ilustrada en la Tabla 1.

Tabla 1. Estructura problema JSSP NXM.

Ped1 Ped2 … Pedn

C1 M

..

Cm

Donde, Ci representa la máquina i, Pedj el pedidos J y M es el tiempo de proceso del pedido i en la máquina J.

Paso 2. Sistema Experto: Conformado, fundamentalmente por las siguientes partes: a) Base de Conocimiento. B.C Para esta metodología, se diseña una base de conocimientos, conformada por cuatro técnicas básicas: Algoritmos genéticos, minería de datos, búsqueda tabú y búsqueda aleatoria. b) Mecanismos de Inferencia MI: En esta parte el sistema, debe seleccionar la técnica más apropiada para la solución del problema deseado. Fundamentalmente, el mecanismo de inferencia es controlado por un agente inteligente, el cual con base en las técnicas anteriormente empleadas, predice e informa al sistema, la próxima técnica que será aplicada, con el fin de buscar

mejorar el proceso. La mejor técnica se elige tomando como referencia el menor valor de las variables Makespan e idle. Ecuaciones 1 y 2. c) Control de Coherencia CC. Con el fin de evitar que las soluciones no validas sean tomadas en cuenta por el sistema, se debe analizar la coherencia de cada solución. La solución debe cumplir con las restricciones impuestas. d) Interfaz de Usuario. Permite la interacción con el usuario.

Paso 3. Gantt: El Diagrama de Gantt, permitirá establecer el orden de los procesos en el tiempo, lo cual hace posible evaluar cada una de las diferentes soluciones encontradas y calcular los parámetros objeto de estudio: Tiempo total de proceso ó makespan (Ecuación 1), tiempo total muerto o idle (Ecuación 2), porcentaje de utilización de las máquinas (Ecuación 3)

ij

N

i

M

j

PMinMakespan ∑∑= =

=1 1

( 1 )

∑=

=m

jjfMinIdle

1

( 2)

100**

)*(

MMakespan

IdleMMakespannUtilizacio

−= ( 3 )

El objetivo fundamental, es minimizar las dos primeras funciones Fiteness. Donde N, representa el número de trabajos. M, representa el número de máquinas, Pij es el tiempo de procesamiento del trabajo i, en la máquina j y fj, es el tiempo total ocio de la maquina j.

Paso 4. Optimo: Finalmente, la estimación de la solución óptima, mediante un proceso de backtraking y poda, permitirá medir la efectividad de la metodología propuesta, al establecer la aproximación de cada una de las soluciones encontradas respecto al óptimo.

3. EXPERIMENTACIÓN

En la experimentación de esta metodología, se tomó como referencia una empresa del sector metalmecánico, en su producto fundamental. Aunque en el problema original, el producto debe pasar por seis centros de trabajo sin importar el orden; la experimentación se realizó con base en un problema de carácter general, con 15 centros de trabajos y 15 pedidos; restricción realizada, solo por razones computacionales.

Tabla 2. JSSP NXM. 5,5911*10181 Posibilidades. N!M

P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15

C1 5 6 7 8 9 2 3 4 5 6 6 7 8 4 6C2 1 3 5 7 8 3 4 7 8 8 9 7 8 9 1C3 1 2 3 4 5 1 2 3 4 9 5 1 4 2 3C4 5 4 6 7 8 2 3 4 5 6 4 4 4 2 3C5 9 8 7 6 6 9 8 4 5 6 3 4 4 2 3C6 2 3 4 5 6 4 3 4 5 4 2 3 4 2 3C7 2 8 4 5 9 9 2 6 8 9 2 6 4 3 3

P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15

C8 3 7 5 3 8 8 8 2 3 4 1 5 8 4 8C9 4 7 6 8 5 7 4 6 7 7 7 8 9 4 8C10 5 6 9 9 3 6 6 8 4 8 8 1 2 6 9C11 1 6 4 2 4 5 7 7 3 9 9 5 6 2 5C12 2 7 5 3 1 3 8 4 1 4 7 6 8 1 6C13 3 6 7 5 4 4 7 5 2 5 6 4 3 5 7C14 4 5 4 6 9 5 3 8 4 6 3 2 5 3 8C15 1 2 3 8 8 6 2 9 6 7 5 9 6 7 9

4. RESULTADOS Y DISCUSIONES

Paso 1: Una vez representada el problema por medio de una estructura bidimensional, el resultado es ilustrado en la tabla 2.

Paso 2-3: Los resultados de este proceso, son ilustrados en la Tabla 3, donde las mejores soluciones son mostradas. Igualmente, la Figura 1, ilustra la mejor de todas las soluciones.

Tabla 3. Mejores Soluciones. Nro. Makespan % Aprox Idle % Aprox Utilizan Téc1 114 95.61% 561 86.63% 67.19% A.G

2 113 96.46% 546 89.01% 67.79% A.G

3 116 93.96% 591 82.23% 66.03% A.G

4 116 93.96% 591 82.23% 66.03% A.G

5 114 95.61% 561 86.63% 67.19% A.G

Promedio 95.11% 85.26% 66.85%

Figura 1. Diagrama de Gantt. Mejor Solución Tabla 3. TP = 113, TM = 546

Paso 4: La Figura 2 ilustra la solución óptima estimada mediante un proceso de backtraking y poda:

Figura 2. Diagrama de Gantt, estimación solución óptima. TP = 109. TM = 486

5. CONCLUSIONES

Como se ilustra a lo largo de este documento, los sistemas expertos y los agentes inteligentes constituyen una excelente técnica en la solución de un problema Job Shop. El empleo de estas técnica permitió encontrar soluciones cercanas al optimo en un 95.11% y 85.26%, respectivamente en las variables tiempo total de proceso y tiempo total muerto. Igualmente, el porcentaje promedio de utilización de las máquinas fue del 66.85%.

Finalmente, es importante resaltar que el cálculo de las variables tiempo total de proceso, tiempo total muerto, y porcentaje de utilización de las máquinas, deben estar ligados a una función de costo, transformando el problema en un análisis multiobjetivo; que será objeto de futuras líneas de investigación.

6. AGRADECIMIENTOS

Se agradece la colaboración prestada a todos los miembros del Grupo de Innovación y Desarrollo Tecnológico de la Universidad Nacional de Colombia sede Manizales.

7. REFERENCIAS

[1]. Domínguez J. (2001). Dirección de Operaciones. Aspectos tácticos y operativos en la dirección de servicios. Mac Graw Hill. Madrid.

[2]. Miltenburg J. (1.995). Estrategia de fabricación productivity. Press Pórtland, Oregon.

[3] Santana J. B, C. C. Rodríguez, otros. (2004). Metaheurística. una revisión actualizada. Pág. 5. Universidad de la laguna. Grupo de computación inteligente. España.

[4]. Tupia M., David M. (2004). Un algoritmo voraz para resolver el problema de la programación de tareas dependientes en máquinas diferentes. Rev. investig. sist. inform. Facultad de Ingeniería de Sistemas e Informática Vol 1. Nro 1. Pag 9 -18.

[5]. Domínguez M. (2001). Dirección de Operaciones. J. A. Aspectos tácticos y operativos en la dirección de servicios. Mac Graw Hill. Madrid.

[6]. Khilesh K, Anuj P, et All. (2006). Psycho-Clonal algorithm based approach to solve continuous flow shop scheduling problem. Expert Systems with Applications 31 (2006) 504–514. Ed. Elsevier

[7]. Monch L., R. Schabacker. (2006). Genetic algorithm-based subproblem solution procedures for a modified shifting bottleneck heuristic for complex job shops. European Journal of Operational Research . Ed. Elsevier.

[8]. Guo Z., W. Wong. (2006) Mathematical model and genetic optimization for the job shop scheduling problem in a mixed- and multi-product assembly environment: A case study based on the apparel industry. Computers & Industrial Engineering 50 202–219. Ed Elsevier.

[9]. Van F, Engelbrecht (2006). A study of particle swarm optimization particle trajectories. Information Sciences 176 937 -971. Ed. Elsevier

[10]. Fatih M.. Y. C. Liang. (2006) A particle swarm optimization algorithm for makespan and total flowtime minimization in the permution flowshop sequencing problem. European Journal of Operational Research Ed. Elsevier.

[11].Lian Z, Gu X. (2006) A similar particle swarm optimization algorithm for permutation flowshop scheduling to minimize makespan. Applied Mathematics and Computation 175 773-785. Ed. Elsevier

[12]. Huang K., C. Liao. (2006) Ant colony optimization combined with taboo search for the job shop scheduling problem. Computers & Operations Research. Ed. Elsevier

[13]. Zandieh M, Fatemi S.M. (2006). An immune algorithm approach to hybrid flow shops scheduling with sequence-dependent setup times. Applied Mathematics and Computation 180 111–127. Ed Elsevier

[14].Azaron A. Katagiri H. (2.006) Longest path analysis in networks of queues: Dynamic scheduling problems. European Journal of Operational Research 174 132–149. Ed. Elsevier.

[15].Yong C, Li P. (2006) A tabu search algorithm with a new neighborhood structure for the job shop scheduling problem. Computers & Operations Research. Ed Elsevier.

[16].PaulWatson J. Howeb A. (2006). Deconstructing Nowicki and Smutnicki’s i-TSAB tabu search algorithm for the job-shop scheduling problem. Computers & Operations Research 33 2623–2644. Ed Elsevier

[17].Armingol Jose M, de la Escalera A. (2007). Intelligent vehicle based on visual information. Robotics and Autonomous Systems 55 904–916. El Sevier.

[18].Chen Toly. (2008). An intelligent mechanism for lot output time prediction and achievability evaluation in a wafer fab. Computers & Industrial Engineering 54 77–94. El sevier.

[19].Thompson G. L. & Muth, J. F.(1963). Industrial scheduling, Englewood Cliffs, NJ: Prentice Hall.

[20].Koonce D.A. (2000). Using data mining to find patterns in genetic algorithm solutions to a job Shob schedule. Computer & Industrial Engineering 38 361 -374.

[21].Castrillon O, Sarache W, Giraldo J. (2009). Análisis de un problema Job Shop por medio de un Sistema Experto y un Agente Inteligente. 3rd International Conference on Industrial Engineering and Industrial Management XIII Congreso de Ingeniería de Organización. Barcelona-Terrassa, 2-4 septiembre 2009