SciELO - Scientific Electronic Library Online

 
vol.3 número1-2DETERMINACION DEL MODULO DE ELASTICIDAD DE LA MADERA MEDIANTE VIBRACIONES TRANSVERSALESDETERMINACIÓN DE LA MADERA DE COMPRESIÓN EN Pinus radiata D.DON índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

Compartir


Maderas. Ciencia y tecnología

versión On-line ISSN 0718-221X

Maderas, Cienc. tecnol. v.3 n.1-2 Concepción  2001

http://dx.doi.org/10.4067/S0718-221X2001000100006 

Maderas. Ciencia y tecnología. 3(1-2):52-62, 2001

NOTA TÉCNICA

USO DE INTELIGENCIA ARTIFICIAL PARA LA OPTIMIZACIÓN DE UN MODELO DE SIMULACIÓN APLICADO A UN PROCESO DE REMANUFACTURA DE PINO RADIATA.
THE USE OF ARTIFICIAL INTELIGENCE FOR THE OPTIMIZATION OF A SIMULATION MODEL APPLIED TO A RADIATA PINE MANUFACTURING PROCESS

Milton Moraga Rebolledo1, Felipe Baesler Abufarde.2
1Ingeniero Civil Industrial. Departamento de Ingeniería Industrial; Facultad de Ingeniería, Universidad del Bío-Bío,Concepción, Chile
2Ph.D. Departamento de Ingeniería Industrial; Facultad de Ingeniería, Universidad del Bío-Bío,Concepción, Chile.

Autor para correspondencia: fbaesler@ubio.cl


RESUMEN

Este artículo tiene por objetivo presentar los resultados obtenidos al aplicar una metodología de optimización en simulación, a un proceso de remanufactura de pino radiata (Pinus radiata), de una conocida planta maderera regional. Para este efecto se utilizó un modelo de simulación construido en el paquete de simulación ARENA, integrado con una heurística de algoritmos genéticos. Los resultados obtenidos al aplicar la metodología demuestran que utilizando una configuración diferente de recursos en la empresa, es posible reducir el tiempo promedio de permanencia de los productos dentro del sistema, en aproximadamente un 18%. La configuración necesaria para lograr este resultado se obtuvo evaluando solamente un 1.6% de todas las combinaciones posibles.

Palabras clave: Simulación, Optimización, Algoritmos Genéticos, Remanufactura Maderas. Pino radiata


ABSTRACT

The objective of this article is to present the results obtained after using a simulation optimization methodology applied to a remanufacturing radiata pine (Pinus radiata) process of one of the production lines of a well known regional lumber industry. For this reason a simulation model constructed in a simulation software called ARENA, was integrated to a genetic algorithms heuristic. The results obtained show that using a different configuration of the plant resources it is possible to reduce the total average time that the products remains in the system in approximately 18%. The configuration that is needed to reach this result was obtained evaluating just 1.6% of the total number of possible combinations.

Keywords: Simulation, Optimization, Genetic Algorithms, Wood Remanufacturing, Radiata pine


INTRODUCCIÓN

La simulación de procesos es una herramienta computacional que permite analizar el comportamiento de un sistema con el fin de evaluar diferentes condiciones de operación que podrían significar una mejora en una medida de efectividad del proceso bajo estudio. Esta herramienta no permite encontrar la configuración óptima de los recursos involucrados en el proceso que maximicen o minimicen una variable de respuesta de este sistema. Solo permite comparar diferentes alternativas evaluadas a través de la simulación y seleccionar la que presente mejores resultados. Es claro que este enfoque presenta la desventaja que la mejor solución posible no necesariamente fue encontrada. Como respuesta a esta problemática surge como alternativa el concepto optimización en simulación. Este concepto integra un modelo de simulación tradicional con alguna herramienta de optimización que permita servir de motor de búsqueda para encontrar mejores soluciones. En la presente investigación se ha decidido probar el uso particular de la herramienta de inteligencia artificial denominada algoritmos genéticos como heurística de búsqueda y el Software de simulación ARENA para modelar un proceso de remanufactura para la producción de molduras de una de las líneas de producción de una conocida planta maderera regional. El objetivo es utilizar la metodología propuesta para encontrar la mejor configuración de recursos que permitan minimizar el tiempo promedio de fabricación de molduras en base de maderas.

Dentro de las aplicaciones de optimización en simulación, en el área de manufactura podemos destacar las experiencias presentadas por (Pierreval, 1997; Sammons y Chrocan, 1996; Azadivar et.al,1996; Rosenblatt et.al, 1993). Todos estos artículos presentan casos de optimización en simulación aplicados a distintos sistemas de manufactura utilizando diversas herramientas de optimización. Dentro de estos artículos podemos destacar el primer caso en el cual se aplica Estrategias Evolutivas como heurística para la minimización del costo asociado a un modelo de simulación de un proceso de fabricación de envases para yoghurt. Los resultados mostraron que la heurística convergió a una solución vecindario del óptimo. Esta solución óptima fue encontrada previamente vía enumeración exhaustiva con el fin de probar la eficiencia de la metodología presentada. Un completo resumen de estas y otras técnicas usadas en optimización en simulación puede ser encontrado en (Carson y Maria, 1997).

1. MATERIALES Y MÉTODOS

Para la realización del presente trabajo, como primera etapa fue necesario construir un modelo de simulación para la línea de fabricación de molduras bajo estudio. Para este fin se utilizó el software de simulación discreta ARENA versión 4.0. Este modelo representa el entorno experimental el cual permite obtener medidas de efectividad del proceso para cada una de las diferentes combinaciones de recursos que se quieren evaluar. Posteriormente fue necesario implementar computacionalmente la heurística de optimización, algoritmos genéticos, la cual sirve de motor de búsqueda de soluciones. Finalmente se construyó una interfaz que permite integrar y automatizar la comunicación entre el modelo de simulación y la herramienta de optimización. Cada una de estas etapas comenzando por la descripción del sistema simulado, se presentarán a continuación.

1.1 Descripción del Sistema

En esta empresa existen muchos procesos de producción, sin embargo, su principal negocio son los productos terminados en madera natural de pino radiata (Pinus radiata D. Don), y sus mercados objetivos son principalmente de exportación a mercados Asiático, Europa y Estados Unidos.

Los procesos más relevantes dentro de esta empresa son:

1. - Recepción de Materias Primas
2. - Aserradero Mecanizado
3. - Líneas de Secadores
4. - Líneas de Remanufactura

Nuestro estudio se abocará a la LINEA Nº3 de Remanufactura, que comprende las siguientes estaciones.

I. Llegada de la madera aserrada húmeda para la planta de secado, ésta es depositada en una cancha de acopio y entregada por lotes mediante el uso de un tractor móvil (12 unidades por lote a la vez). Distinguimos 2 espesores diferentes 26-28 mm (tipo 1) y 28-55 mm (tipo 2) con una distribución promedio de 70% y 30%, el intervalo entre lotes es de 90 minutos dentro de las 24 horas del día (3 turnos de 8hrs cada uno) los que significa 16 lotes/día. Aproximadamente.

II. La planta de secado entrega su producto de madera aserrada seca al 8% a una tasa de 300 M3/ día, para abastecer la planta de remanufactura.


III.
En el proceso de remanufactura se distinguen dos sub-procesos, uno para la confección de molduras y otro para la confección de paneles; esto significa tener varios centros de trabajos y cada uno de ellos tiene diferentes grados de elaboración y terminación.

1.
Cepilladora que acondiciona la madera para ser elaborada.

2. Trozadoras automáticas, éstas eliminan todo defecto, que no permiten los productos finales, según normas de calidad establecidas para cada producto.

3. Máquina fingerjoint o ensamblador. Mediante uniones dentadas, permite dar el largo necesario a las piezas de madera con la ayuda de adhesivos de poliacetato vinílico PVA (cola común para madera).

4. Para la fabricación de molduras las piezas ya preparadas ingresan a una moldurera la que elabora estas piezas en perfiles y figuras especiales que están solicitadas en el producto final. También las piezas que han sido destinadas para paneles encolados ingresan a otra máquina moldurera, para confeccionar los cantos y a la llamada línea de cola, que como su nombre lo indica es donde estos cantos serán encolados para formar diferentes tipos de paneles.

5. En el caso de paneles encolados este proceso de elaboración es mucho más extenso; esto significa que una vez preparados los cantos de los listones ingresan a un centro de trabajo llamado máquina panelera, cuyo objetivo es formar los paneles a partir de los listones, agregando adhesivo, presión y temperatura adecuada para que fragüe la cola, estas tres variables son las más relevantes en la unión de listones para confeccionar el panel solicitado.

6. Posteriormente, los paneles ensamblados serán lijados para dar una terminación superficial ideal para la fabricación de muebles,

7. Para finalizar se realiza el embalado final y se entrega a la bodega de productos terminados, previo control de calidad.

De todo lo anterior podemos identificar las siguientes actividades que serán consideradas en el modelo de simulación, para la fabricación de molduras.


A. Recepción de Maderas Aserradas Húmedas
B. Cepillado de Tablas
C. Trozado de Tablas
D. Ensamblado de Extremos, Finger
E. Moldurera
F. Embalaje
G. Bodega Productos Terminados

Uno de los problemas principales que presenta el sistema tiene relación con la sincronización de la línea productiva. Permanentemente se percibe acumulación de inventario en proceso en diferentes estaciones. La identificación de los cuellos de botella ofrece una alternativa para el mejoramiento del flujo de productos, sin embargo existe una interrelación entre un número importante de variables que genera incertidumbre respecto a la mejor acción a tomar para remediar el problema productivo. Por esta razón se decidió la construcción de un modelo de simulación para la representación del sistema bajo estudio.

1.2 Construcción del Modelo de Simulación

Para la construcción del modelo se siguió una serie de pasos básicos que contemplan las siguientes actividades:

1. Visitas a la planta.
Para poder adquirir una base de conocimiento aceptable del proceso en estudio es necesario observar directamente el comportamiento del sistema y estudiar con el mayor nivel de detalle posible los procesos comprometidos en el objeto de nuestro estudio, el cual es la fabricación de molduras.

2. Estudio del proceso en detalle.
El estudio del proceso, que como se señaló anteriormente, es realizado directamente en terreno, consistió fundamentalmente de la captura de datos de tiempo relevantes del proceso como tiempos de proceso de cada estación, tiempos de traslado (mediante grúas horquilla, cinta transportadora y/o manualmente), tiempos de carga y descarga de la máquinas en juego y tiempos de detención o falla (mantenciones preventivas y otras).

3. Diagramación de las etapas de producción.
Para tener una mayor claridad sobre el proceso se realizó un diagrama en el que se reflejan las principales etapas y el modo en que se trasladan las entidades desde una estación a la otra, esta etapa es importante para tener una visión de la disposición y/o condición en la que se encuentra produciendo actualmente, recordemos que uno de los objetivos de este estudio es encontrar una combinación óptima de actores que permita minimizar el tiempo en el sistema de las entidades. El diagrama del proceso se muestra en la Figura 1.

Figura 1: Diagrama de las etapas de producción

4. Estudio de tiempo del proceso.
Este etapa se realizó a través de la extracción de datos históricos almacenados en las bases de datos de la empresa (Generados por el sistema SAP) dichos datos abarcan un período de tiempo que comprende los meses de Agosto a Noviembre del año 2000, conteniendo datos diarios de producción por cada turno, incluidos los tiempo de detención por mantención y fallas, además del trabajo realizado durante los días festivos, etc.

5. Ajuste de Curvas estadísticas.
Los datos recolectados en la etapa anterior fueron utilizados para ajustar las curvas estadísticas correspondiente a cada operación. Para el desarrollo de esta etapa se usaron los software estadísticos StatGraphics e Input Analizer de Arena. Se decidió utilizar ambos software a modo de comparar sus resultados en el ajuste de curvas.

6. Construcción del Modelo en ARENA.

7. Validación del Modelo.
Finalmente el modelo fue validado. Para esto se realizó una serie de experimentos de simulación. Los resultados arrojados por el modelo se compararon con datos reales del sistema. Dado que no se detectó diferencia significativa entre el comportamiento del modelo y el sistema real, se consideró el modelo validado.

2.3 Algoritmo Genético.

Los algoritmos genéticos (AG) son métodos adaptativos que pueden ser utilizados para implementar búsquedas y problemas de optimización. Ellos están basados en los procesos genéticos propios de los organismos biológicos, codificando una posible solución a un problema en un “Cromosoma” compuesto por una cadena de bits o caracteres.

Estos cromosomas representan individuos que son llevados a lo largo de varias generaciones, en forma similar a las poblaciones naturales, evolucionando de acuerdo a los principios de selección natural propuestos por “Charles Darwin” en su libro “El Origen de las Especies”. Emulando estos procesos, los algoritmos genéticos son capaces de “Evolucionar” soluciones a problemas del mundo real.

Los Algoritmos genéticos utilizan una analogía directa del fenómeno de evolución en la naturaleza. Trabajan con una población de individuos, cada uno representando una posible solución a un problema dado. A cada individuo se le asigna una puntuación de adaptación, dependiendo de que tan buena fue la respuesta al problema. A los más adaptados se les da oportunidad de reproducirse mediante cruzamiento con otros individuos de la población, produciendo descendientes con características de ambos padres. Los miembros menos adaptados poseen pocas probabilidades de que sean seleccionados para la reproducción, y desaparecen o mueren.

Una nueva población de posibles soluciones es generada mediante la selección de los mejores individuos de la generación actual, emparejándolos entre ellos para producir un nuevo conjunto de individuos. Esta nueva generación posee una proporción más alta de características poseídas por los mejores miembros de la generación anterior. De esta forma, a lo largo de varias generaciones, las características buenas son difundidas a lo largo de la población mezclándose con otras. Favoreciendo el emparejamiento de los individuos mejor adaptados, es posible recorrer las áreas más prometedoras del espacio de búsqueda. Si el algoritmo genético ha sido diseñado correctamente, la población convergerá a una solución óptima o casi óptima del problema. Mayor información sobre teoría general de los algoritmos genéticos puede ser encontrada en (Goldberg, 1989). Algunos ejemplos de la aplicación de esta técnica a problemas de ingeniería se pueden encontrar en (Gen y Chen, 1997; Haupt y Haupt, 1998).

2.4 Construcción de la interfaz de control

Con el fin de integrar y automatizar el proceso de comunicación entre el algoritmo genético y el modelo de simulación construido en ARENA, fue necesario implementar computacionalmente una interfaz de control. Esta interfaz tiene por objetivo rescatar los resultados arrojados por el modelo de simulación y exportarlos a la heurística de algoritmos genéticos. De igual manera al finalizar cada iteración del AG estos resultados son exportados al modelo de simulación para la evaluación de un nuevo escenario. Este proceso se repite hasta alcanzar un criterio de término.

Para desarrollar el algoritmo genético, se utilizó una librería pública para C++ llamada GAlib, esta librería fue desarrollada en 1996 por Matthew Wall y su equipo en el MIT “Massachusetts Institute of Technology” (Wall, 1996). Esta librería está disponible en internet y contiene los códigos necesarios para implementar el algoritmo genético. Se utilizó parte de este código y se adaptó a los requerimientos específicos del problema en particular. Para integrar la función de automatización del algoritmo genético es necesario utilizar Visual C++, no existiendo otra alternativa conocida en la actualidad. Finalmente, para integrar todo y desarrollar la interface, se utilizó Visual Basic por su facilidad de manejo, rapidez y por supuesto debido a que es una herramienta desarrollada fuertemente en el manejo de Automatización OLE.

En la Figura 2 se puede observar la interfaz en acción para el modelo desarrollado de remanufactura. De la imagen es posible visualizar dos áreas bastante definidas, el área izquierda y el área derecha. El área derecha de la interface muestra todas las variables de control, el valor promedio de las réplicas y el tiempo promedio en el sistema de todas las entidades. En la parte superior se muestra, número de cepilladoras, trozadoras, fingers, moldureras y grúas. El área izquierda de la interface entrega datos de interés con respecto al algoritmo genético.

Figura 2: Pantalla Interfaz Gráfica

RESULTADOS Y DISCUSIÓN

Una vez construido el modelo de simulación al igual que la interfaz gráfica y la heurística de algoritmos genéticos se procedió a resolver el problema de optimización propuesto como objetivo del estudio. Para realizar la optimización se definió un total de 5 variables de control, las cuales corresponden a la capacidad de los recursos que son considerados como críticos por los expertos involucrados en el proceso. Como función objetivo se seleccionó el tiempo promedio que una entidad permanece dentro del proceso productivo. Para este problema en particular una entidad corresponde a una unidad del producto a fabricar. La Tabla 1 muestra las 5 variables de control seleccionadas al igual que los límites mínimo y máximo factibles para cada variable. Usando esta estructura se construyó el cromosoma a ser utilizado en el proceso evolutivo del algoritmo genético. Se utilizó una configuración real entera de 5 genes para la representación del cromosoma. De esta manera el cromosoma tiene la siguiente estructura, (var 1, var 2, var 3, var 4, var 5). Considerando el rango de cada variable se puede apreciar que existe un total de 8960 combinaciones diferentes. En otras palabras si se quisiera realizar una enumeración exhaustiva con el fin de evaluar todas las posibles alternativas y así seleccionar la solución óptima, sería necesario correr igual número de escenarios del modelo de simulación. Considerando que cada una de las simulaciones demora aproximadamente 5 minutos en finalizar, concretar los 8960 escenarios tardaría 774 horas lo que corresponde a aproximadamente 31 días de simulación continua. Obtener una solución en estas condiciones se torna inviable, dado el tiempo necesario, además de la probabilidad que el sistema computacional falle debido a la alta carga a la cual sería sometido.

Tabla 1: Variables de Control

ELEMENTO

MÍNIMO

MÁXIMO

CEPILLADORAS

1

10

TROZADORAS

1

4

FINGERS

1

4

MOLDURERAS

1

8

HORQUILLAS

1

7

Considerando estas condiciones operacionales se aplicó la metodología utilizando los parámetros para el algoritmo genético presentados en la Tabla 2. El proceso de optimización evolucionó durante un total de 15 generaciones antes de alcanzar el criterio de detención. El proceso evolutivo se presenta en la Figura 3. Este gráfico muestra como el valor medio de la función objetivo disminuye a lo largo del proceso. Con la finalidad de analizar el mejoramiento que ofrece la solución propuesta por el algoritmo genético, se simuló la configuración que la empresa utiliza en estos momentos. Los resultados de esta configuración y los correspondientes a la alternativa propuesta se presentan en la Tabla 3.

Tabla 2: Parámetros del Algoritmo Genético

PARAMETRO DEL AG

VALOR

Tamaño inicial de la población.

10

Máximo número de generaciones a evolucionar.

20

Probabilidad de Mutación.

0.1

Probabilidad de cruzamiento.

0.95

Uso de elitismo.

SI

Criterio de Detención

Máximo número de generaciones sin cambio sustancial.

3


Tabla 3: Comparación de Alternativas

ELEMENTO

SOLUCIÓN ACTUAL

SOLUCIÓN PROPUESTA

CEPILLADORAS

5

7

TROZADORAS

4

4

FINGERS

2

2

MOLDURERAS

4

8

HORQUILLAS

1

5

TIEMPO PROCESO MEDIO

8,48

6,94


Figura 3: Proceso Evolutivo

Luego de su detención tras evolucionar 15 generaciones, la solución propuesta por el algoritmo genético, representa una mejoría de un 18.2% respecto de la situación actual de la empresa, esto implica obviamente, una mejora en la productividad de la empresa, la cual puede estimarse en 95,6 metros cúbicos de molduras adicionales por mes, se debe recordar que en las condiciones actuales de producción, los niveles productivos alcanzan a los 492 metros cúbicos mensuales de molduras.

Otro aspecto importante de destacar es la diferencia en infraestructura requerida para lograr este nivel de producción. Se destaca un claro incremento en el uso de moldureras y de grúas horquilla, estas últimas representan el mayor impacto y tienden a minimizar la cantidad de inventarios intermedios en los centros de trabajo.

Es importante mencionar que la implementación de la solución propuesta requiere de una inversión considerable debido al incremento de las Grúas Horquilla y al aumento en los recursos Cepilladoras y Moldureras. La viabilidad de la implementación de esta alternativa debe ser analizada mediante el desarrollo de un estudio técnico-económico.

Otra consideración de interés está relacionada con la eficiencia de la metodología propuesta. Este concepto tiene relación con el tamaño del espacio muestral que fue necesario explorar para alcanzar la solución propuesta. La heurística convergió a una solución después de explorar 150 escenarios. Este valor corresponde a aproximadamente 1.6% de las 8960 alternativas diferentes de solución.

CONCLUSIONES

Este artículo muestra como utilizar simulación en conjunto con una heurística de algoritmos genéticos con el fin de optimizar un proceso de remanufactura de pino radiata. La solución encontrada por la metodología permite disminuir el tiempo medio de permanencia de los productos en el sistema en aproximadamente un 18.2% con respecto a las condiciones de operación actuales de la empresa. No es posible asegurar que esta solución corresponde a la alternativa óptima del problema, pero si una buena solución que permite mejorar el rendimiento del sistema en forma sustancial. La metodología demostró ser eficiente ya que solo fue necesario explorar una pequeña fracción del espacio muestral (1.6%) para encontrar la solución propuesta. La solución propuesta sugiere la incorporación de recursos adicionales a los actualmente existentes en la empresa, por esta razón resultaría necesario un análisis técnico-económico para evaluar la viabilidad de la implementación de esta solución.

Como recomendaciones para investigación futura, se sugiere la utilización de otras herramientas de inteligencia artificial como heurísticas de búsqueda, como son, Simulated Annealing, Tabu Search, entre otras. Este análisis permitiría evaluar la calidad de la solución encontrada con cada técnica y además la eficiencia en la obtención de esta alternativa.

BIBLIOGRAFÍA

Azadivar, F.; Shu, J.; Ahmad, M. 1996. Simulation Optimization in Strategic Location of Semi-finished Products in a Pull-Type Production System. Proceedings of the 1996 Winter Simulation Conference. pp. 1123-1128.        [ Links ]

Carson, Y.; Maria, A. 1997. Simulation Optimization: Methods and Applications. Proceedings of the 1997 Winter Simulation Conference. pp. 118-126.        [ Links ]

Gen, M.; Cheng, R. 1997. Genetic Algorithms and Engineering Design. Wiley.        [ Links ]

Goldberg, D. 1989. Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, Reading, MA.        [ Links ]

Haupt, R.L.; Haupt, S.E. 1998. Practical Genetic Algorithms. Wiley.        [ Links ]

Pierreval, H. 1997. Using Evolutionary Algorithms and Simulation for the Optimization of Manufacturing Systems. IIE Transactions. Vol. 29, 3, pp. 181-190.        [ Links ]

Rosenblatt, M.J.; Roll, Y.; Zyser, V. 1993. A combined Optimization and Simulation Approach for Designing Automated Storage/Retrieval Systems. IIE Transactions. Vol. 25, pp. 25-50.        [ Links ]

Sammons, S. M.; Cochran, J.K. 1996. The Use of Simulation in the Optimization of a Cellular Manufacturing System. Proceedings of the 1996 Winter Simulation Conference. pp. 1129-1134.        [ Links ]

Wall, M. 1996. Galib Documentation, http://lancet.mit.edu/galib-2.4/

Creative Commons License Todo el contenido de esta revista, excepto dónde está identificado, está bajo una Licencia Creative Commons