1

Inteligencia Artificial en la Implementacin de CUWIP (noviembre 2010)

Debbie Cambronero Rojas, debby_jdh@hotmail.com Universidad de Costa Rica, Ingeniera Industrial
Abstract: The approach of this research is based on the verification of the usefulness of genetic algorithms as a branch of artificial intelligence, to test the effects on the outputs of a system configured with different levels of work in progress accepted, controlled by the method CUWIP , which instead of controlling the parts within the system is controlled by EU (standard units of time). Also presents a case study which is intended to illustrate and validate the proposed hypothesis.

Key Words: CUWIP, WIP, Throughput, Artificial Intelligence, Genetic Algorithms

Resumen: El planteamiento de esta investigacin se basa en la comprobacin de la utilidad de los algoritmos genticos como una rama de la inteligencia artificial, para probar los efectos en las salidas de un sistema configurado con diferentes niveles de trabajo en proceso aceptado. Esto controlado por el mtodo CUWIP, el cual en lugar de controlar las piezas dentro del sistema lo controla por medio de UE (unidades estndar de tiempo), adems se presenta un caso prctico con el cual se pretende ilustrar y validar la hiptesis propuesta.

plantea el uso del sistema llamado CUWIP, as como los casos en los que funciona mejor su aplicacin. Adems se plantea que a niveles diferentes de trabajo en proceso con este sistema se pueden tener niveles diferentes en las salidas del sistema, para lograr encontrar la combinacin que va a permitir optimizar este parmetro se usan los algoritmos genticos, los cuales al ser una rama de la inteligencia artificial introducen factores o anlisis que no incluyen otros procedimientos. Para ilustrar la aplicacin de estos en las condiciones descritas se presenta un caso de implementacin, su validacin y conclusiones obtenidas a partir de este. II.COMPARACIN ENTRE CONWIP Y CUWIP A. CONWIP Existen diferentes sistemas que han sido creados para controlar el nivel de inventario en proceso, entre ellos CONWIP, del cual Hoop y Spearman , sealan que es un sistema que realiza una combinacin entre los sistemas push y pull, se dice que es una mezcla, ya que realiza pull en el ltimo centro de trabajo de la lnea de produccin y push en las dems estaciones. Este sistema viene a mejorar el conocido kanban, debido a que necesita un menor control en cuanto a las tarjetas, dando ms flexibilidad a las lneas de produccin y requiriendo menor presin de los operarios en el manejo de stas. Este sistema presenta algunos problemas en cuanto al manejo de diferentes tamaos de lote, ya que establece un nivel de trabajo en proceso de acuerdo al tiempo de ciclo del sistema y al throughput deseado, sin embargo no se toma en cuenta que pueden entrar rdenes de pedido por diferentes tamaos lo que provoca un desajuste en el sistema. B. CUWIP Con forme se presentaron los problemas con la poca flexibilidad con la que contaba CONWIP para controlar diferentes tamaos de lote, naci la necesidad de plantear un nuevo sistema. Por estas razones Comeau y Hall plantearon un nuevo mtodo llamado CUWIP, el cual tiene como objetivo describir todos los pedidos de los clientes que entren a un sistema con unidades de Equivalencia (UE). Es decir ahora no se van a controlar las unidades de piezas, si no que se le va a asignar diferentes cantidades de unidades de equivalencia de acuerdo al tiempo total de procesamiento de ese lote en especfico. Este sistema presenta una opcin para controlar el inventario en proceso sin necesidad de calcular el tamao del WIP deseado cada vez que entre un lote de diferente tamao

Palabras clave: CUWIP, WIP, Salidas inteligencia artificial, algoritmos genticos. I. INTRODUCTION

del sistema,

no de los factores que ms se han estudiado con la introduccin de nuevas ideologas de administracin de la produccin es el control de trabajo en proceso (WIP) el cual es definido por Hopp y Spearman , como: el nmero de piezas, productos o materiales que se encuentra dentro del sistema que no se puede catalogar como producto terminado, ya que este implica inventario que se tiene a lo largo de la empresa en el cual se ha invertido y del cual no se est recibiendo ningn beneficio, igualmente como es sabido a menor cantidad de inventario en proceso mayor va a ser el control que le puede dar a este. Adems como indican Marek, Elkins y Smith , entre mayor sean los volmenes de trabajo en proceso, se limita en mayor grado la flexibilidad con la que puede contar un sistema de produccin. Adems sealan que si se mantiene ms tiempo en papel las rdenes de pedido es ms sencillo realizar la programacin de las mismas, as como realizar cambios en diferentes mbitos. Por esta razn es de suma importancia contar con sistemas que permitan controlar este factor, en esta investigacin se

2 al sistema, ya que en muchas ocasiones las empresas no cuentan con una persona experta en el tema que pueda realizar estas tareas. III. PAPEL DE LA INTELIGENCIA ARTIFICIAL EN EL CONTROL DE INVENTARIO EN PROCESO. A. Inteligencia Artificial Segn Nilsson , la inteligencia se puede definir como el estudio del comportamiento inteligente de las mquinas, este comportamiento inteligente supone, percibir, razonar, aprender, comunicarse y actuar en entornos complejos. Al igual Haugelnad , indica que la inteligencia artificial busca que las mquinas tengan mente propia. El fin principal de la inteligencia artificial es que los sistemas puedan aprender de una forma automatizada sin necesidad de la intervencin del ser humano, esta herramienta ha sido muy utilizada en el rea de la manufactura, previsin de eventos, entre otros tal y como lo indica Nilsson . La inteligencia artificial tiene diversas ramas las cuales se aplican a diferentes campos, entre ellas la que se va a abordar en esta investigacin, algoritmos genticos. B. Algoritmos Genticos Los algoritmos genticos fueron creados en la dcada de los 70's por John Holland, este los define como un modelo para el estudio de los fenmenos de adaptacin, as como tambin se centr en el desarrollo de mecanismos que permitieran implementar este algoritmo a los sistemas de computo, Holland utiliz como base de su teora la teora de evolucin de Darwin en el cual se plantea como los individuos deben adaptarse a su ambiente para sobrevivir y as evolucionar los que no siguen este proceso simplemente desaparecen. Este mismo fenmeno es el que plantea para aplicarlo en los algoritmos genticos. Segn el planteamiento de Goldberg, , la estrategia operativa de un algoritmo gentico consiste en partir de una poblacin inicial de individuos, generada aleatoriamente, cada uno de los cuales representa una posible solucin del problema. Estos tratan de alcanzar un equilibrio entre dos objetivos que podran estar en conflicto: explotar las buenas cualidades de las potenciales soluciones y explorar el espacio de bsqueda. Debido a estas definiciones es que se cree que la aplicacin de algoritmos genticos puede funcionar bien en el problema que se planteo al principio de la investigacin, ya que por medio de este se va a poder determinar que estados son los que van a proporcionar los mejores resultados. IV. PROPUESTA DE VALIDACIN. A partir de esta informacin, se desea probar si la aplicacin de algoritmos genticos mejora el funcionamiento del sistema CUWIP dentro de una lnea de produccin, en cuanto a las salidas del sistema (throughput). Adems se pretende encontrar un punto en el cual se maximice este factor, esto a partir de la asignacin de diferentes valores a la unidad estndar de tiempo deseada. A. Metodologa Para probar si la implementacin de diferentes mximos para las unidades de tiempo en una lnea produce cambios en la obtencin final del throughput al final del proceso, se plantea un caso prctico el cual consiste en tres lneas de produccin, donde dos de ellas trabajen de forma paralela en dos diferentes ensambles y que luego se junten en un punto comn, en esta posicin inicia la lnea nmero tres.

Estacin 1 lnea1

Estacin 2 lnea1

Unin Entrada

Estacin 1 lnea3

Estacin 2 lnea3

Estacin 3 lnea3

Salida

Estacin 1 lnea2

Estacin 2 lnea

Fig 1. Diagrama de las lneas de produccin se realiz una simulacin en el software Promodel 7, que permiti conocer los resultados al hacer cambios en la configuracin del sistema y devolviendo resultados que se daran en una situacin real. En este software se establecieron los siguientes parmetros para cada una de las lneas:

Se estableci un estndar de equivalencia de unidades estndar de una hora, por lo tanto un lote que requiera un tiempo de procesamiento de 3 horas, se le asignarn tres unidades equivalentes. Esto para luego establecer con algn criterio cuales seran los niveles de unidades estndar mximos que se iban a aceptar en cada lnea. Con el fin de conocer el comportamiento de este sistema,

3
L ea 1 L ea 2 L ea 3 n n n En ad tid Tiem o d p p e roceso 1 (h r/Un ) Tiem o d p p e roceso 2 (h r/Un ) Tiem o d p p e roceso 3 (h n r/u ) Pieza 1 Pieza 2 Trabajo 0,834 0,117 0,1 0,067 0,13 0,217 0,84

Tabla 1. Parmetros de simulacin Estos valores se establecieron completamente al azar y se mantuvieron constantes durante todo el experimento para asegurar las mismas condiciones para cada nivel de los factores que se iban a variar, los cuales son los niveles de unidades estndar permitidas en cada una de las lneas. La simulacin realizada es un sistema bastante simple, la nica consideracin que se tom en cuenta fue la inclusin de contadores que permitieran mantener el control de las unidades estndar dentro del sistema y que de esta forma restringiera las entradas de rdenes de pedido hasta que el nivel de UE estuviera por debajo del deseado. La simulacin fue ejecutada siempre con 5 rplicas de 8 horas cada una y una hora de calentamiento, esto para que el sistema no empezara totalmente vaco. Con el fin de comprobar la utilidad del sistema CUWIP en situaciones de tamaos de lote variables se establecieron diferentes tamaos de lote, los cuales ingresaban con un cierto tiempo entre uno y otro. Estos tamaos de lote fueron iguales entre una prueba y otra para mantener la igualdad de condiciones. Los tamaos de lote usados se muestran en el apndice 1. Para poder obtener que valores de UE de cada lnea que hacen que le valor del throughput se maximice se aplic algoritmos genticos, para la elaboracin de estos se sigui el procedimiento establecido por Hillier y Lieberman , se sigui una codificacin binaria para los cromosomas adems este autor establece los siguientes pasos para la realizacin de algoritmos genticos: 1) Establecer el tamao de la poblacin inicial: Segn este autor este aspecto va a depender del problema que se est tratando, para este caso tenemos cuatro cromosomas diferentes para la poblacin inicial. Como no se cuenta con una funcin objetivo no se conoce cul debe ser el ptimo al cual se debe llegar, por lo tanto no se tiene criterio para determinar las condiciones iniciales, por esto se realiz de forma aleatoria entre 1 y 8 ya que nmeros mayores a estos implicaran dejar producto en proceso de un da a otro, situacin que no es factible en mltiples industrias 2) Seleccin de padres: Para determinar los cromosomas que sern los padres se deben evaluar en la simulacin para saber qu resultado arroja cada uno de los cromosomas y de esta forma poder determinar cules son los que arrojan mejores resultados. Estos cromosomas sern los que van a sobrevivir a la primera seleccin. 3) Transferencia de caractersticas de padres a hijos: En este paso es donde se determina que factor se va a tomar en cuenta para realizar los cruces, en este caso se determin usar nmeros aleatorios que indican la posicin dentro del cromosoma donde se debe partir y combinar con el otro padre. Una vez realizado el cruce

se prueban los cromosomas hijos en la simulacin para determinar qu resultados arrojan y poder jerarquizar su importancia de acuerdo a los resultados. 4) Tasa de mutacin: Despus de realizada la jerarquizacin de los cruces, se deben tomar los cromosomas que no generan el mejor resultado y realizarles una mutacin en alguno de los genes, como se ha hizo hasta el momento se sigui el procedimiento establecido en Hillier , se utilizaron dos nmeros aleatorios, uno para determinar que cromosoma es al que se le va a realizar la mutacin y el otro para determinar el gen que se va a mutar, la mutacin consiste nicamente en cambiar por un cero si el gen era un uno o viceversa. 5) Regla de detencin: Existen numerosas reglas para determinar el momento en el que se va a parar de hacer iteraciones, entre las ms usadas segn Hillier est la que en el momento en que los resultados se empiecen a repetir o que los hijos den valores menores a los de sus padres se ha llegado al ptimo, por lo tanto esta es la regla que se usar para determinar el ptimo de salidas del sistema. El factor que fue medido para cada cromosoma fue el nmero de trabajos que salieron del sistema, ya que el tiempo de procesamiento siempre fue igual. De esta forma los cromosomas con mayor nmero de salidas son los que proporcionan mejores resultados. V. PRESENTACIN Y ANLISIS DE RESULTADOS DEL MODELO A partir de las condiciones iniciales del sistema que se mencionaron antes, se presentan los resultados que se obtuvieron en el procedimiento. Como se mencion antes se determin la poblacin inicial mediante nmeros aleatorios y se evaluaron mediante la simulacin, los resultados obtenidos para cada cromosoma son los siguientes:
Poblacin inicial Cromosoma 1 2 3 4 UE1 5 2 3 1 UE2 2 6 5 3 UE3 4 7 8 5 Resultado 4 7 8 5

Tabla 2. Poblacin inicial Se puede ver como las salidas ms altas de piezas se dan para los cromosomas 2 y 3, por lo tanto estos son los que sobreviven al proceso y sern los nuevos padres. A partir de estos se realiz el primer cruce. Este se presenta seguidamente:

4
Primer Cruce 3 2 5 6 0111011000 0101100111 0111000111 0101111000

configuracin de su padre, por tanto el resultado que se obtenga a partir de este, sern los mismos que par su padre, el resultado obtenido para el hijo no igual se presentan en la siguiente tabla:
Segunda Generacion

Tabla 3. Primer Cruce Al evaluar los hijos (cromosoma 5 y 6) en la simulacin se obtiene los siguientes resultados.
1era Generacin Cromosoma 3 6 2 5 Binario 1101000111 0101011000 0111000111 1011000100 Resultado 8 8 7 7

6 7 1 8

0101011001 0101011001 1101000111 1101000111

9 9 8 8

Tabla 7. Segunda Generacin Se puede ver como aunque la configuracin del cromosoma 7 (hijo) es distinta que la del 6 (padre) produce los mismos resultados. Despus de esto se realiza la mutacin para intentar mejorar los resultados de los otros tres cromosomas con resultados menores.

Tabla 4. Primera Generacin Al realizar el cruce se obtuvo un hijo con el cual se puede lograr un resultado mejor que el de uno de sus padres, lo que quiere decir que mejor las condiciones y por tanto va a sobrevivir a la seleccin. Luego de esto se realiz la mutacin como un intento de mejorar la situacin de los cromosomas que no dieron el mejor resultado, en este caso de acuerdo a los nmero generadas se mut el cromosoma 6 en su ltima posicin. Este se evalu en la simulacin obteniendo un resultado de 9 trabajos.
Mutacin 2 Cromosoma 6 7 3 8 Binario 0101011001 0101011001 1101000111 1101000110 Resultado 9 9 8 6

Tabla 8. Mutacin 2 A partir de los nmeros generados se muta el cromosoma 8 en su ltima posicin, se evalu esta nueva configuracin de este cromosoma y se obtuvo un valor incluso menor al que tena antes de la mutacin, por lo tanto este cromosoma no debe sobrevivir al proceso. Luego de esto se toman como padreas al cromosoma 6 y 7 como nuevos padres para realizar un nuevo cruce.

Mutacin 1 Cromosoma 6 3 2 5 Binario 0101011001 1101000111 1011000100 0111000111 Resultado 9 8 7 7

Tabla 5. Primera mutacin Se mejor en un trabajo al cromosoma con el mejor resultado, a partir de estos dos nuevos mejores (padres) se realiz el cruce para intentar aumentar an ms los resultados, esto se presenta seguidamente:

Tercer Cruce 6 7 9 10 0101011001 0101011001 0101011001 0101011001

Tabla 9. Tercer cruce

Segundo Cruce 6 3 7 8 0101011001 1101000111 0101011111 1101001001

Tabla 6. Segundo cruce Como se puede ver se obtuvo un hijo con la misma

Al realizar este cruce se obtiene 4 cromosomas exactamente iguales, lo que quiere decir que los cuatro van a generar los mismos resultados al ser evaluados, usando el criterio establecido por Hillier , que indica que en el momento en que se empiecen a obtener resultados significativamente iguales es momento de detener las iteraciones, por este motivo se detiene el proceso de algoritmos genticos con un resultado de 9 trabajos por da con la combinacin que se obtiene al decodificar los anteriores cromosomas.

5 En el siguiente grfico se puede ver el comportamiento de los resultados obtenido con los algoritmos genticos: nuevas piezas al sistema. VII. RECOMENDACIONES [1] La aplicacin de este modelo representa una opcin econmica para aquellas empresas que no cuentan con personal encargado de revisar los sistemas de control de inventario, ya que se puede realizar una vez y si se presenta una modificacin ya sea en los tiempos de procesamiento de las mquinas o una situacin especial se revisa la situacin. Adems si se requiere realizar cambios en las configuraciones no es necesario realizarlas fsicamente, si no, que se puede probar primero mediante una simulacin para asegurarse de que en condiciones especficas el cambio que se va a realizar va a ser efectivo. VIII. LNEAS FUTURAS DE INVESTIGACIN [1] Aplicacin de la Inteligencia Artificial en sistemas Pull puros.

Fig 2. Resultados por cromosoma Se puede ver como cambiando los niveles aceptados para cada una de las lneas de produccin hay cambios notables en las salidas (trabajos) que se obtienen del sistema, de igual forma la combinacin de diferentes niveles para estos factores produce cambios en la variable de respuesta. Otro factor importante es que se mejoraron los resultados a partir de los niveles iniciales, aunque en ocasiones los hijos o mutaciones bajaban los resultados, gracias a la seleccin de los mejores cromosomas se logr mantener el padre que generaba los mejores resultados. VI. CONCLUSIONES [1] Se comprob que el tener niveles diferentes niveles de unidades estndar permitidas para cada uno de las lneas y variarlos en pruebas con las mismas condiciones, produce cambios en los resultados que se obtienen, en este caso, se pudo comprobar que la combinacin especfica que se realice en los niveles de cada lnea va a afectar directamente la tasa de salida de los trabajos del sistema. [2] Los algoritmos genticos proporcionan un mtodo sencillo que permite encontrar el ptimo para un determinado sistema en el cual intervienen diferentes factores, los cuales no dependen unos de otros y no es sencillo encontrar una funcin que permita pronosticar el resultado de realizar un determinado cambio en alguno de estos factores. [3] El control de inventario en proceso es un aspecto sobre el cual se debe dedicar buena parte de los recursos de una empresa, ya que si se logra reducir este aspecto se puede lograr que la empresa sea mucho ms flexible en mltiples aspectos, ya que no se va a contar con cantidades enormes de trabajo en proceso que podran absorber algn error que se est dando a travs del sistema. [4] Esta opcin de control de trabajo en proceso a parte de su beneficio de adaptarse al manejo de diferentes tamaos, cuanta con los beneficios de un sistema CONWIP en el cual no se necesita un manejo tan detallado de las tarjetas que circulan por el sistema si no que solo se realiza este control a la entrada de nuevas rdenes de pedido y a la tasa de salida de los trabajos para determinar el momento en el que pueden ingresar

6 APNDICE
# d e o rd eCa nti da d de o rdeCan ti da d de ord ena nti d ad d e o rd eCa nti d ad n # n # C # n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 273 131 136 293 268 113 151 110 143 156 144 118 285 262 206 279 248 153 219 122 294 151 238 186 84 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 284 161 93 285 286 184 214 242 186 107 231 126 251 135 141 98 113 177 270 258 288 278 260 111 262 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 169 94 200 169 124 233 141 292 91 205 243 251 181 120 259 91 296 295 276 295 121 95 130 154 221 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 90 111 169 95 160 180 244 178 224 283 206 151 95 282 274 285 220 264 266 283 217 243 99 289 173
#de orden Cantidad #de orden Cantidad #de orden Cantidad #de orden Cantidad 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 281 250 105 244 196 184 164 211 290 294 250 110 233 88 99 299 232 189 259 168 142 186 273 189 155 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 253 183 131 238 146 263 90 89 297 263 144 173 113 108 110 181 279 248 111 241 84 193 152 133 153 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 93 121 247 277 265 136 284 285 296 138 250 287 274 244 298 101 233 228 131 88 227 241 208 177 131 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 165 140 231 209 226 238 168 173 84 183 262 158 186 131 154 292 275 90 203 195 124 151 178 132 117

Tabla 11. rdenes de pedido

#de orden C antidad #de orden C antidad #de orden Cantidad 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 132 119 261 208 174 241 240 207 90 157 175 105 220 107 221 194 233 154 237 116 108 107 294 135 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 91 195 260 131 86 246 158 118 150 180 287 215 292 221 106 207 132 289 127 117 268 167 181 102 251 252 253 254 255 256 257 258 259 260 227 230 220 182 230 226 246 193 177 249

Tabla 10. rdenes de pedido

Tabla 12. rdenes de pedido

7 REFERENCIAS [1] [2] [3] [4] [5]

[6] W.J Hopp and M. L. Spearman. Factory Phisics. Boston Burr Ridge, IL, 2d Ed: MacGraw-Hill, 1996, pp. 339-364. R.P. Marek, D. A. Elkins and D. R. Smith. Understanding the fundamentals of kanban and conwip pull systems using simulation , 2001. J. Comeau and R . Hall. Cuwip: A new approach to controlling wip in a variable demand environment, n.d. N. J. Nilsson. Inteligencia artificial, una nueva sntesis. Stanford University, MacGraw-Hill, 2001, pp. 1-62. J. Haugelnad. La inteligencia artificial. Buenos Aires, Argentina, Siglo Ventiun, 1988, pp. 9-25. J. Holland. Adaptacin en sistemas Naturales y artificiales. Universidad de Michigan. 1975. C. Darwin. On the Origin of Species by Means of Natural Selection. Murray, Londres. (1859). D. Goldberg, Genetic Algorithms in Search, Optimization & Machine Learning. Addison-Wesley, Reading, MA, 1989 F.S. Hillier and G.J. Lieberman. Introduccin a la investigacin de operaciones. Stanford University, 8th Ed: MacGraw-Hill, 2005, pp. 644653.

[7] [8] [9]

Debbie L. Cambronero Rojas es estudiante de cuarto ao de la carrera de Ingeniera Industrial en la Universidad de Costa Rica. Entre las reas de inters para su carrera se encuentran Logstica, Investigacin y Control de Operaciones y Diseo de experimentos.