II Congreso Nacional de Manufactura Interpolitcnicas

20 al 22 de Julio de 2011, Celaya, Guanajuato EVALUACIN DE PREDICCIONES DEL ESTADO DE UN SISTEMA DE MANUFACTURA ASSESSMENT OF PREDICTIONS OF THE STATE OF A MANUFACTURING SYSTEM
H. Martnez, F. Carranza, I. Garca Ingeniera en Tecnologas de Manufactura, Universidad Politcnica de Quertaro, Carretera Estatal 420 S/N, El Marqus, Quertaro C.P. 76240 *heli_0590@hotmail.com RESUMEN Se presentan los resultados de la experimentacin realizada a un modelo de un sistema de manufactura el cual consiste en una estructura de colas de llegadas de rdenes, procesamiento de las mismas, y una sola unidad de servicio. Los datos fueron generados mediante una aplicacin de computacin desarrollada para estos fines usando el software MatLab. Mediante la aplicacin de diferentes distribuciones de probabilidad con la finalidad de poder realizar el experimento, y realizar comparaciones con los datos generados en un proceso Gaussiano. Con estos datos generados podemos conocer valores futuros del sistema que nos pueden ayudar a mejorar el proceso de manufactura. ABSTRACT We present experimental results of the model of a manufacturing system structure of queues With A arrivals of orders, processing of orders, and one unit of service. Datagenerated in a computer Were Application Developer For This purpose using theMatLab software. We Used two Different Probability Distributions to the experiment,and the process Compared With The data generated in a Gaussian process. With These data generated dog know future values of the system That Can Help streamlinethe manufacturing process. INTRODUCCIN Simulacin es la reproduccin del comportamiento dinmico de un sistema real en base a un proceso [Shannon, 1975]. Tpicamente, se disea y desarrolla un modelo computarizado de un sistema para realizar experimentos y comprender su comportamiento o evaluar varias estrategias en las que se puede operar [Winston, 1997].Adicionalmente, en la simulacin se consideran las relaciones entre las entidades y los atributos los cuales definen un modelo que posteriormente es usado para generar experimentos sobre algn tipo de evento, tal como la cantidad de unidades procesadas por un sistema en una unidad de tiempo. Debido a las tendencias globalizadas de comercializacin y la alta competitividad en el sector industrial, las empresas desean maximizar sus recursos y es por ello que utilizan la simulacin como una herramienta de base cientfica para toma de decisiones. Sumado a esto, la simulacin permite conocer el comportamiento dinmico de una empresa o en especial de algn tipo de mquina que se est diseando o que est en operacin. De esta manera podemos ver los pronsticos para la demanda y utilidad de un producto particular o establecer con base en las tendencias de operacin cuando un mecanismo pueda fallar. Al realizar una simulacin se requiere una recoleccin de informacin, un modelamiento en el cual es necesario atribuir de antemano funciones de distribucin de probabilidad sobre los tiempos entre las llegadas de rdenes y tiempos de proceso, de forma que podamos obtener un modelo matemtico. Posterior a esta etapa y con ayuda de un software de desarrollo realizar la programacin o implementacin. Seguidamente, la experimentacin y verificacin del modelo, proporcionan informacin vital del proceso que se est analizando y constituye la base tcnica para la generacin de reportes especficos. Durante varios aos se han podido lograr la evaluacin de diferentes modelos de simulacin en procesos de manufactura, bien sea para crear sistemas de manufactura flexibles, mejorar un proceso de fabricacin o para controlar la calidad de un producto [Pedro Albertos, 2004], [Ivan Garca Pacheco, 2007],

2011 Universidad Politcnica de Guanajuato UPGTO

II Congreso Nacional de Manufactura Interpolitcnicas

20 al 22 de Julio de 2011, Celaya, Guanajuato
[Mercedes Ruiz Carreira, 2010]. Sin embargo pese a todos estos esfuerzos no se ha podido mostrar la evaluacin de los valores predichos por diferentes modelos que representan un mismo sistema. El enfoque de la simulacin tradicionalista, emplea funciones de distribucin de probabilidad para realizar mediciones y predicciones de algunos de los parmetros ms significativos de un sistema de manufactura, tales como el tiempo que transcurre entre las llegadas de rdenes o tiempos medios de proceso. Bajo estas condiciones, un esquema de simulacin puede proporcionar valores futuros del estado del sistema. Por otra parte, se cuenta con otro tipo de herramientas matemticas para realizar predicciones de valores de sistemas que se encuentran descritos durante algn tipo de intervalo de tiempo y que se denominan procesos Gaussianos. Un Proceso Gaussiano (GP), es una funcin general sobre funciones de distribucin de probabilidad [C. Isaza, 2008], [C. K. I. Williams, 1996].Debido a la complejidad de algunos modelos de simulacin especialmente en la asignacin a priori de las funciones de distribucin de probabilidad de los tiempos entre las llegadas de las rdenes y los tiempos de proceso, se hace indispensable desarrollar una metodologa de evaluacin de los valores predichos de forma cuantitativa. Por lo tanto, se presentan resultados experimentales para validar valores predichos por diferentes modelos de simulacin de un sistema de manufactura. SIMULACION La teora general de simulacin (TGS) o teora de sistemas o enfoque sistmico es un esfuerzo de estudio interdisciplinario que trata de encontrar las propiedades comunes a entidades de los sistemas que se presentan en todos los niveles de la realidad, pero que son objetivo tradicionalmente de diferentes disciplinas acadmicas. La construccin de un modelo constituye una representacin abstracta de un cierto aspecto de la realidad y tiene una estructura que est formada por los elementos que caracterizan el aspecto de la realidad modelada (figura 1.), y por las relaciones entre sus elementos [Aracil, 2006]. Los procesos de simulacin generan datos que representan la realidad, de acuerdo a cierto modelo construido en base a los datos recogidos en el campo. Para producir estos datos es necesario contar con herramientas que generen nmeros aleatorios en ciertos intervalos y con cierta distribucin especificada en el modelo [Gilat, 2006]. Cuando se conocen los datos de los que se dispone y su naturaleza, se desarrolla el modelo en s mismo. La programacin del modelo, se puede hacer con un lenguaje de programacin de propsito general o con un lenguaje especfico de simulacin (GPSS, AutoMod, Witness, Arena,...). En cualquier caso, la decisin ha de ser tomada previamente, ya que influye no slo en la programacin sino tambin en el modelo desarrollado [Joan B. Fonollosa i Guardiet, 2002]. Los experimentos buscan, en general, respuestas a preguntas del tipo qu pasara si?, preguntas que pueden plantearse en cualquier etapa del ciclo de vida del sistema, tanto en la fase de diseo, en cuyo caso el objetivo de las respuestas es encontrar soluciones a las diferentes alternativas de diseo, o investigar los posibles efectos de las diferentes configuraciones factibles; como en fases posteriores, con un sistema ya implantado, cuando se plantea la posibilidad de cambios o modificaciones en el sistema existente para ampliar su capacidad de operacin o para adaptarlo a nuevos requerimientos [Olivares-Pacheco, 2007]. Las ejecuciones del modelo nos proporcionarn las estimaciones de los parmetros de inters. Desde un punto de vista metodolgico hemos de distinguir varios tipos de situacin: Estimacin de variables de respuesta, estimacin de efectos combinados y comparaciones entre alternativas de diseo.

Figura 1. Estructura de la simulacin.

2011 Universidad Politcnica de Guanajuato UPGTO

II Congreso Nacional de Manufactura Interpolitcnicas

20 al 22 de Julio de 2011, Celaya, Guanajuato
PROCESOS GAUSSIANOS Un proceso de Gauss es un proceso estocstico que genera muestras en el tiempo de manera tal que no afecte la finitud de una combinacin lineal XT que se tenga (o ms generalmente cualquier funcional lineal de la funcin de muestra XT), combinacin lineal que se distribuir normalmente [Reed Gerald, 1979]. Un proceso Gaussiano define una distribucin de probabilidad para funciones. En este procesos cualquier conjunto aleatorio de funciones de variables es distribuido multivariada mente por una funcin de tipo p (f |x)=N (M, K). Un proceso de regresin es el que permite realizar predicciones sobre cantidades continuas dependientes unos de otros a un cuando son diferentes valores tomados de la muestra del sistema. Para esto se tiene que partir de un anlisis estadstico el cual mediante diagramas de dispersin nos permiten establecer una correlacin entre dos caractersticas de la muestra tomada, debe existir una relacin entre ambos datos de lo contrario la grafica estar errnea.Gracias a los diagramas de dispersin se puede observar grficamente los resultados de anlisis del proceso [Pedro Albertos, 2004]. Un Proceso Gaussiano de Regresin se puede interpretar como una distribucin de funciones y la inferencia que toma lugar directamente del espacio de funciones. Es decir recuperar el proceso demarcado de los puntos observados con ruido de los barridos espectrales obtenidos durante la muestra. Considerando a los datos tomados como: D = {x (i), y (i) =1,...n}. En donde cada entrada es un vector X de dimensin d y cada punto objetivo es un valor escalar real y = f (x) + Ruido. Y las entradas son una matriz de dxn dimensiones y los objetivos un vector Y. D = {X, y}. Para la programacin de un procesos Gaussiano se inferir FX para entradas no observadas de XX, usando p (f *| X *, D). Mientras que una regresin lineal Bayesiana, asume un ruido () con distribucin normal, con parmetros son: Media cero ( = 0) y Varianza uno (2 = 1). N(0, 2 ) y como modelo: f (x|W) = xTW , y = f +. De donde los parmetros de la verosimilitud son dados por: p( y|x,W) = N(xTW, 2I ) asumiendo a priori una Gaussiana sobre los parmetros: p(W,)= N(0, p. Se aplica el teorema de Bayes y se obtiene la distribucin posterior: P (w| y, x) P( y |x,w)P(w). En la ecuacin anterior se observa que la distribucin depende del producto de la verosimilitud y la distribucin a priori. Posterior mente, se puede expresar la siguiente sobre los parmetros como: P (w y, x)= N (1/2AXy, A-1 ). Donde: A= -1 p+1/2XXT .Permitiendo expresar la distribucin predictiva como: P ( f *| X*, X , y) = f (X *|W)P(W| X, y)dW , P( f *| X*, X , y) N( 1/2 X*TA-1 Xy, X*T A-1 X *). Justificando y usando un conjunto de funciones base (x) para proyectar una entrada X de d dimensiones en un espacio de caractersticas de m dimensiones, la distribucin predictiva puede ser expresada en trminos del procesado inherente del espacio de caractersticas. No obstante en la prctica, la dificultad del modelo esta dependiendo de cuntas y cules funciones base usar, por esta razn se elige la interpretacin de un procesos de regresin Gaussiano desde el punto de vista de la funcin de espacio y no desde la longitud del espacio. Desde el enfoque que proporciona la Funcin de Espacio y partiendo del hecho que el Proceso Gaussiano es una coleccin de variables aleatorias de nmero finito que tienen una distribucin conjunta Gaussiana, se especifica y describe completamente por una funcin de Media y una funcin de covarianza definida positiva. DESARROLLO EXPERIMENTAL Para fines prcticos se desarroll una interfaz amigable con el usuario donde se puede elegir el tipo de distribucin para la cola as como para la unidad de servicio. En esta interfaz se puede introducir los parmetros mencionados anteriormente relacionados con su distribucin y as tener respuesta a la pregunta planteada al principio: Cul es el tiempo promedio que tarda en producir x cantidad de rdenes?

2011 Universidad Politcnica de Guanajuato UPGTO

II Congreso Nacional de Manufactura Interpolitcnicas

20 al 22 de Julio de 2011, Celaya, Guanajuato
PASOS PARA LA GENERACIN DE NUMEROS ALEATORIOS Y VISUALIZACIN DE RESULTADOS 1. Seleccionar el tipo de distribucin que modelar la cola del sistema. 2. Dar click en el botn de INICIO para que se habilite el campo donde podemos introducir el parmetro asociado con la distribucin elegida e introducirlo. 3. Seleccionar el tipo de distribucin que modelara el procesamiento de las ordenes en la unidad de servicio y dar click en el botn INICIO para que se habiliten los campos de los parmetros. 4. Introducir los parmetros requeridos y dar click en el botn de INICIO. 5. Al terminar el paso anterior podemos hacer un anlisis de las grficas y tener el tiempo total que se tardaron en procesar 100 piezas. El tiempo total de procesado se puede determinar considerando que el tiempo promedio que tarda el producto es constante, y as sumarlo al tiempo de llegadas de rdenes a la cola.

La aplicacin desarrollada anteriormente nos genera los datos de llegada y de procesado, y nos calcula el tiempo promedio que tarda una orden desde que llega al sistema hasta su salida. Este tiempo promedio lo calcula tomando en cuenta la hora de llegada de la orden al sistema sumndolo al tiempo que tarda en la cola y el tiempo de procesado en la unidad de servicio. Con estos datos podemos hacer predicciones futuras de la salida de cada orden. En un software se realizara una aplicacin que modelara un sistema de manufactura usando un sistema de colas por medio de distribuciones de probabilidad. Al tener modelado el sistema podremos estimar un tiempo promedio de procesado de una orden, es decir, el tiempo promedio que tarda una orden desde su recepcin en la entrada de la cola, y el procesamiento en la unidad de servicio, hasta que sale del sistema. Al tener este parmetro podemos hacer una inferencia en los datos futuros usando un proceso Gaussiano. La idea es que podamos conocer el estado del sistema en un instante de tiempo y as poder predecir su comportamiento futuro.

2011 Universidad Politcnica de Guanajuato UPGTO

II Congreso Nacional de Manufactura Interpolitcnicas

20 al 22 de Julio de 2011, Celaya, Guanajuato
Se generara una aplicacin en MatLab, que nos genere datos aleatorios, unos que representen el tiempo de llegada de las rdenes a la cola y el otro el tiempo de procesado de las rdenes, estos datos podrn tener dos diferentes tipos de distribucin: exponencial y normal. En el experimento generaremos los nmeros aleatorios y podremos estimar as el tiempo medio que tarda una orden en ser procesada.

En la figura 2 se muestran el bloque de Colas, donde llegan las rdenes solicitadas por el cliente, mientras que en la unidad de servicio se procesan los productos que representan las rdenes. Si conocemos los tiempos en los que llega cada orden a la cola y el tiempo promedio que tarda un producto en ser procesado, podemos estimar el tiempo promedio que tarda en procesar x cantidad de rdenes. En este caso estamos suponiendo que una orden es un producto. Las llegadas de rdenes a la cola del sistema pueden ser modeladas por medio de una funcin de distribucin de probabilidad exponencial y normal entre otras, ver ecuaciones 1 y 2: F(x)= e
( )

(Ecu. 1)

( ) Teniendo cuatro posibles combinaciones:

(Ecu. 2)

Llegada de ordenes a la cola Procesado en la unidad de servicio Exponencial Exponencial Exponencial Normal Normal Exponencial Normal Normal Tabla 1. Combinaciones de las distribuciones de probabilidad empleadas en la experimentacin. Se utiliz el software Matlab, para generar datos aleatorios que siguieran los tipos de distribuciones descritas anteriormente. Para generar los nmeros aleatorios de la funcin exponencial se us la funcin: exprnd().Esta funcin genera nmeros aleatorios con un parmetro landa (), que representa el valor de llegadas de rdenes por hora. Para poder generar los datos con una distribucin normal en matlab se us la funcin siguiente: normrnd(, ). Esta funcin genera datos aleatorios con los parmetros miu () y Sigma () respectivamente. Donde es el valor promedio de tiempo de procesado por cada orden y la desviacin estndar para este proceso.

2011 Universidad Politcnica de Guanajuato UPGTO

II Congreso Nacional de Manufactura Interpolitcnicas

20 al 22 de Julio de 2011, Celaya, Guanajuato
En la figura 3 se ilustra como ejemplo el resultado de la combinacin de una distribucin de probabilidad exponencial para la entrada a la cola del sistema, y una normal para el procesamiento en la unidad de servicio. En la figura 3a) se aprecian los nmeros aleatorios generados con el parmetro establecido en la funcin de distribucin exponencial. En la figura 3b) esta graficada la funcin exponencial que respecta a los valores aleatorios observados en la figura 3a). La figura 3c) muestra los nmeros aleatorios generados con la funcin de distribucin normal, mientras que en la figura 3d) se grafica la funcin normal teniendo en cuenta los parmetros establecidos.

NO. DE LLEGADA DE LA ORDEN 90 91 92 93 94

HORA DE LLEGADA 1707 1714 1718 1744 1751

HORA DE SALIDA PREDICHA 1720 1727 1731 1757 1764

2011 Universidad Politcnica de Guanajuato UPGTO

II Congreso Nacional de Manufactura Interpolitcnicas

20 al 22 de Julio de 2011, Celaya, Guanajuato
95 1791 1804 96 1795 1808 97 1835 1848 98 1846 1859 99 1867 1880 100 1872 1885 Nota: Se tom una pequea muestra de los datos obtenidos, para representar los resultados alcanzados.

Experimentacion
1900 1880 HORA DE SALIDA PREDICHA 1860 1840 1820 1800 1780 1760 1740 1720 1700 1680 1700 1720 1740 1760 1780 1800 1820 1840 1860 1880 1900

HORA DE LLEGADA

CONCLUSIONES En una simulacin podemos llegar a estimar el tiempo promedio, en los que una orden es procesada en la unidad de servicio (maquinaria), tiempo total de procesamiento de un conjunto de rdenes, y a su vez nos permiten estimar la hora en la cual una orden determinada sale del sistema. Estos valores son obtenidos mediante nmeros aleatorios, los cuales se pueden modelar, usando distintos tipos de distribuciones de probabilidad. La utilizacin de simuladores nos ayuda a una mejor visin de produccin y de capacidades de procesamiento de una mquina, es decir, nos arroja valores futuros con los cuales podemos hacer mejores predicciones, permitiendo una planeacin ms exacta y sin demoras de entrega a los clientes, as como hacer ms eficiente el proceso de manufactura.

2011 Universidad Politcnica de Guanajuato UPGTO

II Congreso Nacional de Manufactura Interpolitcnicas

20 al 22 de Julio de 2011, Celaya, Guanajuato
REFERENCIAS 1. Aracil, R. (2006). Robots paralelos. 3 (1). 2. C. Isaza, W. R. (2008). Modelo de maduracion del banano empleando procesos Gaussianos de regrecion . Scientia et Technica . 3. C. K. I. Williams, C. E. (1996). Gaussian Process for regrecion. Advances in Neural Information Processing Systems. 4. Gilat, A. (2006). Matlab: una introduccin con ejemplos prcticos. Reverte. 5. Ivan Garca Pacheco, J. G. (2007). A Methodology Based on Effective Practices to Develop Educational Software. Computacin y Sistemas , 11 (4). 6. Joan B. Fonollosa i Guardiet, J. M. (2002). Mtodos cuantitativos de organizacin industrial II (2 ed.). Edicions UPC. 7. Mercedes Ruiz Carreira, I. R. (2010). Estimacin del Coste de la Calidad del Software a travs de la Simulacin del Proceso de Desarrollo. 2 (1). 8. Olivares-Pacheco, J. F. (2007). Generacion de valores de las variables aleatorias. 9. Pedro Albertos, A. S. (2004).El control borroso,Una metodologia RIAII , 1 (2). 10. Reed Gerald, S. B. (1979). scattering theory. Methods of modern mathematical physics . 11. Shannon, R. E. (1975). Systems simulation. Universidad de Michigan . Michigan: Prentice-Hall. 12. Winston, C. (1997). Brookings Papers on Economic Activity. Brookings Institution Press.

2011 Universidad Politcnica de Guanajuato UPGTO