TECNOLOGICO NACIONAL DE MEXICO

INSTITUTO TECNOLOGICO DE Apizaco

DEPARTAMENTO DE INGENIERIA INDUSTRIAL

MATERIA. Logística y cadena de suministros

PROFESOR. Rodolfo Eleazar Pérez Loaiza

TEMA 5. La tecnología de la información

MODELIZACION DE LOGISTICA INTERNA MEDIANTE
DRONES EN LA ETAPA DE MONTAJE DE PRODUCTOS

REALIZO:
HERNANDEZ SANCHEZ JORGE
Ortiz Ramírez miguel ángel
OSORIO RODRIGUEZ ALAN

FECHA: 29/04/2022

pág. 1
Índice
Introducción ............................................................................................................................................... 3
Descripción del problema ...................................................................................................................... 4
Caracterización del problema ............................................................................................................... 4
Solución del problema ............................................................................................................................ 5
Resultados del modelo usando GA ..................................................................................................... 6
Casos especiales de aplicaciones de AG .......................................................................................... 9
Conclusión ............................................................................................................................................... 10
Conclusión por participante ................................................................................................................ 11
Referencias .............................................................................................................................................. 12

pág. 2
Introducción
En los últimos años, en el mundo de la robótica, se ha evidenciado un creciente interés por los
UAV (Vehículo Aéreo No Tripulado). Se han desarrollado varias estructuras y configuraciones
para permitir movimientos en 3D. Cada uno de ellos tiene ventajas y desventajas. El despegue y
aterrizaje vertical, así como el vuelo horizontal sorteando obstáculos, ambos con características
de baja velocidad y alta precisión, son requisitos fundamentales en la materia. Sin embargo, las
plataformas que muestran estas características con cuatro, seis y ocho rotores tienen la
capacidad solo para vuelo vertical y horizontal, y movimiento a baja velocidad.
La arquitectura quadrotor ha sido elegida para análisis por sus reducidas dimensiones, buena
maniobrabilidad, mecánica sencilla y buena relación entre peso total y capacidad de carga. Todos
estos factores también están limitados por el alto consumo de energía requerido para su
funcionamiento.
Algunas heurísticas clásicas para el problema de enrutamiento de vehículos (VRP) se basan en
el principio de primero agrupar y luego enrutar, como los algoritmos de barrido. La primera fase
es generar grupos (sub-clusters) de máquinas; cada grupo de máquinas estaría en la misma ruta
de drones en la solución final. Luego, como segundo paso, se crea una ruta para el dron para
cada subclúster que debe visitar todas las máquinas del subclúster. Por lo tanto, la construcción
de rutas para cada subclúster se convierte en un TSP (Problema del viajante de comercio), que
se puede resolver de forma exacta o aproximada según la cantidad de máquinas que lo
componen.

pág. 3
Descripción del problema
Descripción de un proceso generalizado de montaje a medida

En muchas plantas de fabricación de productos como calzado, juguetes, objetos de plástico para
uso doméstico e industrial, existe un problema importante en la logística interna de estas
instalaciones de ensamblaje o personalización [1, 5] debido a la gran cantidad de productos,
máquinas y rutas. Para estudiar esta situación se utiliza como modelo de referencia un fabricante
de productos plásticos de moldeo por inyección; Los productos finales son de dos tipos: cajas y
bandejas de almacenamiento para aplicaciones domésticas, minoristas e industriales, que se
ensamblan a partir de piezas recogidas en los almacenes y entregadas en las líneas de montaje
de la planta.
La Fig. 1.(a) muestra un esquema de suministro de materiales desde dos almacenes adyacentes
a la planta de ensamblaje hacia una estación de trabajo (WS) o mini-línea de ensamblaje. Esta
instancia de suministro de material puede repetirse para las decenas de estaciones de trabajo
(WSs) o mini-líneas de montaje existentes en plantas de este tipo. En este trabajo se muestra
una propuesta de transporte de materiales y productos semielaborados mediante el uso de una
flota de cuadricópteros.

Una situación análoga ocurre en la fabricación de productos plásticos, que corresponde a la

recogida de piezas producidas en máquinas de moldeo por inyección para ser llevadas a la línea
de paletizado. La Fig 1.(b) muestra (en color verde) el actual sistema de transporte de productos
a través de cintas transportadoras desde las máquinas de moldeo por inyección hasta la línea de
paletizado. En la Fig. 1.(c), se propone la sustitución de las cintas transportadoras por una flota
de cuadricópteros para la recogida del producto desde las máquinas de moldeo por inyección
hasta la línea de paletizado.

Caracterización del problema

La situación descrita anteriormente, tanto para la entrega como para la recogida, se puede
caracterizar y definir en términos genéricos como correspondiente a un taller con decenas de
máquinas, que se abastecen de materiales desde un depósito.
La figura 2.(a) muestra un diseño en el que las posiciones de los WS en el plano (X,Y) se muestran
como un punto azul, que se abastecen con materiales de un depósito representado por el
triángulo amarillo. Como ya se ha descrito anteriormente, el primer paso es generar clusters o
agrupaciones de puntos considerando restricciones tales como; capacidad total de carga útil del
cuadricóptero, tiempo, nivel de energía de las baterías, etc. Cada uno de estos clústeres

pág. 4
contendrá, como punto de partida, un depósito, desde donde el cuadricóptero inicia y finaliza el
circuito, después de realizar la recogida o entrega de productos.

Solución del problema

Metodología
4.1. Generación de clústeres
Para la primera fase, es decir, para formar clusters, el método utilizado es elalgoritmo de barrido.
En esta heurística [6-7], los grupos se forman girando un rayo en el sentido de las agujas del reloj
con origen en el almacén, véase la Fig. 2.(b), e incorporando las máquinas "barridas" por ese
rayo hasta que se supera una restricción, por ejemplo, el total capacidad de carga útil del
cuadricóptero asignado, la energía restante de su batería u otra restricción. Para el ejemplo que
se muestra en la Fig. 2.(a), se obtienen seis grupos como se muestra en la Fig. 2.(c). Si se toma
uno de estos grupos, por ejemplo, el grupo 1, como se muestra en la Fig. 3.(a), y luego se enruta
el vehículo resolviendo un TSP de forma exacta o aproximada, se obtiene la ruta del cuadricóptero
asignado a ese grupo, como se muestra en la figura 3.(b)

Se supone que la posición de cada estación de trabajo viene dada por sus coordenadas polares
en un sistema que tiene como origen el depósito. Resumiendo, los pasos del algoritmo son los
siguientes:
Paso 1(inicialización)
Elija un cuadricóptero desocupadok. Esto debe seleccionarse de un subconjunto de
cuadricópteros desocupados de acuerdo con un método de elección, donde se ponderan un
conjunto de variables, principalmente la carga restante de la batería.
Paso 2(selección)

pág. 5
Ordene los WS de acuerdo con el ángulo de inclinación ( ) en relación con un punto de referencia,
en este caso el depósito, en forma creciente.
Si dos WS tienen un ángulo de inclinación de igual valor (,r), coloque primero el de menorrvalor.
Asigne la estación de trabajo al clúster hasta que se complete la capacidad de carga útil del
cuadricóptero, o cuando surjan otras limitaciones, como batería baja. Si todos los WS ya
pertenecen a un clúster y no se pueden agregar más WS al clúster debido a restricciones, vaya
al paso 3.
Paso 3(mejoramiento)
Optimizar la ruta mediante un algoritmo que resuelve el TSP, en este caso un GA, para el
subcluster generado, considerando o no el peso de los insumos a entregar en cada puesto de
trabajo. Los parámetros de GA deben ajustarse de acuerdo con la cantidad de WS en el
subclúster.
4.2. Generación de rutas utilizando Algoritmo Genético (GA) para cada clúster
Aquí, los pasos necesarios para crear el código y ejecutar el GA para resolver el TSP de cada
clúster se enumeran a continuación.
Paso 1.-Genere la matriz de posiciones de estaciones de trabajo pertenecientes al clúster dentro
de un polígono, donde la posición del depósito se ubica en el origen. Los WS del clúster son todos
aquellos que un dron tiene que visitar para entregar o recoger materiales en un solo viaje. Esta
matriz se llama ubicaciones, y es una matriz de (n, 2), donde nortees el número de WS del clúster.
Él ubicaciones La matriz está formada por las coordenadas X, Y de los WS pertenecientes a un
mismo grupo, dadas por el método del algoritmo de barrido. La posición de cada WS se obtiene
del diseño de la planta. Como ejemplo, las posiciones de 10 WS y depósito se definen en Matlab
de la siguiente manera:
ubicaciones= [0 0; 16 30; 40 30; 17 70; 70 60; 40 10; 30 20; 10 60; 16 70; 10 70; 0 40]
La primera posición (X=0, Y=0) de la matriz ubicaciones pertenece al depósito, el resto de las
posiciones (X, Y) de la matriz corresponden a las 10 WSs. Paso 2.- Generación de la matriz de
distancias entre los puntos del clúster, denomina distancias. Paso 3.-Generación de la ruta más
corta usando GA, encontrando una posible solución al TSP en cada clúster. La entrada para este
paso es la matriz generada Distancias. En primer lugar, se crea una estructura de opciones para
indicar un tipo de dato personalizado, como tamaño de la población, número de generaciones,
etc. En segundo lugar, se utilizan funciones de Matlab para la creación de la población, selección,
cruzamiento y mutación.

Resultados del modelo usando GA

Para determinar el rendimiento del GA [8-9] que genera la ruta del cuadricóptero, se probaron
escenarios de producción con diferentes números de WS para suministrar los materiales desde
un depósito. Se supone que el peso de estos materiales es similar o muy ligero. En este caso,
para asignar una ruta al cuadricóptero para realizar la entrega de materiales, no se considera
como variable de decisión el peso de estos materiales, considerando únicamente la distancia
entre los WSs. El peso se considera en una etapa posterior para calcular el consumo de energía
en una ruta particular. La Tabla 1 muestra los resultados del TSP usando GA con 200
generaciones, para diferentes números de WSs. Se muestran diez corridas para cada diseño de
10 a 50 WS. Se puede observar que para un trazado de hasta 10 WSs, el GA genera
inmediatamente rutas óptimas en tiempos muy adecuados. Por lo tanto, para clústeres con 10 o
menos WS, se puede esperar obtener la ruta óptima seleccionando el valor más bajo obtenido
pág. 6
con algunas ejecuciones del GA. La Tabla 1 también muestra que para 10 WS, todas las
ejecuciones de GA proporcionaron como resultado la misma aptitud. Por lo tanto, no hay
diferencia entre la media y la mejor aptitud, como se muestra en la Tabla 2. La precisión del GA
sigue siendo buena entre 10 y 15 WS. Por ejemplo, se puede observar que para 15 WS, solo una
de cada 10 ejecuciones, el algoritmo no proporcionó el resultado óptimo. Entre 15 y 20 WSs se
repite el fitness más bajo con cierta frecuencia y con unas pocas pasadas se puede obtener un
buen resultado para dotar al cuadricóptero de una ruta adecuada. se puede esperar obtener la
ruta óptima seleccionando el valor más bajo obtenido con algunas ejecuciones del GA. La Tabla
1 también muestra que para 10 WS, todas las ejecuciones de GA proporcionaron como resultado
la misma aptitud. Por lo tanto, no hay diferencia entre la media y la mejor aptitud, como se muestra
en la Tabla 2. La precisión del GA sigue siendo buena entre 10 y 15 WS. Por ejemplo, se puede
observar que para 15 WS, solo una de cada 10 ejecuciones, el algoritmo no proporcionó el
resultado óptimo. Entre 15 y 20 WSs se repite el fitness más bajo con cierta frecuencia y con unas
pocas pasadas se puede obtener un buen resultado para dotar al cuadricóptero de una ruta
adecuada. se puede esperar obtener la ruta óptima seleccionando el valor más bajo obtenido con
algunas ejecuciones del GA. La Tabla 1 también muestra que para 10 WS, todas las ejecuciones
de GA proporcionaron como resultado la misma aptitud. Por lo tanto, no hay diferencia entre la
media y la mejor aptitud, como se muestra en la Tabla 2. La precisión del GA sigue siendo buena
entre 10 y 15 WS. Por ejemplo, se puede observar que para 15 WS, solo una de cada 10
ejecuciones, el algoritmo no proporcionó el resultado óptimo. Entre 15 y 20 WSs se repite el
fitness más bajo con cierta frecuencia y con unas pocas pasadas se puede obtener un buen
resultado para dotar al cuadricóptero de una ruta adecuada. La precisión del GA sigue siendo
buena entre 10 y 15 WS. Por ejemplo, se puede observar que para 15 WS, solo una de cada 10
ejecuciones, el algoritmo no proporcionó el resultado óptimo. Entre 15 y 20 WSs se repite el
fitness más bajo con cierta frecuencia y con unas pocas pasadas se puede obtener un buen
resultado para dotar al cuadricóptero de una ruta adecuada. La precisión del GA sigue siendo
buena entre 10 y 15 WS.

La Tabla 2 muestra la media de los resultados de diez corridas del GA para cada grupo de WS y
su desviación estándar (STD) y Desviación Estándar Relativa (RSD)

pág. 7
La figura 4.(a) muestra que cuanto mayor es el número de WS en el grupo, mayor es la diferencia
entre la media y la mejor aptitud, es decir, hay un aumento en la dispersión en los resultados de
GA con 200 generaciones.

Con respecto al tiempo que tarda el GA [8-9] en proporcionar un resultado, el tiempo de CPU del
GA se muestra en la Tabla 3 para diez
ejecuciones del GA para cada uno de los grupos de WS (10 a 50)

Con base en los datos de la Tabla 3 se obtiene la media y desviación estándar, como se muestra
en la Tabla 4. Se evidencia que tanto la media como el STD de tiempo en las 10 corridas del GA
para cada uno de los grupos de WS ( 10 a 50) no tienen diferencia. Esto se debe a que en los
algoritmos genéticos, el tiempo de ejecución es proporcional al número de generaciones
definidas, que en este caso se fija en 200 generaciones para todos los casos. Sin embargo, se
pueden ver pequeños aumentos en el tiempo medio a medida que aumenta el número de WS
considerados en la ejecución. Esto también se refleja en la Fig. 4 (b), donde se observa cada vez
en cada una de las ejecuciones de GA por grupo de WS.

De acuerdo a los resultados mostrados en la Tabla 1, se recomienda que para un conglomerado

que tenga 30 o más WS, se debe incrementar el número de generaciones y/o población en el

pág. 8
código GA. Sin embargo, dará como resultado un aumento en el tiempo de CPU del GA. De
acuerdo con los requisitos establecidos para el diseño del sistema en la gestión de una flota de
cuadricópteros, para asignar cargas de materiales a cada cuadricóptero, es imperativo optimizar
el uso de energía y la duración de la batería. Dada la dinámica del sistema, todo el proceso de:
creación de clusters, selección de un cuadricóptero, generación de su ruta y asignación de la
entrega, debe ocurrir en el menor tiempo posible, no superando un par de minutos. Es importante
por tanto que la AG dé una respuesta adecuada en el menor tiempo posible. A continuación, en
la Tabla 5, los resultados de las ejecuciones de GA se muestran para 50 WS y el número de
generaciones varía. El propósito es determinar el impacto en el tiempo (en segundos) en que el
GA entrega el resultado variando el número de generaciones en el modelo.

Casos especiales de aplicaciones de AG

Hay una variedad de casos en los que se debe adaptar el GA [8-9] para encontrar una ruta
adecuada para el cuadricóptero, en muchos de estos casos es suficiente adaptar la matriz de
distancias para encontrar la solución. Por ejemplo, la Fig. 6.(a) muestra el diseño de un almacén
donde un cuadricóptero debe viajar y recolectar material de vario posiciones, pasar por un
corredor hacia el área de WSs; continúa recorriendo diferentes puntos de entrega de materiales
y
finalmente regresa por otro corredor y finaliza en el Depósito, punto de partida. La figura 6.(a)
muestra las direcciones que
debe respetar el GA. En la Fig. 6.(b) los puntos que son críticos como restricciones, se muestran
en puntos rojos. La figura 6.(c)
muestra los resultados arrojados por el GA. La figura 7 muestra la estructura de la matriz con
submatrices, mostrando las
restricciones y distancias acotadas a ciertas zonas.

pág. 9
Conclusión
El uso de drones cuadricópteros en una planta de fabricación, en la etapa de ensamblaje y/o
personalización de productos, como se propone en este trabajo, conducirá a un mayor nivel de
eficiencia, eficacia y productividad. Esto se basa en las principales características de los
cuadricópteros, que están transportando materiales en un espacio 3D, superando así las
limitaciones de los AGV, cintas transportadoras, carretillas de mano y otros, que solo pueden
trabajar en un avión o el suelo, y en rutas muy rígidas. . Basado en diseños típicos que ocurren
en muchos tipos de instalaciones de montaje, el documento propone en términos genéricos,
diseños que permitirán aplicar modelos para generar clústeres.
Se formuló un modelo basado en un algoritmo genético para generar rutas de transporte de
materiales en tiempos cortos, buscando la optimización del uso de la energía. Estas rutas
permitieron establecer el peso total a transportar por cada cuadricóptero tanto en la recogida
como en la entrega. Con base en esto último, se determinó la cantidad de energía a drenar de la
batería de cada cuadricóptero. Este modelo será la base para generar un sistema de gestión de
flotas de cuadricópteros.
La tecnología de hélices y motores disponibles comercialmente hoy en día para cuadricópteros
(heavy duty), permiten tener suficiente empuje para realizar la operación de recogida y entrega
dentro de una planta de montaje, para cargas que no superen los 20 kg. Sin embargo, el gran
cuello de botella de esta tecnología es la capacidad de almacenamiento eléctrico en baterías que
no permiten operaciones más allá de unos pocos minutos. Se prevé, con el gran y rápido
desarrollo de las baterías LiPo, que esta limitación pueda superarse en unos pocos años.

pág. 10
Conclusión por participante

JORGE HERNANDEZ SANCHEZ

Los drones en la Industria 4.0 empiezan a verse como una solución para mejorar los procesos.
Como sabemos, la incorporación de las nuevas tecnologías en los entornos industriales ha ido
modificando los modelos de negocio. Los drones voladores se utilizan cada vez más para tareas
relacionadas con la Industria 4.0 o la agricultura de precisión. Está comenzando a ser algo común
para monitorear infraestructura, ubicar objetos en áreas de almacenamiento e incluso mover
paquetes. Ya estamos con el uso de la tecnología y parece que en un futuro no muy lejano será
algo simple y común en nuestras vidas.
MIGUEL ANGEL ORTIZ RAMIREZ
La importancia de los drones en la industria 4.0, hoy en día se sabe que servirán para infinidad
de tareas como para acortar el tiempo entre inspecciones, tener acceso en lugares difíciles,
reducir el riesgo por accidente al sustituir operarios por drones en trabajos de alta peligrosidad,
sustituyendo algunas manos de obra, y por ende traer beneficios a la compañía. Es importante
conocer nuevas tecnologías para implementarlas en las empresas sacando el mayor beneficio
que puedan aportar.
ALAN OSORIO RODRIGUEZ
La Industria 4.0 en conjunto de su rama Logística 4.0 traen múltiples beneficios para la gestión
interna en una empresa de manufactura. Cabe destacar que es un tema de suma importancia
para el futuro cercano. De esta forma, nosotros los nuevos ingenieros nos vemos en la obligación
de involucrarnos en estas tendencias para poder trabajar en conjunto con los conocimientos que
nosotros tenemos y con la tecnología para hacer de la nueva industria un lugar cada vez
fascinante en el nuevo mundo moderno.

pág. 11
Referencias

[1] Silveira GD, Borenstein D, Fogliatto FS. Personalización masiva: revisión de la literatura y
direcciones de investigación.Revista Internacional de Economía de
la Producción2001;72: 1–13.
[2] Buzacott J, Kahyaoglu Y. Flexibilidad y robustez en la fabricación.Revista internacional de
tecnología y gestión de fabricación
2000; 2 (1-7): 546-558.
[3] Mehrabi MG, Ulsoy AG, Koren Y. Sistemas de fabricación reconfigurables: clave para la
fabricación futura.Revista de fabricación
inteligente2000;11:403–419.
[4] Wu N. Flexibilidad para la reingeniería de procesos de fabricación para la personalización
masiva.Revista Internacional de Control y Sistemas Inteligentes
2005;10:152-161.
[5] Duray R, Ward P, Milligan GW, Berry WL. Aproximaciones a la personalización masiva:
configuraciones y validación empírica. Revista de Gestión
de Operaciones 2000;18:605-625.
[6] Shin K, Han S. Un algoritmo heurístico basado en el centroide para el problema de
enrutamiento de vehículos capacitados.Computación e Informática,
2011;.30: 721-732.
[7]Prins C, Lacomme P, Predhon C. Ordenar primero métodos de fracciones de segundo para
problemas de enrutamiento de vehículos: una revisión.Investigación de
transporte 2014;Parte C 40: 179-200.
[8] Raja P, Pugazhenthi S. Planificación óptima de rutas de robots móviles: una revisión.Revista
Internacional de Ciencias Físicas2012;7(9):
1314-1320.
[9] Shiltagh NA, Jalal LD. Planificación de rutas de robots móviles inteligentes utilizando
algoritmos genéticos modificados.Revista internacional de computación
blanda e ingeniería2013;3 (2): 39-54.
[10] Archetti C, Speranz MG. Problemas de enrutamiento de vehículos con entregas
divididas.Transacciones Internacionales en Investigación Operativa 2012;19
:3–22.
[11] Silva MM, Subramanian A, Ochi LS. Una heurística de búsqueda local iterada para el
problema de enrutamiento de vehículos de entrega dividida.Informática e
Investigación de Operaciones2015; 53:234-249.

pág. 12
[12] Wassan NA, Nagy G. Problema de enrutamiento de vehículos con entregas y recolecciones:
problemas de modelado y enfoques de solución
metaheurística.Revista Internacional de Transporte2014;1: 95-110.
[13] Boudjedir H, Yacef F, Bouhali O, Rizoug N. Red neuronal adaptativa para un vehículo aéreo
no tripulado Quadrotor.Revista
internacional de fundamentos de informática y tecnología2012;2(4): 1-13.
[14] Amir MY, Abbas VU. Modelado y control neuronal de helicóptero quadrotor.Yanbu J de
Ingeniería y Ciencias2011;2:35-49.
[15]Kimura N, Jolly V, Latifi S. Diseminación de datos con restricción de energía en redes
inalámbricas de sensores.Revista internacional de redes de
sensores distribuidos2006;2: 251-265.
[dieciséis]Latorre ES. Optimización del sistema de propulsión para un quadrotor ligero no
tripulado. Universidad Politec. de Catalunya, Máster en Ciencias
Aeroespaciales $ Tecnología; 2011

pág. 13