vaae en www.scencerec.

com
Machine Translated by Google Disponible en línea en www.sciencedirect.com

CienciaDirecta
CienciaDirecta
Disponible
Procediaen línea en 00
Informática www.sciencedirect.com
(2022) 000–000
Procedia Informática 00 (2022) 000–000
www.elsevier.com/locate/procedia
www.elsevier.com/locate/procedia
CienciaDirecta
Procedia Informática 204 (2022) 784–793

Congreso Internacional de Ciencias de la Industria e Innovación Informática

Congreso Internacional de Ciencias de la Industria e Innovación Informática

Planificación y programación de la producción agregada en el entorno de la

Industria 4.0 Planificación y programación de la producción agregada en el
entorno de la Industria 4.0
Ambiente
Thrissur Krishnan un, Asharul Khanb b *, Jehad Alqurni c
Thrissur Krishnan un, Asharul Kan *, Jehad Alqurni c
a Investigador Independiente, Bangalore, India 560076 a
cama y

Investigador
Cátedra de Investigación de la Cámara Independiente,
de Comercio e IndustriaBangalore,
de Omán,India 560076 Sultan Qaboos, Muscat, PC 123, Omán
Universidad
desayuno

Cátedra de Investigación de la Cámara de Comercio e Industria de Omán, Universidad

Departamento de Tecnología Educativa, Universidad Imam Abdulrahman Bin Faisal, PO Box 1982, Sultan Qaboos,Arabia
Dammam, Muscat, PC 123, Omán c
Saudita
c Departamento de Tecnología Educativa, Universidad Imam Abdulrahman Bin Faisal, PO Box 1982, Dammam, Arabia Saudita

Resumen
Resumen

El propósito de este estudio es facilitar un debate en curso para que investigadores y profesionales exploren la implementación de El propósito de este
estudio es facilitar un debate en curso para que investigadores y profesionales exploren la implementación de tecnologías avanzadas en la próxima
generación de fabricación y en el más amplio Implicaciones de la Industria 4.0 en Agregados
tecnologías avanzadas en la próxima generación de fabricación y las implicaciones más amplias de la Industria 4.0 en Agregado
Planificación y programación de la producción. Analiza el estado actual, los desafíos y las perspectivas futuras de la planificación y programación de la
producción de producción agregada. Analiza el estado actual, los desafíos y las perspectivas futuras de la planificación y programación de la producción
agregada a la luz de las tecnologías emergentes, incluida la inteligencia artificial, el aprendizaje automático y la planificación cibernética y la
programación a la luz de las tecnologías emergentes, incluida la inteligencia artificial, el aprendizaje automático y la cibernética. sistemas físicos.
Además, presenta una discusión sobre por qué la Planificación y Programación de la Producción Agregada debe adaptarse a los sistemas físicos.
Además, presenta una discusión sobre por qué la Planificación y programación de la producción agregada debe adaptarse al entorno de la Industria
4.0. El estudio encontró la aceptación de la tecnología Industria 4.0 en la planificación de la producción agregada y el entorno de la Industria 4.0. El
estudio encontró aceptación de la tecnología Industria 4.0 en la Planificación y Programación de la Producción Agregada en los países industrializados,
sin embargo, la transición es lenta debido a ciertas limitaciones de las tecnologías emergentes en la Programación en los países industrializados, sin
embargo, la transición es lenta debido a ciertas limitaciones de las tecnologías emergentes. en el proceso industrial.
el proceso industrial

©
Los2022 Los autores.
autores. PublicadoPublicado por ELSEVIER
por Elsevier BV BV © 2022
© 2022 Los autores. Publicado por ELSEVIER BV
Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0)
Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0)
Peer-review bajodel
responsabilidad la responsabilidad
comité científicodel
de comité científicoConference
la International de la Conferencia Internacional
on Industry Sciencesde Ciencias
and de la
Computer Industria ebajo
Peer-review Informática Peer-reviewdel
la responsabilidad bajo la
comité
científico de la International Conference on Innovación en Ciencias de la Industria e Informática
Ciencias Innovación
Ciencias Innovación
Palabras clave: Planificación de la Producción Agregada; Fabricación; Industria 4.0; Inteligencia artificial; fábrica inteligente; grandes datos
Palabras clave: Planificación de la Producción Agregada; Fabricación; Industria 4.0; Inteligencia artificial; fábrica inteligente; grandes datos

1. Introducción
1. Introducción

Un sistema de planificación de la producción consta de una serie de subsistemas, incluida la planificación agregada, jerárquica
Un sistema de planificación de la producción consta de una serie de subsistemas, que incluyen la planificación agregada, la planificación jerárquica de la
producción, la planificación de los requisitos de materiales, la planificación de la capacidad, la planificación de los recursos de fabricación, la planificación de la
producción de inventario, la planificación de los requisitos de materiales, la planificación de la capacidad, la planificación de los recursos de fabricación, el inventario

* Autor correspondiente.
* Autor correspondiente.
Dirección de correo electrónico: a.khan@squ.edu.om
Dirección de correo electrónico: a.khan@squ.edu.om

1877-0509 © 2022 Los autores. Publicado por ELSEVIER BV

1877-0509
Este © 2022 de
es un artículo Losacceso
autores. Publicado
abierto por
bajo la ELSEVIER
licencia BV
CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0)
Este es un artículo
Peer-review de acceso abierto
bajo responsabilidad bajo la científico
del comité licencia CCde BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0)
la International Conference on Industry Sciences and Computer Sciences Peer-review bajo la
responsabilidad del comité científico de la International Conference on Industry Sciences and Computer Sciences Innovation
Innovación

1877-0509 © 2022 Los autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0)
Revisión por pares bajo la responsabilidad del comité científico de la Conferencia Internacional sobre Ciencias de la Industria e Innovación en Ciencias de la
Computación
10.1016/j.procs.2022.08.095
Machine Translated by Google

Thrissur Krishnan et al. / Procedia Informática 204 (2022) 784–793 785

2 Nombre del autor / Procedia Informática 00 (2022) 000–000

gestión y planificación de la cadena de suministro. La Planificación de la Producción Agregada (APP) es uno de los elementos más
importantes del sistema de planificación de la producción [1]. APP es el proceso de determinar y establecer los niveles de producción
óptimos para diferentes productos, para manejar demandas fluctuantes en el futuro. APP cubre un horizonte temporal de 3 a 18
meses para la planificación de la capacidad con respecto a la producción y los recursos humanos [2].
La investigación de mercado muestra que solo el 10 % de las tareas operativas en los sectores industriales se automatizaron en
2015 y es probable que aumenten al 25 % para 2025 [3]. Estas tecnologías emergentes han llevado a la idea de 'Industria 4.0'
[4]. La Industria 4.0 ha evolucionado a partir de revoluciones industriales pasadas: Industria 1.0, 2.0 y 3.0 [5]. El Internet de las cosas,
la computación cognitiva y los sistemas físicos cibernéticos (CPS) han mejorado los procesos de producción, el monitoreo de
inventario y la eficiencia de las funciones de fabricación y cadena de suministro. En CPS el sistema de apoyo a la decisión se basa
en la captura de datos, mecanismos de aprendizaje y extracción de conocimiento [6]. CPS facilita la comunicación entre máquina a
máquina, máquina a productos y máquina a humano en la fabricación inteligente [7]. El CPS integra tecnologías informáticas, facilita
la comunicación y proporciona mecanismos de control. Los sistemas de producción cibernéticos (CPPS) son una extensión de CPS
en una fábrica moderna [8]. Zhong et al. [9] han sugerido sistemas en tiempo real habilitados para RFID en el taller de fabricación.
Larsen & Toubro ha automatizado plantas de producción y sitios de construcción mediante la instalación de sensores y puertas de
enlace para datos y visibilidad en tiempo real [10]. En el taller de Mahindra y Mahindra, el 70 % de los métodos del taller de carrocería
son robóticos.
Industria 4.0 está trayendo un cambio de paradigma en la fabricación a través de la descentralización y la automatización.
Los gobiernos de todos los países han desarrollado planes para la integración exitosa de la Industria 4.0 en sus sectores de
producción y fabricación. Por ejemplo, High-Tech Strategy Action Plan - 2012 (Alemania), Industrie du Futur -
2015 (Francia), Manufuture Horizon 2020 (UE) y Piano Nazionale Industria 4.0 en 2016 (Italia) [11]. Además, el gobierno chino inició
planes de diez años en 2014, Made-in-China 2025, para transformar China en una base de fabricación mundial [12]. Hay una serie
de facilitadores de la Industria 4.0. Por ejemplo, Internet de las cosas [13-15], big data [16], fabricación aditiva [17] y cloud computing
y fog computing [18]. Según la última observación, las tecnologías habilitadoras adicionales de la Industria 4.0 son la realidad
aumentada, la simulación, la integración horizontal/vertical [19], Internet industrial y la nube, y la seguridad cibernética [11]. El impacto
de la Industria 4.0 se puede ver en los procesos de producción, logística y cadena de suministro [20]. Empresas como BMW, Jaguar
Land Rover, Mondelez y Nestlé son las primeras en adoptar la tecnología Industry 4.0 para diversas funciones operativas [21].

Durante 1970, uno de los desafíos planteados fue la aplicabilidad del modelo HMMS en un entorno incierto y rápidamente
cambiante. Incertidumbre significa una situación en la que la información es inexacta, poco confiable y bordea la ignorancia [22]. En
los tiempos modernos, el modelo APP y HMMS ha vuelto a recibir la atención de los investigadores.
Esta vez, la causa detrás del entorno dinámico es la revolución de la Industria 4.0. APP está asociado con la asignación eficiente de
los recursos disponibles para satisfacer la demanda prevista al comienzo de un año fiscal. Esto implica que el enfoque de APP es
determinar, con la mayor precisión posible, los artículos de producción, el almacenamiento de materias primas y los inventarios
terminados y la mano de obra requerida durante un período específico que generalmente oscila entre 6 meses y 1 año.
Por lo tanto, APP minimiza los costos durante un cierto período de tiempo a través de estrategias efectivas, eficientes y económicas,
principalmente asociadas con la gestión de existencias y la gestión de operaciones [23]. El objetivo central es hacer frente, de la
manera más eficiente posible, a las incertidumbres relativas a los niveles de producción futuros. Las ganancias de optimización y
eficiencia son los pilares de los sistemas de fabricación inteligente [24, 25].
Después de todo, los académicos han notado la dificultad de hacer la transición o evolucionar las funciones operativas tradicionales
en el contexto de la Industria 4. 0 [12]. En una revisión exhaustiva de la literatura realizada por Ivanov et al. [26], los investigadores
documentaron las ventajas frente a la adopción de un plan de optimización para los controles de APP, especialmente cuando las
situaciones implican una programación de producción multifacética en un entorno dinámico rodeado de restricciones complicadas,
horas operativas limitadas disponibles por máquina, tiempo de inactividad, configuración de interrelaciones de máquinas y de múltiples
capas entre diferentes procesos operativos [27]. La literatura muestra además la diversificación en el alcance del modelado, ya que
no hay un solo alcance del modelado que no se vea afectado por otros factores contribuyentes y, por lo tanto, tenga el potencial de
afectar cualquier plan de producción de programación computarizado [28]. Estos tipos de modelos de producción generalmente se
asocian con un procedimiento de programación de producción de dos pasos que abarca el diseño del proceso y los niveles de
programación operativa; un ejemplo de lo cual está claramente delineado en Industry 4.0 [29]. Por lo tanto, existe la necesidad de
identificar la compatibilidad de la aplicación y la Industria 4.0. El estudio se centra en el estado actual, los desafíos y las perspectivas
futuras de APP a la luz del entorno de la Industria 4.0. Además, analiza por qué APP debería adaptarse al entorno de Industria 4.0,
así como si los modelos existentes y tradicionales ayudarían en esta transición. Hay cinco secciones en el estudio. Sección 2
Machine Translated by Google

786 Thrissur Krishnan et al. / Procedia Computer Science 204 (2022) 784–793 Nombre del
autor / Procedia Computer Science 00 (2022) 000–000 3

describe la literatura existente sobre modelos HMMS. La sección 3 presenta una discusión sobre los desafíos y cómo la aplicación debe
adaptarse al entorno de la Industria 4.0. La sección 4 se relaciona con la discusión y los análisis. La última sección del estudio concluye
los hallazgos y la investigación futura.

2. Revisión de literatura sobre modelos HMMS

El crédito de APP es para Charles C. Holt, Franco Modigliani, John F. Muth y Herbert A. Simon [30, 31]. Ellos fueron los pioneros de
APP, a fines de la década de 1950. Propusieron un marco teórico conocido como el "Modelo HMMS" para APP. Sus estudios llevaron a
un cambio importante en la gestión de operaciones. El modelo HMMS demostró una fuerte correlación entre APP y la dinámica de la
gestión de operaciones, especialmente con la relación bipartita entre la gestión de operaciones y la gestión de la cadena de suministro
[32]. El modelo HMMS simplificó la gestión de ventas y operaciones, lo que integró aún más el marketing empresarial y las comunicaciones
financieras [33]. La solución al problema APP propuesta por Holt y colaboradores se basó en la regla de decisión lineal [31]. El presente
estudio ha identificado cuatro líneas de literatura en el área de investigación de APP, a saber:

Hilo 1: Formulación alternativa y enfoques de solución para el modelo HMMS: la literatura en este hilo modifica las funciones de
costo de HMMS y resuelve valores óptimos o casi óptimos utilizando algoritmos genéticos y técnicas de recocido simulado. Por ejemplo,
Chang y Jones [34] formularon instalaciones multiproducto. Otro conjunto de literatura propuso nuevos procedimientos de solución para
el modelo HMMS original, como [35].
Hilo 2: enfoques alternativos de APP motivados por el modelo HMMS: la literatura en este hilo presenta nuevos enfoques de APP
basados en el modelo HMMS. El modelo jerárquico de planificación de la producción [36] fue motivado por el modelo HMMS. Agruparon
las decisiones de gestión de la producción en tres grandes categorías: (1) Formulaciones de políticas, decisiones de inversión de capital
y diseño de instalaciones físicas, (2) APP, (3) Programación detallada de la producción.

Hilo 3: Evaluación del modelo HMMS: este hilo de la literatura evalúa el desempeño/evolución empírica del modelo HMMS y sus
variantes (p. ej., [37, 38]). Gunasekaran y Marri [39] informaron sobre la aplicabilidad del modelo HMMS para industrias en países en
desarrollo como India, Malasia, México y Brasil.
Hilo 4: Modelado de variables dinámicas y extensión del modelo HMMS: la literatura en este hilo modela nuevas variables dinámicas
en el modelo HMMS y lo amplía. Por ejemplo, Schild [40] agregó cuatro nuevos elementos de costo.
Tuite [41] utilizó descuentos de productos para estimular las ventas durante los períodos de poca actividad con una reducción de ventas
equivalente durante los períodos pico de ventas estacionales. Damon y Schramm [42] modelaron los costes de marketing y la gestión del
capital circulante. Leitch [43] modeló promociones publicitarias para evitar los costos de producción de carga máxima al cambiar la
demanda estacional de un producto. El efecto de la curva de aprendizaje en el modelo HMMS fue incorporado por [44, 45]. Esto significa
que la productividad no es constante. El modelo HMMS supuso una productividad constante. Pueden ocurrir cambios significativos en la
productividad en cantidades de producción relativamente pequeñas o grandes.
En 1979, Simon mostró el funcionamiento de los modelos HMMS tanto en entornos estáticos como dinámicos [46]. La afirmación fue
respaldada por Holt en 2002 [47], explicando que el teorema, desarrollado bajo el modelo HMMS, fue un éxito rotundo ya que tenía la
capacidad de lidiar con sistemas dinámicos o fluctuantes a gran escala en condiciones volátiles. Los enfoques de APP de uso frecuente
identificados incluyen: (1) métodos de prueba y error, (2) técnicas gráficas, (3) planificación de producción paramétrica, (4) heurística de
conmutación de producción, (5) programación lineal, (6)
Programación por objetivos, (7) Programación entera mixta, (8) Método de transporte y (9) Modelos de simulación [48].
Los enfoques de APP que fueron populares durante las décadas de 1950, 1960 y principios de la de 1970 son: programación lineal [49,
50], regla de decisión lineal [30, 31], método de transporte [51], método de coeficiente de gestión [52], planificación de producción
paramétrica [53 ], regla de decisión de búsqueda [54] y método gráfico [55]. Sin embargo, hoy en día rara vez se utilizan [2].

La APP en ambiente dinámico utiliza diferentes técnicas de manejo como programación matemática estocástica, programación
matemática difusa, simulación, metaheurísticas y razonamiento evidencial [2]. La era digital de la Industria 4.0 ha supuesto un cambio de
paradigma al reasignar la planificación de la producción de sistemas centralizados a diseños descentralizados. Los conectores entre los
puntos focales descentralizados y los centros de soporte de decisiones incluyen principalmente la computación en la nube y la Internet
de las Cosas. La gran ventaja en la planificación de la producción y la programación de recursos a través de la computación en la nube
es que solo se obtienen los recursos que realmente se necesitan y se pagan, y se evita incurrir en costos irrecuperables innecesarios
[56]. Por otro lado, el Internet de las Cosas combina objetos digitales con
Machine Translated by Google

Thrissur Krishnan et al. / Procedia Informática 204 (2022) 784–793 787

4 Nombre del autor / Procedia Informática 00 (2022) 000–000

conectividad a Internet; ya través de la integración de estos objetos digitales, llegamos a lograr la máxima optimización en la planificación y
programación de la producción. Además, el Internet de las cosas nos permite capturar información en tiempo real en relación con las órdenes
de trabajo, los procesos de trabajo y el trabajo en curso [57]. La mayor parte de la investigación actual está relacionada con el estado
determinista de APP [2]. Sin embargo, en un entorno industrial práctico, las condiciones permanecen en un estado dinámico.
La productividad ha mejorado gracias a la optimización continua de los procesos de fabricación y los sistemas de producción. Los sistemas
de fabricación flexibles y de extremo a extremo mejoran los procesos de toma de decisiones y, por lo tanto, aumentan la productividad [58].
Industry 4.0 ha mejorado la experiencia del usuario y el diseño de interacción en la última década, lo que resultó en una mayor productividad.
La evidencia empírica muestra que la Industria 4.0 ha demostrado ser beneficiosa en el ahorro de costos para las empresas comerciales, la
reducción del soporte técnico manual, la reducción de las tasas de rotación de empleados y el aumento de las actividades de valor agregado
en la gestión de operaciones debido a la disminución de las averías de máquinas/equipos. Industry 4.0 ha ayudado a reducir los costos en
proporciones más altas que nunca, debido a los avances en las tecnologías de automatización que ayudan a los empleados a obtener
información en tiempo real que les permite tomar decisiones informadas sobre la utilización óptima de los equipos de producción. Este tipo de
entorno de fabricación dinámico integrado con procesos de automatización da como resultado productos de valor agregado de alta calidad que
los clientes esperan comprar de inmediato, además de generar una reducción significativa en los costos [59].

3. Desafíos para APP y por qué APP necesita cambiar en presencia de la Industria 4.0

APP, desde su inicio en la década de 1950, ha sido objeto de varias críticas por parte de los académicos debido a su incapacidad para
manejarse de manera efectiva en circunstancias de incertidumbre, donde las tecnologías evolucionan, actualizan y reemplazan continuamente
los sistemas heredados. APP se enfoca en la acumulación de la demanda de producción, el inventario y la mano de obra en un período de
tiempo que va de mediano a largo plazo, es decir, de seis meses a un año hasta que comience la próxima temporada. Los recursos de la
organización están bloqueados de antemano y se requiere una planificación muy meticulosa en el manejo de dichos recursos para obtener
beneficios óptimos de la demanda externa [60]. Una vez que se formula un plan de APP, no hay vuelta atrás para modificar o editar; por lo
tanto, surgen restricciones durante la planificación de la programación de la producción y se produce un número específico de unidades de
producción para cada artículo. Las herramientas y los modelos tradicionales de planificación de la producción no son adecuados para los
sistemas de Industria 4.0 [61, 62].
Los procesos de producción o fabricación enfrentan una serie de desafíos como resultado del entorno cambiante de la industria
manufacturera, como varios procesos de producción, tareas a mayor escala, incertidumbres, restricciones más complicadas y rendimiento
operativo acoplado [63]. Desde la evolución de la Industria 4.0, el mundo está presenciando un cambio radical en los requisitos de
programación. El método tradicional de programación asume que la operación del sistema de producción es estática. Sin embargo, los
entornos de producción de fabricación inteligente e Industria 4.0 son dinámicos [64] y, por lo tanto, necesitan sistemas inteligentes para la
programación de la producción [65]. En la era tradicional de APP, la gerencia de una organización se comprometía a planificar las técnicas de
programación de la producción de tal manera que satisficiera la demanda de los clientes y, al mismo tiempo, minimizar los costos con respecto
a mano de obra, material, adquisición de materia prima. materiales y recursos, y la programación de la producción. El entorno dinámico de la
Industria 4.0 ha obligado a desarrollar una relación bipartita en el diseño de procesos y la programación de la producción. Por ejemplo, si una
fábrica tiene un área de ensamblaje que se ha desarrollado de acuerdo con los principios de la Industria 4.0, entonces significaría que el
proceso de producción variará según la demanda y las especificaciones de varios clientes. Dicho sistema personalizado tendrá la competencia
de fabricación ágil para llevar a cabo tareas no relacionadas consistentes con las necesidades/demandas cambiantes de los clientes. Esto
condujo a un cambio revolucionario en la forma de una fusión simultánea de diseños y estructuras de proceso en el área de ensamblaje a
medida. Este tipo de entorno dinámico conduce a procesos operativos y de producción programados en línea con las tareas prioritarias que se
llevarán a cabo en las máquinas. Esto tiene en cuenta múltiples factores, como el tiempo de entrega, la fecha de entrega, el tiempo de
inactividad requerido para reparar las máquinas, etc.

[29, 66]. Este tipo de escenario se ha abordado mediante un mecanismo de restricciones lógicas híbridas en el que se establece un modelo
de programa no lineal con objetivos prioritarios no relacionados, especialmente para la optimización de APP en una atmósfera difusa/incierta
[67, 68].
La programación de la producción ha cambiado sustancialmente en la era de la Industria 4.0. En los sistemas tradicionales de planificación
agregada, las tareas/programas tenían un diseño y un sistema preestablecidos; sin embargo, tanto el diseño como el sistema ahora actúan
dinámicamente en la Industria 4.0; por lo tanto, la necesidad de enfoques de control óptimos se ha vuelto más dependiente de los algoritmos
computacionales. Pronóstico de la demanda y programación de la producción a través de procesos automatizados
Machine Translated by Google

788 Thrissur Krishnan et al. / Procedia Computer Science 204 (2022) 784–793 Nombre
del autor / Procedia Computer Science 00 (2022) 000–000 5

han permitido a las empresas manufactureras obtener datos útiles durante el transcurso de la cadena de valor [69]. Estos datos pueden
ayudar a las empresas a predecir mejor y con precisión los futuros patrones de demanda y, por lo tanto, agregar valor a toda la cadena
de valor a través de un análisis predictivo mejorado. Una planificación de producción predictiva (programación de operaciones, asignación
de recursos) y mantenimiento predictivo para sistemas de fabricación a gran escala necesitaba técnicas de big data e IA [70]. Además
de lo anterior, la inteligencia de activos es una de esas características que se ha hecho posible a través de procesos comerciales
digitalizados. Esto conduce a la programación automatizada dentro de las máquinas de producción, evitando averías y fallas debido a
rangos de medición inaceptables [69].
Los sistemas ERP, MRP y MES de las plataformas heredadas ya no pueden cumplir con el seguimiento, la planificación y la programación
en tiempo real de los productos que demandan los clientes, de los fabricantes de procesos medianos, como los que fabrican pinturas,
cosméticos, revestimientos, alimentos. y bebidas, y productos farmacéuticos de venta libre [71]. Los entornos impulsados por la demanda
requieren que el fabricante utilice sistemas de ejecución de fabricación (MES) en tiempo real en combinación con la gestión de
operaciones de fabricación (MOM) en tiempo real. La integración e incorporación de IA en el sistema MES/MOM ha reducido la
complejidad de la usabilidad. Los sistemas basados en IA controlan las decisiones de programación en una planta de fabricación
moderna. Los sistemas basados en IA monitorean el estado del inventario, los pedidos de los clientes, las responsabilidades de la
cadena de suministro, activan alertas y ayudan a los gerentes en el análisis detallado y la toma de decisiones inteligentes. Khan y Al-
Badi [72] mostraron el proceso de toma de decisiones en el entorno de las tecnologías emergentes. El aprendizaje profundo está
facilitando mucho la implementación de los sistemas MES/MOM, reduciendo la dependencia de los gerentes de operaciones para
diseñar reglas de programación y planificación; en cambio, aprenderá del procesamiento de datos de fabricación en tiempo real
generados por sensores y detección de infrarrojos de radiofrecuencia (RFID). El aprendizaje automático tiene una capacidad
extraordinaria para monitorear y controlar el tiempo de entrega (suministro e inventario) mediante la iteración continua de miles de
variables. Los mayoristas y minoristas no necesitan almacenar grandes cantidades de existencias porque los datos en tiempo real se utilizan para la
La empresa, Protolabs, emplea una serie de tecnologías de la Industria 4.0 y sistemas automatizados personalizados para controlar y
operar los procesos de fabricación, donde el diseño CAD de una pieza se recibe un día y un modelo de trabajo listo para la entrega está
disponible al día siguiente [73 ].

4. Discusión

El sector manufacturero ha sido reconocido como un componente crítico de la economía europea y norteamericana. Actualmente,
las organizaciones de manufactura y servicios están involucradas en un proceso de mejora continua de sus procesos comerciales.
Industry 4.0 aborda los desafíos de los sistemas de producción tradicionales mediante la digitalización, la automatización y los programas
asistidos por computadora [74, 75]. Esta revolución ha comenzado gradualmente a eliminar sistemas heredados como Enterprise
Resource Planning (ERP) [76]. Prácticamente todos los tipos de sectores industriales, como el automotriz, químico, cervecero, textil,
etc., siempre se han involucrado en un proceso continuo para reducir el costo de producción, mano de obra y mejorar los productos
terminados. Aunque, con el progreso que se está logrando a través de las revoluciones industriales, las industrias manufactureras
todavía se enfrentan a grandes trastornos debido a las tecnologías disruptivas [77]. Por otro lado, hay que aceptar las limitaciones de la
capacidad de los seres humanos para hacer frente de manera eficiente a las incertidumbres, la volatilidad impredecible de la demanda,
las complejidades de los nuevos productos innovadores y el almacenamiento y la utilización de grandes cantidades de datos para tomar
decisiones informadas [78].
La toma de decisiones es crucial y posiblemente el elemento más vital responsable de las operaciones exitosas de cualquier negocio.
La toma de decisiones en una atmósfera de certeza y confiabilidad es un trabajo bastante fácil de hacer mientras que se hace lo mismo
bajo incertidumbre y volatilidad, la toma de decisiones parece depender en gran medida de la precisión de las predicciones.
La decisión y la predicción están separadas por la fina línea del juicio, y esta distinción se ha vuelto obvia debido a los recientes avances
en inteligencia artificial. La toma de decisiones es aplicar el juicio sobre la predicción y luego tomar medidas. La mayoría de las veces,
los humanos hacen predicciones. Por ejemplo, un gerente de contratación no conoce el nivel de desempeño de un solicitante de empleo;
un médico no sabe con certeza si es necesario administrar un examen costoso. Dada la importancia de la Industria 4.0, la IA tiene un
papel clave en la configuración de la toma de decisiones económicas de los seres humanos. Las herramientas de IA disponibles son
aptas para la predicción en lugar de emitir juicios. Por ejemplo, las herramientas de IA predicen la intención del discurso (Echo de
Amazon), predicen el contexto del comando (Siri de Apple), predicen la tendencia de compra (recomendaciones de Amazon) y predicen
noticias interesantes para un lector (el suministro de noticias de Facebook). La predicción toma la entrada de datos, que a veces se
encuentran en miles de variables, por lo que el uso de la predicción de la máquina y el juicio humano ayudarán a tomar decisiones
mejores, inmediatas y rápidas. En el futuro, los humanos podrían tener herramientas mejoradas de IA como
Machine Translated by Google

Thrissur Krishnan et al. / Procedia Computer Science 204 (2022) 784–793 789
6 Nombre del autor / Procedia Computer Science 00 (2022) 000–000

inteligencia artificial general o “strong AI”, que podría contribuir al juicio y una mejor toma de decisiones. El proceso de llegar a una
decisión comienza con datos de entrada recopilados de varias fuentes.
Los modelos comerciales innovadores se han rediseñado sustancialmente en la última década; principalmente como resultado
de la introducción de la automatización y el mayor uso de la digitalización en las operaciones comerciales y el modelado [79]. Los
diferentes elementos, actividades y procesos de negocio se integran entre sí de forma ágil. Se toman decisiones rápidas con
respecto a los procesos de producción [80, 81]. Expertos capacitados para alcanzar resultados predecibles analizan los datos. En
esta misma etapa, el juicio humano se aplica a la predicción teniendo en cuenta la opción más óptima y luego el tomador de
decisiones emprende una acción. La acción conduce a un resultado, que puede ser una pérdida o una ganancia. Después del
resultado, se observa la retroalimentación para tomar mejores decisiones, en caso de que ocurran situaciones similares en el futuro.
La introducción de datos de diferentes situaciones en un sistema permite la predicción. La predicción con juicio da como resultado
la acción, y la acción contribuye a los resultados. Los resultados (recompensas/pago) son una consecuencia de la decisión. El juicio
tiene en cuenta el pago asociado con cada posible resultado, ya sea decisión correcta o errores. Por lo tanto, determinar el pago es
un paso importante hacia la toma de decisiones. Los esfuerzos para hacer predicciones precisas son omnipresentes en todo tipo de
negocios: manufactura o servicios.
Los requisitos de tecnología avanzada en la Industria 4.0 han ampliado los horizontes de las empresas de fabricación y servicios,
incitándolas a lanzar nuevos productos innovadores; aunque la complejidad de los procesos subyacentes ha aumentado
notablemente. Las tecnologías de comunicación, las técnicas de procesamiento y las herramientas de análisis permiten la
personalización masiva a través de la conectividad proporcionada por redes y sistemas inteligentes. La personalización masiva
consiste en la fabricación de productos altamente personalizados a bajo volumen [82]. Los avances en la fabricación reconfigurable
están facilitando la personalización masiva [83]. Implica tomar los requisitos de los clientes individuales y transferirlos a los procesos
de producción. Permite cambios de última hora en los requisitos del producto [84, 85]. Por ejemplo, la fabricación aditiva está
ayudando a la industria aeronáutica a cumplir los requisitos y la implementación de la cadena de bloques ha aumentado la seguridad
[86]. Ya sea un producto tangible o un servicio intangible, las demandas de los clientes son altamente personalizadas e inciertas.
Las empresas están en camino de producir productos finales multifacéticos, personalizados e inteligentes para sus consumidores
[87]. Los datos de sensores, procesadores, actuadores y dispositivos de comunicación se utilizan para gestionar los procesos de
fabricación [88]. Empresas aeroespaciales como Boeing y Airbus utilizan datos de sensores para monitorear y administrar el estado
de las aeronaves [83]. Industria 4.0 se trata de inteligencia colectiva y máquinas.
Por ejemplo, tome el caso de la entrega oportuna de un envío. La entrega tiene elementos de origen, destino, tipo de producto,
modo, día/mes de envío, etc. Las entradas para predecir el tiempo de entrega serían origen, destino, tipo de producto, modo, etc.
El valor del juicio determina el valor de la predicción correcta frente a falsos negativos frente a falsos positivos, etc. El uso de
herramientas ayudaría a tomar medidas, como cambiar de operador en un modo particular. Un cliente podría estar quejándose de
una entrega tardía, por lo que el resultado sería identificar el problema y satisfacer al cliente. Tomemos el ejemplo de Tesla. Tesla
está trabajando en vehículos autónomos/sin conductor. Tesla electric está en formación para tomar la decisión de conducción por
su cuenta, de forma similar a los humanos. El coche captura y registra los datos de sus conductores. Luego, utilizando algoritmos
analíticos avanzados, el automóvil se entrena para predecir la acción en una situación específica. El automóvil aprende el proceso
de conducción y las reglas de tránsito entrenándose con los datos capturados. Ahora, después de haber entrenado para detenerse
cuando ve una señal de alto, desafortunadamente se encontró con una señal de alto parcialmente cubierta mientras estaba en la
carretera y no se detuvo. En realidad, la predicción salió mal (menos precisa), por lo que el juicio sobre los datos predichos condujo
a la decisión equivocada de no detenerse, aunque tenía que hacerlo. Las herramientas de IA actuales son capaces de hacer
predicciones pero no emitir juicios. Sin embargo, mejorar la precisión de predicción de las herramientas de IA reducirá el error de
juicio. Aquí viene la recompensa y la retroalimentación, el automóvil se entrena aún más para diferentes orientaciones de las
señales de alto. Sin embargo, los autos autónomos están en fase de experimentación y llevará tiempo que el auto alcance la
perfección al nivel de un conductor humano; sin embargo, esto no es algo que sea imposible.
Agrawal et al. [89] propusieron dos marcos conocidos colectivamente como marco AGG desarrollados como un medio para
superar los desafíos de APP en el entorno de la Industria 4.0. El marco AGG distingue entre predicción y decisión al agregar un
agente complementario, es decir, 'Juicio' a la predicción. La toma de decisiones es diferente de la predicción en términos de aplicar
el juicio sobre la predicción y luego tomar acción. El juicio determina recompensas/sanciones a una acción bajo circunstancias
específicas. Los sistemas de fabricación inteligente han generado una gran cantidad de oportunidades para la mejora continua en
los procesos operativos digitalizados mediante la utilización del conjunto de herramientas digitales más adecuado; por lo tanto,
produciendo productos o servicios amplificados eficientes, efectivos y económicos. [90, 91]. La fabricación inteligente describe la
capacidad de las máquinas para la reorganización de tareas y el ajuste de
Machine Translated by Google

790 Thrissur Krishnan et al. / Procedia Computer Science 204 (2022) 784–793 Nombre del autor /
Procedia Computer Science 00 (2022) 000–000 7

parámetros operativos basados en criterios, como costo, disponibilidad de recursos y requisitos de demanda [83, 85, 92, 93]. Las
fábricas inteligentes son altamente receptivas y flexibles con la demanda cambiante, la programación de la cadena de suministro a
corto plazo y los ciclos de innovación de una manera rentable [29, 80]. Estas fábricas inteligentes brindan información analítica útil
para que las empresas mejoren sus procesos operativos, ya que están equipadas con análisis predictivo avanzado (como
mantenimiento predictivo [94]), automatización, aprendizaje automático e IA [95]. La predicción basada en humanos está perdiendo
debido al crecimiento de las tecnologías inteligentes. Por ejemplo, las aplicaciones de GPS disponibles en los teléfonos móviles
pueden indicar la ruta y la ubicación más cortas, incluso a una persona normal. Los humanos ya no requieren conocimiento para la
predicción debido a las tecnologías disponibles. Por lo tanto, el uso de las máquinas inteligentes de la revolución de la Industria 4.0
ayudará a una mejor predicción y ayudará a los humanos a tomar decisiones rápidas y precisas. Sin embargo, no se puede pasar por
alto la importancia de las habilidades humanas asociadas con el desarrollo de herramientas de IA. La predicción es un componente
importante de la toma de decisiones, siendo el otro el juicio, la acción, el resultado y los datos (entrada, formación y retroalimentación).

5. Conclusión

Industria 4.0 abarca el concepto de fábricas inteligentes, sistemas físicos cibernéticos, robótica, fabricación en la nube y otros
desarrollos tecnológicos, que influyen tanto en los productos como en los procesos de producción. Los gerentes de producción, los
supervisores y el personal de atención al cliente pueden rastrear todo en tiempo real utilizando tecnologías innovadoras de Industry
4.0. En las fábricas inteligentes, los trabajadores ahora pasan más tiempo frente a las computadoras y menos tiempo en los equipos
de fabricación. En este documento, revisamos las oportunidades y desafíos potenciales para APP en un entorno dinámico:
Industria 4.0. También evaluamos los modelos HMMS y los potenciales del marco AGG para los fabricantes que hacen la transición
a la Industria 4.0. El presente estudio es de naturaleza teórica y analítica y, por lo tanto, requiere un estudio empírico en el entorno
industrial. La investigación futura debería mirar hacia el diseño y desarrollo de modelos avanzados que puedan actuar como un
puente entre los procesos industriales tradicionales y la tecnología Industry 4.0.

Referencias

[1] Cheraghalikhani, Ali, Farid Khoshalhan y Hadi Mokhtari, Planificación de la producción agregada: revisión de la literatura e investigación futura
direcciones. Revista internacional de cálculos de ingeniería industrial 2019; 10(2): pág. 309-330.

[2] Jamalnia, Aboozar, Jian-Bo Yang, Ardalan Feili, Dong-Ling Xu y Gholamreza Jamali, Planificación de la producción agregada bajo incertidumbre: un estudio exhaustivo de la
literatura y direcciones de investigación futuras. Revista Internacional de Tecnología de Fabricación Avanzada 2019; 102(1-4): pág. 159-181.

[3] Sirkin, Harold L, Michael Zinser y Justin Rose, La revolución de la robótica: el próximo gran salto en la fabricación. Perspectivas Bcg 2015.

[4] Lasi, Heiner, Peter Fettke, Hans-Georg Kemper, Thomas Feld y Michael Hoffmann, Industria 4.0. Sistemas de Información Empresarial
ingeniería 2014; 6(4): pág. 239-242.

[5] Pereira, AC y Fernando Romero, Una revisión de los significados y las implicaciones del concepto Industria 4.0. Fabricación de procedimientos
2017; 13: pág. 1206-1214.

[6] Doltsinis, Stefanos, Pedro Ferreira, Mohammed M Mabkhot y Niels Lohse, Un sistema de apoyo a la toma de decisiones para la aceleración rápida de la industria 4.0
sistemas de producción habilitados. Computadoras en la Industria 2020; 116: pág. 103190.

[7] Feng, Qi y J George Shanthikumar, Cómo puede evolucionar la investigación en producción y gestión de operaciones en la era de los grandes datos. Producción
y gestión de operaciones 2018; 27(9): pág. 1670-1684.

[8] Lass, Sander y Norbert Gronau, Un sistema operativo de fábrica para extender las fábricas existentes a la Industria 4.0. Computadoras en la Industria 2020;
115: pág. 103128.

[9] Zhong, Ray Y, Lihui Wang y Xun Xu, Un enfoque de monitoreo del estado de la máquina en tiempo real habilitado para IoT para la fabricación en la nube. procedimiento
CIRP 2017; 63: pág. 709-714.

[10] Sangani, Priyanka. Nuevos talleres, impulsados por la tecnología. https:// 2019 [citado el 7 de julio de 2020]; Disponible de:
tech.economictimes.indiatimes.com/news/technology/manufacturing-adopts-tech-to-boost-productivity/69258672.

[11] Ciffolilli, Andrea y Alessandro Muscio, Industria 4.0: ventajas comparativas nacionales y regionales en tecnologías facilitadoras clave.
Estudios de Planificación Europea 2018; 26(12): pág. 2323-2343.

[12] Xu, Li Da, Eric L Xu y Ling Li, Industria 4.0: estado del arte y tendencias futuras. Revista Internacional de Investigación de Producción 2018; 56(8):
pags. 2941-2962.

[13] Kagermann, Henning, Cambio a través de la digitalización: Creación de valor en la era de la Industria 4.0, en Gestión del cambio permanente. 2015;
Saltador. pags. 23-45.

[14] Hermann, Mario, Tobias Pentek y Boris Otto. Principios de diseño para escenarios de industria 4.0. en 2016 49a Conferencia internacional de Hawái sobre ciencias de sistemas
(HICSS). 2016: IEEE.
Machine Translated by Google

Thrissur Krishnan et al. / Procedia Computer Science 204 (2022) 784–793 Nombre del autor / 791
8 Procedia Computer Science 00 (2022) 000–000

[15] Yadav, Gunjan, Anil Kumar, Sunil Luthra, Jose Arturo Garza-Reyes, Vikas Kumar y Luciano Batista, Un marco para lograr la sostenibilidad en las organizaciones de fabricación de
las economías en desarrollo utilizando los habilitadores de tecnologías de la industria 4.0. Informática en la Industria
2020; 122: pág. 103280.

[16] Lee, Jay, Hung-An Kao y Shanhu Yang, Innovación de servicios y análisis inteligente para la industria 4.0 y el entorno de big data. procedimiento
CIRP 2014; 16(1): pág. 3-8.

[17] Annunziata, Marco y Stephan Biller, La Internet industrial y el futuro del trabajo. Ingeniería Mecánica 2015; 137(09): pág. 30-35.

[18] O'Donovan, Peter, Colm Gallagher, Kevin Leahy y Dominic TJ O'Sullivan, Una comparación de las interfaces ciberfísicas de computación en la niebla y en la nube para aplicaciones
de ingeniería de aprendizaje automático integradas en tiempo real de la Industria 4.0. Informática en la Industria 2019; 110: pág. 12-35.

[19] Jaskó, Szilárd, Adrienn Skrop, Tibor Holczinger, Tibor Chován y János Abonyi, Desarrollo de sistemas de ejecución de fabricación de acuerdo con los requisitos de Industria 4.0:
Una revisión de metodologías y herramientas basadas en estándares y ontologías. Informática en la Industria
2020; 123: pág. 103300.

[20] Galati, Francesco y Barbara Bigliardi, Industria 4.0: Temas emergentes y futuras vías de investigación utilizando un enfoque de minería de texto.
Informática en la Industria 2019; 109: pág. 100-113.

[21] Salam, Mohammad Asif, Análisis de las estrategias de fabricación y las relaciones de rendimiento de los proveedores de la Industria 4.0 desde una perspectiva basada en los
recursos. Evaluación comparativa: una revista internacional 2019.

[22] Funtowicz, Silvio O y Jerome R Ravetz, Incertidumbre y calidad en la ciencia para la política. vol. 15. 1990: Springer Science & Business Media.

[23] Mantel, Samuel J, Jack R Meredith, Scott M Shafer y Margaret M Sutton, Gestión de proyectos en la práctica. 2001: J. Wiley.

[24] Mehdi, Syed Nabeel, Witness Box Protocol: identificación y autenticación automáticas de máquinas en entornos de fabricación inteligente.
2019.

[25] Peruzzini, Margherita, Fabio Gregori, Andrea Luzi, Marco Mengarelli y Michele Germani, Una metodología de evaluación del ciclo de vida social para la fabricación inteligente: el
caso de estudio de un fregadero de cocina. Revista de Integración de Información Industrial 2017; 7: pág. 24-32.

[26] Ivanov, Dmitry, Alexandre Dolgui y Boris Sokolov, Aplicabilidad de la teoría del control óptimo a la planificación y programación adaptativa de la cadena de suministro. Revisiones
Anuales en Control 2012; 36(1): pág. 73-84.

[27] Ivanov, Dmitry y Boris Sokolov, Control e identificación teórica del sistema del dominio de la dinámica de la cadena de suministro para la planificación, el análisis y la adaptación
del rendimiento bajo incertidumbre. Diario europeo de investigación operativa 2013; 224(2): pág. 313-323.

[28] Rao, Anil V y Kenneth D Mease, Enfoque de base dicotómica para resolver problemas de control óptimo hipersensibles. Automática 1999;
35(4): pág. 633-642.

[29] Ivanov, Dmitry, Alexandre Dolgui, Boris Sokolov, Frank Werner y Marina Ivanova, Un modelo dinámico y un algoritmo para corto plazo
programación de la cadena de suministro en la industria de fábrica inteligente 4.0. Revista Internacional de Investigación de Producción 2016; 54(2): pág. 386-402.

[30] Holt, Charles C, Franco Modigliani y Herbert A Simon, Una regla de decisión lineal para la programación de la producción y el empleo. administración
Ciencia 1955; 2(1): pág. 1-30.

[31] Holt, Charles C, Franco Modigliani y John F Muth, Derivación de una regla de decisión lineal para la producción y el empleo. Ciencias de la Administración 1956; 2(2): pág. 159-177.

[32] Holt, Charles C, Planificación de la producción, inventarios y fuerza de trabajo. 1960.

[33] Singhal, Kalyan y Jaya Singhal, Oportunidades para desarrollar la ciencia de las operaciones y la gestión de la cadena de suministro. Diario de
gestión de operaciones 2012; 30(3): pág. 245-252.

[34] Chang, Robert H y Charles M Jones, Extensiones de programación de producción y fuerza laboral. Transacciones AIIE 1970; 2(4): pág. 326-333.

[35] Singhal, Kalyan, Un algoritmo no iterativo para la producción de múltiples productos y el problema de planificación de la fuerza laboral. Investigación de Operaciones 1992;
40(3): pág. 620-625.

[36] Bitran, Gabriel R, Elizabeth A Haas y Arnoldo C Hax, Planificación jerárquica de la producción: un sistema de una sola etapa. La investigación de operaciones
1981; 29(4): pág. 717-743.

[37] El trabajo de Singhal, Jaya y Kalyan Singhal, Holt, Modigliani, Muth y Simon y su papel en el renacimiento y la evolución de las operaciones
administración. Revista de gestión de operaciones 2007; 25(2): pág. 300-309.

[38] Schwarz, Leroy B y Robert E Johnson, Una evaluación del desempeño empírico de la regla de decisión lineal para la planificación agregada.
Ciencias de la Administración 1978; 24(8): pág. 844-849.

[39] Gunasekaran, Angappa y Hussain Bux Marri, Aplicación de modelos de planificación de producción agregada en países en desarrollo. Internacional
Revista de Aplicaciones Informáticas en Tecnología 2004; 20(4): pág. 172-179.

[40] Schild, A, Sobre el inventario, la producción y la programación del empleo. Ciencias de la Administración 1959; 5(2): pág. 157-168.

[41] Tuite, Matthew F, Fusión de la selección de la estrategia de marketing y la programación de la producción: un óptimo de orden superior. Revista de Industriales
Ingeniería 1968; 19(2).

[42] Damon, William W y Richard Schramm, Un modelo de decisión simultánea para producción, marketing y finanzas. Ciencias de la gestión
1972; 19(2): pág. 161-172.

[43] Leitch, Robert Alan, Estrategia de marketing y programa óptimo de producción. Ciencias de la Administración 1974; 21(3): pág. 302-312.

[44] Khoshnevis, Behrokh, Philip M Wolfe y M Palmer Terrell, Modelos de planificación agregada que incorporan la productividad: una descripción general. los
Revista Internacional de Investigación de Producción 1982; 20(5): pág. 555-564.

[45] Ebert, Ronald J, Planificación agregada con productividad de la curva de aprendizaje. Ciencias de la Administración 1976; 23(2): pág. 171-182.
Machine Translated by Google

792 Thrissur Krishnan et al. / Procedia Informática 204 (2022) 784–793

Nombre del autor / Procedia Informática 00 (2022) 000–000 9

[46] Simon, Herbert A, Toma de decisiones racional en las organizaciones empresariales. La revisión económica americana 1979; 69(4): pág. 493-513.

[47] Holt, Douglas B, ¿Por qué las marcas causan problemas? Una teoría dialéctica de la cultura del consumidor y la marca. Revista de investigación del consumidor 2002;
29(1): pág. 70-90.

[48] Nam, Sang-jin y Rasaratnam Logendran, Planificación de la producción agregada: un estudio de modelos y metodologías. Revista europea de
Investigación Operativa 1992; 61(3): pág. 255-272.

[49] Charnes, Abraham y William Wager Cooper, Modelos de gestión y aplicaciones industriales de la programación lineal. Ciencias de la Administración 1957; 4(1): pág. 38-91.

[50] Hanssmann, Fred y Sidney W Hess, Un enfoque de programación lineal para la programación de la producción y el empleo. Ciencias de la gestión
1960(1): pág. 46-51.

[51] Bowman, Edward H, Programación de producción por el método de transporte de programación lineal. Investigación de Operaciones 1956; 4(1): pág. 100-
103.

[52] Bowman, Edward H, Consistencia y optimización en la toma de decisiones gerenciales. Ciencias de la Administración 1963; 9(2): pág. 310-321.

[53] Jones, Curtis H, Planificación de producción paramétrica. Ciencias de la Gestión 1967; 13(11): pág. 843-866.

[54] Taubert, William H, Una regla de decisión de búsqueda para el problema de programación agregada. Ciencias de la Administración 1968; 14(6): pág. 343-359.

[55] Silver, Edward Allen y Rein Peterson, Sistemas de decisión para la gestión de inventarios y la planificación de la producción. 1985: John Wiley e hijos
Cía

[56] Ahn, Gilseung, You-Jin Park y Sun Hur, Métodos de cálculo de rendimiento para la composición de tareas con múltiples patrones en la nube
fabricación. Revista Internacional de Investigación de Producción 2019; 57(2): pág. 517-530.

[57] Yang, Chen, Weiming Shen y Xianbin Wang, Internet de las cosas en la fabricación: problemas clave y aplicaciones potenciales. Revista IEEE Systems, Man, and Cybernetics
2018; 4(1): pág. 6-15.

[58] Fatorachian, Hajar y Hadi Kazemi, Una investigación crítica de la Industria 4.0 en la fabricación: marco teórico de operacionalización.
Planificación y Control de Producción 2018; 29(8): pág. 633-644.

[59] Dallasega, Patrick, Erwin Rauch y Christian Linder, Industry 4.0 como facilitador de la proximidad para las cadenas de suministro de la construcción: una revisión sistemática
de la literatura. Informática en la Industria 2018; 99: pág. 205-225.

[60] Rosero-Mantilla, César, Mayra Sánchez-Sailema, Carlos Sánchez-Rosero y Rosa Galleguillos-Pozo. Planificación de la Producción Agregada, Estudio de Caso en una
Industria Mediana de la Línea de Producción del Caucho en el Ecuador. en la Serie de Conferencias IOP: Ciencia e Ingeniería de Materiales. 2017 Kunming, China:
publicación IOP.

[61] Georgiadis, Patroklos y Charalampos Michaloudis, Sistema de control y planificación de la producción en tiempo real para la fabricación en talleres: A
análisis de dinámica de sistemas. Diario europeo de investigación operativa 2012; 216(1): pág. 94-104.

[62] Jiang, Yuchen, Juan Xu, Siqian Shen y Cong Shi, Problemas de planificación de la producción con garantía conjunta del nivel de servicio: una evaluación computacional
estudiar. Revista Internacional de Investigación de Producción 2017; 55(1): pág. 38-58.

[63] Cheng, Ying, Ken Chen, Hemeng Sun, Yongping Zhang y Fei Tao, Minería de datos y conocimiento con big data hacia una producción inteligente.
Revista de Integración de Información Industrial 2018; 9: pág. 1-13.

[64] Al-Badi, Ali, Sujeet Kumar Sharma, Vishal Jain y Asharul Islam Khan. Investigación del papel de las tecnologías emergentes en las ciudades inteligentes
Soluciones. en International Working Conference on Transfer and Diffusion of IT. 2020: Primavera.

[65] Rossit, Daniel Alejandro, Fernando Tohmé y Mariano Frutos, Un enfoque de programación basado en datos para la fabricación inteligente. Diario de
Integración de Información Industrial 2019; 15: pág. 69-79.

[66] Ivanov, Dmitry, Alexandre Dolgui, Boris Sokolov y Marina Ivanova, Revisión de la literatura sobre la recuperación de la interrupción en la cadena de suministro.
Revista Internacional de Investigación de Producción 2017; 55(20): pág. 6158-6174.

[67] Dolgui, Alexandre, Dmitry Ivanov y Boris Sokolov, Efecto dominó en la cadena de suministro: un análisis y literatura reciente. Revista Internacional de Investigación de
Producción 2018; 56(1-2): pág. 414-430.

[68] Jamalnia, Abouzar y Mohammad Ali Soukhakian, Un enfoque híbrido de programación de objetivos difusos con diferentes objetivos prioritarios para agregar
planeación de producción. Informática e Ingeniería Industrial 2009; 56(4): pág. 1474-1486.

[69] Sniderman, Brenna, Monika Mahto y Mark J Cotteleer, Industria 4.0 y ecosistemas de fabricación: Explorando el mundo de los
empresas Consultoría Deloitte 2016.

[70] Morariu, Cristina, Octavian Morariu, Silviu Rÿileanu y Theodor Borangiu, Machine learning for predictive scheduling and resource
asignación en sistemas de fabricación a gran escala. Computadoras en la Industria 2020; 120: pág. 103244.

[71] Peter, Green, Inteligencia artificial para la gestión de operaciones y ejecución de fabricación en tiempo real, en Procesamiento. 2017.

[72] Khan, Asharul Islam y Ali Al-Badi, Fuentes de datos emergentes en la toma de decisiones e IA. Procedia Informática 2020; 177: pág. 318-
323.

[73] Stephen, Dyson, El viaje de Protolabs hacia la transformación digital, en Soluciones de ingeniería de producción. 2019; Publicaciones del MIT: Rochester, Kent.

[74] Naqvi, Syed Turab Haider, Sami Farooq y John Johansen. Desempeño operativo: El impacto de la automatización y el desarrollo integrado. en la 22ª Conferencia EuroMA-
Gestión de Operaciones para la Competitividad Sostenible. 2015 Neuchâtel, Suiza:
EUROMA.

[75] Macaulay, James, Lauren Buckalew y Gina Chung, Internet de las cosas en la logística. Investigación de tendencias de DHL 2015; 1(1): pág. 1-27.

[76] Geissbauer, Reinhard, Jesper Vedso y Stefan Schrauf, Encuesta Global Industry 4.0. 2016; industria.
Machine Translated by Google

Thrissur Krishnan et al. / Procedia Computer Science 204 (2022) 784–793 Nombre del 793
10 autor / Procedia Computer Science 00 (2022) 000–000

[77] Pacchini, Athos Paulo Tadeu, Wagner Cezar Lucato, Francesco Facchini, and Giovanni Mummolo, El grado de preparación para el
implementación de la Industria 4.0. Informática en la Industria 2019; 113: pág. 103125.

[78] Rajora, M, P Zou y SY Liang. Sistema de fabricación inteligente para fábricas de última generación. en la Conferencia Internacional de Ciencias e Ingeniería Mecánica.
2016 Qingdao, China: Atlantis Press.
[79] Glova, Jozef, Tomáš Sabol y Viliam Vajda, Modelos de negocio para el entorno de Internet de las cosas. Procedia Economía y Finanzas
2014; 15: pág. 1122-1129.

[80] Öberg, Christina y Gary Graham, Cómo las ciudades inteligentes cambiarán la gestión de la cadena de suministro: un punto de vista técnico. Planeación de producción &
Control 2016; 27(6): pág. 529-538.

[81] Hu, Bin y Dimitris Kostamis, Gestión de las interrupciones del suministro al abastecerse de proveedores fiables y no fiables. Producción y
gestión de operaciones 2015; 24(5): pág. 808-820.
[82] Zhong, Ray Y, George Q Huang, Shulin Lan, QY Dai, Xu Chen y T Zhang, Un enfoque de big data para el descubrimiento de trayectorias logísticas a partir de datos de
producción habilitados para RFID. Revista Internacional de Economía de la Producción 2015; 165: pág. 260-272.

[83] Cohen, Maxime C, Big data y operaciones de servicios. Gestión de producción y operaciones 2018; 27(9): pág. 1709-1723.

[84] Kagermann, Henning, Johannes Helbig, Ariane Hellinger y Wolfgang Wahlster, Recomendaciones para implementar la iniciativa estratégica INDUSTRIE 4.0: Asegurar el
futuro de la industria manufacturera alemana; informe final del grupo de trabajo Industria 4.0. 2013: Forschungsunion.

[85] Hao, Yuqiuge y Petri Helo, El papel de los dispositivos portátiles para satisfacer las necesidades de la fabricación en la nube: un estudio de caso. Robótica y Manufactura
Integrada por Computadora 2017; 45: pág. 168-179.

[86] Mandolla, Claudio, Antonio Messeni Petruzzelli, Gianluca Percoco y Andrea Urbinati, Construyendo un gemelo digital para la fabricación aditiva a través de la explotación
de blockchain: un análisis de caso de la industria aeronáutica. Informática en la Industria 2019; 109: pág. 134-152.
[87] Jazdí, Nasser. Sistemas ciberfísicos en el contexto de la Industria 4.0. en Conferencia internacional sobre automatización, calidad y pruebas,
robótica 2014 Cluj Napoca, Rumanía: IEEE.

[88] Peng, Chao-Chung y Lin-Ga Tsan, diagnóstico de fallas del acelerómetro IEPE para la integración de información del sistema de gestión de mantenimiento en una
industria pesada. Revista de Integración de Información Industrial 2020; 17 (2020): pág. 100-120.
[89] Agrawal, Ajay, Joshua Gans y Avi Goldfarb, Máquinas de predicción: la economía simple de la inteligencia artificial. 2018: Harvard
Prensa Empresarial.

[90] Nascimento, Alexandre Moreira y Carlo Gabriel Porto Bellini, Inteligencia artificial e industria 4.0: La próxima frontera en las organizaciones.
BAR-Revisión de la Administración Brasileña 2018; 15(4): pág. 1-4.

[91] Lee, Jay, Hossein Davari, Jaskaran Singh y Vibhor Pandhare, Inteligencia artificial industrial para la fabricación basada en la industria 4.0
sistemas Cartas de fabricación 2018; 18: pág. 20-23.
[92] Leitão, Paulo, Armando Walter Colombo y Stamatis Karnouskos, Automatización industrial basada en tecnologías de sistemas ciberfísicos:
Implementaciones de prototipos y desafíos. Informática en la Industria 2016; 81: pág. 11-25.

[93] Bi, Zhuming, Yanfei Liu, Jeremiah Krider, Joshua Buckland, Andrew Whiteman, Daniel Beachy y Joseph Smith, Supervisión de fuerza en tiempo real de pinzas inteligentes
para aplicaciones de Internet de las cosas (IoT). Revista de Integración de Información Industrial 2018; 11: pág. 19-28.
[94] Dalzochio, Jovani, Rafael Kunst, Edison Pignaton, Alecio Binotto, Srijnan Sanyal, Jose Favilla, and Jorge Barbosa, Machine learning and
razonamiento para el mantenimiento predictivo en la Industria 4.0: estado actual y desafíos. Computadoras en la Industria 2020; 123: pág. 103298.

[95] Wollschlaeger, Martin, Thilo Sauter y Juergen Jasperneite, El futuro de la comunicación industrial: Redes de automatización en la era de la
internet de las cosas e industria 4.0. Revista de electrónica industrial IEEE 2017; 11(1): pág. 17-27.