PROYECTO DE INGENIERÍA II - (212027A_1144)

Fase 2
Inicio

Nathalia Julieth Ospina Moscoso

Grupo: 212027_175

Tutor:

Fabian Andrés Cabrera

Universidad Nacional Abierta y a Distancia UNAD

Escuela de Ciencias Básicas, Tecnología e Ingeniería ECBIT

Ingeniería Industrial

Centro (CEAD Acacias – Amazonia y Orinoquía)

Septiembre 2022
 Modelo de programación de la producción por lotes de múltiples productos

con tiempo continuo

Formulación del problema

Según J. Díaz-Ramírez1, J.I Huertas, en la industria química se suelen usar sistemas de

producción de una sola etapa, y en ocasiones estos despliegan múltiples estaciones paralelas, los

cuales generan costos de preparación dependientes de la secuencia. Este aspecto, junto con las

limitaciones de varios procesos, hace que la planificación del proceso productivo sea de mayor

complejidad que las de la industria manufacturera.

Justificación

Los procesos que manejan actualmente las industrias químicas ocasionan usualmente un

cuello de botella que consume mayor cantidad de recursos y genera dependencia sobre los demás

procesos de producción, por este motivo se busca adaptar un modelo que les permita mayor

independencia y mejor optimización.

Objetivo general

J. Díaz-Ramírez1, J.I Huertas buscan generar un modelo lineal mixto de programación de

producción que optimice los recursos y genere un rango de ganancias más amplio, teniendo en

cuenta factores como penalización por violaciones en los objetivos de demanda y otras políticas,

y sujeto a restricciones de operaciones (es decir, secuencia, compatibilidad de unidad de producto

y tiempos de preparación dependientes de la secuencia).

 Metodología

Modelo matemático

Se basa en el problema del camino más largo, con muchas restricciones laterales, a través

de una red multinivel, en la que cada ruta representa el horario de una unidad. Cada ruta tiene un

nodo inicial específico, pero todas las rutas terminan en el mismo nodo sumidero. Un nodo en

cualquier nivel representa el evento de procesamiento de un producto, que realiza un seguimiento

de la información de secuencia con una variable binaria, el tamaño del lote con una variable

entera, y el tiempo de procesamiento inicial con una variable continua. Finalmente, se formulan

la secuencia, las restricciones de demanda y las restricciones relacionadas con el tiempo.

Experimentación numérica

A través de una interfaz en Excel®, el usuario alimenta el modelo y llama al

solucionador. Luego, la salida se traduce nuevamente a través de la interfaz en un archivo de

salida de Excel. El modelo se codificó en el software GAMS® con el solver CPLEX® versión

22.6 y se ejecutó en una computadora con 1,99 GB de RAM, con una CPU Intel Xeon(R) 5150 a

una velocidad de 2,66 GHz, trabajando bajo el sistema operativo Windows XP.

Validación del modelo

Se utilizaron parámetros de entrada de una empresa química mexicana, correspondientes a

un mes típico de producción, en el que se fabricaron 30 productos, con 6 unidades habilitadas

para producción y sin entregas parciales programadas. El horizonte utilizado fue de un mes.
 Resultados.

El modelo se corrió con una función de tres objetivos: a) solo el componente de tiempo de

la ecuación (1); b) sólo el componente de costo de la Ecuación (1), –en este caso, a minimizar–,

yc) la Ecuación (1) completa.

Se puede ver que la gran mayoría de las instancias se resolvieron en menos de un minuto;

sin embargo, en el caso de minimizar el tiempo con cuotas, el 20% de las instancias no se

pudieron resolver en media hora. También se observa un desempeño mucho mejor en términos de

cumplimiento de la demanda al considerar las restricciones de los límites; pero se muestra un

mejor desempeño en cuanto al número de lavados cuando no se incluyen estos. El valor de

demanda insatisfecha negativa se refiere a una producción promedio de 1% por encima del punto

de pedido. Finalmente, ninguna función objetiva es dominante en términos de desempeño.

Conclusiones

El modelo de optimización permite integrar la decisión sobre el orden de los productos a

procesar en las diferentes máquinas de producción, el número de lotes a producir cada artículo, el

tiempo que se empezará a procesar cada producto y otras decisiones que buscan cuantificar las no

-cumplimiento con respecto a la demanda y fechas de vencimiento.

Finalmente, a través de simulación Monte Carlo, se generaron instancias para validar el

modelo, obteniendo soluciones en tiempos computacionales cortos en una computadora de

escritorio para tamaños similares a los de la industria.

 Referencias Bibliográficas

Díaz, J. (2018). A continuous time model for a short-term multiproduct batch process

scheduling . Ingeniería e Investigación, 38(. 1), 96–104.

https://bibliotecavirtual.unad.edu.co/login?url=https://search.ebscohost.com/

login.aspx?direct=true&db=edsdnp&AN=edsdnp.6629818ART&lang=es&site=eds-

live&scope=site