Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CienciaDirecta CienciaDirecta
El análisis se limita a las tareas centrales y transversales del modelo PPC de Aquisgrán; las tareas de adquisiciones y de red no están incluidas.
Además,
Las
Además, tareasse
El análisis norealiza
también
se están
limita un análisis
incluidas.
identificamos
a las amplio
tareasAdemás,
centrales deselos
las motivaciones sectores
yrealiza
transversales
que de minería
un análisis
llevaron amplio
del modelo deinvestigadores
a los datos,
de
de losPPC negocios
sectores a de
de Aquisgrán, y logística
minería
aplicar así específicos.
tareas de de
como datos, a
ML.losnegocios
objetivosyse
Además, logística
de realiza específicos.
adquisiciones
un análisis y deampliored.
de los sectores de minería de datos, negocios y logística específicos.
se lleva
identificamos
ML. Además, a cabo las los
también objetivos.
motivaciones Además,
identificamos que también
llevaron
las motivaciones
a losidentificamos
investigadores
que las
impulsaron motivaciones
a aplicar
a losel que
investigadores
ML
Las tareas no están incluidas. Además, se realiza un análisis amplio de los sectores de minería de datos, negocios y logística específicos. en impulsaron
PPC. a a
aplicar los investigadores
los objetivos de aML.aplicar
Además, los objetivos
tambiénde
se lleva a cabo los objetivos. Además, también identificamos las motivaciones que llevaron a los investigadores a aplicar el ML en PPC.
en PPC.
se lleva a cabo los objetivos. Además, también identificamos las motivaciones que llevaron a los investigadores a aplicar el ML en PPC.
© 2022, IFAC (Federación Internacional de Control Automático) Alojamiento de Elsevier Ltd. Todos los derechos en PPC.
Copyright © 2022 Los Autores. Este es un artículo de acceso abierto bajo licencia CC BYNC
© 2022, IFACAlojamiento
Internacional
Automático) de(Federación
Control Automático)
deInternacional
Elsevier Ltd. Alojamiento
de Control
Todos losdeAutomático)
Elsevier Ltd.
derechos Alojamiento
Todos los derechos
reservados. de Elsevier © Ltd.
2022, Todos
IFAClos (Federación
derechos © Internacional
2022, IFACde (Federación
Control
ND
© 2022, (https://creativecommons.org/licenses/byncnd/4.0/)
IFAC (Federación Internacional de Control Automático) Alojamiento por Elsevier Ltd. Todos los derechos reservados.
reservado.
© 2022, IFAC (Federación Internacional de Control Automático) Alojamiento por Elsevier Ltd. Todos los derechos reservados.
Palabras
reservado. clave: aprendizaje automático, planificación y control de la producción, control de la producción, planificación de la producción.
Palabras clave: aprendizaje automático, planificación y control de la producción, control de la producción, planificación de la producción.
Palabras clave: aprendizaje automático, planificación y control de la producción, control de la producción, planificación de la producción.
Palabras clave: aprendizaje automático, planificación y control de la producción, control de la producción, planificación de la producción.
Las técnicas de ML pueden derivar conocimiento a partir de datos y, por lo tanto, 1.
INTRODUCCIÓN
Las
técnicas
de ML
mediante técnicas de
puedenla ML dederivar
pueden
ML pueden
capacidad derivar
conocimiento
de derivar
aprender conocimiento
conocimiento
de los
de los datos de los
datos depor
y, datos
loslodatos
disponibles. y, por
tanto, y,mejorar
lo
por tanto,
lo tanto,
las
el técnicas
PPC las
1. INTRODUCCIÓN Las técnicas de aprendizaje automático pueden derivar conocimiento de los datos y,
1. INTRODUCCIÓN Mejorar
por lo
(Cadavid el
tanto, PPC mediante
mejorar
et derivar
al., 2020). el PPC la capacidad
gracias
Con la generación a la de aprender
capacidad de de los
aprender datos de disponibles.
los datos disponibles.
de fabricación actuales se enfrentan a varias mejoras del PPC gracias a la capacidad ML pueden conocimientos a partir de de datos
los datos de fabricación,
y, por lo tanto, las los
técnicas
sistemas de
1. INTRODUCCIÓN de aprender de los datos disponibles.
actuales
varios
2020).
los Los
Con
últimos sesistemas
enfrentan
la
años. generación dea fabricación
varios
de datos Los sistemas
actuales
de desafíos de enfrentan
se fabricación
de fabricación, actuales
a varios como se
(Cadavid enfrentan
mercados et al., a
volátiles, (Cadavid
2020).
sistemas
Mejorar Con etPPC
la
al.,generación
elvariables 2020). Con
y decrecientes
mediante degeneración
la datosque
capacidad de fabricación
de aprender
datos de
experimentan
de Los manufactura
deun sistemas
los datosde
crecimiento (Cadavid
fabricación
explosivo
disponibles. et al.,
en
Los sistemas de fabricación actuales se enfrentan a varios problemas (Cadavid et al., 2020). Con la generación de datos de desafíos de fabricación, como mercados
volátiles,
variables
desafíos,
una
Los sistemas desafíos
ycomo
creciente decrecientes
de
variedadvariables
mercados
fabricación deque yactuales
experimentan
decrecientes,
volátiles,
productos. variables
se
Dado un
como
ycrecimiento
enfrentan
que mercados
decrecientes
son a los
lotes explosivo
volátiles,
(Cadavid
principales
de en
varios sistemas sistemas
etlos
tamaños al.,últimos
y a años.
2020).
de Con laestesistemas
generación
potencial quede han experimentado
datos de fabricación un crecimiento
(Tao et al., 2018), explosivo las en los últimos
empresas años mal
explotan
desafíos, como mercados volátiles, variables y decrecientes (Tao et al., 2018), tareas que están experimentando un crecimiento explosivo en los últimos años.
tamaños
tamaño
el
de tamaño de
de de
planificación lote
los los yy
lotes creciente
lotes y
control la
y creciente
la de variedad
creciente
la producción de
variedad productos.
variedad de
(PPC) de Ya
productos.
productos.
para queYa es
Dado
planificar quela y tarea
es
que la
programar principal
es
tareala
desafíos, como mercados volátiles, sistemas variables y decrecientes que han experimentado un crecimiento explosivo en los últimos años. tareaempresas
el
principal
principal (Tao
que
(Tao
(Manns explotan
et etal.,
et al.,2018),
al., mal
2018),
2015) este
laslas
y empresas
potencial
la empresas
capacidad explotan
explotan
de mal
varias mal este
este
técnicas potencial
potencial
de ML, tamaños de lote y
variedad creciente de productos. Dado que es la tarea principal (Tao et al., 2018), las empresas explotan mal este potencial
degarantizar
planificación
al., planificación
2018),delas
yvariedad suyempresas
control
y control
realización
productos. de de
producción
explotan
Dado producción
que mal
(Eversheim es la(PPC)(PPC)
este
et para para
potencial
al.,
tarea 2013), planificar
principal planificar
tamaños
(Manns y programar
yetprogramar
de lote (Manns
y creciente
al., 2015) de et al., 2015)
y la capacidad en yel
varias
de laanálisis
capacidad
planificación
técnicas dede de
yuna MLvarias
control (Manns
multitud detécnicas al., de
producción
deet datos, 2015) ML
(PPC)
inclusoy(Manns
la para et
capacidad
de al., 2015)
planificar
producción de varias yalta
la técnicas
ydeprogramar capacidad(Taodede
dimensionalidad et
ML
y programar en el análisis de una multitud de datos, incluso de alta dimensionalidad, de varias técnicas de ML de planificación y control de producción (PPC) planificar
realización
et
dimensionalidad,
et al.,
al., 2013),
2016), (Eversheim
al se venet
lo analizar
sugiere una
elmuyal.,
uso 2013),
de ML.producción
multitud
afectados de Los
por este
datos, ydesarrollo.
asegurar
incluso los su
PPC realización
de tiene
PPC de (Eversheim
quealta hacer frente en aelasegurar
laanálisis etsu
planificación
(Manns de
al.,realización
una ymultitud
2015) y la(Eversheim
control de la
de
capacidaddatos incluso
et al.,
producción
de varias2013),
de técnicas
(PPC) producción
producción
para de de MLalta
planificar ypara
asegurar
ydimensionalidad
programar
producir su y (Wuest y
garantizar su realización (Eversheim et al., 2013), al analizar una multitud de datos, incluso de alta dimensionalidad, el PPC se ve muy afectado por este desarrollo. PPC
tiene
hacer
PPC que
el usosede
2013), frentehacer
veML
cada (Wuest
muy
vez frente
se afectado
sugiere et
más conpor aal.,
esta 2016),
por situación.
este
lossíefectos
solo.sugiere PPC
desarrollo. el uso
de un entornose ve
de
PPC tiene muy
ML. afectado.
dinámicoque hacery (WuestPPC
frente tiene que
et Habiendo
al., 2016),introducido (Wuest et al.,
de altaeldimensionalidad, 2016),
potencial teórico se el uso de
delproduceML se
ML en PPC, sugiere por
al analizar
y garantiza sí solo.
una multitud
su realización de datos,etincluso
(Eversheim al.,
PPC se ve muy afectado por este desarrollo. PPC tiene que hacer frente a Habiendo
vez
teórico
se ve
(Gyulai
el más
muy
potencialdel
con
cada afectado
ML los
vezenefectos
teórico PPC,
más por
del su
este
con
ML delos
alta
en un desarrollo.
entorno
complejidad
efectos
PPC, sude dinámico
PPC
alta (Busert
tiene
uncomplejidad
entorno y Habiendo
que
ydinámico
Fay,hacer2018),
(Busert introducido
frente debido
(Wuest
y yHabiendo
Fay, el
alintroducido
2018), potencial
alto
etdebido
al.,
PPC aintroducido
2016), entorno
la sugiere
complejidad, el
dinámico
alta complejidad potencial
uso ytenerse
de(Busert
debe ML. cada
teórico
Cabe yvez de más
ML
señalar
Fay,
en cuentacon
enque
2018), PPC,
los
que las
debido efectos
cada
las a lavez
de
aplicacionesaltamás
aplicaciones un entorno con losdinámico
prácticas
prácticas efectos
aún
aúnson de
y raras
son cada
un
raras
(Gyulai debe tenerse en cuenta que las aplicaciones prácticas aún son raras (Gyulai debe tenerse en cuenta que las aplicaciones prácticas aún son raras (Gyulai alta
complejidad
incluso
Cadavid
problemas
la apariciónafirman (Busertque,
et NPdifíciles
al.
de (2020)
et al.,yhabiendo
Fay
incluso
2018). , 2018),
(Gannouni introducido
afirman
Cadavid debido
et que
al.,
et al. a
el
et
2020).High
potencial
al.,
(2020) et
2018).
Desde al.,teórico
incluso 2018).
Cadavid
la alta
afirman del
Cadavid
etML al. en
complejidad
que etPPC,
(2020)
existenal.incluso
(2020)
(Busertse enfrenta
varios afirman
y Fay, Bender).
cada
raras
(Panzerque vez
lay, incertidumbre
(Gyulai 2021)
más deaalta
Bender, ylos
debe efectos
2021) tenerse
y la de
complejidad
(Panzer un
en
aparición entorno
cuenta
y(Busert
Bender, que
dinámico
las
deyincertidumbre
Fay,
2021) y aplicaciones
2018),la yaparición
de
debidoincertidumbre
(Panzer adeprácticas
high (Panzer
aún
et al.,
y incertidumbre
Bender, sonyy
2018).
2021)
investigación de PPCML 2018), debido a la alta, aproximadamente el 75% de los posibles dominios de
Cabe señalar que las aplicaciones prácticas aún son raras (incertidumbre de Gyulai
(Panzer y Bender, 2021) y la aparición de et al., 2018). Cadavid et al. (2020) incluso afirman que existen varios problemas NPdifíciles (Gannouni et al., 2020). Desde varios
problemas
de los problemas
varios
(Panzer
dominios posibles
yde NPdifíciles
Bender, dominios
2021)
investigación (Gannouni
NPdifíciles yde
delainvestigación
aparición
PPCML. et al.,de
(Gannouni 2020).
etde PPCML
al., Dado que
2020).
aproximadamente Desdeaproximadamente
et 75
el al.,%2018).
de losCadavid el 75%et al. (2020),
posibles aproximadamente
enfoques que apenaselse
convencionales 75% explorande PPC
de losoposibles
nada.
tienenKramer dominios
problemas de
y cols.para investigación
(2021)
abordar la de
concluyen PPCML
que los
incertidumbre
varios problemas NPdifíciles (Gannouni et al., 2020). Ya que apenas se exploran o
abordarlos.
Los
exploran
varios enfoques
escasamente
Los
problemas de enfoques
PPC convencionales
o
NPdifíciles node se
PPC exploran
convencionales
(Gannouni tienen
en
et absoluto.
problemas
al., 2020).tienen
Kramer
Dadopara
problemas
y
que,abordarlos,
cols.
según (2021)
para una
de las aplicaciones PPCML, todavía no podemos resolver aproximadamente el 75% de los posibles PPC Dominios de investigación de ML abordarlos.
seconcluyen
revisión nada.con(2021)
Kramer concluyen
formulaciones y cols. (2021)
de que los
problemasconcluyen
enfoques que quede
cambianse
PPC exploran
convencionales
poco
dinámicamente o nada.
tienen
(por Kramer
problemas
ejemplo, y reglas
cols.para de
Los enfoques convencionales de PPC tienen problemas para abordarlos, ya sea que se exploren escasamente o no se exploren en absoluto. Kramer y cols. (2021) concluyen
con
Los formulaciones
beneficios
(por ejemplo,
enfoques de algoritmos
ML endePPC
convencionales problemas de quePPCcambian
con formulaciones
exactos) tienende dinámicamente
problemas
problemas paraque (por
cambian
abordar ejemplo, reglas
reglas)
dinámicamente
desde de una
una revisión (por revisión
aplicaciones
PPCML
absoluto.ejemplo, se de
Kramer aplicaciones
desprende
PPCML
reglas).et al.Porque
(que
2021)PPCML
loaún
todavía
no
tanto,
concluyenque
podemos
elno aún
somos
objetivo Deno
apenas
enfoques podemos
capaces
una revisión
sede
basados) de
explorauna
establecer
de o las orevisión
con no de
aplicaciones
claramente
se explora
complejidad los
en
problemas que cambian dinámicamente (por ejemplo, reglas para establecer de aplicaciones PPCML que todavía no somos capaces con formulaciones de
complejidad
enfoques
(Gannounibasados)
formulaciones et(porde ejemplo,
al., 2020), algoritmos
o conlacomplejidad
problemas efectividad
que cambian exactos)
(por
de PPCejemplo,
dinámicamente algoritmos
es limitada en(por esteexactos)
ejemplo,
estudioreglas claramente
es ayudar a cerrarbeneficio
el beneficio
para indicar
aplicaciones
esta dede
brecha ML
de MLenen
claramente
de
PPCMLPPC PPC. el(por
investigación (por Porlo
beneficiotanto,
lomediante
tanto,
ejemplo, dellos MLelenfoques
objetivo
enanálisis
algoritmos
el PPC. de
basados
Por
exactos)
de establecer
una o en
lo tanto, objetivos)
revisión
con claramente
el objetivo
complejidad
de laso con
deel las
(por
ejemplo, algoritmos exactos) para indicar claramente el beneficio del ML en PPC. Por lo tanto, el objetivo
(Gannouni
la efectividad
PPC: et al.,
establecer de claramente
PPC
2020), eslalimitada
efectividad en de
el beneficio deeste
PPC
del estudio
ML esen limitada
es ayudar
PPC. en (Gannouni
Por lo atanto,
cerrarseesta et al.,
brecha
pretenden2020),tales
de investigación
investigación
es limitada en
complejidad
condiciones analizando
mediante
el estado
(por
(Csáji ejemplo,
et al., la
elde este
análisis estudio
de (Gannouni
la investigación
2006).
algoritmosAdemás, es para
exactos) de ML
enfoques ayudar
et en
al., a2020),
PPC,
basados cerrar la
elen esta
efectividad
objetivo brecha
soluciones) de
de
objetivos PPC
o con de
(Gannouni et al., 2020), la efectividad de PPC es limitada en el estado de la de este estudio es ayudar a cerrar esta brecha de investigación analizando
Además,
condiciones
proporcionados
esta brecha
motivaciones soluciones
(Csáji
de del por etlos
tales
al.,
deenfoques
investigación
uso 2006).
ML.condiciones
al Además,
actuales
analizar
tales (Csáji
las
condiciones los
de objetivos
etPPCal., se
aplicaciones
(Csáji 2006).
etvuelven
específicos
deAdemás,
al., ML rápidamente
2006). y lasde soluciones investigación
PPC (Gannouni
respectivas
Además, tales de
el estado MLde en
ML
et proporcionadosPPC,
al., soluciones
las en PPC,
el
2020), la efectividadobjetivos
de los
por objetivos
la los específicos
de PPC es
investigación
enfoques específicosde
delimitada,
de PPC
ML en PPCtales
de PPCestado
ya que
actuales
PPC, condiciones
seeste
los de la
estudio
objetivos
convierten (Csáji
investigación
et
es ayudarde
específicos
rápidamente al., 2006).
de
a cerrar
en
PPC
aplicaciones de ML y las respectivas motivaciones del uso de ML.
por los enfoques
aplicaciones
las soluciones desonMLactuales
inviables dedurante
y las respectivas PPC sela convierten
ejecución,rápidamente
motivaciones debido
de usoade en elproporcionados
la ML.
aparición estado de de la investigación Aplicaciones
revisó delaML endePPC,
literatura ML ylos
para las respectivas
alcanzar
objetivos dichas motivaciones
específicoscondicionesde PPC. del
(Csájiuso et
Para de
esteML.
al., proporcionados
2006).
propósito, Además,
se
se revisó al alcance con Para este propósito, la literatura se revisó al alcance con lo por los enfoques actuales de PPC se vuelven rápidamente Para este propósito, la literatura
Para esteque
actuales
máquinas propósito,
se convierten
(Cadavid etseal.,
revisó rápidamente
siguiendola literatura enhasta
eventos
las preguntas el de
alcance
inesperados,de los enfoques
investigación como
(RQ):fallas dede PPC inviable debido durante a la ocurrencia
la ejecución, de debido
inviable a durante
la ocurrencia
Aplicaciones de ML y las respectivas motivaciones del uso de ML. inviable la ejecución
de inviable , debido
durante a la la
ocurrencia
ejecución, de
durante
la ejecución, debido a la ocurrencia de Para este propósito, se revisó la literatura al alcance de eventos inesperados como fallas de máquinas (Cadavid et al., eventos
inesperados
investigación
eventos como
(RQ)
inesperados fallas
: como de máquinas
fallas de (Cadavid
máquinas et al.,
(Cadavid siguiendo
inviable durante la ejecución, debido a la aparición de las siguientes preguntas de investigación (PI):et al., preguntas
para este de
propósito se revisósiguientes
la literaturapreguntas
al alcance de investigación
con el 2020). (RQ):
eventos inesperados como fallas de máquinas (Cadavid et al., 2020).
2020). inesperados como fallas de máquinas (Cadavid et al., siguiendo las preguntas deRQ1:
Eventos Para qué(RQ):
investigación tareas y subtareas de PPC es ML ya en 2020).
Una posibilidad para abordar esta situación es aplicar la pregunta RQ1 de la máquina: ¿En
2020). RQ1: ¿En de
subtareas
implementado quéPPCML
tareasyyaenyestá qué
subtareas
ML?
grado? RQ1:de PPC
¿En qué ya está tareas ML?y subtareas
RQ1: ¿En de quéPPC tareasya yestá
qué tareas y subtareas de PPC ya se ha implementado ML y en qué grado?
Una posibilidad
para
situación
abordar
aprendizaje es (ML)
aplicar
estapara
en abordar
situación
laPPC.
máquina Aes esta situación
aplicar
implementada,
través de lasumáquina.es ¿y
capacidadaplicar
en
Una laposibilidad
qué
para máquina.
grado? Una posibilidad
para
habilitar computadoras abordar esta RQ1: ¿Para desplegadoqué tareas y enyqué medida?
subtareas de PPC ya está ML? Una posibilidad para abordar esta
situación es aplicar la máquina implementada, y ¿en qué grado?
aprendizaje
computadora
por
programados
abordar esta(ML)
computadora (ML) en
situación enPPC.
(ML)
explícitamente PPC.
es AAtravés
en aplicar
PPC. través
para ¿A de desusucapacidad
través
larealizar
máquina capacidad
de su capacidad
aprendizaje
para para
resolverpara
(ML) permitir
permitir
para
problemas
en PPC. elelaprendizaje
permitirAaprendizaje
sin laestar
través de por
implementación
su Pregunta
de computadoras 2: Qué motiva y en el qué uso de ML en PPC y qué objetivos Una posibilidad para
medida?
capacidad para habilitar computadoras RQ2: qué motiva el uso de ML en PPC y
programado
para
muchos realizar para
potenciales
RQ2: resolver
Quépara motiva
laproblemas
industria
el uso problemas
(Samuel,
de ML en sin
1959).
aprendizaje (ML) en PPC. ¿ A través de su capacidad para permitir que las computadorasPPC, estar
y qué programado
objetivos , explícitamente
ML promete qué objetivos estar
persiganRQ2:
explícitamente
quéaplicaciones?
las motivaprogramado
el uso de ML para en resolver
PPC y qué problemas
objetivossin resolver
estar explícitamente
problemas sin
resolver problemas sin estar programado explícitamente para realizar RQ2: Qué motiva el uso de ML en PPC, y qué objetivos , ML promete muchos potenciales para la
industria
por tanto, (Samuel,
el ML promete
1959). muchos potenciales
aplicaciones para resolver problemas sin estar programados explícitamente ? para la industria (Samuel, 1959). ¿Persiguen las aplicaciones?
Pregunta 2: ¿Qué motiva el uso de ML en PPC y qué objetivos persiguen las
por tanto, el ML promete muchos potenciales para la industria (Samuel, 1959).
por tanto, el ML promete muchos potenciales para la industria (Samuel, 1959). ¿Persiguen las aplicaciones?
24058963 Copyright © 2022 Los Autores. Este es un artículo de acceso abierto bajo licencia CC BYNCND.
Revisión por pares bajo responsabilidad de la Federación Internacional de Control Automático.
10.1016/j.ifacol.2022.10.106
Machine Translated by Google
2630 Konstantin Büttner et al. / Documentos de la IFAC en línea 5510 (2022) 2629–2634
Este artículo amplía el trabajo de Cadavid et al. (2020) y complejidad. Por lo tanto, a menudo se aplican métodos heurísticos o enfoques
Kramer y cols. (2021) investigando las subtareas reales de PPC en las que se basados en reglas para encontrar soluciones aceptables más rápidamente.
implementó ML y en qué medida. El resto de este artículo está estructurado de la por aproximación (Kim et al., 2020). Los enfoques heurísticos o basados en reglas
siguiente manera: En la Sección 2 presentamos los antecedentes teóricos. En la generalmente requieren mucho conocimiento del dominio y la
Sección 3, describimos nuestra metodología. En la Sección 4, presentamos y el diseño requiere mucho tiempo (Nguyen et al., 2019). Dado que los cambios en el
discutimos nuestros resultados. planteamiento del problema requieren ajustes de las heurísticas, este enfoque se
Finalmente, en la Sección 5, presentamos nuestras conclusiones y proponemos vuelve cada vez más inviable en un entorno dinámico de PPC (Gannouni et al., 2020).
direcciones para futuras investigaciones.
proporciona una descripción general de las aplicaciones prácticas de ML en PPC método de solución. Sólo se incluyen artículos que realmente aplican ML en el
a través del análisis de 45 publicaciones sobre diferentes casos de uso de PPC dominio PPC; Las metaheurísticas o hiperheurísticas no son
basados en tareas del modelo de cadena de suministro de Hannover, identificando considerado como ML. El proceso de revisión que condujo a los 101 artículos
“Planificar la producción” como el caso de uso más común. Además, se restantes se muestra en la Tabla 3.
analizaron los respectivos objetivos de negocio y de minería de datos.
Tabla 3. Proceso de revisión de la literatura
Para resumir el trabajo relacionado, se puede concluir que no existe un análisis No. Descripción del paso Artículos restantes
holístico de las aplicaciones de ML en el dominio de PPC que considere hasta 1 Buscar artículos y eliminar duplicados 369
qué punto se utiliza ML en las respectivas tareas o subtareas, y cuál fue la 2 Leer título 227
motivación respectiva para la aplicación de ML.
3 Leer resumen 162
4 Leer introducción y conclusión 124*
Aplicamos un enfoque de investigación exploratoria, investigando los beneficios Todos los artículos restantes se analizan en base a un formulario de extracción
potenciales del ML en PPC proporcionando una descripción general del tema de de datos con respecto a las siguientes preguntas: (1) ¿Qué tareas y subtareas
investigación. La investigación se llevó a cabo en un proceso de tres etapas, que de PPC están dentro del alcance del estudio? (2) ¿En qué medida se utiliza el
consistió en adquisición de datos, filtrado de datos y análisis de datos. La Tabla ML en la resolución de tareas? (3) ¿Cuál es la motivación para el uso de ML? (4)
1 presenta el protocolo de investigación para permitir la reproducibilidad de la ¿Qué objetivos se persiguen en este artículo?
Tabla 1. Resumen del protocolo de investigación El proceso de investigación de tres etapas conduce al análisis de 101
artículos que tratan sobre PPCML. La Figura 2 muestra la distribución
Criterios Descripción
cronológica de estos artículos. Esto indica claramente el creciente interés en los
Bases de datos Scopus, Web de la ciencia últimos cuatro años en este campo de investigación.
Cadena de búsqueda (aprendizaje automático O red neuronal
genérica artificial O aprendizaje profundo) Y (planificación de
producción O control de producción O
planificación y control de producción)
Idioma: inglés
Año de publicación >=2010 Y <=2022
Descarga de datos 12.08.2021
No. Criterios de inclusión Para responder a la primera pregunta de investigación, analizamos para qué
tareas y subtareas del modelo ML de Aachen PPC se utiliza.
1 Producción en fábrica
La Figura 3 presenta la distribución de aplicaciones PPCML a nivel de tarea.
2 producción discreta
Indica claramente que el 65% del PPCML
3 Tareas centrales o transversales del modelo PPC de Aquisgrán en
Las aplicaciones están preocupadas por el PPC en la planta. La planificación de
el alcance (contratación excluida) las necesidades de producción ocupa el segundo lugar con 17 solicitudes (12%).
4 método ML aplicado
El tercero es la planificación de programas de producción con 11 solicitudes
(8%). La gestión de pedidos (cuatro aplicaciones), la gestión de inventarios (una
Para una mejor reproducibilidad, limitamos el alcance de la revisión a las tareas aplicación) y el control de PPC (una aplicación) están cubiertas sólo de forma
centrales y transversales del modelo Aachen PPC.
marginal. En 15 casos, la aplicación no se puede asignar a ninguna tarea del
Quedan excluidas las tareas de gestión de redes y cadenas de suministro, así modelo Aachen PPC. Por ejemplo, este es el caso cuando solo se menciona la
como las tareas de control de calidad y procesos. Además, los artículos de programación como tarea de PPC y no se proporciona ninguna descripción
revisión, encuestas y documentos conceptuales sin realizar experimentos se adicional de la subtarea de programación cubierta. La diferencia entre el número
excluyen del análisis para evitar duplicados y garantizar implementaciones de total de solicitudes (140) y el número de artículos analizados (101) se debe a
ML al menos parciales o prototípicas. El último criterio de inclusión es el aplicado. que en algunos artículos
Machine Translated by Google
2632 Konstantin Büttner et al. / Documentos de la IFAC en línea 5510 (2022) 2629–2634
Se realizan varias subtareas de PPC. Cada subtarea realizada se cuenta como 4.2 Grado de uso de ML en aplicaciones de PPC
una aplicación. Además, en el caso de estimaciones variables sin mayor
especificación de la relación En el primer análisis exploratorio, identificamos claramente diferentes
subtarea, el caso respectivo siempre se asigna a todas las subtareas que grados de uso de ML en diferentes aplicaciones de PPC. A
pueden usar la variable directamente. Para comparar mejor el grado de uso de ML en diferentes tareas y casos de uso,
definimos cinco niveles de madurez de PPCML, como se muestra en la Figura
5. Los niveles de madurez de PPCML se derivan de los niveles de jerarquía del
modelo de PPC de Aquisgrán, la posibilidad de resolución total o parcial de
tareas por ML y los resultados de un análisis preliminar. En el nivel 1, ML se
utiliza únicamente
para la determinación de una variable, y no se cubre la integración en una
subtarea. Dado que todavía existen diferencias significativas en cuanto a la
utilización respectiva de estos
variables, el Nivel 1 se subdivide en los dos subniveles 1a y 1b.
de variables 4
Las aplicaciones se refieren a las tareas centrales a corto plazo del modelo PPC
de Aquisgrán. 3
2
1
Edite la plantillaEstadísticas
de formato ml del maestro de subtítulosRuta de evolución de PPCML
haciendo Figura
clic 5: Niveles propuestos de madurez de PPCML
Problemas: si la transferencia de una función parcial es más que una estimación de una variable, entonces la determinación de capacidad, por ejemplo, queda fuera de la etapa 1
La Tabla 4 presenta la distribución de los niveles de madurez de PPCML dentro
25.01.2022 17
de las aplicaciones PPCML analizadas. Muestra que la mayoría de las
aplicaciones actualmente se ocupan de la determinación de variables individuales.
En total, se pueden asignar 77 solicitudes al Nivel 1 (1a y 1b). Muchos de ellos
son
se ocupa de la determinación de los plazos de entrega y los tiempos de proceso.
Cabe señalar que el número de 77 aplicaciones en el Nivel 1 está un poco
distorsionado debido a la asignación múltiple de estimaciones de variables sin
más información sobre las tareas y subtareas que utilizan las variables. Si cada
estimación de variable cuenta como una sola solicitud, el número total se reducirá
en 29 solicitudes. Además, existe una
Figura 4: Distribución de aplicaciones PPCML en el nivel de subtarea de PPC
(solo se muestran subtareas con aplicación ML)
número casi igualmente grande de aplicaciones (63) que cubren
En la Figura 4, las aplicaciones PPCML analizadas se clasifican en el nivel de una subtarea completa de PPC. En 32 casos, la subtarea incluso está
subtarea de PPC. La planificación detallada de los recursos es la subtarea más completamente asignada a ML. De estos casos, nueve se refieren a la
comúnmente abordada en este sentido, con 38 planificación de ventas y nueve a la planificación detallada de recursos. Ninguna
solicitudes, seguidas de una programación detallada con 24 solicitudes. de las aplicaciones se centra en tareas completas del modelo PPC de Aquisgrán.
También cabe mencionar que existen artículos que asumen varias subtareas de
control de producción a nivel
Machine Translated by Google
Konstantin Büttner et al. / Documentos de la IFAC en línea 5510 (2022) 2629–2634 2633
una vez, principalmente mediante el uso del aprendizaje por refuerzo. Cabe datos y alta dimensionalidad. La solución mencionada
mencionar que la planificación de ventas es, en teoría, también sólo la Los requisitos son principalmente la necesidad de una resolución rápida de
determinación de una variable, pero la determinación de esta variable es, al problemas, una potencia computacional limitada y la necesidad de predicciones
mismo tiempo, toda una subtarea; por lo tanto, los casos se asignan al Nivel más precisas. Desde una perspectiva empresarial, se menciona la reducción
2 o al Nivel 3 según corresponda. Para una planificación detallada de los del esfuerzo manual, la evitación de errores humanos, la menor necesidad de
recursos hay que tener en cuenta que, debido a la baja cobertura del control dominio y conocimiento profundo del sistema (principalmente para evitar la
de producción en el modelo PPC de Aquisgrán a nivel de subtareas, aquí se dependencia de humanos individuales) y la explotación de la información
incluyen muchas tareas reales de control de producción (p. ej., enrutamiento). disponible.
En rigor, estas aplicaciones no asumen toda la subtarea de planificación Análisis adecuado de las respectivas motivaciones en la tarea de PPC.
detallada de recursos, ya que además de programar pedidos o nivel de subtarea no es posible, ya que la mayoría de los artículos carecen
de una indicación clara de su motivación real para el uso de ML.
En cuanto a los recursos, la coordinación de capacidades también forma parte de la subtarea.
Sin embargo, estas tareas de control, como el propio enrutamiento, a veces 4.4 Análisis de los objetivos de las aplicaciones PPCML
son asumidas por completo por las aplicaciones analizadas.
Por lo tanto, estas tareas de control, completamente dentro del ámbito de una Para la medición de los objetivos perseguidos, consideramos indicadores
aplicación (denominadas rutas, asignación de máquinas, etc.), también se cuantitativos (KPI medidos) y cualitativos (intención mencionada). Con
añaden al Nivel 2 o al Nivel 3. respecto a los objetivos de minería de datos, la misma definición Kramer et
al. (2021) utilizado se aplica (basado en Jordan y Mitchell (2015), Kuhn (2013)
Tabla 4. Distribución del grado de uso de ML en el nivel de subtarea de PPC
procesando orden
gestión de pedidos
coordinación de pedidos
13
planificación de 1
inventario análisis de inventario
Figura 6: Ocurrencia de objetivos logísticos (gráfico de la izquierda) y de minería de
gestion de almacenes
la gestión del inventario datos (gráfico de la derecha) en un total de 101 artículos
mantenimiento en existencia
gestión de lotes
En cuanto a objetivos logísticos, el objetivo más perseguido es
procesamiento de información 1
control de PPC derivando medidas
cumplimiento de las fechas de entrega (26 veces), seguido de plazos de
otro otro 852 entrega cortos (22 veces), inventarios bajos (19 veces) y alta utilización de la
suma 22 55 31 32 0 0 capacidad (15 veces). En este sentido cabe destacar especialmente que 42
artículos del PPCML no perseguían ningún objetivo logístico.
4.3 Motivación para el uso de ML en tareas de PPC Con respecto a los tres objetivos empresariales –económico, ecológico y
social– identificamos que la mayoría de los artículos persiguen objetivos
Para responder a la segunda pregunta de investigación, analizamos las económicos (88). Ecológico
diferentes motivaciones del uso de ML mencionadas en los artículos revisados. Los objetivos (14) y los objetivos sociales (1) apenas se persiguen.
Con base en las motivaciones identificadas, derivamos los siguientes cuatro
grupos de motivaciones: propiedades del problema, propiedades de los datos,
requisitos de la solución y requisitos comerciales.
Las propiedades del problema se refieren principalmente a la complejidad y
5. CONCLUSIÓN
la incertidumbre del problema. Los problemas NPdifíciles, el comportamiento
no lineal y las restricciones múltiples se mencionan en el contexto de la En este estudio, exploramos el uso, la motivación y los objetivos de las
complejidad del problema. Los entornos dinámicos, la alta aleatoriedad y las aplicaciones de ML en PPC. Por lo tanto, analizamos para qué
propiedades no deterministas se nombran en el contexto de la incertidumbre. Las tareas y subtareas de PPC se aplican actualmente al ML y en qué grado.
Las propiedades de los datos se refieren a datos complejos y no estructurados, Proponemos una escala con cinco niveles de madurez de PPCML para
la dificultad de tratar con una multitud de clasificar el grado de uso actual de ML en PPC. El
Machine Translated by Google
2634 Konstantin Büttner et al. / Documentos de la IFAC en línea 5510 (2022) 2629–2634
Los resultados mostraron que ML se utiliza principalmente para el PPC en la planta. Conferencia sobre sistemas, hombre y cibernética (SMC), 2640–2647. IEEE. https://
doi.org/10.1109/SMC42975.2020.9282869
tarea (65% de las solicitudes). También se puede afirmar que casi la mitad de los
Gyulai, D., Pfeiffer, A., Bergmann, J. y Gallina, V. (2018). Predicción del tiempo de entrega
artículos del PPCML (48%) se refieren a la determinación de variables únicas y no
en línea que respalda el control de producción consciente de la situación. Procedia
se encontró ninguna aplicación que cubriera CIRP, 78, 190195. https://doi.org/10.1016/j.procir.2018.09.071
toda una tarea de PPC. Además, determinamos qué objetivos de minería de datos,
Jordan, MI y Mitchell, TM (2015). Aprendizaje automático: tendencias, perspectivas y
comerciales y logísticos se perseguían con las aplicaciones de ML, así como la perspectivas. Ciencia, 349 (6245), 255–260. https://doi.org/10.1126/science.aaa8415
motivación para el uso de ML.
sí mismo. Sigue siendo una pregunta abierta cómo difieren las motivaciones para Kim, H., Lim, D.E. y Lee, S. (2020). Programación dinámica basada en aprendizaje
el uso de ML entre las tareas y subtareas de PPC. profundo para la fabricación de semiconductores con alta incertidumbre sobre la
capacidad del sistema automatizado de manipulación de materiales. En 2020,
Las investigaciones futuras deben ampliar la evaluación del valor agregado para
Transacciones IEEE sobre fabricación de semiconductores, 33 (1), 1322. https://
las empresas mediante diferentes grados de uso de ML en PPC, considerando los doi.org/10.1109/TSM.2020.2965293
beneficios potenciales, los esfuerzos relacionados y los posibles riesgos a este Koulinas, G., Xanthopoulos, A., Kiatipis, A. y Kolouriotis, D. (2018). Un resumen del uso de
respecto. Qué criterios impactan la decisión de implementación de ML en PPC y estrategias de aprendizaje por refuerzo para tratar problemas de gestión de proyectos
cómo estos criterios se relacionan con los niveles de madurez de PPCML son y producción. En 2018, Decimotercera Conferencia Internacional sobre Gestión de la
Información Digital (ICDIM), 3338. 10.1109/ICDIM.2018.8847099
preguntas interesantes a seguir.
Kramer, KJ, Rokoss, A. y Schmidt, M. (2021). ¿Conocemos realmente los beneficios del
aprendizaje automático en la planificación y el control de la producción? Una revisión
sistemática de los estudios de casos de la industria. En Herberger, D., Hübner, M.
REFERENCIAS
(ed), Actas de la Conferencia sobre Sistemas de Producción y Logística (CPSL 2021),
AbdelKarim, BM, Pfeuffer, N. y Hinz, O. (2021). Aprendizaje automático en sistemas de 223233. https://doi.org/10.15488/11296
información: una revisión bibliográfica y temas de investigación abiertos. Kuhn, M. y Kjell, J. (2013). Modelado predictivo aplicado. Springer, Nueva York, Nueva
Mercados electrónicos, 31 (3), 643–670. https://doi.org/10.1007/s12525 York. https://doi.org/10.1007/9781461468493
021004592
Kuhnle, A., Röhrig, N. y Lanza, G. (2019). Envío autónomo de órdenes en la industria de
Alemão, D., Rocha, AD y Barata, J. (2021). Enfoques de programación de fabricación semiconductores mediante aprendizaje por refuerzo. Procedia CIRP, 79, 391–396.
inteligente: revisión sistemática y direcciones futuras. https://doi.org/10.1016/j.procir.2019.02.101
Ciencias Aplicadas, 11 (5), 2186. https://doi.org/10.3390/app11052186
Lödding, H. (2013). Manual de control de fabricación, 510. Springer, Berlín, Heidelberg.
Bueno, A., Godinho Filho, M. y Frank, AG (2020). Planificación y control de la producción https://doi.org/10.1007/9783642244582
inteligente en el contexto de la Industria 4.0: una revisión sistemática de la literatura.
Manns, M., Wallis, R. y Deuse, J. (2015). Propuesta Automática de Planes de Trabajo de
Computadoras e Ingeniería Industrial, 149, 106774. https://doi.org/10.1016/
Montaje con un Lenguaje Natural Controlado. Procedia CIRP, 33, 345–350. https://
j.cie.2020.106774
doi.org/10.1016/j.procir.2015.06.079
Burggraf, P., Wagner, J., Koke, B. y Steinberg, F. (2020). Enfoques para la predicción de
Nguyen, S., Mei, Y., Xue, B. y Zhang, M. (2019). Un algoritmo de programación genética
tiempos de entrega en un entorno de ingeniería por pedido: una revisión sistemática.
híbrida para el diseño automatizado de reglas de envío.
Acceso IEEE, 8, 142434–142445. https://doi.org/10.1109/ACCESS.2020.3010050 27
Evolutivo (3), Computación, 467–496.
https://doi.org/10.1162/evco_a_00230
Busert, T. y Fay, A. (2018). Dimensiones de la calidad de la información para identificar y
Panzer, M. y Bender, B. (2021). Aprendizaje por refuerzo profundo en sistemas de
manejar la inexactitud y la incertidumbre en la planificación y el control de la
producción: una revisión sistemática de la literatura. Revista internacional de
producción. En 2018, 23.ª Conferencia Internacional del IEEE sobre Tecnologías
investigación de producción, 1–26. https://doi.org/10.1080/00207543.2021
Emergentes y Automatización de Fábricas (ETFA), 581–588. IEEE. .1973138
https://doi.org/10.1109/ETFA.2018.8502465
Samuel, AL (1959). Algunos estudios sobre aprendizaje automático utilizando el juego de
Cadavid, JPU [Juan Pablo Úsuga], Fortin, A., Grabot, B., Lamouri, S. y Pellerin, R. (2020).
damas. IBM J. Res. Dev, 3 (3), 210229. https://doi.org/
Aprendizaje automático aplicado en la planificación y control de la producción: un 10.1147/rd.33.0210
estado del arte en la era de la industria 4.0. Revista de fabricación inteligente, 31 (6),
1531–1558. https://doi.org/10.1007/s10845019 Schuh, G. y Stich, V. (2012). Planificación y control de la producción 1, 3073.
015317 Springer, Berlín, Heidelberg. https://doi.org/10.1007/9783642254239
Cadavid, JPU [John Paul Usuga], Lamouri, S., Grabot, B. y Fortin, A. Tao, F., Qi, Q., Liu, A. y Kusiak, A. (2018). Fabricación inteligente basada en datos. Revista
(2019). Aprendizaje automático en la planificación y el control de la producción: una de sistemas de fabricación, 48, 157–169. https://doi.org/10.1016/j.jmsy.2018.01.006
revisión de la literatura empírica. IFACPapersOnLine, 52 (13), 385–390. https://
doi.org/10.1016/j.ifacol.2019.11.155 Waltersmann, L., Kiemel, S., Stuhlsatz, J., Sauer, A. y Miehe, R. (2021).
Csáji, BC, Monostori, L. y Kádár, B. (2006). Aprendizaje reforzado en un sistema de control Aplicaciones de inteligencia artificial para aumentar la eficiencia de los recursos en
de producción basado en el mercado distribuido. Informática de ingeniería avanzada, las empresas manufactureras: una revisión completa. Sostenibilidad, 13
20 (3), 279–288. https://doi.org/10.1016/ (12), 6689. https://doi.org/10.3390/su13126689
j.aei.2006.01.001 Wang, J., Ma, Y., Zhang, L., Gao, RX y Wu, D. (2018). Aprendizaje profundo para la
Eversheim, W., Kees, A., Mittendorf, M. y Wiendahl, H.P. (Eds.) (2013). fabricación inteligente: métodos y aplicaciones. Revista de sistemas de fabricación,
Diccionario de PPS / Diccionario de PPC. Springer, Berlín, Heidelberg 48, 144156. https://doi.org/10.1016/
j.jmsy.2018.01.003
Fahle, S., Prinz, C. y Kuhlenkötter, B. (2020). Revisión sistemática de métodos de
aprendizaje automático (ML) para procesos de fabricación – Witten, IH, Frank, E., Hal, M. (2011). Minería de datos: herramientas y técnicas prácticas
Identificación de métodos de inteligencia artificial (IA) para aplicación en campo. de aprendizaje automático (3ª ed.). Burlington, MA.
Procedía CIRP, 93, 413418. https://doi.org/10.1016/j.procir Wuest, T., Weimer, D., Irgens, C. y Thoben, K.D. (2016). Aprendizaje automático en la
.2020.04.109 fabricación: ventajas, desafíos y aplicaciones.
Gallego García, S., Rodríguez Reyes, R. y García García, M. (2018). Investigación de producción y fabricación, 4 (1), 23–45. https://doi.org/
Diseño de un Modelo Conceptual para la Mejora del Desempeño de la Empresa 10.1080/21693277.2016.1192517
Basado en Lean Management Aplicando el Modelo de Sistema Viable (VSM). Zhou, Z.H. (2021). Aprendizaje automático, 2. Springer, Singapur.
Revista europea de ingeniería y ciencias formales, 2 (2), 49–63. https://doi.org/10.2478/ https://doi.org/10.1007/9789811519673
ejef20180011
Gannouni, A., Samsonov, V., Behery, M., Meisen, T. y Lakemeyer, G.
(2020). Optimización combinatoria neuronal para la programación de la producción
con residuos de configuración dependiente de la secuencia. En 2020 IEEE Internacional