Machine Translated by Google

Disponible en línea en www.sciencedirect.com

CienciaDirecta CienciaDirecta

Documentos de la IFAC en línea 55­10 (2022) 2629–2634

Aprendizaje automático aplicado para la planificación y el control de la producción: descripción general y

Aprendizaje automático aplicado para la planificación
Potenciales y el control de la producción: descripción general y
Aprendizaje automático aplicado para la planificación y el control de la producción: descripción general y
Potenciales
Aprendizaje automático aplicado para la planificación y el control de la producción: descripción general y
Potenciales
Potenciales
Konstantin Büttner*. Óliver Antón**.
Konstantin Büttner*. Óliver Antón**.
KonstantinJulia C. Arlinghaus***
Büttner*. Óliver Antón**.
KonstantinJulia
Büttner*. Óliver Antón**.
C. Arlinghaus***
Julia C. Arlinghaus***
*Universidad de CienciasJulia C. Arlinghaus***
Aplicadas Landshut, Am Lurzenhof 1, *Universidad de
Ciencias Aplicadas
Aplicadas
Landshut, Landshut,Landshut,
Am Lurzenhof
Am Lurzenhof
konstantin.buettner@haw­landshut.de) Am Lurzenhof
1, 84036 1, *Universidad
Landshut, 1, *Universidad
de Ciencias
Alemania de Aplicadas
Ciencias
(e ­correo electrónico:
*Universidad de Ciencias Aplicadas de Landshut, Am Lurzenhof 1, 84036
84036 Landshut,
Landshut, Alemania
Alemania (correo(correo electrónico:
electrónico: konstantin.buettner@haw­landshut.de)
konstantin.buettner@haw­landshut.de)
*Universidad de Ciencias Aplicadas de Landshut, Am Lurzenhof 1, 84036
Landshut, Alemania (correo electrónico: konstantin.buettner@haw­landshut.de)
**Cátedra de Ciencias de la Gestión, Universidad RWTH Aachen,
84036 Landshut, Alemania (correo electrónico: konstantin.buettner@haw­landshut.de)
**Cátedra
Kackertstraße 7, de Ciencias
52072 Aachen, de la (correo
Alemania Gestión,electrónico:
Universidadantons@oms.rwth­aachen.de)
RWTH Aachen,
**Cátedra de Ciencias de la Gestión, Universidad RWTH Aachen,
Kackertstraße 7, 52072 Aachen, Alemania (correo electrónico: antons@oms.rwth­aachen.de)
**Cátedra de Ciencias de la Gestión, Universidad RWTH Aachen,
Kackertstraße 7, 52072 Aachen, Alemania (correo electrónico: antons@oms.rwth­aachen.de)
*** Universidad Otto von Guericke, Universitätsplatz 2, 39106 Magdeburgo,
Kackertstraße 7, 52072 Aachen, Alemania (correo electrónico: antons@oms.rwth­aachen.de)
*** Universidad OttoAlemania
von Guericke, Universitätsplatz
(correo 2, 39106 Magdeburgo,
electrónico: julia.arlinghaus@ovgu.de)
*** Universidad Otto von Guericke, Universitätsplatz 2, 39106 Magdeburgo,
*** Universidad OttoAlemania (correo
von Guericke, electrónico: julia.arlinghaus@ovgu.de)
Universitätsplatz 2, 39106 Magdeburgo,
Alemania (correo electrónico: julia.arlinghaus@ovgu.de)
Alemania (correo electrónico: julia.arlinghaus@ovgu.de)
Las empresas manufactureras están bajo presión constante para aumentar la eficiencia y lograr logros logísticos Las empresas manufactureras
están
para
En elaumentar
lograr bajo
lograr
sector presiónla eficiencia
objetivos constante
manufacturero, ylas
logísticos. lograr
para aumentar
logroslaestán
Mejorar
empresas logísticos
la eficiencia
bajoLas
planificación unayempresas
ypresión
lograr
el logros
control manufactureras
de lalogísticos
constante producción Las
están
para aumentar empresas
(PPC) bajo presión
tiene
la manufactureras
constante
un impacto
eficiencia y lograr están
para aumentar
significativo
objetivos bajoen presión
estos
logísticos.la esfuerzos.
eficiencia
constante
Mejorar la y
planificación y el control de la producción (PPC) tiene un impacto significativo en estos esfuerzos. En los objetivos. Mejorar la planificación y el
control
producción
PPC
lograr de
hacen
mismoobjetivos la (PPC)
producción
que
tiempo, la el tiene
PPC
logísticos. un
(PPC)
sea
crecienteMejorarimpacto
más tiene significativo
un
difícil.
complejidad impacto
Las en
significativo
empresas
la planificación
y dinámicay de estosde esfuerzos.
One
el control en estos Al esfuerzos.
Manufacturingmismo
de la producción
los entornos de PPC hacen tiempo,
estánEn
(PPC) los
bajo la
quetiene objetivos.
creciente
una
el PPC presiónMejorar
complejidad
un impacto constantela
sea mássignificativoplanificación
y dinámica
para
difícil. Al mismo aumentar
en estos ydeel
tiempo, los
control
la entornos
de
eficiencia
esfuerzos. la
Al
la creciente de
y
complejidad y dinámica de los entornos de PPC hacen que el PPC sea más difícil. Al mismo tiempo, la creciente complejidad y dinámica de los
entornos
(ML).
afrontarEnesta
esfuerzos.
aplicación este
de AlPPC
de artículo,
mismo hacen
situación
métodos tenemos
deque
tiempo,
es la el creciente
la PPC
objetivos.
aplicación
aprendizaje sea demás Mejorar
métodos
automático difícil.
complejidad lade
Una
(ML).planificación
forma
estede
yaprendizaje
dinámica
En yafrontar
de ellos
artículo, control
laesta
entornos
automático de situación
lade
(ML).
forma deproducción
PPC
En es la
hacen
este
afrontar aplicación
(PPC)
estaque
artículo, eltiene
la PPCdeun
forma
situación métodos
impacto
sea
es la más
de designificativo
aprendizaje
difícil.
afrontar
aplicación estaUna
de enautomático
forma
situación
métodos estos
de
es
de la
aprendizaje automático (ML). Por lo tanto, en este artículo abordamos el estado actual de la investigación de PPC­ML y mostramos, basándonos
en
Una elforma
estado modelo
actual
investigación
muestra, dede
basándoseafrontar
de
de Aachen enestaelPPC,
la investigación
PPC­ML situación
ymodelo al mismo es
dedePPC­ML
mostramos, la
tiempo,
con aplicación
Aquisgrán la creciente
de
y mostramos,
base en
PPC, el métodos
modelo
en qué complejidad
con de
base
de
tareas aprendizaje
yen
Aachen ely PPC,
dinámica
modelo
subtareas automático
dede de
abordamos
PPC los
yaentornos
Aachen (ML).
el
sePPC, Por
Estado
aplicade loPPC
tanto,
abordamosy enhacen
actual
ML en
la este
el
dequé queartículo,
estado elactual
investigación
medida PPC
la tareasea
abordamos
máscubierta
la
de está
PPC­ML difícil.
ely
por ML. La forma de afrontar esta situación es la aplicación de métodos de aprendizaje automático (ML). Por lo tanto, en este artículo abordamos
eltransversales
estado
cubierta
se aplica
yestado poractual
ML
actual ML.
yde
en de
Las
del latareas
laqué investigación
medida
investigación
modelo de dePPC­ML
y subtareas
la tarea
Aachen está
PPC­ML de PPC
PPC, yadquisiciones
ymostramos,
cubierta quepor
muestran,MLML.ya basándonos
se
Lasaplican
basándose
y tareas
redes, qué enyyen
en el modelo
elsubtareas
qué
modelo
tareas ymedidade
de PPC
subtareas PPC
Aachen de
la tarea
de Aquisgrán,
que está
PPCMLya
PPC, ya seen
cubierta
en el
se qué
portareas
aplican
análisis
aplican ML.
y en
se
ML. yensubtareas
Por
qué
limita
y lo
amedida
quétanto,
lasmedida detarea
PPC
abordan
la
tareas ya
el
está
centrales
la tarea
está cubierta por ML. El análisis se limita a las tareas centrales y transversales del modelo PPC de Aquisgrán, el análisis de adquisiciones y
redes
centrales
medida
negociosselalimita
yytarea aestá
las específicos.
transversales
logística tareas
cubiertadecentrales
elpor ML.yLas
modelo, transversales
adquisiciones
tareas no están del modelo
y red de PPCPPC
incluidas. de de Aquisgrán,
Aquisgrán,
Además, qué
se realizael análisis
tareas yde adquisiciones
subtareas
un análisis ampliode losysectores
dePPC redes
ya se se limita
aplican
de a las
ML
minería tareas
y en
de qué
datos,

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
Kramer y cols. (2021) investigando las subtareas reales de PPC en las que se
implementó ML y en qué medida. El resto de este artículo está estructurado de la
siguiente manera: En la Sección 2 presentamos los antecedentes teóricos. En la
Sección 3, describimos nuestra metodología. En la Sección 4, presentamos y
discutimos nuestros resultados.
Finalmente, en la Sección 5, presentamos nuestras conclusiones y proponemos
direcciones para futuras investigaciones.
2. ANTECEDENTES TEÓRICOS
2.1 Descripción general de las tareas de planificación y control de la producción
La principal tarea del PPC es planificar la producción por tipo y cantidad y garantizar
su realización, a pesar de interrupciones inevitables como averías de las máquinas,
falta de personal o retrasos en las entregas (Eversheim et al., 2013). De este modo,
se busca mejorar los objetivos logísticos, como tiempos de entrega cortos, alto
cumplimiento de las fechas de entrega, alta utilización de la capacidad y bajos
inventarios (Eversheim et al., 2013).
Existen varios modelos de PPC en la literatura que describen tareas y subtareas en
detalle y las clasifican. En este artículo nos centramos en el modelo PPC de
Aquisgrán, un modelo ampliamente aceptado no solo en los países de habla alemana
(Gallego García et al., 2018). El modelo Aachen PPC clasifica las tareas de PPC en
tareas de red, tareas centrales y tareas transversales. Una tarea puede contener
varias subtareas. Por ejemplo, la planificación del programa de producción incluye la
planificación de ventas, la planificación de requisitos primarios y la planificación
aproximada de recursos. Puede encontrar más información sobre el modelo Aachen
PPC en Schuh y Stich.
(2012) y en la Figura 1 se proporciona una descripción general de las tareas.
Figura 1: Tareas del modelo PPC de Aquisgrán (Schuh y Stich, 2012,
p. 30)
2.2 Dificultades de los métodos convencionales de PPC
La creciente complejidad y dinámica a medida que las tendencias actuales en el
ámbito de la fabricación plantean desafíos importantes a los métodos de solución de
PPC convencionales (Wuest et al., 2016). PPC
Los métodos deben abordar varios problemas complejos NP­difíciles, como el
problema de programación del taller. Resolver este tipo
La resolución de problemas con algoritmos exactos es posible, pero se asocia con
un crecimiento significativo en el tiempo de cálculo a medida que el problema
aumenta en tamaño y complejidad (Gannouni et al., 2020). En muchos casos, no se
puede lograr una solución dentro de un período de tiempo razonable, lo que limita la
aplicación de algoritmos exactos en la práctica a problemas de pequeño tamaño y
bajo costo.
complejidad. Por lo tanto, a menudo se aplican métodos heurísticos o enfoques
basados en reglas para encontrar soluciones aceptables más rápidamente.
por aproximación (Kim et al., 2020). Los enfoques heurísticos o basados en reglas
generalmente requieren mucho conocimiento del dominio y la
el diseño requiere mucho tiempo (Nguyen et al., 2019). Dado que los cambios en el
planteamiento del problema requieren ajustes de las heurísticas, este enfoque se
vuelve cada vez más inviable en un entorno dinámico de PPC (Gannouni et al., 2020).
Una posible solución es la aplicación de métodos de ML que sean capaces de
adaptarse al estado actual del sistema analizando los datos existentes (Kuhnle et al.,
2019) y, por lo tanto, equipando
PPC con capacidad de aprender de los datos disponibles (Cadavid et al., 2020). Las
técnicas de ML son enfoques basados en datos capaces de
detectar patrones altamente complejos y no lineales en los datos y así permitir el uso
de los datos disponibles, por ejemplo, para tareas de predicción o detección (Wuest
et al., 2016).
ML es un subconjunto de la inteligencia artificial y puede definirse como “una técnica
que mejora el rendimiento del sistema aprendiendo de la experiencia a través de
métodos computacionales” (Zhou, 2021, p. 2). En los últimos años, el aprendizaje
automático se ha aplicado en muchas áreas debido al aumento de la potencia
computacional, el interés de la investigación y la disponibilidad de datos (Abdel­Karim
et al., 2021). Ya existen algunas aplicaciones de ML en el ámbito del PPC, como por
ejemplo para la previsión de la demanda, la programación de pedidos o el
dimensionamiento de lotes.
Sin embargo, PPC­ML sigue siendo un campo de investigación comparativamente
nuevo con un interés cada vez mayor en los últimos años.
2.3 Trabajo relacionado
Hay una serie de investigaciones que se ocupan de manera más general de la
aplicación del ML en el ámbito de la fabricación, en las que el PPC se considera solo
marginalmente (Fahle et al., 2020; Panzer y Bender, 2021; Tao et al., 2018;
Waltersmann et al., 2021; Wuest et al., 2016). Otra serie de investigaciones se centra
en aplicaciones de ML en un subconjunto limitado de PPC (por ejemplo, programación
o predicción del tiempo de entrega). Burggraf et al. (2020) analizaron 42 publicaciones
sobre predicción del tiempo de entrega con respecto a los métodos y fuentes de
datos utilizados. Alemán et al. (2021) revisaron métodos de programación de
fabricación inteligente analizando 65 artículos sobre el tipo de programación, los
requisitos y los objetivos.
Al mismo tiempo, también existe una serie de artículos limitados a métodos de ML
específicos, como el aprendizaje profundo o el aprendizaje por refuerzo (RL) (Panzer
y Bender, 2021; Wang et al., 2018).
En este contexto, Koulinas et al. (2018) analizaron aplicaciones de RL a nivel de
problema de PPC e identificaron los métodos algorítmicos
usado. Además, también hay revisiones que analizan la aplicación de ML en PPC de
una manera más holística. Cadavid et al. (2019) examinan en su revisión sistemática
de ML en PPC qué actividades (limpieza de datos, extracción de características,
etc.), familias de técnicas y fuentes de datos se utilizan para realizar PPC­ML.
Cadavid et al. (2020) analizaron las aplicaciones PPC­ML en cuanto a sus
características de Industria 4.0 (I4.0) y las herramientas utilizadas. Sin embargo, sólo
se distinguen siete casos de uso generales, como control de calidad, planificación y
programación inteligentes o mantenimiento inteligente, sin relación con las tareas
estándar de PPC o
subtareas. Bueno et al. (2020) revisaron la planificación de la producción inteligente
en el contexto de I4.0. Capacidades de I4.0 proporcionadas a
Los PPC se identifican a nivel de tarea y se determinan los indicadores de desempeño
utilizados; Los métodos de ML son sólo marginalmente
consideró. La revisión sistemática de Kramer et al. (2021)
Machine Translated by Google
Konstantin Büttner et al. / Documentos de la IFAC en línea 55­10 (2022) 2629–2634
proporciona una descripción general de las aplicaciones prácticas de ML en PPC
a través del análisis de 45 publicaciones sobre diferentes casos de uso de PPC
basados en tareas del modelo de cadena de suministro de Hannover, identificando
“Planificar la producción” como el caso de uso más común. Además, se
analizaron los respectivos objetivos de negocio y de minería de datos.
Para resumir el trabajo relacionado, se puede concluir que no existe un análisis
holístico de las aplicaciones de ML en el dominio de PPC que considere hasta
qué punto se utiliza ML en las respectivas tareas o subtareas, y cuál fue la
motivación respectiva para la aplicación de ML.
3. METODOLOGÍA
Aplicamos un enfoque de investigación exploratoria, investigando los beneficios
potenciales del ML en PPC proporcionando una descripción general del tema de
investigación. La investigación se llevó a cabo en un proceso de tres etapas, que
consistió en adquisición de datos, filtrado de datos y análisis de datos. La Tabla
1 presenta el protocolo de investigación para permitir la reproducibilidad de la
adquisición de datos. Un análisis preliminar reveló varios artículos que solo
mencionan los términos "red neuronal artificial" o "aprendizaje profundo", pero
también se refieren a aplicaciones de ML en PPC. Por lo tanto, la cadena de
búsqueda se amplió en consecuencia.
Tabla 1. Resumen del protocolo de investigación
Criterios Descripción
Bases de datos Scopus, Web de la ciencia
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
Este estudio pretende ofrecer una visión general de la investigación en el
Dominio PPC­ML de la última década. Para considerar también los desarrollos
recientes, el período de la revisión se extiende a los años 2021 y 2022. La Tabla
2 contiene los criterios de inclusión utilizados en el segundo paso del proceso de
investigación.
Tabla 2. Criterios de inclusión
No. Criterios de inclusión
1 Producción en fábrica
2 producción discreta
3 Tareas centrales o transversales del modelo PPC de Aquisgrán en
el alcance (contratación excluida)
4 método ML aplicado
Para una mejor reproducibilidad, limitamos el alcance de la revisión a las tareas
centrales y transversales del modelo Aachen PPC.
Quedan excluidas las tareas de gestión de redes y cadenas de suministro, así
como las tareas de control de calidad y procesos. Además, los artículos de
revisión, encuestas y documentos conceptuales sin realizar experimentos se
excluyen del análisis para evitar duplicados y garantizar implementaciones de
ML al menos parciales o prototípicas. El último criterio de inclusión es el aplicado.
2631
método de solución. Sólo se incluyen artículos que realmente aplican ML en el
dominio PPC; Las metaheurísticas o hiperheurísticas no son
considerado como ML. El proceso de revisión que condujo a los 101 artículos
restantes se muestra en la Tabla 3.
Tabla 3. Proceso de revisión de la literatura
No. Descripción del paso Artículos restantes
1 Buscar artículos y eliminar duplicados 369
2 Leer título 227
3 Leer resumen 162
4 Leer introducción y conclusión 124*
5 Leer texto completo 101
*Se eliminaron 2 artículos de revisión previa de la revista, 4 artículos no son accesibles
Todos los artículos restantes se analizan en base a un formulario de extracción
de datos con respecto a las siguientes preguntas: (1) ¿Qué tareas y subtareas
de PPC están dentro del alcance del estudio? (2) ¿En qué medida se utiliza el
ML en la resolución de tareas? (3) ¿Cuál es la motivación para el uso de ML? (4)
¿Qué objetivos se persiguen en este artículo?
4. HALLAZGOS Y DISCUSIÓN
El proceso de investigación de tres etapas conduce al análisis de 101
artículos que tratan sobre PPC­ML. La Figura 2 muestra la distribución
cronológica de estos artículos. Esto indica claramente el creciente interés en los
últimos cuatro años en este campo de investigación.
Figura 2: Distribución cronológica de las publicaciones
4.1 Análisis de tareas y subtareas de PPC en el ámbito de las aplicaciones de
ML
Para responder a la primera pregunta de investigación, analizamos para qué
tareas y subtareas del modelo ML de Aachen PPC se utiliza.
La Figura 3 presenta la distribución de aplicaciones PPC­ML a nivel de tarea.
Indica claramente que el 65% del PPC­ML
Las aplicaciones están preocupadas por el PPC en la planta. La planificación de
las necesidades de producción ocupa el segundo lugar con 17 solicitudes (12%).
El tercero es la planificación de programas de producción con 11 solicitudes
(8%). La gestión de pedidos (cuatro aplicaciones), la gestión de inventarios (una
aplicación) y el control de PPC (una aplicación) están cubiertas sólo de forma
marginal. En 15 casos, la aplicación no se puede asignar a ninguna tarea del
modelo Aachen PPC. Por ejemplo, este es el caso cuando solo se menciona la
programación como tarea de PPC y no se proporciona ninguna descripción
adicional de la subtarea de programación cubierta. La diferencia entre el número
total de solicitudes (140) y el número de artículos analizados (101) se debe a
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
una aplicación. Además, en el caso de estimaciones variables sin mayor
especificación de la relación
subtarea, el caso respectivo siempre se asigna a todas las subtareas que
pueden usar la variable directamente.
Figura 3: Distribución de aplicaciones PPC­ML en el nivel de tarea de PPC
Cabe mencionar que, especialmente en el área de control de producción
(expedición, enrutamiento, etc.), es difícil clasificar algunos artículos en función
de las tareas y subtareas del modelo Aachen PPC. La razón de esto es que el
control de la producción solo se incluye en pequeña medida en el nivel de
subtareas del modelo PPC de Aquisgrán (Lödding, 2013). Para capturar estas
tareas en este análisis, asignamos las tareas de control (despacho, enrutamiento,
secuenciación de operaciones, etc.) a las subtareas del modelo Aachen PPC
sobre la base de la respectiva definición del problema o descripción del
experimento. En este proceso se contabilizan como planificación detallada de
recursos todas las aplicaciones de control de producción que asignan órdenes a
las máquinas.
Las tareas de despacho que seleccionan solo el siguiente pedido para una
máquina desde un buffer se consideran secuenciación de pedidos.
El bajo número de aplicaciones para subtareas de gestión de inventario puede
deberse al hecho de que estas tareas a menudo se consideran parte de otros
dominios, como la gestión de la cadena de suministro o la logística, y las
aplicaciones correspondientes se pueden encontrar en estos dominios. Se puede
concluir que la mayoría
Las aplicaciones se refieren a las tareas centrales a corto plazo del modelo PPC
de Aquisgrán.
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
25.01.2022
Figura 4: Distribución de aplicaciones PPC­ML en el nivel de subtarea de PPC
(solo se muestran subtareas con aplicación ML)
En la Figura 4, las aplicaciones PPC­ML analizadas se clasifican en el nivel de
subtarea de PPC. La planificación detallada de los recursos es la subtarea más
comúnmente abordada en este sentido, con 38
solicitudes, seguidas de una programación detallada con 24 solicitudes.
4.2 Grado de uso de ML en aplicaciones de PPC
En el primer análisis exploratorio, identificamos claramente diferentes
grados de uso de ML en diferentes aplicaciones de PPC. A
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.
El nivel 1a se refiere a estimaciones parciales de variables de entrada en las que
las variables estimadas no se utilizan directamente en una subtarea de PPC.
El nivel 1b se refiere a la estimación de una variable de entrada a gran escala
que se utiliza directamente para una subtarea de PPC. En el Nivel 2 y el Nivel 3,
una subtarea completa de PPC está dentro del alcance de la aplicación.
La diferencia entre estos dos niveles es que en el Nivel 3, la subtarea se asigna
completamente a ML, mientras que en el Nivel 2, ML se usa solo para una parte
de ella. Para el Nivel 4 y el Nivel 5, se aplica la misma lógica, pero está
relacionada con el nivel de tarea de PPC. Ambos niveles se refieren al
cumplimiento de una tarea PPC completa, mientras que en el nivel 4, solo una
parte de la tarea está cubierta por ML (pero al menos
más de una subtarea realizada por ML), y en el Nivel 5, toda la tarea se asigna
a ML.
completar la
tarea asignada a ML
tarea parcial
cubierta por ML
completar la
subtarea asignada a ML
subtarea parcial
predicción
cubierta por ML
de variables 4
3
2
1
La Tabla 4 presenta la distribución de los niveles de madurez de PPC­ML dentro
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
número casi igualmente grande de aplicaciones (63) que cubren
una subtarea completa de PPC. En 32 casos, la subtarea incluso está
completamente asignada a ML. De estos casos, nueve se refieren a la
planificación de ventas y nueve a la planificación detallada de recursos. Ninguna
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
mencionar que la planificación de ventas es, en teoría, también sólo la
determinación de una variable, pero la determinación de esta variable es, al
mismo tiempo, toda una subtarea; por lo tanto, los casos se asignan al Nivel
2 o al Nivel 3 según corresponda. Para una planificación detallada de los
recursos hay que tener en cuenta que, debido a la baja cobertura del control
de producción en el modelo PPC de Aquisgrán a nivel de subtareas, aquí se
incluyen muchas tareas reales de control de producción (p. ej., enrutamiento).
En rigor, estas aplicaciones no asumen toda la subtarea de planificación
detallada de recursos, ya que además de programar pedidos
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
son asumidas por completo por las aplicaciones analizadas.
Por lo tanto, estas tareas de control, completamente dentro del ámbito de una
aplicación (denominadas rutas, asignación de máquinas, etc.), también se
añaden al Nivel 2 o al Nivel 3.
Tabla 4. Distribución del grado de uso de ML en el nivel de subtarea de PPC
datos y alta dimensionalidad. La solución mencionada
Los requisitos son principalmente la necesidad de una resolución rápida de
problemas, una potencia computacional limitada y la necesidad de predicciones
más precisas. Desde una perspectiva empresarial, se menciona la reducción
del esfuerzo manual, la evitación de errores humanos, la menor necesidad de
dominio y conocimiento profundo del sistema (principalmente para evitar la
dependencia de humanos individuales) y la explotación de la información
disponible.
Análisis adecuado de las respectivas motivaciones en la tarea de PPC.
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.
4.4 Análisis de los objetivos de las aplicaciones PPC­ML
Para la medición de los objetivos perseguidos, consideramos indicadores
cuantitativos (KPI medidos) y cualitativos (intención mencionada). Con
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)

y Witten (2011)). La Figura 6 presenta la ocurrencia de objetivos logísticos y

Tarea PPC
planificación del programa
de producción
planificación de requisitos de
producción
detallada planificación de la producción en planta planificación detallada
de recursos y control
de minería de datos dentro de los 101 artículos analizados.
Subtarea PPC Nivel PPC­ML
El análisis revela que la precisión de la predicción es el objetivo de minería
1a 1b 2 3 4 5
de datos más abordado (en el 97% de los artículos), seguido por el tiempo de
planificación de 29
ventas planificación de requisitos primarios
ejecución/potencia de computación del modelo (44%) y la explicabilidad del
planificación aproximada de recursos modelo (4%). El uso de energía del modelo no se consideró en absoluto. La
determinación de las necesidades brutas de
clara diferencia en el resultado con respecto al tiempo de ejecución/potencia
producción secundaria
determinación de las necesidades netas de computación del modelo en comparación con el estudio de Kramer et al.
de producción secundaria
(2021) puede explicarse por su limitación a una medición cuantitativa. A
asignación de tipo de adquisición
menudo se mencionó el tiempo de cálculo limitado como parte de la
programación del plazo de 48 1
entrega cálculo de las necesidades de capacidad motivación, pero no siempre se midió mediante una métrica.
comparación y ajuste de capacidades
cálculo de
4
tamaños de lotes 32
programación 8 15 1
5 11 13 9
secuenciación de pedidos 156
verificación de 23
disponibilidad liberación de órdenes de 1222
producción procesamiento de ofertas

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
procesamiento de información
control de PPC derivando medidas
otro otro
suma
4.3 Motivación para el uso de ML en tareas de PPC
Para responder a la segunda pregunta de investigación, analizamos las
diferentes motivaciones del uso de ML mencionadas en los artículos revisados.
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
la incertidumbre del problema. Los problemas NP­difíciles, el comportamiento
no lineal y las restricciones múltiples se mencionan en el contexto de la
complejidad del problema. Los entornos dinámicos, la alta aleatoriedad y las
propiedades no deterministas se nombran en el contexto de la incertidumbre.
Las propiedades de los datos se refieren a datos complejos y no estructurados,
la dificultad de tratar con una multitud de
En cuanto a objetivos logísticos, el objetivo más perseguido es
1
cumplimiento de las fechas de entrega (26 veces), seguido de plazos de
852 entrega cortos (22 veces), inventarios bajos (19 veces) y alta utilización de la
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.
Con respecto a los tres objetivos empresariales –económico, ecológico y
social– identificamos que la mayoría de los artículos persiguen objetivos
económicos (88). Ecológico
Los objetivos (14) y los objetivos sociales (1) apenas se persiguen.
5. CONCLUSIÓN
En este estudio, exploramos el uso, la motivación y los objetivos de las
aplicaciones de ML en PPC. Por lo tanto, analizamos para qué
Las tareas y subtareas de PPC se aplican actualmente al ML y en qué grado.
Proponemos una escala con cinco niveles de madurez de PPC­ML para
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.
tarea (65% de las solicitudes). También se puede afirmar que casi la mitad de los
artículos del PPC­ML (48%) se refieren a la determinación de variables únicas y no
se encontró ninguna aplicación que cubriera
toda una tarea de PPC. Además, determinamos qué objetivos de minería de datos,
comerciales y logísticos se perseguían con las aplicaciones de ML, así como la
motivación para el uso de ML.
sí mismo. Sigue siendo una pregunta abierta cómo difieren las motivaciones para
el uso de ML entre las tareas y subtareas de PPC.
Las investigaciones futuras deben ampliar la evaluación del valor agregado para
las empresas mediante diferentes grados de uso de ML en PPC, considerando los
beneficios potenciales, los esfuerzos relacionados y los posibles riesgos a este
respecto. Qué criterios impactan la decisión de implementación de ML en PPC y
cómo estos criterios se relacionan con los niveles de madurez de PPC­ML son
preguntas interesantes a seguir.
REFERENCIAS
Abdel­Karim, BM, Pfeuffer, N. y Hinz, O. (2021). Aprendizaje automático en sistemas de
información: una revisión bibliográfica y temas de investigación abiertos.
Mercados electrónicos, 31 (3), 643–670. https://doi.org/10.1007/s12525­
021­00459­2
Alemão, D., Rocha, AD y Barata, J. (2021). Enfoques de programación de fabricación
inteligente: revisión sistemática y direcciones futuras.
Ciencias Aplicadas, 11 (5), 2186. https://doi.org/10.3390/app11052186
Bueno, A., Godinho Filho, M. y Frank, AG (2020). Planificación y control de la producción
inteligente en el contexto de la Industria 4.0: una revisión sistemática de la literatura.
Computadoras e Ingeniería Industrial, 149, 106774. https://doi.org/10.1016/
j.cie.2020.106774
Burggraf, P., Wagner, J., Koke, B. y Steinberg, F. (2020). Enfoques para la predicción de
tiempos de entrega en un entorno de ingeniería por pedido: una revisión sistemática.
Acceso IEEE, 8, 142434–142445. https://doi.org/10.1109/ACCESS.2020.3010050
Busert, T. y Fay, A. (2018). Dimensiones de la calidad de la información para identificar y
manejar la inexactitud y la incertidumbre en la planificación y el control de la
producción. En 2018, 23.ª Conferencia Internacional del IEEE sobre Tecnologías
Emergentes y Automatización de Fábricas (ETFA), 581–588. IEEE.
https://doi.org/10.1109/ETFA.2018.8502465
Cadavid, JPU [Juan Pablo Úsuga], Fortin, A., Grabot, B., Lamouri, S. y Pellerin, R. (2020).
Aprendizaje automático aplicado en la planificación y control de la producción: un
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
01531­7
Cadavid, JPU [John Paul Usuga], Lamouri, S., Grabot, B. y Fortin, A.
(2019). Aprendizaje automático en la planificación y el control de la producción: una
revisión de la literatura empírica. IFAC­PapersOnLine, 52 (13), 385–390. https://
doi.org/10.1016/j.ifacol.2019.11.155
Csáji, BC, Monostori, L. y Kádár, B. (2006). Aprendizaje reforzado en un sistema de control
de producción basado en el mercado distribuido. Informática de ingeniería avanzada,
20 (3), 279–288. https://doi.org/10.1016/
j.aei.2006.01.001
Eversheim, W., Kees, A., Mittendorf, M. y Wiendahl, H.­P. (Eds.) (2013).
Diccionario de PPS / Diccionario de PPC. Springer, Berlín, Heidelberg
Fahle, S., Prinz, C. y Kuhlenkötter, B. (2020). Revisión sistemática de métodos de
aprendizaje automático (ML) para procesos de fabricación –
Identificación de métodos de inteligencia artificial (IA) para aplicación en campo.
Procedía CIRP, 93, 413­418. https://doi.org/10.1016/j.procir
.2020.04.109
Gallego García, S., Rodríguez Reyes, R. y García García, M. (2018).
Diseño de un Modelo Conceptual para la Mejora del Desempeño de la Empresa
Basado en Lean Management Aplicando el Modelo de Sistema Viable (VSM).
Revista europea de ingeniería y ciencias formales, 2 (2), 49–63. https://doi.org/10.2478/
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
Conferencia sobre sistemas, hombre y cibernética (SMC), 2640–2647. IEEE. https://
doi.org/10.1109/SMC42975.2020.9282869
Gyulai, D., Pfeiffer, A., Bergmann, J. y Gallina, V. (2018). Predicción del tiempo de entrega
en línea que respalda el control de producción consciente de la situación. Procedia
CIRP, 78, 190­195. https://doi.org/10.1016/j.procir.2018.09.071
Jordan, MI y Mitchell, TM (2015). Aprendizaje automático: tendencias, perspectivas y
perspectivas. Ciencia, 349 (6245), 255–260. https://doi.org/10.1126/science.aaa8415
Kim, H., Lim, D.­E. y Lee, S. (2020). Programación dinámica basada en aprendizaje
profundo para la fabricación de semiconductores con alta incertidumbre sobre la
capacidad del sistema automatizado de manipulación de materiales. En 2020,
Transacciones IEEE sobre fabricación de semiconductores, 33 (1), 13­22. https://
doi.org/10.1109/TSM.2020.2965293
Koulinas, G., Xanthopoulos, A., Kiatipis, A. y Kolouriotis, D. (2018). Un resumen del uso de
estrategias de aprendizaje por refuerzo para tratar problemas de gestión de proyectos
y producción. En 2018, Decimotercera Conferencia Internacional sobre Gestión de la
Información Digital (ICDIM), 33­38. 10.1109/ICDIM.2018.8847099
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.
(ed), Actas de la Conferencia sobre Sistemas de Producción y Logística (CPSL 2021),
223­233. https://doi.org/10.15488/11296
Kuhn, M. y Kjell, J. (2013). Modelado predictivo aplicado. Springer, Nueva York, Nueva
York. https://doi.org/10.1007/978­1­4614­6849­3
Kuhnle, A., Röhrig, N. y Lanza, G. (2019). Envío autónomo de órdenes en la industria de
semiconductores mediante aprendizaje por refuerzo. Procedia CIRP, 79, 391–396.
https://doi.org/10.1016/j.procir.2019.02.101
Lödding, H. (2013). Manual de control de fabricación, 5­10. Springer, Berlín, Heidelberg.
https://doi.org/10.1007/978­3­642­24458­2
Manns, M., Wallis, R. y Deuse, J. (2015). Propuesta Automática de Planes de Trabajo de
Montaje con un Lenguaje Natural Controlado. Procedia CIRP, 33, 345–350. https://
doi.org/10.1016/j.procir.2015.06.079
Nguyen, S., Mei, Y., Xue, B. y Zhang, M. (2019). Un algoritmo de programación genética
híbrida para el diseño automatizado de reglas de envío.
27
Evolutivo (3), Computación, 467–496.
https://doi.org/10.1162/evco_a_00230
Panzer, M. y Bender, B. (2021). Aprendizaje por refuerzo profundo en sistemas de
producción: una revisión sistemática de la literatura. Revista internacional de
investigación de producción, 1–26. https://doi.org/10.1080/00207543.2021
.1973138
Samuel, AL (1959). Algunos estudios sobre aprendizaje automático utilizando el juego de
damas. IBM J. Res. Dev, 3 (3), 210­229. https://doi.org/
10.1147/rd.33.0210
Schuh, G. y Stich, V. (2012). Planificación y control de la producción 1, 30­73.
Springer, Berlín, Heidelberg. https://doi.org/10.1007/978­3­642­25423­9
Tao, F., Qi, Q., Liu, A. y Kusiak, A. (2018). Fabricación inteligente basada en datos. Revista
de sistemas de fabricación, 48, 157–169. https://doi.org/10.1016/j.jmsy.2018.01.006
Waltersmann, L., Kiemel, S., Stuhlsatz, J., Sauer, A. y Miehe, R. (2021).
Aplicaciones de inteligencia artificial para aumentar la eficiencia de los recursos en
las empresas manufactureras: una revisión completa. Sostenibilidad, 13
(12), 6689. https://doi.org/10.3390/su13126689
Wang, J., Ma, Y., Zhang, L., Gao, RX y Wu, D. (2018). Aprendizaje profundo para la
fabricación inteligente: métodos y aplicaciones. Revista de sistemas de fabricación,
48, 144­156. https://doi.org/10.1016/
j.jmsy.2018.01.003
Witten, IH, Frank, E., Hal, M. (2011). Minería de datos: herramientas y técnicas prácticas
de aprendizaje automático (3ª ed.). Burlington, MA.
Wuest, T., Weimer, D., Irgens, C. y Thoben, K.­D. (2016). Aprendizaje automático en la
fabricación: ventajas, desafíos y aplicaciones.
Investigación de producción y fabricación, 4 (1), 23–45. https://doi.org/
10.1080/21693277.2016.1192517
Zhou, Z.­H. (2021). Aprendizaje automático, 2. Springer, Singapur.
https://doi.org/10.1007/978­981­15­1967­3