Propuesta de un modelo de optimización de la producción de polines para la empresa MAF

Abstract

El presente informe abordó el tratamiento de problemas de programación de operaciones en ambientes Job-Shop y propuso un modelo de optimización para la empresa MAF. A partir de la revisión de la literatura, se pudo constatar la escasez de enfoques específicos para este tipo de problemas, lo que lleva a la adopción de heurísticas y metaheurísticas como alternativas viables. Para la problemática abordada se optó por simplificar el modelo, apuntando a uno más general que represente el funcionamiento de la empresa, además de buscar la simplicidad de este para facilitar su aplicación para el encargado de la planificación. El diagnóstico realizado en la empresa MAF fue fundamental para comprender los procesos productivos y los recursos involucrados en cada etapa. Esta información se convirtió en la base sólida para la construcción del modelo de optimización propuesto. La importancia de llevar a cabo un diagnóstico exhaustivo previo a la modelación se reafirma como una actividad crucial en cualquier iniciativa de mejora y optimización. Si bien las variables del modelo se determinaron gracias a la definición de la problemática a tratar, al igual que la función objetivo, gracias al diagnóstico se logró determinar los supuestos, las restricciones del modelo, además de definir los parámetros, identificando a la demanda, el tiempo de procesamiento y el ponderador que fue calculado a partir del porcentaje que cada uno de los trabajos aporta a la utilidad total de la empresa, buscando producir primero el trabajo que genere un mayor aporte. Al momento de definir las restricciones se consideró lo encontrado en la literatura sobre los procesos tipo Job-Shop y la asignación de trabajos, utilizando variables binarias para determinar cuando una máquina se encuentra en funcionamiento y cuando un trabajo está siendo producido, pudiendo modelar la precedencia de los trabajos en las máquinas, puesto que no todos los trabajos pasan por las mismas las máquinas. Al momento de correr modelo, el cual fue programado en Pyomo utilizando Python, se presentaron dificultades asociadas al tiempo de procesamiento, por lo que se tomaron 8 trabajos tanto de estaciones como de rodillos por separado, puesto que no comparten máquinas en sus procesos productivos, pudiendo producirse de forma paralela ambos productos. Esta cantidad de trabajos permiten al programa planificar la producción considerando un tiempo de procesamiento computacional aceptable de aproximadamente 30 segundos. Si bien el modelo de optimización desarrollado no arrojó mejoras significativas en cuanto al tiempo de procesamiento, se identificó su utilidad como guía para la secuencia de procesamiento por maquinaria, además de ayudar a determinar en qué orden producir los diferentes trabajos, puesto que actualmente la empresa no cuenta con una regla que defina en que orden producir, generando una producción por goteo. Esto implica que el modelo puede proporcionar pautas y recomendaciones valiosas para optimizar la asignación de tareas en el proceso productivo de la empresa. A partir del análisis y las conclusiones obtenidas, se proponen potenciales trabajos futuros con el propósito de mejorar el rendimiento del modelo propuesto. Una opción sería aplicar heurísticas o metaheurísticas, ya que estas técnicas no solo reducen la carga computacional, sino que también ofrecen resultados cercanos al óptimo. Además, sería interesante reconsiderar el modelo actual mediante la inclusión de procesos en paralelo. Por otro lado, se podría evaluar el uso de Machine Learning para la optimización de los procesos.