INFOPLC++ MAGAZINE #27 | Hispack & BIEMH 2022: motion y analíticas para la intralogística y machinetool
Hispack y BIEMH vuelven tras cuatro años de parón. En la edición 27 del Magazine abordamos las analíticas en la machinetool y el protagonismo de la movilidad robótica en la intralogística, dos de las tecnologías que están llevando a la maquinaria y al sector del packaging un paso más allá.
Hispack y BIEMH vuelven tras cuatro años de parón. En la edición 27 del Magazine abordamos las analíticas en la machinetool y el protagonismo de la movilidad robótica en la intralogística, dos de las tecnologías que están llevando a la maquinaria y al sector del packaging un paso más allá.
- No tags were found...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
AUTOMATIZAR<br />
Fuente: International Federation of Robotics<br />
automatizar mayo-junio <strong>2022</strong><br />
48<br />
intercambiar equipos y cargar o intercambiar<br />
baterías. La p<strong>la</strong>taforma de AMR permite utilizar<br />
y compartir una amplia gama de recursos. Los<br />
procesos de toma de decisiones de p<strong>la</strong>nificación<br />
de ubicación, programación y despacho de estos<br />
recursos son esenciales <strong>para</strong> su utilización<br />
óptima y, por lo tanto, <strong>para</strong> un alto rendimiento<br />
de <strong>la</strong> productividad de AMR.<br />
Aunque <strong>la</strong> densidad energética de <strong>la</strong>s baterías<br />
está aumentando, aún es necesario decidir dónde<br />
ubicar <strong>la</strong>s estaciones de carga. Boysen et al.<br />
(2018) investigan <strong>la</strong> influencia de <strong>la</strong> capacidad<br />
de <strong>la</strong> batería, el número y <strong>la</strong> ubicación de <strong>la</strong>s<br />
estaciones de carga y los períodos de carga en<br />
el rendimiento de los tiempos de carga. Proponen<br />
un algoritmo genético y experimentos<br />
computacionales <strong>para</strong> identificar <strong>la</strong>s ubicaciones<br />
de carga óptimas en <strong>la</strong>s terminales. La<br />
simu<strong>la</strong>ción de Kabir y Suzuki (2019) reve<strong>la</strong> que<br />
una mayor frecuencia de toma de decisiones<br />
sobre el cambio de batería ayuda a aumentar <strong>la</strong><br />
productividad de un sistema de fabricación. De<br />
Ryck et al. (2020) proponen un enfoque de carga<br />
descentralizado en el que un AMR puede elegir<br />
de forma independiente cuándo visitar una estación<br />
de carga. Investigan diferentes esquemas<br />
de carga y opciones de estaciones de carga <strong>para</strong><br />
aumentar <strong>la</strong> eficiencia de los recursos.<br />
En un futuro próximo, <strong>la</strong> gestión eficiente de<br />
los recursos jugará un papel más importante<br />
en <strong>la</strong> p<strong>la</strong>nificación y control de los AMRS. La<br />
descentralización total de <strong>la</strong> gestión de recursos<br />
sin ningún tipo de coordinación, conducirá a<br />
resultados subóptimos a nivel del sistema. Iterar<br />
<strong>la</strong>s decisiones de optimización descentralizadas<br />
<strong>para</strong> todos los AMR y compartir los resultados<br />
entre varias unidades es esencial <strong>para</strong> lograr un<br />
óptimo casi global.<br />
#5 - PROGRAMACIÓN<br />
En este ámbito se han impulsado enfoques de<br />
optimización y mode<strong>la</strong>do matemático <strong>para</strong><br />
resolver problemas de programación, principalmente<br />
en <strong>la</strong> fabricación, ya que <strong>la</strong> cantidad<br />
y el tipo de tareas suelen ser más altas que en<br />
un almacén.<br />
Mode<strong>la</strong>do matemático <strong>para</strong> <strong>la</strong> programación<br />
de actividades de transporte. Se ha<br />
estudiado <strong>la</strong> programación de ‘solo’ vehículos<br />
analizando el impacto en el rendimiento del<br />
sistema de fabricación. Pocos artículos se han<br />
centrado en <strong>la</strong>s terminales de contenedores y el<br />
almacenamiento, ya que <strong>la</strong> resolución de problemas<br />
de despacho parece ser predominante<br />
en estas áreas de aplicación. En los sistemas<br />
de fabricación, se han utilizado métodos de<br />
descomposición (Corréa et al., 2007) y modelos<br />
matemáticos y estadísticos (Ghasemzadeh et al.,<br />
2009). Otros autores han estudiado el impacto<br />
en los tiempos de ejecución, <strong>la</strong>s desviaciones del<br />
tiempo del ciclo y <strong>la</strong> anticipación y <strong>la</strong> tardanza<br />
del vehículo (Fazlol<strong>la</strong>htabar et al., 2015; Bakshi<br />
et al., 2019).<br />
Métodos <strong>para</strong> <strong>la</strong> programación conjunta<br />
de vehículos y máquinas. La programación<br />
simultánea de trabajos en centros de máquinas<br />
y vehículos es relevante <strong>para</strong> obtener una alta<br />
eficiencia global en el sistema de fabricación.<br />
Los objetivos principales son minimizar los<br />
tiempos de producción, los tiempos de espera<br />
y los costes de transporte. Debido a <strong>la</strong> complejidad<br />
del problema, se aplican principalmente<br />
heurísticas generales, algoritmos de descomposición,<br />
algoritmos genéticos adaptativos o<br />
meméticos y enfoques de recocido simu<strong>la</strong>do<br />
(Jerald et al., 2006; Deroussi et al., 2008; Nishi<br />
et al., 2011; Lacomme et al., 2013; Zheng et al.,<br />
2014; Baruwa, 2016; Lei et al., 2019).<br />
Métodos basados en IA <strong>para</strong> objetivos múltiples<br />
o problemas de restricciones. Debido<br />
a los avances en el poder computacional y <strong>la</strong><br />
aplicación de técnicas de IA, el uso de modelos<br />
de programación con múltiples objetivos<br />
o con restricciones se ha vuelto más factible,