INFOPLC++ MAGAZINE #27 | Hispack & BIEMH 2022: motion y analíticas para la intralogística y machinetool

AUTOMATIZAR
Fuente: International Federation of Robotics
automatizar mayo-junio 2022
48
intercambiar equipos y cargar o intercambiar
baterías. La plataforma de AMR permite utilizar
y compartir una amplia gama de recursos. Los
procesos de toma de decisiones de planificación
de ubicación, programación y despacho de estos
recursos son esenciales para su utilización
óptima y, por lo tanto, para un alto rendimiento
de la productividad de AMR.
Aunque la densidad energética de las baterías
está aumentando, aún es necesario decidir dónde
ubicar las estaciones de carga. Boysen et al.
(2018) investigan la influencia de la capacidad
de la batería, el número y la ubicación de las
estaciones de carga y los períodos de carga en
el rendimiento de los tiempos de carga. Proponen
un algoritmo genético y experimentos
computacionales para identificar las ubicaciones
de carga óptimas en las terminales. La
simulación de Kabir y Suzuki (2019) revela que
una mayor frecuencia de toma de decisiones
sobre el cambio de batería ayuda a aumentar la
productividad de un sistema de fabricación. De
Ryck et al. (2020) proponen un enfoque de carga
descentralizado en el que un AMR puede elegir
de forma independiente cuándo visitar una estación
de carga. Investigan diferentes esquemas
de carga y opciones de estaciones de carga para
aumentar la eficiencia de los recursos.
En un futuro próximo, la gestión eficiente de
los recursos jugará un papel más importante
en la planificación y control de los AMRS. La
descentralización total de la gestión de recursos
sin ningún tipo de coordinación, conducirá a
resultados subóptimos a nivel del sistema. Iterar
las decisiones de optimización descentralizadas
para todos los AMR y compartir los resultados
entre varias unidades es esencial para lograr un
óptimo casi global.
#5 - PROGRAMACIÓN
En este ámbito se han impulsado enfoques de
optimización y modelado matemático para
resolver problemas de programación, principalmente
en la fabricación, ya que la cantidad
y el tipo de tareas suelen ser más altas que en
un almacén.
Modelado matemático para la programación
de actividades de transporte. Se ha
estudiado la programación de ‘solo’ vehículos
analizando el impacto en el rendimiento del
sistema de fabricación. Pocos artículos se han
centrado en las terminales de contenedores y el
almacenamiento, ya que la resolución de problemas
de despacho parece ser predominante
en estas áreas de aplicación. En los sistemas
de fabricación, se han utilizado métodos de
descomposición (Corréa et al., 2007) y modelos
matemáticos y estadísticos (Ghasemzadeh et al.,
2009). Otros autores han estudiado el impacto
en los tiempos de ejecución, las desviaciones del
tiempo del ciclo y la anticipación y la tardanza
del vehículo (Fazlollahtabar et al., 2015; Bakshi
et al., 2019).
Métodos para la programación conjunta
de vehículos y máquinas. La programación
simultánea de trabajos en centros de máquinas
y vehículos es relevante para obtener una alta
eficiencia global en el sistema de fabricación.
Los objetivos principales son minimizar los
tiempos de producción, los tiempos de espera
y los costes de transporte. Debido a la complejidad
del problema, se aplican principalmente
heurísticas generales, algoritmos de descomposición,
algoritmos genéticos adaptativos o
meméticos y enfoques de recocido simulado
(Jerald et al., 2006; Deroussi et al., 2008; Nishi
et al., 2011; Lacomme et al., 2013; Zheng et al.,
2014; Baruwa, 2016; Lei et al., 2019).
Métodos basados ​en IA para objetivos múltiples
o problemas de restricciones. Debido
a los avances en el poder computacional y la
aplicación de técnicas de IA, el uso de modelos
de programación con múltiples objetivos
o con restricciones se ha vuelto más factible,