OPTIMIZACIN EN PROCESOS INDUSTRIALES

OPTIMIZACIN EN PROCESOS INDUSTRIALES

OPTIMIZACION EN PROCESOS INDUSTRIALES

I. INTRODUCCIONGran parte de los procesos industriales automatizados existentes hoy en da disponen de sistemas de almacenamiento de la informacin que se genera en los mismos. Esta informacin, habitualmente, est formada por series temporales que se corresponden con medidas continuas o discretas que siguen un orden no aleatorio y que son capturadas con una frecuencia de muestreo constante dentro de un periodo cronolgico relativamente largo. Estas medidas pueden obtenerse de forma automtica a partir de sensores que indican el estado de algn dispositivo a lo largo del tiempo (temperaturas, presiones, si un botn se ha 1971pulsado, alarmas, etc.), o son introducidos manualmente por algn operario (resultado de un ensayo de calidad, aspecto visual, etc.) o son valores de consigna de actuadores u otros dispositivos (apertura de una electrovlvula, activacin de un motor o cilindro neumtico, valores objetivos de parmetros a controlar, etc.).Adems de este tipo de parmetros, tambin nos podemos encontrar con variables que son constantes durante ciertos intervalos de tiempos (fecha de fabricacin, producto que se est fabricando o transformando en ese momento, calidad esperada, espesor o anchura del material que se est tratando, operario que est trabajando en ese turno, etc.). Muchas veces, este ltimo tipo de variables no estn almacenadas como series temporales aunque pueden ser fcilmente convertibles en ellas. El problema es que, la mayora de las veces, se dispone de esta informacin de una forma completa o parcial pero no se sabe qu hacer con ella. Cientos de empresas almacenan en bases de datos lo que ocurre en sus procesos industriales pero se encuentran con la dificultad de poder adquirir conocimiento de la informacin almacenada en las mismas.

II. MARCO TEORICO1. Definicin de optimizacin: La optimizacin de software busca adaptar los programas informticos para que realicen sus tareas de la forma ms eficiente posible. Virtualmente, existen infinitas maneras de desarrollar una misma aplicacin, y uno de los factores ms influyentes a la hora de crear el diseo es la arquitectura de hardware con la cual se desea trabajar. En pocas palabras, conseguir el mejor rendimiento en una plataforma enfocada en el tipo y la cantidad memoria es muy diferente a hacerlo en una cuyo fuerte es la velocidad de los procesadores

2. Optimizacin de Procesos: Partamos del hecho que ya tenemos nuestra mquina o lnea de produccin al tope, es decir, ya no hay logstica alguna que me permita aumentar la produccin, que hacer en ese caso si se quiere aumentar la produccin, la respuesta ms inmediata sera aumentar la capacidad de la planta incorporando ms mquinas, pero esto trae ciertas consecuencias inmediatas, costos, adquisicin de divisas, aumento de personal, distribucin del espacio, consumo energtico, en fin se generan una serie de eventos que no son muy sencillos de manejar y en muchos casos imposibles de realizar, pero por qu no aumentar los nmeros con la capacidad y parque de mquinas ya instaladas, es ac donde nosotros aplicamos una OPTIMIZACIN DEL PROCESO donde estudiamos el proceso con todos los detalles involucrados y diagnosticamos de forma determinstica o estocstica si es posible o no la mejora porcentual de la produccin.

Nuestro estudio viene acompaado de un coeficiente, un nmero porcentual que permite al cliente evaluar la inversin de y verificar su tasa de retorno pudiendo as tomar la decisin de realizar dicha optimizacin.

Hasta los momentos hemos logrado alcanzar hasta un coeficiente k = 1,4, lo que significa un aumento del 40% sobre la produccin con la misma mquina y personal.

Mquinas y procesos donde se han optimizado los algoritmos de funcionamiento:

Moldeo de Poliestireno Expandible (EPS) Corte de Poliestireno Expandible (EPS) Fabricacin de TermoPaneles (EPS) Estampadoras de Cielo Raso. Inyeccin de plstico3. Planificacin de la Produccin: La planificacin de la produccin en plantas de proceso es uno de los problemas ms complejos e importantes para una amplia variedad de procesos industriales.

Para el caso de plantas de proceso discontinuo el problema en planificar la produccin sobre un horizonte de planificacin discreto Este tipo de la produccin sobre un horizonte de planificacin discreto. Este tipo de problemas se conocen en la literatura como problemas DLSP (Discrete Lot Sizing and Scheduling Problems).

En el caso ms sencillo, un productor fabrica un artculo cuya demanda nvara en el tiempo, de acuerdo con el grfico de la figura, donde el tiempo pueden ser horas, das, semanas e incluso meses

Para asegurar que la demanda es convenientemente atendida en cada periodo, el productor tiene en general dos alternativas: 1. Produccin variable: El fabricante puede producir en cada periodo el nmero exacto de unidades que le solicitan. Sin embargo, produccin que vara en el tiempo es costosa de mantener debido a los costes asociados a los horarios ms largos (horas extra) en los periodos de produccin alta y los costes asociados al paro del personal y la maquinaria en los periodos de produccin baja. Adems, podra ser ms eficiente producir stock extra en los periodos con coste de produccin ms bajo.

2. Produccin constante: Dado que la demanda en cada periodo puede satisfacerse bien a partir de la produccin en dicho periodo o bien a partir del stock almacenado, el fabricante puede producir por encima de la demanda en periodos de baja demanda y almacenar la sobreproduccin para satisfacer la demanda los periodos de demanda mayor. As, la produccin puede mantenerse constante. Sin embargo, tal opcin puede no ser deseable si los costes de almacenamiento del stock extra son demasiado altos.

4. Cmo utilizar la informacin procedente de los procesos industriales para obtener conocimiento que nos ayude a mejorarlos Aunque la mayora de las tcnicas de minera de datos (Martnez de Pisn et al., 2002) permiten extraer conocimiento a partir de los modelos creados. La aplicacin a las series temporales es un poco ms complicada.Generalmente, es necesario realizar un alto preprocesado de la informacin para poder extraer patrones de comportamiento dentro de la informacin a procesar y despus poder buscar conocimiento til a partir de estos patrones. Este proceso suele necesitar muchos recursos humanos y materiales tanto en la recopilacin de la informacin, como en el tratamiento posterior. Primeramente, hay que realizar una preseleccin de variables, eliminando aquellas que sean redundantes o que no aporten nada til. Despus es necesario filtrar, recomponer, eliminar espurios, transformar la informacin, etc.; tareas todas stas tpicas de las primeras fases de la MD. Tambin es necesario reducir la dimensin como por ejemplo, convirtiendo las series temporales en series de patrones identificables, identificando puntos importantes (mximos, mnimos, etc.) o mediante otros tipos de transformaciones (Adamo, 2001).Una vez se dispone de la informacin ms manejable, se pueden aplicar mltiples tcnicas de MD y EM para:A. Identificar puntos de operacin errneos, zonas de peligro, etc. En estos casos es muy til el uso de proyectores multidimensionales, anlisis de componentes principales, anlisis factorial, redes SOM, etc. En (Martnez de Pisn et al., 2006) y (Martnez-de-Pisn et al., 2007) mostramos casos de aplicacin de estas tcnicas. 1972 La idea fundamental consiste en proyectar en 2 dimensiones el punto de operacin correspondiente al proceso industrial a estudiar y detectar las zonas del mapa 2D relativas a fallos en el proceso o prdida de calidad del producto.Es decir, dadas N variables del proceso, los ms independientes posibles y ya previamente preprocesadas, el objetivo consiste en proyectar el punto N-Dimensionalcorrespondiente con cada observacin o instancia de la base de datos correspondiente a un instante t, en un punto del mapa bidimensional o tridimensional (que puede ser observado).Una vez identificadas las zonas de rgimen permanente, de arranques y paradas, de fallos o deteccin de defectos, se pueden desarrollar modelos de control o alarmas. Por ejemplo, en la Figura 1 se muestra la zona de buenos arranques (circulo de puntos) dentro de una proyeccin PCA de los puntos de operacin de un proceso de arranque de extrusin de gomas (Martnez-de-Pisn et al., 2007). En este caso, podemos visualizar cules han sido arranques defectuosos y cuales los correctos

B. Desarrollar modelos de prediccin de una o varias variables. Muy tiles son las tcnicas de regresin lineal o no lineal, redes neuronales, mquinas de vectores soporte, rboles de regresin, etc. (Martnez-de-Pisn, 2003). En este caso, el objetivo principal es el de determinar el valor probable de una variable frente a las dems, con el objetivo 1973 de efectuar un control predictivo que detecte los posibles problemas antes de que se produzcan. En este caso, nos encontramos frente a problemas clsicos de control con modelos previamente desarrollados. Tambin, estos modelos pueden ser estudiados para buscar conocimiento que expliquen el comportamiento de las variables objetivo frente a las otras.En la Figura 2 se muestra un modelo basado en redes neuronales que permita determinar la temperatura de una bobina a la salida del horno segn unas variables de entrada: velocidad, temperatura del horno, caractersticas de la bobina, etc. Este modelo fue utilizado junto a otros modelos (basados en redes neuronales y que simulaban el comportamiento del horno) para desarrollar un sistema de control de temperatura de una planta de galvanizado en continuo de bobinas de acero. Los modelos fueron optimizados mediante algoritmos genticos para ajustar con gran precisin las transiciones entre bobinas (ver (Martnez-de-Pisn, 2003) y (Martnez-de-Pisn et al., 2007) para ms informacin).

C. Bsqueda de conocimiento oculto que explique ciertos casos errneos o grupos de familias de casos. En este tipo de problemas son de gran utilidad las tcnicas basadas en rboles de decisin, reglas de asociacin, reglas de decisin, redes bayesianas, etc. Aunque cualquier tcnica que permita desarrollar clasificadores puede ser igualmente vlida. En (Martnez-de-Pisn et al., 2007b) se muestra cmo es posible identificar, mediante rboles de decisin, las variables y los valores de las mismas que 1974 pueden afectar a la calidad del producto de un proceso industrial compuesto por cientos de variables (ver Figura 3). La ventaja de los rboles de decisin, es que pueden trabajar con gran cantidad de variables y pocos casos. Esto suele ser muy comn cuando se tratan bases de datos con pocos casos anmalos y gran cantidad de variables, tpico de los procesos industriales. En estos casos, los rboles buscan las variables y los valores de corte que mejor discriminan los grupos a clasificar.

5. Optimizacin de procesos productivosLa fabricacin moderna no se puede concebir como la exclusiva manufacturacin tcnica de un producto cualquiera. La organizacin y elaboracin de una planificacin de produccin meditada y estudiada se presenta esencial en un sector como la automocin, ms an en la coyuntura de mercado actual. En la presente entrada del blog trataremos de introducir los aspectos ms relevantes que componen la optimizacin de los procesos productivos.

Por qu es trascendental la optimizacin de procesos? La competitividad de nuestros procesos debe ser el objetivo principal a conseguir y para ello es necesario el control y la consideracin de aspectos clave que nos permitan alcanzar una planificacin ajustada a la produccin. La produccin ajustada nos debe permitir la utilizacin eficiente de los recursos reduciendo tiempos de preparacin, minimizando errores, eliminando tiempos de espera logrando un flujo continuo en la lnea, minimizando los transportes internos y evitando retrasos. Otro de los aspectos relevantes es la reduccin de stock. Cabe destacar que la acumulacin de inventarios supone un coste notable en la contabilidad de las empresas y conseguir aprovisionar lo que se va a manufacturar sin que ello suponga retrasos en la lnea de produccin es sin duda uno de los grandes retos.

En Ingeinnova Automotive somos conscientes de la importancia de optimizar los procesos productivos. Una de las principales herramientas utilizadas en Ingeinnova para llevar a cabo la optimizacin de los procesos productivos es Plant Simulation.

Plant Simulation es un software de Siemens que permite modelar, simular, visualizar y optimizar los sistemas productivos, flujo de materiales y operaciones logsticas. Es decir, mediante la simulacin de los procesos productivos permite optimizar los aspectos clave previamente mencionados antes de la puesta en marcha.

Plant Simulation permite introducir todas las caractersticas de la lnea de produccin a simular mediante campos especficos como por ejemplo el tiempo de proceso, tiempo de preparacin, tiempo de recuperacin o tiempo de ciclo en cada una de las estaciones de trabajo. Tambin permite visualizar mediante grficos la evolucin de cualquiera de las variables que componen el proceso como se indica en la siguiente figura.

El abanico de opciones que nos ofrece el software es lo suficientemente amplio como para representar la lnea de produccin con la precisin necesaria y de esta forma reducir costos de inversin sin que peligren las cantidades de produccin requeridas y crear indicadores de desempeo clave matemticamente calculados

III. CONCLUSIONOptimizar un proceso implica en primer lugar poseer el conocimiento total del mismo, es decir, se necesita poseer toda la informacin relativa de las operaciones realizadas en forma sistemtica.Solamente conociendo el proceso en su totalidad se puede proceder al Anlisis del mismo y de las Operaciones para su mejoramientoIV. BIBLIOGRAFIA http://www.researchgate.net/publication/244053884_OPTIMIZACIN_DE_PROCESOS_INDUSTRIALES_PODEMOS_APRENDER_DE_LA_INFORMACIN_CAPTURADA_A_LO_LARGO_DEL_TIEMPO http://blog.ingeinnova.com/2011/11/optimizacion-de-procesos-productivos/

PLANEAMIENTO Y OPTIMIZACIN DE LA PRODUCCINPGINA 7