Sistema para la Reprogramación Dinámica de Producción bajo eventos inesperados
Número
Sección
Publicado
31-12-2025
Resumen
Este trabajo propone un Modelo de Programación Lineal Mixta (MILP) para abordar el problema de reprogramación de producción en un sistema de manufactura tipo taller de trabajo sujeto a eventos inesperados, con el objetivo de minimizar costes de producción y cambios de programación. Inicialmente, se calcula un plan de producción óptimo asignando lotes a máquinas. Posteriormente, se ejecuta una reprogramación dinámica en respuesta a eventos como averías o escasez de materias primas. En caso de avería de máquina, se fijan partes del plan para que permanezcan inalteradas durante la reprogramación, asegurando que la producción de productos ya en curso no se vea afectada. En caso de escasez de materia prima, se incorpora la opción de diferir lotes de producción o realizar compras urgentes de material para evitar retrasos significativos, adaptando así el plan al estado actual del taller mediante un algoritmo de enfoque iterativo y reactivo. Los resultados muestran que la reprogramación encuentra una solución eficiente que se ajusta a las nuevas condiciones, minimizando cambios respecto al plan inicial en un tiempo computacional aceptable.
Palabras clave:
eventos inesperados, MILP, optimización, Programación de Producción, reprogramación
Agencias de apoyo
NoReferencias
Araúzo, J. A., Olmo, R. D., & Laviós, J. J. (2013). Subasta combinatoria para la programación dinámica en sistemas de fabricación distribuidos. Dirección y Organización, 51, 55-64. https://doi.org/10.37610/dyo.v0i51.438
Chase, R. B., & Aquilano, N. J. (1994). Dirección y administración de la producción y las operaciones. Adison-Wesley Iberoamericana.
Chen, J., Wang, H., & Zhong, R. Y. (2021). A supply chain disruption recovery strategy considering product change under COVID-19. Journal of Manufacturing Systems, 60, 920-927. https://doi.org/10.1016/j.jmsy.2021.04.004
Dhingra, J. S., Musser, K. L., & Blankenship, G. L. (1992). Realtime operations scheduling for flexible manufacturing systems. In Proceedings of the 24th Conference on Winter Simulation, (págs. 849-855). https//doi.org/10.1145/167293.16774
Dutta, A. (1990). Reacting to scheduling exceptions in FMS environments. IIE transactions, 22, 300-314. https://doi.org/10.1080/07408179008964185
Fang, J., & Xi, Y. (1997). A rolling horizon job shop rescheduling strategy in the dynamic environment. The International Journal of Advanced Manufacturing Technology, 13, 227–232. https://doi.org/10.1007/bf01305874
Figueroa, A. J., Poler, R., & Andres, B. (2024). Adaptive Production Rescheduling System for Managing Unforeseen Disruptions. Mathematics, 12(22), 3478. https://doi.org/10.3390/math12223478
Janak, S. L., Floudas, C. A., Kallrath, J., & Vormbrock, N. (2006, 28 de Mayo). Production scheduling of a large-scale industrial batch plant. II. Reactive scheduling. Industrial & engineering chemistry research, 45, 8253-8269. https://doi.org/10.1021/ie0600590
Jiménez, J., González-Neira, E., & Zambrano-Rey, G. (2018). An adaptive genetic algorithm for a dynamic. Management Science Letters, 8, 1117-1132. https://doi.org/10.5267/j.msl.2018.8.011
Karas, A., & Ozcelik, F. (2021). Assembly line worker assignment and rebalancing problem: A mathematical model and an artificial bee colony algorithm. Computers & Industrial Engineering, 156, 156. https://doi.org/10.1016/j.cie.2021.107195
Liu, W., Jin, Y., & Price, M. (2018). New meta-heuristic for dynamic scheduling in permutation flowshop with new order arrival. The International Journal of Advanced Manufacturing Technology, 98, 1817-1830. https://doi.org/10.1007/s00170-018-2171-y
Rahman, H., Sarker, R., & Essan, D. (2018). Multiple-order permutation flow shop scheduling under process interruptions. The International Journal of Advanced Manufacturing Technology, 97, 2781-2808. https://doi.org/10.1007/s00170-018-2146-z
Reddy, M. S., Ratnam, C., Rajyalakshmi, G., & Manupati, V. K. (2018). An effective hybrid multi objective evolutionary algorithm for solving real time event in flexible job shop scheduling problem. Measurement, 114, 78-90. https://doi.org/10.1016/j.measurement.2017.09.022
Shafaei, R., & Brunn, P. (1999). Workshop scheduling using practical (inaccurate) data Part 2: An investigation of the robustness of scheduling rules in a dynamic and stochastic environment. International Journal of Production Research, 37, 4105-4117. https://doi.org/10.1080/002075499189682
Shen, X. N., & Yao, X. (2015). Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems. Information Sciences, 298, 198-224. https://doi.org/10.1016/j.ins.2014.11.036
Takeda-Berger, S. L., Agostino, Í. R., da Silva, M. R., & Frazzon, E. M. (2022). Reactive production scheduling approach based on inventory availability. IFAC-PapersOnLine, 55, 418-423. https://doi.org/10.1016/j.ifacol.2022.09.429
Tliba, K., Diallo, T. M., Peñas, O., Ben Khalifa, R., Ben Yahia, N., & Choley, J.-Y. (2023). Digital twin-driven dynamic scheduling of a hybrid flow shop. Journal of Intelligent Manufacturing, 34, 2281-2306.
Valledor, P., Gómez, A., Priore, P., & Puente, J. (2018). Solving multi-objective rescheduling problems in dynamic permutation flow shop environments. International Journal of Production, 56, 6363-6377. https://doi.org/10.1080/00207543.2018.1468095
Vieira, G. E., Herrmann, J. W., & Lin, E. (2003). Rescheduling manufacturing systems: a framework of strategies, policies, and methods. Journal of Scheduling, 6, 39-62.
Wang, L., Hu, X., Wang, Y., Xu, S., Ma, S., Yang, K., & Wang, W. (2021). Dynamic job-shop scheduling in smart manufacturing using deep reinforcement learning. Computer Networks, 190. https://doi.org/10.1016/j.comnet.2021.107969
Licencia
Derechos de autor 2025 Andy J. Figueroa, Raul Poler, Beatriz Andres
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Esta obra se encuentra bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.