Maderas. Ciencia y tecnologaISSN0718-221Xversin on-lineMaderas, Cienc. tecnol.v.3n.1-2Concepcin2001

Como citar este artculoMaderas. Ciencia y tecnologa. 3(1-2):52-62, 2001

NOTA TCNICA

USO DE INTELIGENCIA ARTIFICIAL PARA LA OPTIMIZACIN DE UN MODELO DE SIMULACIN APLICADO A UN PROCESO DE REMANUFACTURA DE PINO RADIATA. THE USE OF ARTIFICIAL INTELIGENCE FOR THE OPTIMIZATION OF A SIMULATION MODEL APPLIED TO A RADIATA PINE MANUFACTURING PROCESSMilton Moraga Rebolledo1, Felipe Baesler Abufarde.2 1Ingeniero Civil Industrial. Departamento de Ingeniera Industrial; Facultad de Ingeniera, Universidad del Bo-Bo,Concepcin, Chile 2Ph.D. Departamento de Ingeniera Industrial; Facultad de Ingeniera, Universidad del Bo-Bo,Concepcin, Chile.

Autor para correspondencia: fbaesler@ubio.cl

RESUMEN Este artculo tiene por objetivo presentar los resultados obtenidos al aplicar una metodologa de optimizacin en simulacin, a un proceso de remanufactura de pino radiata (Pinus radiata), de una conocida planta maderera regional. Para este efecto se utiliz un modelo de simulacin construido en el paquete de simulacin ARENA, integrado con una heurstica de algoritmos genticos. Los resultados obtenidos al aplicar la metodologa demuestran que utilizando una configuracin diferente de recursos en la empresa, es posible reducir el tiempo promedio de permanencia de los productos dentro del sistema, en aproximadamente un 18%. La configuracin necesaria para lograr este resultado se obtuvo evaluando solamente un 1.6% de todas las combinaciones posibles. Palabras clave: Simulacin, Optimizacin, Algoritmos Genticos, Remanufactura Maderas. Pino radiata

ABSTRACT The objective of this article is to present the results obtained after using a simulation optimization methodology applied to a remanufacturing radiata pine (Pinus radiata) process of one of the production lines of a well known regional lumber industry. For this reason a simulation model constructed in a simulation software called ARENA, was integrated to a genetic algorithms heuristic. The results obtained show that using a different configuration of the plant resources it is possible to reduce the total average time that the products remains in the system in approximately 18%. The configuration that is needed to reach this result was obtained evaluating just 1.6% of the total number of possible combinations. Keywords: Simulation, Optimization, Genetic Algorithms, Wood Remanufacturing, Radiata pine

INTRODUCCIN La simulacin de procesos es una herramienta computacional que permite analizar el comportamiento de un sistema con el fin de evaluar diferentes condiciones de operacin que podran significar una mejora en una medida de efectividad del proceso bajo estudio. Esta herramienta no permite encontrar la configuracin ptima de los recursos involucrados en el proceso que maximicen o minimicen una variable de respuesta de este sistema. Solo permite comparar diferentes alternativas evaluadas a travs de la simulacin y seleccionar la que presente mejores resultados. Es claro que este enfoque presenta la desventaja que la mejor solucin posible no necesariamente fue encontrada. Como respuesta a esta problemtica surge como alternativa el concepto optimizacin en simulacin. Este concepto integra un modelo de simulacin tradicional con alguna herramienta de optimizacin que permita servir de motor de bsqueda para encontrar mejores soluciones. En la presente investigacin se ha decidido probar el uso particular de la herramienta de inteligencia artificial denominada algoritmos genticos como heurstica de bsqueda y el Software de simulacin ARENA para modelar un proceso de remanufactura para la produccin de molduras de una de las lneas de produccin de una conocida planta maderera regional. El objetivo es utilizar la metodologa propuesta para encontrar la mejor configuracin de recursos que permitan minimizar el tiempo promedio de fabricacin de molduras en base de maderas.Dentro de las aplicaciones de optimizacin en simulacin, en el rea de manufactura podemos destacar las experiencias presentadas por (Pierreval, 1997; Sammons y Chrocan, 1996; Azadivar et.al,1996; Rosenblatt et.al, 1993). Todos estos artculos presentan casos de optimizacin en simulacin aplicados a distintos sistemas de manufactura utilizando diversas herramientas de optimizacin. Dentro de estos artculos podemos destacar el primer caso en el cual se aplica Estrategias Evolutivas como heurstica para la minimizacin del costo asociado a un modelo de simulacin de un proceso de fabricacin de envases para yoghurt. Los resultados mostraron que la heurstica convergi a una solucin vecindario del ptimo. Esta solucin ptima fue encontrada previamente va enumeracin exhaustiva con el fin de probar la eficiencia de la metodologa presentada. Un completo resumen de estas y otras tcnicas usadas en optimizacin en simulacin puede ser encontrado en (Carson y Maria, 1997).

1. MATERIALES Y MTODOSPara la realizacin del presente trabajo, como primera etapa fue necesario construir un modelo de simulacin para la lnea de fabricacin de molduras bajo estudio. Para este fin se utiliz el software de simulacin discreta ARENA versin 4.0. Este modelo representa el entorno experimental el cual permite obtener medidas de efectividad del proceso para cada una de las diferentes combinaciones de recursos que se quieren evaluar. Posteriormente fue necesario implementar computacionalmente la heurstica de optimizacin, algoritmos genticos, la cual sirve de motor de bsqueda de soluciones. Finalmente se construy una interfaz que permite integrar y automatizar la comunicacin entre el modelo de simulacin y la herramienta de optimizacin. Cada una de estas etapas comenzando por la descripcin del sistema simulado, se presentarn a continuacin.1.1 Descripcin del SistemaEn esta empresa existen muchos procesos de produccin, sin embargo, su principal negocio son los productos terminados en madera natural de pino radiata (Pinus radiata D. Don), y sus mercados objetivos son principalmente de exportacin a mercados Asitico, Europa y Estados Unidos.Los procesos ms relevantes dentro de esta empresa son:1. - Recepcin de Materias Primas 2. - Aserradero Mecanizado 3. - Lneas de Secadores 4. - Lneas de RemanufacturaNuestro estudio se abocar a la LINEA N3 de Remanufactura, que comprende las siguientes estaciones.

I. Llegada de la madera aserrada hmeda para la planta de secado, sta es depositada en una cancha de acopio y entregada por lotes mediante el uso de un tractor mvil (12 unidades por lote a la vez). Distinguimos 2 espesores diferentes 26-28 mm (tipo 1) y 28-55 mm (tipo 2) con una distribucin promedio de 70% y 30%, el intervalo entre lotes es de 90 minutos dentro de las 24 horas del da (3 turnos de 8hrs cada uno) los que significa 16 lotes/da. Aproximadamente.

II. La planta de secado entrega su producto de madera aserrada seca al 8% a una tasa de 300 M3/ da, para abastecer la planta de remanufactura.

III. En el proceso de remanufactura se distinguen dos sub-procesos, uno para la confeccin de molduras y otro para la confeccin de paneles; esto significa tener varios centros de trabajos y cada uno de ellos tiene diferentes grados de elaboracin y terminacin.

1. Cepilladora que acondiciona la madera para ser elaborada.

2. Trozadoras automticas, stas eliminan todo defecto, que no permiten los productos finales, segn normas de calidad establecidas para cada producto.

3. Mquina fingerjoint o ensamblador. Mediante uniones dentadas, permite dar el largo necesario a las piezas de madera con la ayuda de adhesivos de poliacetato vinlico PVA (cola comn para madera).

4. Para la fabricacin de molduras las piezas ya preparadas ingresan a una moldurera la que elabora estas piezas en perfiles y figuras especiales que estn solicitadas en el producto final. Tambin las piezas que han sido destinadas para paneles encolados ingresan a otra mquina moldurera, para confeccionar los cantos y a la llamada lnea de cola, que como su nombre lo indica es donde estos cantos sern encolados para formar diferentes tipos de paneles.

5. En el caso de paneles encolados este proceso de elaboracin es mucho ms extenso; esto significa que una vez preparados los cantos de los listones ingresan a un centro de trabajo llamado mquina panelera, cuyo objetivo es formar los paneles a partir de los listones, agregando adhesivo, presin y temperatura adecuada para que frage la cola, estas tres variables son las ms relevantes en la unin de listones para confeccionar el panel solicitado.

6. Posteriormente, los paneles ensamblados sern lijados para dar una terminacin superficial ideal para la fabricacin de muebles,

7. Para finalizar se realiza el embalado final y se entrega a la bodega de productos terminados, previo control de calidad.

De todo lo anterior podemos identificar las siguientes actividades que sern consideradas en el modelo de simulacin, para la fabricacin de molduras.

A. Recepcin de Maderas Aserradas Hmedas B. Cepillado de Tablas C. Trozado de Tablas D. Ensamblado de Extremos, Finger E. Moldurera F. Embalaje G. Bodega Productos Terminados

Uno de los problemas principales que presenta el sistema tiene relacin con la sincronizacin de la lnea productiva. Permanentemente se percibe acumulacin de inventario en proceso en diferentes estaciones. La identificacin de los cuellos de botella ofrece una alternativa para el mejoramiento del flujo de productos, sin embargo existe una interrelacin entre un nmero importante de variables que genera incertidumbre respecto a la mejor accin a tomar para remediar el problema productivo. Por esta razn se decidi la construccin de un modelo de simulacin para la representacin del sistema bajo estudio.

1.2 Construccin del Modelo de SimulacinPara la construccin del modelo se sigui una serie de pasos bsicos que contemplan las siguientes actividades:1. Visitas a la planta. Para poder adquirir una base de conocimiento aceptable del proceso en estudio es necesario observar directamente el comportamiento del sistema y estudiar con el mayor nivel de detalle posible los procesos comprometidos en el objeto de nuestro estudio, el cual es la fabricacin de molduras.

2. Estudio del proceso en detalle. El estudio del proceso, que como se seal anteriormente, es realizado directamente en terreno, consisti fundamentalmente de la captura de datos de tiempo relevantes del proceso como tiempos de proceso de cada estacin, tiempos de traslado (mediante gras horquilla, cinta transportadora y/o manualmente), tiempos de carga y descarga de la mquinas en juego y tiempos de detencin o falla (mantenciones preventivas y otras).

3. Diagramacin de las etapas de produccin. Para tener una mayor claridad sobre el proceso se realiz un diagrama en el que se reflejan las principales etapas y el modo en que se trasladan las entidades desde una estacin a la otra, esta etapa es importante para tener una visin de la disposicin y/o condicin en la que se encuentra produciendo actualmente, recordemos que uno de los objetivos de este estudio es encontrar una combinacin ptima de actores que permita minimizar el tiempo en el sistema de las entidades. El diagrama del proceso se muestra en la Figura 1.

Figura 1: Diagrama de las etapas de produccin4. Estudio de tiempo del proceso. Este etapa se realiz a travs de la extraccin de datos histricos almacenados en las bases de datos de la empresa (Generados por el sistema SAP) dichos datos abarcan un perodo de tiempo que comprende los meses de Agosto a Noviembre del ao 2000, conteniendo datos diarios de produccin por cada turno, incluidos los tiempo de detencin por mantencin y fallas, adems del trabajo realizado durante los das festivos, etc.

5. Ajuste de Curvas estadsticas. Los datos recolectados en la etapa anterior fueron utilizados para ajustar las curvas estadsticas correspondiente a cada operacin. Para el desarrollo de esta etapa se usaron los software estadsticos StatGraphics e Input Analizer de Arena. Se decidi utilizar ambos software a modo de comparar sus resultados en el ajuste de curvas.

6. Construccin del Modelo en ARENA.7. Validacin del Modelo. Finalmente el modelo fue validado. Para esto se realiz una serie de experimentos de simulacin. Los resultados arrojados por el modelo se compararon con datos reales del sistema. Dado que no se detect diferencia significativa entre el comportamiento del modelo y el sistema real, se consider el modelo validado.

2.3 Algoritmo Gentico.Los algoritmos genticos (AG) son mtodos adaptativos que pueden ser utilizados para implementar bsquedas y problemas de optimizacin. Ellos estn basados en los procesos genticos propios de los organismos biolgicos, codificando una posible solucin a un problema en un Cromosoma compuesto por una cadena de bits o caracteres.Estos cromosomas representan individuos que son llevados a lo largo de varias generaciones, en forma similar a las poblaciones naturales, evolucionando de acuerdo a los principios de seleccin natural propuestos por Charles Darwin en su libro El Origen de las Especies. Emulando estos procesos, los algoritmos genticos son capaces de Evolucionar soluciones a problemas del mundo real.Los Algoritmos genticos utilizan una analoga directa del fenmeno de evolucin en la naturaleza. Trabajan con una poblacin de individuos, cada uno representando una posible solucin a un problema dado. A cada individuo se le asigna una puntuacin de adaptacin, dependiendo de que tan buena fue la respuesta al problema. A los ms adaptados se les da oportunidad de reproducirse mediante cruzamiento con otros individuos de la poblacin, produciendo descendientes con caractersticas de ambos padres. Los miembros menos adaptados poseen pocas probabilidades de que sean seleccionados para la reproduccin, y desaparecen o mueren.Una nueva poblacin de posibles soluciones es generada mediante la seleccin de los mejores individuos de la generacin actual, emparejndolos entre ellos para producir un nuevo conjunto de individuos. Esta nueva generacin posee una proporcin ms alta de caractersticas posedas por los mejores miembros de la generacin anterior. De esta forma, a lo largo de varias generaciones, las caractersticas buenas son difundidas a lo largo de la poblacin mezclndose con otras. Favoreciendo el emparejamiento de los individuos mejor adaptados, es posible recorrer las reas ms prometedoras del espacio de bsqueda. Si el algoritmo gentico ha sido diseado correctamente, la poblacin converger a una solucin ptima o casi ptima del problema. Mayor informacin sobre teora general de los algoritmos genticos puede ser encontrada en (Goldberg, 1989). Algunos ejemplos de la aplicacin de esta tcnica a problemas de ingeniera se pueden encontrar en (Gen y Chen, 1997; Haupt y Haupt, 1998).2.4 Construccin de la interfaz de controlCon el fin de integrar y automatizar el proceso de comunicacin entre el algoritmo gentico y el modelo de simulacin construido en ARENA, fue necesario implementar computacionalmente una interfaz de control. Esta interfaz tiene por objetivo rescatar los resultados arrojados por el modelo de simulacin y exportarlos a la heurstica de algoritmos genticos. De igual manera al finalizar cada iteracin del AG estos resultados son exportados al modelo de simulacin para la evaluacin de un nuevo escenario. Este proceso se repite hasta alcanzar un criterio de trmino.Para desarrollar el algoritmo gentico, se utiliz una librera pblica para C++ llamada GAlib, esta librera fue desarrollada en 1996 por Matthew Wall y su equipo en el MIT Massachusetts Institute of Technology (Wall, 1996). Esta librera est disponible en internet y contiene los cdigos necesarios para implementar el algoritmo gentico. Se utiliz parte de este cdigo y se adapt a los requerimientos especficos del problema en particular. Para integrar la funcin de automatizacin del algoritmo gentico es necesario utilizar Visual C++, no existiendo otra alternativa conocida en la actualidad. Finalmente, para integrar todo y desarrollar la interface, se utiliz Visual Basic por su facilidad de manejo, rapidez y por supuesto debido a que es una herramienta desarrollada fuertemente en el manejo de Automatizacin OLE.En la Figura 2 se puede observar la interfaz en accin para el modelo desarrollado de remanufactura. De la imagen es posible visualizar dos reas bastante definidas, el rea izquierda y el rea derecha. El rea derecha de la interface muestra todas las variables de control, el valor promedio de las rplicas y el tiempo promedio en el sistema de todas las entidades. En la parte superior se muestra, nmero de cepilladoras, trozadoras, fingers, moldureras y gras. El rea izquierda de la interface entrega datos de inters con respecto al algoritmo gentico.

Figura 2: Pantalla Interfaz GrficaRESULTADOS Y DISCUSIN

Una vez construido el modelo de simulacin al igual que la interfaz grfica y la heurstica de algoritmos genticos se procedi a resolver el problema de optimizacin propuesto como objetivo del estudio. Para realizar la optimizacin se defini un total de 5 variables de control, las cuales corresponden a la capacidad de los recursos que son considerados como crticos por los expertos involucrados en el proceso. Como funcin objetivo se seleccion el tiempo promedio que una entidad permanece dentro del proceso productivo. Para este problema en particular una entidad corresponde a una unidad del producto a fabricar. La Tabla 1 muestra las 5 variables de control seleccionadas al igual que los lmites mnimo y mximo factibles para cada variable. Usando esta estructura se construy el cromosoma a ser utilizado en el proceso evolutivo del algoritmo gentico. Se utiliz una configuracin real entera de 5 genes para la representacin del cromosoma. De esta manera el cromosoma tiene la siguiente estructura, (var 1, var 2, var 3, var 4, var 5). Considerando el rango de cada variable se puede apreciar que existe un total de 8960 combinaciones diferentes. En otras palabras si se quisiera realizar una enumeracin exhaustiva con el fin de evaluar todas las posibles alternativas y as seleccionar la solucin ptima, sera necesario correr igual nmero de escenarios del modelo de simulacin. Considerando que cada una de las simulaciones demora aproximadamente 5 minutos en finalizar, concretar los 8960 escenarios tardara 774 horas lo que corresponde a aproximadamente 31 das de simulacin continua. Obtener una solucin en estas condiciones se torna inviable, dado el tiempo necesario, adems de la probabilidad que el sistema computacional falle debido a la alta carga a la cual sera sometido.

Tabla 1: Variables de Control

ELEMENTOMNIMOMXIMOCEPILLADORAS110TROZADORAS14FINGERS14MOLDURERAS18HORQUILLAS17Considerando estas condiciones operacionales se aplic la metodologa utilizando los parmetros para el algoritmo gentico presentados en la Tabla 2. El proceso de optimizacin evolucion durante un total de 15 generaciones antes de alcanzar el criterio de detencin. El proceso evolutivo se presenta en la Figura 3. Este grfico muestra como el valor medio de la funcin objetivo disminuye a lo largo del proceso. Con la finalidad de analizar el mejoramiento que ofrece la solucin propuesta por el algoritmo gentico, se simul la configuracin que la empresa utiliza en estos momentos. Los resultados de esta configuracin y los correspondientes a la alternativa propuesta se presentan en la Tabla 3. Tabla 2: Parmetros del Algoritmo GenticoPARAMETRO DEL AGVALORTamao inicial de la poblacin.10Mximo nmero de generaciones a evolucionar.20Probabilidad de Mutacin.0.1Probabilidad de cruzamiento.0.95Uso de elitismo.SICriterio de DetencinMximo nmero de generaciones sin cambio sustancial.3Tabla 3: Comparacin de Alternativas

ELEMENTOSOLUCIN ACTUALSOLUCIN PROPUESTACEPILLADORAS57TROZADORAS44FINGERS22MOLDURERAS48HORQUILLAS15TIEMPO PROCESO MEDIO8,486,94

Figura 3: Proceso EvolutivoLuego de su detencin tras evolucionar 15 generaciones, la solucin propuesta por el algoritmo gentico, representa una mejora de un 18.2% respecto de la situacin actual de la empresa, esto implica obviamente, una mejora en la productividad de la empresa, la cual puede estimarse en 95,6 metros cbicos de molduras adicionales por mes, se debe recordar que en las condiciones actuales de produccin, los niveles productivos alcanzan a los 492 metros cbicos mensuales de molduras.

Otro aspecto importante de destacar es la diferencia en infraestructura requerida para lograr este nivel de produccin. Se destaca un claro incremento en el uso de moldureras y de gras horquilla, estas ltimas representan el mayor impacto y tienden a minimizar la cantidad de inventarios intermedios en los centros de trabajo.

Es importante mencionar que la implementacin de la solucin propuesta requiere de una inversin considerable debido al incremento de las Gras Horquilla y al aumento en los recursos Cepilladoras y Moldureras. La viabilidad de la implementacin de esta alternativa debe ser analizada mediante el desarrollo de un estudio tcnico-econmico.

Otra consideracin de inters est relacionada con la eficiencia de la metodologa propuesta. Este concepto tiene relacin con el tamao del espacio muestral que fue necesario explorar para alcanzar la solucin propuesta. La heurstica convergi a una solucin despus de explorar 150 escenarios. Este valor corresponde a aproximadamente 1.6% de las 8960 alternativas diferentes de solucin.

CONCLUSIONESEste artculo muestra como utilizar simulacin en conjunto con una heurstica de algoritmos genticos con el fin de optimizar un proceso de remanufactura de pino radiata. La solucin encontrada por la metodologa permite disminuir el tiempo medio de permanencia de los productos en el sistema en aproximadamente un 18.2% con respecto a las condiciones de operacin actuales de la empresa. No es posible asegurar que esta solucin corresponde a la alternativa ptima del problema, pero si una buena solucin que permite mejorar el rendimiento del sistema en forma sustancial. La metodologa demostr ser eficiente ya que solo fue necesario explorar una pequea fraccin del espacio muestral (1.6%) para encontrar la solucin propuesta. La solucin propuesta sugiere la incorporacin de recursos adicionales a los actualmente existentes en la empresa, por esta razn resultara necesario un anlisis tcnico-econmico para evaluar la viabilidad de la implementacin de esta solucin.

Como recomendaciones para investigacin futura, se sugiere la utilizacin de otras herramientas de inteligencia artificial como heursticas de bsqueda, como son, Simulated Annealing, Tabu Search, entre otras. Este anlisis permitira evaluar la calidad de la solucin encontrada con cada tcnica y adems la eficiencia en la obtencin de esta alternativa.

BIBLIOGRAFAAzadivar, F.; Shu, J.; Ahmad, M. 1996. Simulation Optimization in Strategic Location of Semi-finished Products in a Pull-Type Production System. Proceedings of the 1996 Winter Simulation Conference. pp. 1123-1128.Carson, Y.; Maria, A. 1997. Simulation Optimization: Methods and Applications. Proceedings of the 1997 Winter Simulation Conference. pp. 118-126.Gen, M.; Cheng, R. 1997. Genetic Algorithms and Engineering Design. Wiley.Goldberg, D. 1989. Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, Reading, MA.Haupt, R.L.; Haupt, S.E. 1998. Practical Genetic Algorithms. Wiley.Pierreval, H. 1997. Using Evolutionary Algorithms and Simulation for the Optimization of Manufacturing Systems. IIE Transactions. Vol. 29, 3, pp. 181-190.Rosenblatt, M.J.; Roll, Y.; Zyser, V. 1993. A combined Optimization and Simulation Approach for Designing Automated Storage/Retrieval Systems. IIE Transactions. Vol. 25, pp. 25-50.Sammons, S. M.; Cochran, J.K. 1996. The Use of Simulation in the Optimization of a Cellular Manufacturing System. Proceedings of the 1996 Winter Simulation Conference. pp. 1129-1134.Wall, M. 1996. Galib Documentation, http://lancet.mit.edu/galib-2.4/