Estudio exploratorio sobre técnicas de machine learning aplicadas al diseño de celdas de manufactura

Abstract

El diseño de celdas de manufactura es un proceso crítico en la ingeniería de producción, donde se busca optimizar la disposición estratégica de máquinas y trabajadores para maximizar la eficiencia y minimizar los tiempos de espera. Tradicionalmente, los métodos de optimización y programación lineal han sido utilizados para abordar este desafío. Sin embargo, en el contexto actual, el Machine Learning (ML) emerge como una herramienta prometedora para mejorar la efectividad de este proceso. El ML ofrece ventajas significativas en comparación con los enfoques tradicionales. En primer lugar, su capacidad para aprender patrones complejos a partir de datos históricos permite una adaptación dinámica a las variaciones en la demanda y las condiciones de producción. Al emplear algoritmos de clasificación, regresión y agrupamiento, el ML puede identificar relaciones no lineales entre las variables, lo que resulta especialmente útil en la disposición de máquinas y la asignación de tareas a trabajadores. Además, el ML puede considerar múltiples factores simultáneamente, como la capacidad de las máquinas, las habilidades de los operadores y las restricciones de espacio, para generar soluciones más robustas y eficientes. El ML permite la optimización continua y la adaptación en tiempo real. A medida que se recopilan más datos y se realizan ajustes en la producción, los modelos de ML pueden actualizarse y refinar sus predicciones. Esto es especialmente relevante en entornos industriales dinámicos, donde las condiciones cambian constantemente. Además, el ML puede considerar factores no lineales y no intuitivos que podrían pasarse por alto en los enfoques tradicionales.