Simulación de estrategias de optimización de producción usando reinforcement learning

En este estudio se evalúa dos algoritmos entrenados mediante Reinforcement Learning en un ambiente de simulación del proceso de cambio de dientes de tres modelos de sierras circulares. Para las simulaciones se tomó en cuenta datos reales del proceso, incluyendo los tiempos de procesamiento específicos para cada tipo de sierra. En total se realizan tres simulaciones diferentes del proceso. La primera simulación se simula el proceso original como lo indica el documento de donde se obtuvieron los datos. En la segunda simulación, se aplica un algoritmo entrenado para optimizar el orden de selección de tipos de sierras y aumentar las unidades procesadas dentro de una sesión de trabajo. Por último, la tercera simulación utiliza un algoritmo entrenado para modificar la prioridad de las estaciones de trabajo con el fin de reducir los tiempos muertos de los operadores. Para evaluar el rendimiento de los algoritmos entrenados, se compararon las unidades procesadas dentro de una sesión normal de trabajo de 8 horas, y los tiempos muertos de los trabajadores. Se llevaron a cabo 100 iteraciones diferentes para cada simulación, en donde se recolectaron los datos para su interpretación y comparación mediante pruebas de hipótesis. Finalmente, de acuerdo con los resultados obtenidos el algoritmo de optimización en la selección de tipos de sierras efectivamente mejoró la productividad del proceso. En contraste, el algoritmo de priorización de estaciones no mostró mejoras significativas en este aspecto. Además, ambos algoritmos no lograron reducir los tiempos muertos de los operarios.

• Autor principal: Jara Freire, Esteban Mateo (author)
• Formato: bachelorThesis
• Lenguaje: spa
• Publicado: 2024
• Materias: INGENIERÍA INDUSTRIAL; REINFORCEMENT LEARNING; INTELIGENCIA ARTIFICIAL; PRODUCCIÓN
• Acceso en línea: http://dspace.ups.edu.ec/handle/123456789/29010