Facultad de Ingeniera Departamento de Ciencias de la Ingeniera Magster en Logstica y Gestin de Operaciones

ANDRES BELLO
UNIVERSIDAD

LAYOUT, CELULAS Y MANUFACTURA FLEXIBLE-II MLG-516

1er semestre 2006 Prof.: Ignacio Carrasco G.

INDICE

-Diseo de Celulas -Mtodo Albawi-Bashir-Chen -Sistemas de Manufactura Flexible -Mtodo Herasu-Kusiak

1er Semestre 2006

Prof: Ignacio Carrasco.

Diseo de Celulas
El logica de la formacin de grupos de tecnologa, explota la proximidad entre los atributos de algunas piezas y su relacin con las mquinas. En el caso de las celulas, la idea es formar familias de piezas y asignarlas a un grupo de mquinas (celulas). Con esto se tienen 2 problemas bsicos : 1.- Obtencin de la clula 2.- Asignacion de piezas a las celulas Los mtodos para el diseo de Celulas se pueden agrupar en : -Arreglos Matriciales -Mtodos Jerarquicos -Inteligencia Artificial -Con Grafos -Programcion Matemtica
1er Semestre 2006 Prof: Ignacio Carrasco. 3

Diseo de Celulas
Nosotros revisaremos el mtodo propuesto por Albadawi et. al. (2005)*. El cual es un mtodo del tipo Jerarquico con programacin matemtica. Este mtodo se divide en dos fases.

1.- FASE Identificacion de Clulas.

Esta se realiza por un mtodo estadistico conocido como anlisis factorial. En particular, se usa el anlisis de componentes pincipales (PCA). El PCA toma un conjunto de variables iniciales relacionados entre s, luego ese grupo es reducido a un nuevo grupo de variables no relacionadas entre s, pero que an capturen la totalidad de la variabilidad de los datos originales. Estas nuevas variables son llamadas Componentes Principales.

2.- FASE Asignacin de Piezas:

Una vez obtenidas las celulas segn el numero de componentes principales seleccionados, las partes y piezas se asignan por medio de un modelo de programacin entera.
* Albadawi, Z., Bashir, H., Chen, M. (2005). A mathematical approach for the formation of manufacturing Cells. Computers and Inductrial Engineering. 48: 3-21. 1er Semestre 2006 Prof: Ignacio Carrasco. 4

Diseo de Celulas
FASE 1 Identificacion de clulas Paso 1.- Construir la matriz partes-maquinas Paso 2.- Construir la matriz de similaridad Paso 3.- Extraer las celulas iniciales (PCA) Paso 4.- Optimizacin de las celulas iniciales (Mtodo Varimax) FASE 2 Asignacion de Piezas Paso 5.- Construir el modelo de asignacin Paso 6.- Resolver Paso 7.- Construir la matriz de partes-maquinas ordenada.

1er Semestre 2006

Prof: Ignacio Carrasco.

Ejemplo Diseo de Celulas

Paso 1.- Construir la matriz partes-maquinas
Parte 1 1 2 Maquina 3 4 5 6 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 3 4 5 1 1 1 1 1 1 1 1 6 7 8 1

Paso 1.- Construir matriz de similaridad.

Esto consiste en determinar que tan relaciomada esta una maquina con otra en funcin de las partes que estas pueden procesar. Es un concepto similar a la matriz de correlacin, sin embargo, en este caso solo tenemos asignacion 0 o 1. Para el caso se usa el indice de similaridad de Jacard. N

Sij =

X
k =1

ijk

(Y
k =1

ijk

+ Zijk X ijk )
6

1er Semestre 2006

Prof: Ignacio Carrasco.

Ejemplo Diseo de Celulas

Paso 1.- Construir matriz de similaridad. Continuacin
Donde : Sij : Indice de similaridad de Jacard (Entre 0 y 1) Xijk : 1 si la operacin en la parte k es realizada en las maquinas i y j, 0 sino. Yijk : 1 si la operacin en la parte k es realizada SOLO en las maquina i y NO en la j, 0 sino. Zijk : 1 si la operacin en la parte k es realizada SOLO en la maquina j y NO en la i, 0 sino. Ejemplo: S16 =

2 = 0.4 4+32
1 1 2 3 4 5 6 1 0 0.67 0.17 0 0.4

As tenemos:
2 0 1 0.25 0.4 0.75 0.17 3 0.67 0.25 1 0.12 0.12 0.5 4 0.17 0.4 0.12 1 0.5 0 5 0 0.75 0.12 0.5 1 0 6 0.4 0.17 0.5 0 0 1

1er Semestre 2006

Prof: Ignacio Carrasco.

Ejemplo Diseo de Celulas

Paso 3.- Extraer las celulas iniciales (PCA)
Asumiendo que las maquinas son las variables originales y la matriz de similaridad como la matriz de correlacin, deseamos encontrar un nuevo conjunto de variables (Y) que capturen toda la variabilidad de las maquinas orginales. El PCA permite encontrar un orden decreciente de varibles Y que capturen en forma decreciente tal variabilidad. Para esto debemos resolver el siguiente sistema.

(1)

(S I i )Yi

=0

i=1...P

Donde i : Es el valor propio del vector propio Yi ( Tambien son conocidos como autovalores y autovectores o eigenvalues y eigenvectors). Estos valores son no negativos. I : Es la matriz identidad Para obtener primero los autovalores es necesario resolver el siguiente determinante:

(2)

S I i i = 0

i=1...P

La obtencin de este determinante da un polinomio de orden P (en nuestro ejemplo 6), es decir tiene 6 raices distintas de cero. La obtencin de estos autovalores se puede realizar por el mtodo de 1) Krylov, 2) Diferencias Sucesivas o 3) Jacobi.
1er Semestre 2006 Prof: Ignacio Carrasco. 8

Ejemplo Diseo de Celulas

Paso 3.- Extraer las celulas iniciales (PCA)
En resumidas cuentas el PCA transforma el conjunto inicial de variables (mquinas) en un nuevo conjunto llamados componentes principales (celulas o grupos de maquinas), los cuales no estan correlacionados entre s. Habiendo resuelto (2) obtenemos entonces los siguientes valores principales.
Lambda 6 5 4 3 2 1 Valor 2,38 1,18 0,78 0,53 0,29 0,20 Var (%) 44,2 22,0 14,6 9,9 5,5 3,8 Var Acum 44,2 66,3 80,8 90,7 96,2 100,0

As, con los tres primeros componentes tenemos explicados cerca del 80% de la variacin. Ahora, si queremos explicar el 100% de la variacin de los datos originales necesitamos 6 componentes, es decir, 6 celulas. Con esto que criterio escogemos para determiar las celulas.
1er Semestre 2006 Prof: Ignacio Carrasco. 9

Ejemplo Diseo de Celulas

Paso 3.- Extraer las celulas iniciales (PCA)
Se han propuesto tres criterios: 1.- Escoger un numero fijo y previamente determinado de celulas. Sea por ejemplo 3 ell numero de celulas, as tendramos una cobertura de por lo menos del 80% si realizamos estas celulas segn los autovalores 6,5 y4. 2.- Escoger segn el porcentaje de variabilidad deseada. 3.- Aplicar el criterio de Kaiser: Escoger aquellos componentes principales (celulas) que tengan un valorpropio (eigenvalue) nayor que 1. Cualquiera que sea el criterio, sabemos el orden de los componentes principales (celulas) que vamos a escoger segn los autovalores. Ahora, solo para aquellas celulas escogidas j debemos obtener los autovectores (eigenvectors) resolviendo el sistema :

( S I )Y
j

=0
Prof: Ignacio Carrasco. 10

1er Semestre 2006

Ejemplo Diseo de Celulas

Paso 3.- Extraer las celulas iniciales (PCA)
Supongamos que aplicamos el criterio de Kaiser, es decir seleccionamos dos celulas segn los autovalores 6 = 2,38 y 5 = 1,18 obtenemos los siguientes auto vectores:
5 -0,47 0,37 -0,41 0,305 0,463 -0,41 6 0,361 0,471 0,454 0,381 0,436 0,327
Celula 2

Si graficamos estos datos tenemos

0,6 0,4
4 5 2

0,2 0 -0,2 -0,4 -0,6 0 0,1 0,2 Celula 1 0,3 0,4 0,5
6 1 3

1er Semestre 2006

Prof: Ignacio Carrasco.

11

Ejemplo Diseo de Celulas

Paso 4.- Optimizacion de las celulas por Varimax
Tenemos dos celulas compuestas por tres mquinas cada una. El ltimo paso consiste en reorientar los ejes de manera que cada grupo se posiciona sobre un conjunto, es decir una celula se identifica con un conjunto de maquinas. Esta rotacin de los ejes se realiza por el mtodo Varimax, que consiste en resolver :

Max

j=1 i =1

1 p

bij4

1 p2

bij2 i =1
p

Donde Q : Numero de celulas p : Representa el numero de maquinas bij : denota la carga de la variable i al componente principal j

1er Semestre 2006

Prof: Ignacio Carrasco.

12

Ejemplo Diseo de Celulas

Paso 4.- Optimizacion de las celulas por Varimax
Tenemos dos celulas compuestas por tres mquinas cada una. El ltimo paso consiste en reorientar los ejes de manera que cada grupo se posiciona sobre un conjunto, es decir una celula se identifica con un conjunto de maquinas. Esta rotacin de los ejes se realiza por el mtodo Varimax, que consiste en resolver :

Max

j=1 i =1

1 p

bij4

1 p2

bij2 i =1
p

Donde Q : Numero de celulas p : Representa el numero de maquinas bij : denota la carga de la variable i al componente principal j

1er Semestre 2006

Prof: Ignacio Carrasco.

13

Ejemplo Diseo de Celulas

Paso 4.- Optimizacion de las celulas por Varimax
Factores reorientados

0,6 0,4
4 5 2

Celula 2 Sin rotar

0,2 0 -0,2 -0,4 -0,6 0 0,1 0,2 0,3 0,4 0,5 Celula 1 Sin Rotar
6 1 3

Finalmente Obtenemos que la primera celula esta compuesta las maquinas 6,3 y 1 y captura el 39% de la variacin, y la segunda celula est compuesta por las maquinas 5,4 y2 y captura otro 30% de variacin
1er Semestre 2006 Prof: Ignacio Carrasco. 14

Ejemplo Diseo de Celulas

Paso 5.- Construir el modelo de asignacin
Ahora corresponde asignar las partes o piezas a cada celula. Para esto podemos escoger varios criterios de seleccin, uno de ellos es por ejemplo minimizar el numero de elementos excepcionales, as tendramos el siguiente modelo:

Max sa.

n
k=1 c=1

kc

zkc

Z
c=1

kc

=1

k=1...K

Donde: K : Numero de partes y piezas Q : Numero de celulas determinadas nkc : Es el numero de visitas a la celula c por la parte k zkc : variable binaria. 1 si la pieza k es asignada a la celula c, 0 sino.
1er Semestre 2006 Prof: Ignacio Carrasco. 15

Ejemplo Diseo de Clulas

Paso 6.- Resolver el problema entero Paso 7.- Construir la matriz Celula-Parte
En nuestro ejemplo habiendo resuelto el problema anterior, se tiene finalmente:
Parte 3 2 4 Mquina 5 1 3 6 1 1 1 4 1 1 1 7 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 8 5 6 1

1er Semestre 2006

Prof: Ignacio Carrasco.

16

Sistemas de Manufactura Flexible

Una vez establecido la celulas y las partes y piezas que en estas se van a procesar, queda por resolver el problema de cmo hacer el Layout dentro de cada celula.? Para el caso de estaciones o centros de costo tradicionales, se pueden ocupar los mtodos ya conocidos (Asignacin, CRAFT, CORELAP, etc). Pero en el caso de sistemas de manufactura flexible, la cuestin es ms complicada debido a que los movimientos son muchos y muy rpidos y las cargas son ms voluminosas.

1er Semestre 2006

Prof: Ignacio Carrasco.

17

Sistemas de Manufactura Flexible

El objeto del diseo de un FMS es minimizar los costos (tiempo y carga) en el movimiento de las cargas entre las maquinas. Un aspecto importante en los FMS es que las maquinas que participan en estos sistemas, son por lo comun de tamao desigual entre s. As los mtodos tradicionales como el QAP no sirven, ya que la distancia entre cada maquina es variable segn sea el layout escogido. Otro aspecto importante en el diseo de FMS, es que el layout est determinado principalmente por el aparato que manipula la carga y no por las maquinas involucradas.
1er Semestre 2006 Prof: Ignacio Carrasco. 18

Sistemas de Manufactura Flexible

Robot Manipulador
M3 M2 M4 M1

I
2

OUT

IN

Sistemas de Manufactura Flexible

AGV (Automated Guided Vehicles)

M1

M2

M3

1er Semestre 2006

Prof: Ignacio Carrasco.

AGV

20

10

Sistemas de Manufactura Flexible

AGV en Doble Fila

M1

M4

M2

AGV

M5

M3

M6

1er Semestre 2006

Prof: Ignacio Carrasco.

21

Sistemas de Manufactura Flexible

Gantry robots (Puentes gruas robotizados)
M1 M4 M7

1 M2 M5 M8

M3

M6

M9

1er Semestre 2006

Prof: Ignacio Carrasco.

22

11

Sistemas de Manufactura Flexible

Como se mencion el problema entonces, es ordenar las mquinas dentro de la celula. Se presentado las siguientes tecnicas: Redes Neuronales Heuristicas Programacin matemtica Sistemas basados en el conocimiento Para el caso, nosotros revisaremos el mtodo propuesto por Herasu y Kusiak (1988)*

* Herasu, S., Kusiak, A. (1988). Machine layout problem in flexible manufacturing systems. Operation research. 36(2): 258-268.

1er Semestre 2006

Prof: Ignacio Carrasco.

23

Mtodo Herasu-Kusiak
Este mtodo sirve para ordenar las maquinas en los tipos de FMS de Robot articulado y AGV lineales.

Definamos: vijk : Volumen de partes tipo k a ser llevadas desde la maquina i hacia la maquina j, en un horizonte de tiempo (digamos un mes o un ao) nij : Numero de partes diferentes a ser llevabas desde la maquina i hacia la maquina j en un perod de tiempo k u : Numero de partes tipo k que pueden ser llevadas en un movimiento del carro o brazo.

1er Semestre 2006

Prof: Ignacio Carrasco.

24

12

Mtodo Herasu-Kusiak
Basado en la notacin anterior calculemos

v ij k fij = k k =1 u

nij

Donde fij : Frecuencia de movimientos entre la maquina i y la maquina j La funcin Es el entero ms pequeo, mayor igual a

Y definamos como Fij a la matriz de flujo de movimientos ajustada como Fij = fij tij . Donde tij es la matriz de tiempo de los movimientos entre cada par de maquinas.
1er Semestre 2006 Prof: Ignacio Carrasco. 25

Mtodo Herasu-Kusiak
El algoritmo es el siguiente: Paso 0:
De la matriz ajustada F ij calcular : Fi* j* = Max { Fij: i=1n, j=1n} Conectar i* y j* y incluyalo en la solucin parcial . Haga Fi*j* = FJ*i* = -

Paso 1:
Calcular F p*q* = Max { Fi*k , Fj*l : k=1n, l=1n} y i) Conecte q* con p* y agregue q* a la solucin parcial ii) Borre la linea p* y la columna p* de Fij iii) Si p*= i*, haga i*=q*; en otro caso haga j*=q*

Paso 2:
Repita el paso 1 hasta que la solucion final sea obtenida..es decir hasta que todas las maquinas sean incluidas.
1er Semestre 2006 Prof: Ignacio Carrasco. 26

13

Mtodo Herasu-Kusiak
-Este algoritmo da una solucin ptima garantizada cuando el nmero de mquinas es igual o menor que 4. -Arroja la secuencia de mquinas en el layout del FMS -Se puede modificar cuando exista una mquina con una posicin fija.

Estos mismos autores, en el mismo articulo, presentan un algoritmo para la solucin del layout en el caso de AGV en doble fila y para puentes gruas robotizados.

1er Semestre 2006

Prof: Ignacio Carrasco.

27

14