Mejoramiento de programación de producción en planta de inyección de plásticos usando un algoritmo genético

Abstract

Este proyecto de grado buscó solucionar el problema de secuenciar un conjunto de trabajos y moldes de inyección en máquinas inyectoras en una planta de inyección, con el fin de reducir el makespan y tardanza. La planta de inyección es el primer eslabón de la cadena de producción en una fábrica de productos de consumo masivo. El proyecto se caracterizó como un problema de secuenciación de trabajos en máquinas no relacionadas paralelas. El proyecto aborda el problema con dos métodos, el primero usando programación lineal entera mixta (MILP) y el segundo usando un algoritmo genético. El método exacto funciona bien con instancias pequeñas de máximo 10 trabajos y cinco máquinas. Respecto al segundo método se diseñó un algoritmo genético con una función fitness completamente original, el algoritmo genético permite encontrar soluciones de calidad en corto tiempo para instancias más grandes y complejas si se compara con el método exacto. El algoritmo genético requirió un ajuste de sus parámetros usando diseño factorial multinivel. Con el objetivo de probar el método exacto de solución y lograr una comparación estricta entre los dos métodos de solución se desarrollaron instancias de dos tipos: random y reales con información de la planta de inyección. Luego se desarrollaron experimentos computacionales solucionando las instancias con los dos métodos. Los resultados de los experimentos permitieron establecer que el algoritmo genético propuesto genera soluciones iguales o mejores en instancias random comparado con el método exacto.

This thesis developed a method to find solutions to a scheduling problem in an injection mold factory, intending to reduce the makespan and tardiness. The injection mould factory is the first stage in a massive consumer product factory location. The project was characterized as a nonrelated parallel machine scheduling problem. The project approached the problem with two methods: the 1st one using mixed-integer linear programming (MILP) and the 2nd one using a genetic algorithm. The exact solution method works fine with small instances, with a maximal size of ten jobs and five machines. About the second method, a genetic algorithm was designed with a completely original fitness function, the genetic algorithm was able to find several quality solutions in a shorter time for larger and complex instances if it is compared with the exact solution method. The genetic algorithm required several parameter adjustments, the multilevel factorial design was used to do so. With the objective of testing the exact method and to can achieve a strict comparison between both solution methods, two kinds of instances were developed: 1 kind with random data and the other one with real production data. After it, several computational experiments were developed, solving the whole instances with both solution methods. Experiments results allowed the researchers to conclude that the proposed genetic algorithm creates equal or better solutions if it is compared with the exact solution method with random instances. One study case was developed, this case represents the production schedule for a month for injected components labeled as type A, the study case was used to compare the current scheduling method used in the injection factory versus the proposed genetic algorithm. The genetic algorithm provides a scheduling program with Cmax and Tardiness values 30% lower than the current scheduling method.