Release Date Optimization in MRP Using Clearing Functions

Aquí presento un resumen técnico detallado del artículo "Release Date Optimization in MRP Using Clearing Functions" (Optimización de Fechas de Liberación en MRP mediante Funciones de Despeje), estructurado según los puntos solicitados.

1. Planteamiento del Problema

El objetivo central de la planificación de la producción es programar la liberación de trabajos para que la salida del sistema se alinee con la demanda. Sin embargo, existe una limitación fundamental en los sistemas tradicionales de Planificación de Requerimientos de Materiales (MRP):

• Dependencia Cíclica: Las decisiones de liberación de órdenes deben tomarse antes de conocer los tiempos de ciclo reales. No obstante, los tiempos de ciclo son variables aleatorias que dependen de la utilización de los recursos, la cual a su vez es determinada por las decisiones de liberación.
• Limitación del MRP Tradicional: El MRP estándar (MRP-I) utiliza una programación hacia atrás (backward scheduling) basada en Tiempos de Entrega Planificados (PLT) exógenos, deterministas y específicos por artículo. Estos PLT no se ajustan a los cambios en la carga de trabajo ni a las restricciones de capacidad finita.
• Consecuencia: El MRP asume que los recursos pueden entregar material dentro del PLT independientemente de la carga, lo que contradice la realidad de que los tiempos de ciclo aumentan no linealmente con la utilización. Esto genera ineficiencias, como altos niveles de inventario (para compensar la incertidumbre) o retrasos en la entrega (tardiness) cuando la capacidad se satura.

2. Metodología

Los autores proponen integrar un modelo de optimización basado en Funciones de Despeje (Clearing Functions - CF) dentro del procedimiento MRP, reemplazando específicamente el paso de programación hacia atrás, mientras se mantienen intactos los otros componentes del MRP (neteo, dimensionamiento de lotes y explosión de la lista de materiales).

Enfoque del Modelo

• Función de Despeje (CF): Es un modelo sustituto que relaciona la carga de trabajo asignada a un recurso en un periodo de planificación con su producción esperada. A diferencia de los PLT fijos, la CF modela la relación no lineal entre carga y salida debido a la congestión.
• Estrategia de Implementación:
  • Se aplica a cada nivel del árbol de la Lista de Materiales (BOM) de forma secuencial.
  • Supuestos Restrictivos:
    1. Los artículos que comparten un recurso de producción deben estar en el mismo nivel del BOM (no se modelan interacciones cruzadas entre niveles).
    2. Se preserva la integridad de los lotes generados por el dimensionamiento del MRP.
    3. Las órdenes deben liberarse en orden no decreciente de sus fechas de recepción planificadas.
• Formulación Matemática:
  • Se utiliza un modelo de programación lineal entera mixta (MILP).
  • Objetivo: Minimizar la suma de costos de inventario de producto terminado, inventario en proceso (WIP), costos por retraso (tardiness) y costos de capacidad externa (penalización alta para detectar inviabilidad).
  • Variables: Decisiones binarias para la fecha de liberación de cada orden de producción individual, en lugar de usar un PLT fijo por artículo.
  • Restricciones: Balance de materiales, capacidad de recursos (mediante una CF linealizada por tramos) y secuencia de liberación.

Experimentación Computacional

• Entorno: Se realizaron simulaciones de eventos discretos en dos sistemas de flujo de trabajo (PS1 simple y PS2 complejo) con actualizaciones de horizonte rodante.
• Variables: Se probaron diferentes niveles de incertidumbre en la demanda (usando el modelo MMFE), niveles de utilización (80%, 85%, 90%), políticas de dimensionamiento de lotes (FOP y FOQ) y configuraciones de pronóstico (perfectos e imperfectos).
• Comparativa: Se comparó el MRP tradicional (con programación hacia atrás y PLT fijos) contra el enfoque propuesto (MRP con optimización CF).

3. Contribuciones Clave

1. Optimización de PLT por Orden: La contribución principal es demostrar que calcular tiempos de entrega planificados (PLT) de manera endógena para cada orden de producción individual (en lugar de por artículo) mejora significativamente el rendimiento.
2. Integración Modular: Se demuestra que es posible mejorar el MRP existente sin reemplazar toda su lógica, simplemente sustituyendo el paso de programación hacia atrás por un modelo de optimización basado en CF.
3. Gestión Proactiva de la Congestión: El modelo CF permite liberar órdenes antes de periodos de alta congestión y posponerlas cuando hay capacidad excedente, ajustando dinámicamente los tiempos de ciclo según la carga real.
4. Análisis de Escenarios: El estudio proporciona evidencia empírica sobre cuándo esta integración es beneficiosa (alta incertidumbre, alta utilización) y cuándo los métodos tradicionales pueden ser suficientes.

4. Resultados Principales

Los resultados de las simulaciones revelan lo siguiente:

• Desempeño bajo Incertidumbre: El enfoque CF supera consistentemente al MRP tradicional cuando la incertidumbre de la demanda es alta y las actualizaciones de pronóstico ocurren cerca de la fecha de entrega.
  • En el sistema complejo (PS2) con pronósticos imperfectos, CF redujo los costos totales en hasta 1,500 unidades de costo en comparación con el MRP.
  • CF logra un equilibrio mejor entre costos de inventario y costos por retraso, manteniendo niveles de servicio altos (≥98-99%) sin acumular inventarios excesivos.
• Impacto de la Utilización:
  • A 80% de utilización, CF muestra ventajas claras al liberar órdenes anticipadamente para evitar cuellos de botella.
  • A 90% de utilización, la ventaja relativa de CF disminuye (aunque sigue siendo positiva) porque la falta de capacidad en periodos anteriores limita la capacidad de "desplazar" el trabajo hacia atrás.
• Efecto de la Política de Lotes:
  • Bajo pronósticos perfectos, el MRP a veces tiene costos totales ligeramente menores debido a que evita liberaciones prematuras que generan inventario innecesario (efecto cascada en niveles inferiores del BOM).
  • Sin embargo, bajo pronósticos imperfectos, CF es superior incluso con políticas de lotes fijos (FOQ), ya que su flexibilidad en las fechas de liberación compensa la rigidez del tamaño del lote.
• Agrupamiento de Riesgo (Risk Pooling): En sistemas con múltiples artículos que comparten componentes, CF aprovecha mejor el efecto de agrupamiento de la demanda, absorbiendo la variabilidad en los recursos compartidos de manera más eficiente que el MRP.

5. Significado e Implicaciones

Este estudio tiene un significado importante para la investigación y la práctica industrial:

• Validación de la Flexibilidad Dinámica: Confirma que la rigidez de los PLT fijos es una de las principales causas de ineficiencia en entornos de manufactura con capacidad finita y demanda estocástica. La capacidad de adaptar las fechas de liberación a la carga del sistema es crucial.
• Viabilidad de Implementación: Al mantener la estructura general del MRP y solo reemplazar un módulo (la programación hacia atrás), la propuesta es más fácil de implementar en sistemas industriales existentes que los modelos de optimización global completos, que suelen ser computacionalmente intratables.
• Límites y Futuro: El estudio reconoce que la aproximación actual es "ingenua" en el sentido de que no modela interacciones complejas entre niveles del BOM simultáneamente. Sin embargo, establece una base sólida para futuras investigaciones que busquen relajar estas restricciones y desarrollar modelos de liberación de órdenes más integrados y robustos.

En conclusión, la integración de funciones de despeje en el MRP representa una mejora significativa y práctica para la planificación de la producción en entornos dinámicos y con restricciones de capacidad, ofreciendo una vía intermedia entre la simplicidad del MRP tradicional y la complejidad de la optimización global.