A Shop Floor Production Scheduling Case based on RFID-supported Smart Factory

En el bullicioso corazón de una fábrica moderna, el ritmo de la producción suele estar dictado por la mano invisible de un cronograma. Este cronograma es un plan que decide qué máquina trabaja en qué pieza y cuándo, con el objetivo de terminar los productos de la manera más rápida y económica posible. Durante décadas, estos planes han dependido de un conjunto de suposiciones: que cada trabajo sigue una ruta estricta e inalterable a través de la fábrica, y que el tiempo que toma completar una tarea es un número fijo conocido de antemano. Sin embargo, la vida real rara vez es tan ordenada. Las máquinas se averían, los trabajadores toman descansos y la velocidad de producción cambia según la hora del día o el día de la semana. Cuando un cronograma ignora estas fluctuaciones, crea cuellos de botella, tiempo perdido y entregas retrasadas. El desafío para los ingenieros es crear un sistema que pueda ver estos cambios a medida que ocurren y ajustar el plan instantáneamente, convirtiendo un plano rígido en una estrategia flexible y viva.

Para resolver esto, un equipo de investigadores de la Universidad de Hong Kong recurrió a una fábrica del mundo real en Huaiji, China, donde una empresa que fabrica válvulas para motores de automóviles ya había instalado una red de etiquetas de identificación por radiofrecuencia, o RFID. Estos pequeños chips electrónicos, adheridos a las piezas que se mueven a través de la línea de montaje, actúan como pasaportes digitales, registrando automáticamente cada paso que da un producto, quién lo manipuló y exactamente cuándo terminó una tarea. Al recolectar más de 413,000 registros de esta actividad, los investigadores obtuvieron una vista poco común y de alta definición de cómo opera realmente la fábrica, en lugar de cómo se suponía teóricamente que debía funcionar. Utilizaron este flujo masivo de datos para descubrir dos verdades críticas que los métodos de planificación tradicionales pasan por alto. Primero, descubrieron que el orden en el que los trabajadores realizan ciertas etapas no es fijo. Para una válvula de motor específica, el equipo encontró que los trabajadores a menudo intercambiaban la secuencia de operaciones, como el fresado y el taladrado, sin afectar la calidad final. Segundo, se dieron cuenta de que el tiempo que toma completar una tarea no es un número único, sino una variable que cambia según factores como la hora del día, si es fin de semana y la máquina específica que se está utilizando.

Armados con estos conocimientos, los investigadores construyeron un nuevo tipo de sistema de programación que no depende de reglas estáticas, sino que aprende de los datos. Introdujeron los patrones que encontraron —las secuencias flexibles y las velocidades variables— en un programa informático basado en el aprendizaje por refuerzo profundo. Este es un tipo de inteligencia artificial que aprende mediante ensayo y error, de forma muy similar a un jugador que domina un videojuego complejo. En este caso, el "juego" es la planta de la fábrica. El agente de IA fue colocado en una simulación virtual de la fábrica de Huaiji, donde se le proporcionó el estado en tiempo real de las máquinas y los trabajos. Se le permitió tomar decisiones, como asignar un trabajo específico a una máquina específica o esperar una mejor oportunidad. Cada vez que tomaba una decisión, recibía retroalimentación basada en qué tan bien esa elección ayudaba a terminar todos los trabajos en el menor tiempo total. A lo largo de miles de simulaciones, el sistema aprendió una estrategia sofisticada para navegar el caos de la fábrica real, adaptando sus decisiones a las condiciones cambiantes que observaba.

Los resultados de este enfoque fueron probados frente a los métodos utilizados actualmente en la industria, incluyendo reglas simples como "primero en entrar, primero en salir", donde los trabajos se procesan en el orden en que llegan, y algoritmos computacionales más avanzados. En las simulaciones, el nuevo sistema, guiado por los datos de RFID y el modelo de aprendizaje, superó consistentemente a los demás. Logró completar un lote de veinte trabajos en 476 minutos, superando al siguiente mejor método, que tomó 485 minutos. Aunque la diferencia pueda parecer pequeña, en el mundo de alto volumen de la manufactura, ahorrar incluso unos pocos minutos por lote se traduce en ganancias significativas de eficiencia y ahorro de costos. El estudio demostró que, al permitir que el sistema de programación vea la realidad desordenada y real de la planta de la fábrica a través de los datos, en lugar de confiar en suposiciones idealizadas, es posible crear un plan de producción que sea tanto más inteligente como más rápido. Este trabajo sugiere que el futuro de la fabricación inteligente no reside solo en automatizar las máquinas, sino en automatizar el proceso de toma de decisiones en sí mismo, permitiendo que las fábricas fluyan con el flujo y reflujo natural de la producción en lugar de luchar contra él.