⚡ ingeniería eléctrica

Digital Twin-Enabled Dynamic Production Scheduling for Concurrent Multi-Program Manufacturing Operations

Este artículo propone un marco jerárquico habilitado por Gemelo Digital que integra la predicción de la salud de las máquinas, la inferencia difusa y la coordinación de múltiples agentes para optimizar dinámicamente la programación de la producción para la fabricación concurrente de múltiples programas bajo diversas interrupciones, mientras equilibra la ruta crítica, el consumo de energía y la desviación del cronograma.

Autores originales: MD JAHEDUL ISLAM ARIF

Publicado 2026-10-16

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: MD JAHEDUL ISLAM ARIF

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el corazón de la industria moderna, las fábricas ya no son solo filas de máquinas silenciosas esperando instrucciones. Son sistemas complejos y vivos donde docenas de diferentes líneas de productos funcionan al mismo tiempo, compartiendo las mismas herramientas, los mismos trabajadores y la misma energía. El desafío para los gerentes es mantener estas líneas moviéndose con fluidez incluso cuando las cosas salen mal. Una máquina puede desgastarse lentamente, una pieza crítica puede romperse o un cliente puede exigir repentinamente un pedido urgente que se salte la fila. Los métodos tradicionales de planificación de la producción suelen basarse en un mapa estático trazado antes de que comience el trabajo. Una vez que el trabajo comienza, si una máquina se ralentiza o se detiene, el plan suele fallar, lo que provoca retrasos y desperdicio de energía. Para resolver esto, los ingenieros han recurrido a un concepto llamado "gemelo digital". Imagine una copia virtual perfecta de toda la planta de la fábrica que se actualiza en tiempo real, reflejando exactamente el mundo físico. Al observar esta versión virtual, los gerentes pueden ver los problemas antes de que ocurran y probar nuevos planes sin detener las máquinas reales. Este enfoque permite que las fábricas se adapten instantáneamente, cambiando recursos y modificando los horarios en el momento en que las condiciones cambian, asegurando que la producción continúe de manera eficiente a pesar del caos inevitable del mundo real.

Un investigador de la Universidad de Lamar ha propuesto una nueva forma de utilizar esta tecnología específicamente para fábricas que ejecutan múltiples programas a la vez. El estudio introduce un sistema por capas que actúa como un sistema nervioso para la fábrica, conectando la salud de las máquinas individuales con el panorama general de todo el programa de producción. En lugar de esperar a que una máquina se rompa por completo, el sistema vigila las señales tempranas de problemas. Utiliza un tipo de modelo computacional entrenado para reconocer patrones en datos como las vibraciones de los motores y las corrientes eléctricas para predecir si una máquina está sana, si está empezando a degradarse o si está a punto de fallar. Esta información no se guarda en un registro de mantenimiento separado; en su lugar, se introduce directamente en el cerebro de la programación. Si se predice que una máquina se enfermará pronto, el sistema puede proporcionar información de degradación temprana a la capa de programación global, permitiendo que el trabajo se traslade a otra máquina antes de que se forme un fallo o un cuello de botella.

El sistema está construido en dos capas principales. La primera capa consiste en "gemelos locales" para cada estación de trabajo. Estas copias digitales monitorean constantemente el equipo físico. Cuando detectan un cambio en el comportamiento de la máquina, pasan esta información a un "gemelo global", que posee el mapa del estado actual de toda la fábrica, incluyendo qué pedidos están en curso, dónde se encuentran los materiales y qué trabajadores están disponibles. Para decidir qué hacer a continuación, el sistema utiliza un controlador de lógica difusa, un tipo de motor de razonamiento que maneja la incertidumbre de forma muy similar a un supervisor humano. No solo ve "bueno" o "malo"; entiende los matices de gris, como una máquina que está "mayormente bien pero ralentizándose". Basándose en esta visión matizada, el sistema decide si seguir funcionando según lo previsto, llamar a un operador humano para que revise la máquina o activar una reprogramación completa del trabajo.

Cuando se necesita un cambio, el sistema no se limita a reorganizar el horario de forma aleatoria. Ejecuta una búsqueda compleja para encontrar el mejor plan posible. Esta búsqueda busca un equilibrio entre tres objetivos contrapuestos: terminar todo el trabajo lo más rápido posible, utilizar la menor cantidad de energía y mantener el nuevo horario lo más cercano posible al plan original para evitar confusiones. El sistema genera muchas soluciones posibles y presenta las mejores compensaciones, permitiendo que los gerentes elijan el camino que mejor se adapte a sus prioridades actuales. Antes de que cualquier nuevo plan se envíe a la planta de la fábrica real, se prueba en una simulación virtual tridimensional. Este paso asegura que el nuevo horario realmente funcionará en el mundo físico, comprobando colisiones, retrasos o conflictos de recursos. Solo después de que la prueba virtual pasa con éxito, el sistema envía las instrucciones actualizadas a las máquinas reales a través de un enlace de comunicación seguro.

El investigador probó este marco utilizando una serie de escenarios simulados para ver cómo funcionaría bajo presión. Las simulaciones incluyeron producción normal, desgaste gradual de las máquinas, fallos repentinos de las máquinas e inserción de pedidos urgentes. En las pruebas virtuales, el nuevo sistema mostró una clara ventaja sobre los métodos tradicionales. Cuando una máquina comenzó a degradarse, el sistema logró reducir el tiempo total necesario para terminar el trabajo en aproximadamente un 5,4 por ciento en comparación con los métodos estándar que simplemente esperan a que la máquina falle. En casos de fallo repentino de una máquina, la mejora fue aún más significativa, reduciendo el retraso en aproximadamente un 13,3 por ciento. Cuando se insertó un pedido urgente, el sistema redujo los retrasos en un 11,8 por ciento mediante la reorganización inteligente del horario en lugar de simplemente retrasar todo. Estos resultados sugieren que, al combinar las predicciones tempranas de salud con una programación flexible, las fábricas pueden mantener un flujo constante de producción incluso cuando ocurren interrupciones.

El estudio también destacó cómo el sistema gestiona las compensaciones entre velocidad, energía y estabilidad. Las simulaciones mostraron que el sistema podía encontrar horarios que ahorraban energía, pero esto a menudo significaba que el horario se desviaba más del plan original. Por el contrario, los horarios más rápidos a veces requerían más energía o cambios mayores en el flujo de trabajo. El sistema identificó con éxito estos compromisos, ofreciendo un conjunto de opciones que respetaban los límites físicos de las máquinas y la disponibilidad de los trabajadores. La investigación enfatiza que este es un hallazgo basado en simulaciones, lo que significa que las cifras provienen de un modelo computacional de una fábrica y no de una fábrica del mundo real. Si bien los resultados son prometedores, el autor señala que el sistema aún necesita ser probado con datos industriales reales y experimentos físicos para confirmar su rendimiento en el entorno desordenado e impredecible de una planta de fabricación real.

En última instancia, este trabajo propone un bucle cerrado donde la fábrica puede ver su propio futuro. Al vincular la salud de una sola máquina con el programa de toda la fábrica, y al probar cada nueva idea en un mundo virtual antes de intentarlo en la realidad, el sistema ofrece una forma de mantener la producción moviéndose con fluidez. Va más allá de la vieja idea de reparar las cosas solo después de que se rompen, sugiriendo en su lugar un futuro donde los planes de producción se adaptan en tiempo real a la condición del equipo. El marco proporciona una forma estructurada de manejar la complejidad de la fabricación moderna, donde múltiples programas compiten por recursos y los eventos inesperados son la norma. Aunque el pleno potencial de este enfoque espera la validación del mundo real, las simulaciones indican que tal sistema podría reducir significamente el tiempo de inactividad y el desperdicio de energía, haciendo que la compleja danza de las operaciones de fabricación simultáneas sea más resiliente y eficiente.

Resumen Técnico: Programación Dinámica de la Producción Mediante Gemelos Digitales para Operaciones de Fabricación Concurrentes de Multiprogramas

Planteamiento del Problema
Las instalaciones de fabricación modernas operan cada vez más múltiples programas de producción simultáneos, lo que crea desafíos de coordinación complejos que involucran cambios en las prioridades de los pedidos, la degradación de las máquinas, la capacidad de la fuerza laboral, la disponibilidad de materiales y las restricciones de entrega. Los enfoques de programación tradicionales dependen de supuestos estáticos con respecto a la disponibilidad de las máquinas, los tiempos de procesamiento y las secuencias de rutas. Estos supuestos suelen fallar cuando ocurren interrupciones, tales como fallos inesperados de las máquinas, degradación gradual del equipo, inserción de pedidos urgentes o requisitos de retrabajo. Si bien la investigación existente ha abordado la programación adaptativa, la coordinación de múltiples agentes y el mantenimiento predictivo de forma aislada, un marco unificado que integre la inteligencia predictiva de las máquinas con las decisiones de reprogramación global para operaciones de multiprogramas concurrentes sigue siendo limitado. Específicamente, existe una brecha en la conexión de la inteligencia predictiva de las máquinas directamente con las acciones de reprogramación dinámica dentro de una estructura de control de bucle cerrado.

Metodología Propuesta
El estudio propone un marco jerárquico de Gemelo Digital (DT, por sus siglas en inglés) diseñado para la programación dinámica en la fabricación de multiprogramas concurrentes. La metodología se estructura en cuatro etapas integradas: adquisición de estado, predicción de condición, decisión de programación inteligente y validación virtual.

Arquitectura Jerárquica: El marco consta de Gemelos Digitales de estaciones de trabajo locales y un Gemelo Digital global.
- DT de Estaciones de Trabajo Locales: Estos modelos reflejan el estado físico de las máquinas individuales, recolectando datos como presión neumática, corriente del motor, RMS de vibración y curtosis de vibración. Utilizan modelos de Perceptrón Multicapa (MLP) para clasificar las condiciones de la máquina en tres estados: Buena, Degradada o Fallo. Esta predicción sirve como una entrada directa para la programación en lugar de una alerta de mantenimiento aislada.
- Gemelo Digital Global: Esta capa agrega los estados de salud locales con datos a nivel de producción, incluyendo tasas de producción, prioridades de programas, trabajo en proceso (WIP), colas y asignaciones de recursos.
Lógica de Decisión y Coordinación:
- TSK-FIS (Sistema de Inferencia Difusa Takagi-Sugeno-Kang): El DT global emplea un TSK-FIS para determinar las respuestas operativas basadas en la condición de la máquina y la tasa de producción. El sistema genera tres acciones principales: Sin Operación, Asistencia al Operador o Programación. Esta capa proporciona una toma de decisiones interpretable, vinculando reglas difusas específicas con los estados observados.
- Sistema Multi-Agente (MAS): Un MAS distribuido coordina la información y las decisiones locales entre las estaciones de trabajo, mientras que un agente de orquestación de alto nivel gestiona las operaciones interdependientes para evitar cambios innecesarios en la programación.
Reprogramación Dinámica y Optimización:
- Cuando la capa de orquestación activa un evento de reprogramación, un optimizador multiobjetivo evolutivo genera programas candidatos.
- La optimización minimiza tres objetivos simultáneamente: Makespan ( $C_{max}$ ), Consumo de Energía Total del Equipo ( $E_{all}$ ) y Desviación de la Máquina respecto a la programación existente ( $D_{all}$ ).
- Las restricciones incluyen disponibilidad de máquinas, precedencia de rutas, capacidad de mano de obra, disponibilidad de materiales y prioridades de programas. El resultado es un conjunto de Pareto de programas factibles.
Validación de Virtual-a-Físico:
- Antes del despliegue físico, los programas candidatos se someten a una validación mediante una Simulación de Eventos Discretos (DES) en 3D.
- Se utiliza OPC UA para sincronizar los datos entre los PLC físicos y el entorno virtual, asegurando actualizaciones de estado en tiempo real.
- Las métricas de desempeño incluyen el sesgo de sincronización, la latencia y la desviación entre el makespan predicho por el Gemelo Digital y el tiempo de ejecución física real.

Contribuciones Clave
El artículo describe cinco contribuciones primarias al campo de la fabricación inteligente:

Arquitectura Jerárquica: Una estructura novedosa que conecta la inteligencia local de la estación de trabajo (predicción de salud basada en MLP) con la programación global de la producción.
Lógica de Decisión Integrada: La fusión de la predicción de salud de la máquina basada en MLP con la lógica de decisión TSK-FIS, permitiendo que las condiciones del equipo influyan directamente en las acciones de programación.
Optimización Multiobjetivo: Aplicación de la optimización multiobjetivo a programas concurrentes que equilibra el makespan, el consumo de energía y la estabilidad de la programación bajo restricciones complejas.
Etapa de Validación Virtual: Introducción de un DES en 3D y una capa de sincronización OPC UA para validar virtualmente los programas antes de su ejecución física.
Evaluación Exhaustiva: Evaluación del desempeño del marco bajo diversos escenarios de interrupción, incluyendo degradación de máquinas, fallos e inserción de pedidos urgentes, midiendo métricas como makespan, energía y estabilidad de la programación.

Resultados y Hallazgos Ilustrativos
El estudio presenta hallazgos ilustrativos basados en simulaciones en lugar de datos industriales empíricos. Los resultados comparan el programador de Gemelo Digital propuesto contra dos líneas base: Retraso del Programa Original (que absorbe interrupciones sin reprogramar) y Reprogramación por Desplazamiento a la Derecha (que desplaza las operaciones sin datos predictivos de salud).

Reducción del Makespan: Bajo escenarios de interrupción ilustrativos, el marco propuesto demostró reducciones potenciales en el makesan en comparación con la línea base de desplazamiento a la derecha:
- Una reducción del 5.4% bajo degradación de máquina.
- Una reducción del 13.3% bajo fallo de máquina.
- Una reducción del 11.8% tras la inserción de un pedido urgente.
Respuesta Proactiva: El marco permite una reprogramación proactiva al utilizar datos de salud de la máquina antes de que ocurran cambios operativos significativos, contrastando con los enfoques reactivos.
Gestión de Compromisos (Trade-offs): El análisis de Pareto ilustra los compromisos entre minimizar el makespan, reducir el consumo de energía y mantener la estabilidad de la programación, permitiendo a los operadores seleccionar soluciones basadas en sus prioridades actuales.
Sincronización: El marco modela con éxito la sincronización entre las capas virtual y física, aunque se señala que los valores de latencia específicos son de carácter ilustrativo.

Significancia y Limitaciones
El artículo afirma su importancia al proporcionar una estructura de decisión de bucle cerrado para la reprogramación proactiva en programas de fabricación concurrentes. Aborda la brecha de integración entre el mantenimiento predictivo y la programación de la producción, ofreciendo un mecanismo para detectar cambios operativos y generar programas revisados dinámicamente.

Sin embargo, el autor establece explícitamente las limitaciones:

El estudio depende de una evaluación basada en simulaciones y escenarios ilustrativos en lugar de conjuntos de datos industriales reales u observaciones medidas en la planta de producción.
El marco requiere pruebas adicionales con diversas configuraciones de disposición de producción, mezclas de productos y configuraciones de sensores antes de su despliegue industrial.
Se identifica como trabajo futuro la necesidad de una validación en el mundo real utilizando experimentos físicos en la planta de producción y datos industriales.

En conclusión, el estudio propone un marco teórico y simulado que integra aprendizaje automático, lógica difusa y optimización multiobjetivo dentro de una arquitectura de Gemelo Digital para mejorar la resiliencia y la eficiencia de las operaciones de fabricación de multiprogramas concurrentes.

Más como este