Mondragon Unibertsitatea – Generación de órdenes de trabajo optimizadas para almacén
Mondragon Unibertsitatea
Sector: Logística
Business Case
El reto consiste en generar órdenes de fabricación optimizadas para los operarios de una empresa distribuidora de piezas de vehículos industriales. Actualmente, estas órdenes se generan de forma prácticamente manual y en base a la experiencia de la persona que las genera. El uso de técnicas de optimización permitirá liberar a esta persona o rol de esta tarea y crear órdenes de trabajo que se ajusten mejor a las necesidades de la empresa y operarios.
Objetivos
Desarrollar un sistema que proponga órdenes de trabajo optimizadas para los operarios al inicio de cada relevo y que presente dichas órdenes de una forma intuitiva para el rol de planificador de la producción.
Use case
El problema de optimización se ha abordado desde dos enfoques diferentes: mediante el entrenamiento de agentes de Reinforcement Learning (RL) y el uso de algoritmos evolutivos de optimización multiobjetivo. En base a los resultados obtenidos, se ha optado por implementar una GUI (aplicación de escritorio) que permite generar órdenes de trabajo mediante un algoritmo OMM (Decmo2). El algoritmo de optimización se alimenta de la base de datos ya desplegada en la empresa.
Infraestructura
On premise
Tecnologías utilizadas
Aprendizaje Automático o Profundo
Datos utilizados
Datos tabulares obtenidos de la base de datos de la empresa (privados)
Recursos utilizados
1 jefe de proyecto, 1 investigador/a experto en RL, 2 investigadores en MOO, 3 personas expertas en el dominio. Proceso iterativo para definir el problema, objetivos y restricciones.
Dificultades y aprendizaje
Dificultad para definir objetivos y restricciones claras. Dificultad para entrenar agentes de RL y definir un sistema de rewarding adecuado para el caso de uso. Una solución basada en el uso de algoritmos de optimización multiobjetivo es más mantenible y requiere menos recursos que un sistema basado en RL.
KPIs (impacto en el negocio y métricas del modelo)
Medidas para optimización: Hipervolumen, IGD. Visualizaciones de frentes de Pareto: scatter plot, chord plot, parallel coordinate plot. KPIs: número de piezas empaquetadas de forma errónea, tiempos de llenado de paquete.
Financiación
El proyecto ha sido financiado por la Diputación Foral de Gipuzkoa dentro de la estrategia Etorkizuna Eraikiz.
Colaboradores
El proyecto ha sido desarrollado con la empresa guipuzcoana Industrias Onyarbi SL..
