Aplicación de técnicas de aprendizaje automático y optimización a problemas reales en la industria 4.0

  1. PARA FERNANDEZ, JESÚS
Zuzendaria:
  1. Antonio Jesús Nebro Urbaneja Zuzendaria
  2. Javier del Ser Lorente Zuzendarikidea

Defentsa unibertsitatea: Universidad de Málaga

Fecha de defensa: 2023(e)ko ekaina-(a)k 02

Epaimahaia:
  1. David Camacho Fernández Presidentea
  2. José Manuel García Nieto Idazkaria
  3. Eneko Osaba Kidea

Mota: Tesia

Teseo: 813513 DIALNET lock_openTESEO editor

Laburpena

La inteligencia artificial está siendo uno de los elementos más disruptivos de la actualidad. Esto es así gracias a la capacidad de generar soluciones de calidad a todo tipo de problemas mediante el uso de algoritmos convenientemente entrenados, previa captura de información. La industria, aunque de una forma más tardía que otros sectores, no es ajena a esta revolución, de hecho, se habla ya de la cuarta revolución industrial, o de una manera más genérica de la industria 4.0. Pero, ¿está la industria, sus equipamientos y sistemas realmente preparados para abordar esta revolución? En esta tesis intentamos dar respuesta a dos importantes problemas que existen actualmente en la industria: la mejora de procesos productivos y la optimización de la planificación de la producción mediante sistemas de aprendizaje automático y algoritmos de optimización multiobjetivo. Respecto a la mejora de procesos productivos, desarrollamos una nueva metodología: Analizar, Sensorizar, Preprocesar, Predecir, Implementar y Desplegar (ASPPID), un flujo de trabajo iterativo que abarca desde la adquisición de equipos de detección hasta la evaluación cuantitativa de su contribución a la mejora de la fase de producción en cuestión. El objetivo de esta metodología es ayudar a los equipos de mejora a tomar decisiones con conocimiento de causa sobre qué partes del proceso deben ser detectadas y cómo explotar esta información para lograr una mejora verificable del ciclo de producción, con un caso de uso real en el que se evidencia que la reducción de piezas producidas fuera de especificación se reduce gracias al uso de esta metodología, lo que pone de manifiesto el papel crucial de la ciencia de datos en la cadena de negocio de las plantas de fabricación. Respecto a la optimización de la planificación de la producción, nos centramos en optimizar la manera de ordenar las órdenes de producción (JSP), pero añadiendo la reducción del consumo energético como segundo objetivo, el cual es una variable cada vez más relevante debido a la crisis climática y el encarecimiento de la misma. Después de realizar un estudio experimental comparando varias metaheurísticas representativas, utilizamos la herramienta irace para encontrar una combinación de componentes y parámetros que den lugar a un algoritmo específico para resolver las instancias JSP consideradas. El enfoque adoptado da como resultado un algoritmo evolutivo capaz de producir soluciones más precisas que las técnicas utilizadas en el estudio comparativo y sin lugar a dudas, mucho mejores que las encontradas sin ningún tipo de algoritmo. Por tanto, concluimos que la inteligencia artificial, avalada por los resultados obtenidos en este trabajo de investigación, supone una herramienta disruptiva, capaz de aportar valor añadido en la generación de conocimiento y toma de decisiones dentro de las organizaciones industriales.