Importancia – Ningún cronograma de tareas (schedule) sobrevive al test de la realidad de su ejecución en el piso de planta. La ocurrencia de eventos no planificados como la rotura de una máquina, la indisponibilidad de un recurso material crítico o las perturbaciones inesperadas, como el incremento de tiempos de procesamiento por recursos compartidos o el arribo de una orden prioritaria, imponen la necesidad de modificar el cronograma original. La capacidad de respuesta para reformular on-line el schedule de tareas teniendo en cuenta diferentes (y con frecuencia contradictorios) objetivos como minimizar la tardanza promedio o el número de alteraciones realizadas al cronograma es clave para implementar sistemas de control de ejecución que operan a lazo cerrado en un nivel intermedio entre la planificación (más abstracto) y los sistemas de control en el piso de planta (Figura).

Problemática – Típicamente el problema de identificación de un schedule robusto a eventos disruptivos y a la vez satisfactorio en relación con uno o varios objetivos, se aborda resolviendo repetidas veces un problema de optimización. El conjunto de soluciones encontradas en una muy variada multiplicidad de escenarios y estados del piso de planta contiene implícitamente un conocimiento que puede ser explotado para implementar un sistema de rescheduling en-línea. Para extraer este conocimiento heurístico es imprescindible desarrollar primero una representación matemática eficiente del estado de un cronograma teniendo en cuenta las relaciones de precedencia y sincronización entre los objetos que lo definen: las tareas (y sus atributos), los recursos (considerando las capacidades y habilidades), las recetas de los distintos productos y la estructura del sistema productivo. Sobre la base de una apropiada representación causal de la dinámica de estado del schedule, la extracción de conocimiento heurístico impone desarrollar una metodología de inferencia inductiva (generalización) de soluciones satisfactorias en un modelo computacional eficiente para su aplicación en tiempo real.

Objetivos – Desarrollo de representaciones referenciales (déiticas) de las soluciones robustas y satisfactorias encontradas off-line usando optimización. Para extraer conocimiento heurístico a partir de estas soluciones se desarrollarán algoritmos de aprendizaje computacional donde se combinan modelos causales de las relaciones estructurales entre los objetos (tareas, recetas y recursos) que forman el cronograma con las metas y objetivos que definen un schedule deseado. Sobre esta base se codificará el conocimiento heurístico obtenido en la etapa de aprendizaje off-line usando redes neuronales recurrentes. Luego, en forma on-line, este conocimiento se utilizará para mantener el estado deseado del schedule y de esta forma hacer frente a perturbaciones y eventos que afectan la factibilidad y performance del cronograma en ejecución.

Contacto: Dr. Ernesto C. Martínez (ra.vo1732232536g.tec1732232536inoc-1732232536efatn1732232536as@ra1732232536gnIsa1732232536ceb1732232536)