I Workshop de Ingeniería de Organización

Bilbao, 21-22 de Septiembre de 2000-05-18

ANÁLISIS Y MEJORA DE LA DISTRIBUCIÓN EN PLANTA

DEL TALLER DE CILINDROS EN ACERALIA
Isabel Fernández1; Raúl Pino2; Paolo Priore3; José Parreño4
1,2,3,4
Departamento de Admón. de Empresas y Contabilidad
Universidad de Oviedo
Correo-e:
bel@etsiig.uniovi.es
pino@etsiig.uniovi.es
priore@etsiig.uniovi.es
parreno@etsiig.uniovi.es

RESUMEN
El proyecto presentado está enfocado al desarrollo de un sistema de información con
criterios objetivos. Este sistema se utilizará para evaluar la efectividad de los rodillos
que se emplean en los trenes de laminación en caliente y en frío, para optimizar la
programación en el departamento de rodillos.

Esta optimización reducirá los costes por medio de una programación más ajustada del
Departamento de Rodillos y de una mejor selección de los proveedores. La calidad del
servicio debería también incrementarse estudiando las condiciones de funcionamiento
de los rodillos y mejorando los tratamientos en el Departamento de Rodillos.

Palabras clave: Aceralia, distribución en planta, simulación, mejora.

1. PARTICIPANTES EN EL PROYECTO

ACERALIA (Avilés, Spain). Posee un Departamento de Rodillos para los trenes

de laminación en caliente y en frío. La Escuela Técnica Superior de Ingenieros
Industriales e Ingenieros Informáticos de Gijón está encargada de realizar la parte
del proyecto que corresponde a Aceralia.

UGINE (Gueugnon, France). El Departamento de Rodillos tiene 9 máquinas para

el tratamiento de los rodillos que se utilizarán en los trenes de laminación. Están
especializados principalmente en el procesado en frío de productos de acero
inoxidable. En el campo del laminado en frío, han trabajado en aspectos como la
mejora de la productividad, de la calidad etc.
CSM (Centro Sviluppo Materiali, Roma, Italy). Se dedica principalmente a la
investigación en el campo de la innovación de materiales y desarrollo del
conocimiento aplicado a la industria del acero. Los técnicos e investigadores del
CSM han trabajado intensivamente en el campo de la Tecnología de la
Información (Sistemas Expertos, Redes Neuronales Artificiales, Técnicas de
Simulación, etc.) El Departamento de Rodillos de AST (Acciai Speciali Terni)
alimenta los trenes de laminación en frío y en caliente dedicados principalmente a
la producción de acero magnético.

CRM (Centre of Research in Metallurgy, Zwijnaarde, Belgium). Posee una

extensa experiencia en el campo del modelado de procesos y en el desarrollo y
evaluación de equipos altamente especializados para control de procesos. Una de
sus compañías afiliadas (SIDMAR) se dedica a la producción de acero en sus
trenes de laminado en frío y caliente. En relación con este proyecto, CSM lleva a
cabo varios proyectos de investigación enfocados a la mejora de las condiciones
de trabajo en los trenes de laminación en caliente para prolongar la vida de los
rodillos..

2. DESCRIPCIÓN DEL PROYECTO

La gestión del Departamento de Rodillos tiene una influencia directa en la

efectividad de los trenes de laminación en cualquier acería. En este proyecto se
desarrollarán nuevas herramientas para la gestión del Departamento de Rodillos.
El objetivo fundamental es el desarrollo e implementación de un Sistema de
Apoyo a la Decisión (DSS – Decisión Support System) basado en herramientas de
la Tecnología de la Información con el que se mejorará la gestión del
Departamento de Rodillos. Los procesos de decisión cubiertos por estas nuevas
herramientas se resumen en los siguientes puntos:

⇒ Escoger los acoples adecuados para ahorrar consumo de rodillos.

⇒ Optimizar las prácticas operativas para obtener mejores niveles de calidad del
producto.
⇒ Evitar errores en los acoplamientos.
⇒ Proporcionar guías a los operarios del Departamento de Rodillos.
⇒ Seleccionar las rutas más adecuadas para los rodillos de los trenes de
laminación en frío.
⇒ Llevar a cabo los programas diseñados por el Departamento de Planificación
de la Producción para los trenes caliente y frío.
⇒ Minimizar costes (de preparación, de stocks, etc.)
⇒ Maximizar la calidad de los rodillos enviados a la posición más adecuada en el
tren de laminación, de acuerdo con el tipo de rodillo y las características de
cada máquina.

Existen varios pasos imprescindibles en la implantación del sistema de decisión:

⇒ Hacer un seguimiento de los rodillos para gestionar la información de cada
uno de ellos.
⇒ Integrar los datos provenientes del Departamento de Rodillos, Control de
Calidad, Gestión Central, y cualquier otro departamento que directa o
indirectamente influya en la gestión de los rodillos.
⇒ Integrar un análisis de incidencias en los trenes de laminado para optimizar
rutas y tratamientos de los rodillos (integración de clientes internos).
⇒ Integrar los proveedores con la gestión de compra de nuevos rodillos desde un
punto de vista técnico y económico.

Para cubrir los requerimientos del proyecto, se utilizarán varias técnicas:

1. Una Base de Datos Técnica: basada principalmente en aspectos multimedia de

la descripción de los rodillos. Se caracterizará por la accesibilidad, descripción
multidimensional de los datos, estabilidad, rapidez y flexibilidad. Un enfoque
OLAP podría incluirse si es necesario según la experiencia de alguno de los
participantes.

2. Un sistema basado en el conocimiento (KBS – Knowledge Based System) que

integre:

!"Un sistema de apoyo a la decisión (DSS) para la optimización de la Base

de Datos Técnica.
!"Reglas Fuzzy para desarrollar un Sistema Experto que atienda a la gestión
y a la producción del Departamento de Rodillos.
!"Redes Neuronales Artificiales (ANN – Artificial Neural Networks) para
pronosticar y clasificar la gran cantidad de datos provenientes del taller de
rodillos, los trenes de laminación y los proveedores.

3. Un software de Simulación se incluirá para simular el comportamiento estable

del taller de rodillos, basado en un análisis estadístico de los centros de trabajo
(análisis de las colas, inputs, outputs, fallos, mantenimiento, etc.) e
implementando una secuenciación clásica. Los resultados de esta herramienta
de simulación serán también incluidos como datos para los dos sistemas
descritos anteriormente y permitirá la simulación de diferentes escenarios para
el rediseño y resecuenciación en los centros de trabajo.

3. INNOVACIONES PRINCIPALES.

Aplicación de Tecnologías de la Información e Inteligencia Artificial en un

entorno industrial. El uso de Sistemas de Soporte a la Decisión junto con
elementos de Inteligencia Artificial han sido utilizados exitosamente en entornos
industriales.
Posibilidad de un fácil seguimiento del comportamiento de diferentes tipos de
rodillos y diferentes suministradores. Una de las principales características del
sistema es proporcionar ayuda durante el proceso de decisión de adquirir rodillos.
Hasta ahora esta tarea era muy complicada debido a la dificultad de obtener
información correcta sobre los tiempos de utilización para cada operación de un
rodillo a lo largo de toda su vida útil. Los encargados habitualmente no son
capaces de decidir qué rodillo es mejor o cuál es más adecuado para un tipo de
operación concreta. Este sistema ayudará a tomar estas decisiones.

Mejor control de los rodillos en el centro de trabajo. Debido a la dificultad de la

secuenciación del empleo de los rodillos en los trenes de laminado, es fácil que se
incorpore un rodillo sin el suficiente tiempo de enfriado (lo que habitualmente
conduce a un mal funcionamiento del rodillo). Otro problema es que quizás no
haya suficientes rodillos disponibles para un tren de laminado. Este tipo de
problemas se podrá corregir casi totalmente con este sistema ya que tendrá en
cuenta todas las posibilidades al hacer la programación del uso de los rodillos en
los trenes de laminación.

4. PARTICIPACIÓN DE LA E.T.S.I.I. e I.I. DE GIJÓN.

En este proyecto, ACERALIA se encargará principalmente de la coordinación del

proyecto, y del desarrollo de algunas herramientas de Inteligencia Artificial. La
Escuela Técnica Superior de Ingenieros Industriales de Gijón y más
concretamente el área de Organización de Empresas perteneciente al
Departamento de Administración de Empresas y Contabilidad, se encargará del
análisis del taller de rodillos, empleando la simulación y herramientas de
Inteligencia Artificial para la optimización de la distribución en planta del taller.

El problema de la distribución en planta trata de seleccionar aquella disposición

de elementos físicos dentro de la empresa que resulte más eficiente con arreglo a
algún parámetro. Algunos enfoques utilizan métodos estrictamente cuantitativos
como es el caso de la minimización del coste de transporte de material mientras
que otros, tomando como referencia el trabajo de Muther, ponen un mayor énfasis
en el nivel de satisfacción de una serie de ratios que reflejan la necesidad teórica o
deseada de que los departamentos, por distintas razones, se ubiquen próximos en
el layout (Muther, 1973).

A pesar de la cantidad de estudios llevados a cabo desde que Armour y Buffa

desarrollaran su primer trabajo en este campo, son muchas aún las restricciones o
consideraciones pendientes de ser tenidas en cuenta de forma simultánea; así por
ejemplo, la limitación geométrica de la propia planta o de algunos de sus
departamentos, la consideración de pasillos, etc. También es importante tener en
cuenta la consecución de distintos objetivos a un tiempo.
Recientemente, han aparecido en la literatura trabajos pertenecientes a la categoría
de problemas multiobjetivo que intentan paliar este hueco. Dado que los métodos
de optimización resultan ineficientes desde el punto de vista computacional
cuando son muchos los departamentos involucrados en el estudio, se contempla el
uso de otras técnicas, tales como heurísticas, herramientas de inteligencia artificial
tales como sistemas de decisión fuzzy o algoritmos genéticos, y simulación como
más apropiadas para la generación más eficiente de layouts.

Desde el año 1975 en que se introdujeron, los algoritmos genéticos han venido
demostrando una gran capacidad para resolver problemas de optimización
combinatoria que resultarían de gran complejidad para las técnicas
convencionales.

Los algoritmos genéticos (abreviadamente AGs), surgieron a finales de los años

60’, de la mano de Holland (1975). Entre las aplicaciones realizadas con AGs, un
elevado número está orientado a problemas de optimización combinatoria, los
cuales son complejos de resolver usando técnicas convencionales. Las primeras
aplicaciones de AG al problema de la distribución en planta empezaron a aparecer
en la literatura a lo largo de la última década (Smith and Tate, 1992), permitiendo
por una parte la incorporación de restricciones que resultan difíciles de modelizar
usando las técnicas de programación matemática y explorando en paralelo, por
otra, diferentes regiones del espacio de soluciones.

Los AGs se basan en tres etapas fundamentales: Selección, Reproducción y

Reemplazo, las cuales se realizan un determinado número de veces, dependiendo
de la complejidad del problema; cada repetición de las etapas recibe el nombre de
generación (Goldberg,89, Michalewicz,94). Otra de las particularidades de los
AGs se debe a que trabajan con una población de posibles soluciones, en
contraposición con los demás métodos de búsqueda heurística que trabajan con
una única solución.

La construcción de sistemas de decisión borrosos, está fundamentada en la teoría

de subconjuntos borrosos (Zadeh, 1965). Gracias a esta teoría, se permite dotar a
gran cantidad de modelos, en multitud de áreas de aplicación, de un componente
de incertidumbre que los hace más efectivos en términos de aproximación a la
realidad (Kaufmann, 1991). En muchas ocasiones, las decisiones que se deben
tomar ante diferentes alternativas requieren manejar información cualitativa o
cuantitativa imprecisa. Por tanto, parece tener fundamento el uso de variables
lingüísticas, que permitan etiquetar su contenido en tales modelos de decisión.
Dichas variables toman como valores palabras del leguaje común o natural, frente
a las variables numéricas o "crisp", que sólo pueden tomar números como valores
(Driankov, Hellendoorn, Reinfrank, 1996).

En todo problema de decisión es necesario disponer de una base de conocimiento.

En general, ésta viene dada por el conocimiento de un experto que es capaz de
explicar el funcionamiento del sistema mediante un conjunto de reglas lingüísticas
donde se involucra a las variables de entrada y de salida del sistema decisorio; así,
será necesario definir en forma borrosa las variables del sistema, esto es,
definición de la forma y rango de las etiquetas de cada variable (Cox, 1994). Los
sistemas de decisión borrosos para el control (Mamdani 1981), se apoyan en la
teoría anterior para modelar problemas de distintos ámbitos, como puede ser el de
la distribución en planta (Wilhem 1987; Raoot y Rakshit 1991 y 1993).

Debido a la creciente importancia de obtener la máxima rentabilidad de todos y

cada uno de los recursos disponibles, la posibilidad de hacer pruebas y tests antes
de invertir tiempo y capital en un proyecto, es extremadamente atractiva. Esto es
precisamente lo que ofrece fundamentalmente la simulación por computador.

Cuando se pretende analizar un sistema de producción existente o cuando se está

planificando, sería deseable contar con una herramienta que permita experimentar
con el diseño y/o el funcionamiento del sistema, para tratar de optimizar una o
varias variables, como podrían ser la productividad o la eficiencia. Esto se podría
hacer en una planta de fabricación, el sistema de gestión de equipajes de unas
líneas aéreas, o el flujo de documentación entre varias oficinas.

Cuando una empresa está pensando en hacer inversiones en capacidad, o en

rediseñar la planta, con el objetivo de incrementar la productividad de un
departamento, o para reducir tiempos de fabricación, las decisiones se suelen
tomar en función de poco más que opiniones más o menos subjetivas basadas en
la experiencia de los que tienen que decidir. En muchos casos, esto conduce a la
adquisición de equipamiento inadecuado, o a diseños incorrectos con poco o
ningún beneficio práctico. Mediante herramientas como la simulación por
computador, es posible crear un modelo del sistema real, en un breve periodo de
tiempo, con el que se pueden comprobar los efectos de diferentes decisiones
relativas a la planificación, diseño de operaciones, distribución en planta, etc.

Cuando se pretende analizar el funcionamiento de cualquier sistema que contiene

elementos discretos que se mueven entre dos o más puntos, existen básicamente
tres opciones:

• Observación del sistema real.

• Análisis matemático del funcionamiento del sistema.
• Simulación.

La observación es posible si la planta o el sistema están disponibles para su

estudio, pero está limitada cuando se quieren probar diferentes cargas de trabajo,
secuenciaciones de las tareas, o distribuciones físicas de los recursos, ya que todas
estas posibilidades deberían ser probadas sobre el sistema real, lo que supondría
un considerable esfuerzo y tiempo, además de producir perturbaciones en el
funcionamiento normal del sistema. El análisis matemático es inadecuado para
sistemas que contienen factores aleatorios como averías en las máquinas, tiempos
de operación variables, etc. La simulación es el sistema más adecuado en la
mayoría de los casos, ya que ofrece significativas ventajas en el estudio y
optimización de sistemas simples o complejos:

• Gran velocidad, dependiendo de la complejidad del modelo (por ejemplo, un

año completo de funcionamiento se puede simular en menos de una hora).
• Es posible construir modelos muy aproximados a la realidad en muy breve
periodo de tiempo.
• Es posible evaluar diferentes estrategias y reglas, haciendo numerosas
simulaciones de diferente longitud y condiciones.
• Se pueden resolver rápidamente cuestiones como: ¿qué pasaría si se mueve la
máquina “A” a otra situación?, o ¿si aceleramos este proceso, qué nuevos
cuellos de botella aparecerán?
• Los datos y resultados se recopilan y analizan automáticamente después de
cada simulación.
• Es posible obtener los resultados de forma gráfica, además de poder construir
animaciones realistas del funcionamiento del sistema.

Correctamente utilizada, la simulación puede revelar:

• Problemas potenciales en el sistema analizado.

• Sobre o sub-capacidad.
• Cuellos de botella.
• Tamaño óptimos de las colas y/o de la cantidad de trabajo en curso.
• Problemas de flujo de materiales.

4. REFERENCIAS

ARAMAN, P.A. (1977): “Use of computer simulation in designing and evaluating

a proposed rough mill for furniture interior parts”. FS Research Paper NE-361, 9
pp.
BANKS, J. (1998): Handbook of Simulation: Principles, Methodology, Advances,
Applications and Practice. John Wiley & Sons.
CLOUD, D.J. and RAINEY, L.B. (1998): Applied Modelling and Simulation: An
integrated Approach to Development and Operation. McGraw Hill
COSS, R. (1982): Simulación: Un Enfoque Práctico. Ed. Limusa.
COX, E. (1994): The Fuzzy Systems Handbook. Academic Press, Inc.
DRIANKOV, D.; HELLENDOORN, H. and REINFRANK, M. (1996):. An
Introduction to Fuzzy Control. 2nd Edition. Springer.
FRANCIS, R.L. & WHITE, J.A. (1974): Facility Layout and Location. Ed.
Prentice Hall, Englewood Cliffs.
GOLDBERG, D. E. (1989): Genetic Algorithms in Search, Optimization and
Machine Learning. Addison- Wesley.
GÓMEZ GÓMEZ, A.; PARREÑO FERNÁNDEZ, J. Y FERNÁNDEZ
QUESADA, I. (1998): “Resolución de problemas de packing en una empresa de
calcamonías mediante algoritmos genéticos.” En el XII Congreso Nacional y VIII
Congreso Hispano-Francés de AEDEM, Benalmádena (Málaga), pp. 999-1008
HOLLAND, J.J. (1975): Adaptation in Natural and Artificial Systems. University
of Michigan Press.
IMMER, J.R. (1950): Layout Planning Techniques. McGraw-Hill Book
Company, New York.
KAUFMANN, A. and GUPTA, M. (1991): Introduction to Fuzzy Arithmetic.
Theory and Applications .Van Nostrand Reinhold.
KELTON, W.D.; SADOWSKI, R.P. and SADOWSKI, D.A. (1998): Simulation
with Arena. McGraw Hill
KLINE, D.E. and ARAMAN, P.A. (1990): “Computer simulation of a hardwood
processing plant”. In: Proceedings, Process Control/Production Management of
Wood Products: Technology for the 90's, pp. 41-50.
LEE, R.C. and MOORE, J.M. (1967): “CORELAP-computerized relationship
layout planning”. Journal of Industrial Engineering. 18, pp.1994-2000.
LIN, W.; KLINE, D.E.; ARAMAN, P.A. and WIEDENBECK, J.K. (1995):
“Design and evaluation of log-to-dimension manufacturing systems using system
simulation”. Forest Products Journal, 45(3), pp. 37-44.
MAMDANI, E.H. and GAINS, B.R. (1981): Fuzzy Reasoning and its
Applications. New York: Academic Press.
MICHALEWICZ, Z. (1994): Genetic Algorithms + Data Structures = Evolution
Programs. Springer Verlag.
MUTHER, R. (1961): Systematic Layout Planning. Industrial Education Institute,
Boston.
NADLER, G. (1961): Work Design: A systems concept. Richard D. Irwin, Inc.
Homewood, IL.
PROFOZICH, D. (1997): Managing Change with Business Process Simulation.
Prentice Hall.
RAOOT, A.D.; RAKSHIT, A. (1991): A fuzzy approach to facilities layout
planning. International Journal of Production Research. 29. 835-857.
RAOOT, A.D.; RAKSHIT, A. (1993): A linguistic pattern approach to facilities
layout planning. International Journal of Production Research. 31. Pp.203-222.
REED, R. (1961): Plant Layout: Factors, Principles and Techniques. Richard D.
Irwin, Inc., Homewood, IL.
SAATY, T.L. (1980): The Analitical Hierarchy Process. McGraw-Hill, New
York.
SIMON, H. A. (1975): Style in Design. ed. Spatial Synthesis in Computer Aided
Building Design, John Wiley & Sons, Inc. New York.
TOOLBOX "FUZZY" V 1.0. DE MATLAB 5.0.
WIEDENBECK, J.K. and ARAMAN, P.A. (1995): “Using manufacturing
simulators to evaluate important processing decisions in the furniture and cabinet
industries”. In: Proceedings, CIFAC '94, The Second International Symposium on
Computers in Furniture and Cabinet Manufacturing. pp. 59-66.
WIEDENBECK, J.K. and KLINE, D.E. (1994): “System simulation modeling: a
case study illustration of the model development life cycle”. Wood and Fiber
Science, 26(2), pp. 192-204.
WILHEM, M.R.; KARWOWSKI, W.; EVANS, G.W. (1987): “A fuzzy set
approach to layout analysis”. International journal of production research. 25,
pp.1431-1450.
ZADEH, L.A. (1965): “Fuzzy Sets”. Information and Control. 8, pp.338-353.