Modelado y simulación de variantes de líneas de producción para la validación de aproximaciones y elaboración de modelos predictivos

Abstract

En este proyecto se ha realizado un estudio sobre el comportamiento de las ecuaciones que modelan las principales variables de un sistema productivo, más concretamente de una línea de producción. Para ello se han elaborado una serie de modelos de simulación resultado de la combinación de una serie de parámetros como son: la congestión máxima del cuello de botella, el número de productos a procesar, el número de estaciones en serie y la discrepancia entre las distintas máquinas de estas estaciones. Estos modelos arrojarán los denominados ‘resultados de simulación’, tomados como representaciones fieles de la realidad y que serán comparados con los ‘resultados analíticos’ procedentes de la herramienta ShopAnalyzer. Para abordar el estudio se hará a modo de introducción un recorrido sobre conceptos clave como el de proceso productivo, sus etapas, tipos y variables que lo definen, así como una descripción de lo que sería un proyecto de simulación y en mayor profundidad de las herramientas utilizadas (Arena Software Simulation). El objetivo del análisis es concluir bajo qué circunstancias dichas ecuaciones presentan un mejor o peor comportamiento y, adicionalmente, se ha incluido un modelo predictivo basado en aprendizaje simulado de árboles de decisión regresivos, desarrollados en el lenguaje de programación Python, capaces de aprender de los resultados obtenidos y predecir el error que tendremos en el cálculo de nuestras variables bajo ciertas circunstancias.

In this project a study has been carried out on the behaviour of the equations that model the main variables of a production system, more specifically of a production line. To this end, a series of simulation models have been drawn up as a result of combining a series of parameters such as: maximum bottleneck congestion, the number of products to be processed, the number of stations in series and the discrepancy between the different machines in these stations. These models will give the so-called 'simulation results', taken as faithful representations of reality and which will be compared with the 'analytical results' coming from the ShopAnalyzer tool. In order to approach the study, an introduction will be made on key concepts such as the productive process, its stages, types and variables that define it, as well as a description of what a simulation project would be and in greater depth of the tools used. The objective of the analysis is to conclude under which circumstances these equations present a better or worse behavior and, additionally, a predictive model based on simulated learning of regressive decision trees, developed in the Python programming language, capable of learning from the results obtained and predicting the error we will have in the calculation of our variables under certain circumstances, has been included.