Eficiencia Operativa y Tecnologías Avanzadas
Fábricas Modulares
Esta sección presenta artículos relacionados con la eficiencia operativa mediante la implementación de herramientas tecnológicas que optimizan los procesos en una fábrica modular.
Digital Twin and Reinforcement Learning-Based Resilient Production Control for Micro Smart Factory
Control de producción resiliente basado en aprendizaje reforzado y gemelo digital para microfábricas inteligentes
El sistema de fabricación modular (MMS) permite la reestructuración de su configuración para adaptarse a los cambios de producto y convirtiéndose en una solución eficiente para reducir los costos de producción. Este artículo presenta un método de control de producción basado en gemelo digital (DT) y aprendizaje de refuerzo (RL). Este método reemplaza la regla de despacho existente en las fases de tipo e instancia de la microfibra inteligente, la red de políticas de RL se aprende y evalúa mediante la coordinación entre DT y RL. El DT proporciona registros de eventos que incluyen estados, acciones y recompensas para respaldar el aprendizaje. De acuerdo a los resultados, el método propuesto proporciona una solución resiliente al marco arquitectónico de CPPS y logra acciones apropiadas para la situación dinámica de MSF. Además, el concepto propuesto se puede extender a varios dominios de fabricación porque el concepto de regla de prioridad se aplica con frecuencia.
Este documento es un articulo elaborado por Kyu Tae Park, Yoo Ho Son, Sang Wook Ko y Sang Do Noh (Universidad de Sungkyunkwan y MICUBE Solution Inc, Corea del Sur) para la revista Applied Sciences Vol. 11 Núm. 7. Publicación de MDPI. Contacto: [email protected]
Bottleneck Detection in Modular Construction Factories Using Computer Vision
Detección de cuellos de botella en fábricas de construcción modular mediante visión artificial
La industria de la construcción está adoptando métodos de construcción modulares debido a las ventajas que ofrecen en términos de seguridad, calidad y productividad para los proyectos de construcción. Sin embargo, estas fábricas aún dependen de un trabajo manual intensivo, lo que puede generar cuellos de botella en la producción y un impacto en la productividad. Este artículo propone un método de monitoreo del progreso con visión artificial que se basa en 2 observaciones por estación. Utilizando el método de transformación de características de escala se identifica la presencia de unidades modulares en las estaciones de trabajo, y con el método basado en aprendizaje profundo Mask R-CNN se identifican las estaciones de trabajo activas. Esta información se sintetiza utilizando un método de identificación de cuellos de botella basado en datos casi en tiempo real adecuado para líneas de montaje en fábricas de construcción modular permitiendo un monitoreo contínuo y completo de las líneas de producción.
Este documento es un articulo elaborado por Roshan Panahi, Joseph Louis, Ankur Podder, Colby Swanson y Shanti Pless (Universidad Estatal de Oregón, Laboratorio Nacional de Energías Renovables - NREL y Grupo de innovación Momentum, Estados Unidos de América) para la revista Sensors Vol. 23 Núm. 8. Publicación de MDPI. Contacto: [email protected]
