Optimización de Flujo de Manufactura mediante Control de Liberación de WIP

I. Introducción

En una planta de manufactura de aluminio, la gestión del flujo de producción determina directamente la rentabilidad operativa. Cada kilogramo de material en proceso (WIP) atrapado en la planta tiene un costo de oportunidad financiero que varía con el precio del aluminio en el London Metal Exchange (LME), y cada día de atraso en una entrega genera penalizaciones contractuales.

La ciencia de operaciones, particularmente el marco de Factory Physics 1, establece que las tres palancas fundamentales de desempeño son: inventario, tiempo y capacidad. Sin embargo, en la práctica industrial, la decisión de cuándo liberar una orden al piso de producción y cuánto material permitir acumular antes de cada estación rara vez se optimiza de forma sistemática.

Este estudio evalúa mediante simulación si el control automático de estas dos variables —fecha de liberación y buffer target— puede mejorar significativamente el desempeño financiero y operativo de una planta, en comparación con estrategias de planeación convencionales.

II. Modelo de Simulación

Planta modelo

Se modela una planta de aluminio con 6 máquinas organizadas en rutas de fabricación compartidas:

Cada máquina tiene una estructura interna de flujo definida: cola de entrada → procesamiento → buffer de salida. Esta estructura refleja el modelo de nodo de manufactura utilizado en el software Patok 2, donde cada punto de transformación se representa como un nodo digital con zonas diferenciadas.

Productos

Se simulan 3 productos con rutas de fabricación distintas que compiten por recursos compartidos:

• Placa (6061-T6): Fundición → Laminación → Tratamiento Térmico → Corte → Embarques
• Perfil (6063-T5): Fundición → Extrusión → Tratamiento Térmico → Embarques
• Rollo (3003-H14): Fundición → Laminación → Embarques

Condiciones del modelo

El modelo incorpora las siguientes fuentes de variabilidad para reflejar condiciones industriales reales:

• Tiempos de setup: Al cambiar de producto en una máquina (ej. cambio de dados en extrusión), se incurre en un tiempo de preparación. La estrategia FIFO no agrupa productos por tipo; el optimizador puede hacerlo al controlar el orden de liberación.
• Descomposturas aleatorias: Cada máquina tiene 3% de probabilidad diaria de fallar, con paros de 1 a 3 días de duración.
• Variabilidad de proceso: Los tiempos de procesamiento tienen ±20% de variación aleatoria cada día.
• Penalización por atraso: $1,500 USD por cada día que una orden se entrega después de su fecha compromiso.
• Costo financiero del WIP: Tasa de 8% anual sobre el valor del inventario en proceso, calculado con el precio diario del LME.

Horizonte y órdenes

Se simula un trimestre de 90 días con 35 a 45 órdenes de producción que llegan de forma estocástica. Los plazos de entrega son de 10 a 16 días desde la llegada de cada orden, lo que genera alta presión sobre la capacidad instalada.

III. Variables de Decisión

El estudio se centra en dos variables de control que tradicionalmente se gestionan por intuición del supervisor:

Fecha de Liberación (Release Offset)

Define cuántos días esperar desde que llega una orden hasta que se libera al piso de producción. Un offset de 0 significa liberación inmediata (estrategia reactiva); un offset positivo implica retener deliberadamente la orden en el backlog para evitar saturar la primera estación.

Orden llega → [Backlog / Material Bay]
                    │
                    ▼ (Fecha de Liberación — controlada por PSO)
              [Input Queue] → [Procesando] → [Output Bay] → Siguiente máquina

Buffer Target

Define el nivel máximo de inventario en proceso permitido antes de cada máquina. Cuando la cola de una máquina alcanza su buffer target, nuevas órdenes no se liberan hasta que haya espacio. Es el "grifo" que regula cuánto material se permite acumular en el sistema.

La combinación de estas dos variables controla tanto el cuándo (momento de liberación) como el cuánto (capacidad de absorción) del flujo de manufactura.

IV. Estrategias Evaluadas

Escenario 1: Reactivo (FIFO)

• Liberación inmediata de todas las órdenes al llegar
• Sin control de carga ni agrupación de productos
• Procesamiento en orden de llegada (First In, First Out)
• Buffer targets en sus valores máximos (sin restricción)

Esta estrategia representa la operación sin planeación formal: cada orden entra al piso en cuanto el material está disponible.

Escenario 2: Determinístico (EDD)

• Priorización por Earliest Due Date
• Backward scheduling: la fecha de liberación se calcula restando el tiempo de ciclo estimado de la fecha compromiso
• Buffer targets moderados
• No se optimizan las variables de forma conjunta

Esta estrategia representa la planeación convencional basada en reglas determinísticas.

Escenario 3: PSO (Inteligencia Artificial)

• Particle Swarm Optimization con 50 partículas evaluadas durante 70 iteraciones
• Cada partícula codifica un plan completo: release offset por orden + buffer target por máquina
• Función objetivo: maximizar utilidad neta = ingresos − costo financiero del WIP − penalizaciones por atraso
• Total de soluciones evaluadas: 10,500 planes de producción distintos

V. Particle Swarm Optimization (PSO)

Formulación del problema

El PSO trata cada plan de producción como una "partícula" en un espacio multidimensional. Las dimensiones del espacio son:

• N dimensiones para release offsets (una por cada orden): cuántos días retrasar la liberación de cada orden (0 a 15 días)
• 6 dimensiones para buffer targets (una por máquina): cuántas toneladas permitir en la cola de cada máquina

Cada partícula se evalúa simulando el trimestre completo con su plan, y la utilidad neta resultante es su "fitness".

Función objetivo

La función objetivo que maximiza el PSO es:

Utilidad Neta = Σ(Ingresos por venta) − Σ(Costo financiero del WIP) − Σ(Penalizaciones por atraso)

Donde:

• Ingresos = precio de venta por tonelada × cantidad entregada
• Costo WIP = tasa anualizada × precio LME diario × toneladas en planta por día
• Penalizaciones = $1,500 USD × días de atraso × orden

Espacio de búsqueda

Con ~40 órdenes y 6 máquinas, el espacio de decisión tiene aproximadamente 46 dimensiones. El PSO explora este espacio evaluando 10,500 combinaciones (50 partículas × 70 iteraciones × 3 semillas) para encontrar el plan que maximiza la utilidad neta bajo incertidumbre.

VI. Resultados

Hallazgos principales

Los resultados de la simulación muestran consistentemente que la estrategia PSO supera a las estrategias reactiva y determinística en todas las métricas clave. Las mejoras observadas incluyen:

• Reducción significativa del WIP promedio: La estrategia PSO mantiene niveles de inventario en proceso sustancialmente menores que la estrategia reactiva, al controlar cuándo entra material al sistema.
• Mejora en entregas a tiempo: Al liberar órdenes de forma coordinada en lugar de saturar la planta, se reduce la congestión y se acortan los tiempos de espera en cola.
• Incremento en utilidad neta: La combinación de menor costo financiero del WIP y menores penalizaciones por atraso resulta en mejoras significativas de utilidad.
• Menor lead time promedio: Al mantener las colas cortas, el tiempo total de permanencia de cada orden en la planta se reduce — la aplicación directa de la Ley de Little.

Mecanismo de mejora

La mejora del PSO no proviene de procesar más rápido (la capacidad de las máquinas es idéntica en los tres escenarios), sino de controlar el flujo de entrada:

1. Retención inteligente: Las órdenes se retienen en el backlog hasta que la planta tiene capacidad real para procesarlas sin congestionar las colas.
2. Agrupación implícita de productos: Al coordinar las fechas de liberación, el PSO tiende a agrupar órdenes del mismo producto, reduciendo los tiempos de setup.
3. Resiliencia a descomposturas: Los buffers dimensionados por el PSO absorben el impacto de las descomposturas sin que se propaguen a toda la planta.

Distribución de soluciones

De los 10,500 planes evaluados, no todos son igualmente buenos. La distribución de utilidades muestra un rango amplio, lo que confirma que el espacio de decisión es sensible: pequeñas variaciones en los offsets de liberación o los buffer targets pueden tener un impacto significativo en el resultado final. Esto subraya la importancia de la optimización formal versus el ajuste manual.

VII. Limitaciones del Modelo

Es importante reconocer las simplificaciones del modelo para interpretar correctamente los resultados:

1. Modelo de planta fijo: La topología de máquinas y rutas no cambia durante la simulación. En la práctica, las plantas pueden reconfigurar rutas o añadir turnos.
2. Órdenes conocidas a priori: El PSO tiene visibilidad de todas las órdenes del trimestre antes de optimizar. En un escenario real, las órdenes llegan progresivamente y la optimización debe ser rolling.
3. Procesamiento homogéneo: Cada orden se procesa como una unidad en cada máquina. En la práctica, una orden de 10 toneladas podría procesarse en múltiples lotes.
4. Sin restricciones de materia prima: El modelo asume que el material está disponible para todas las órdenes. No se modela la cadena de suministro previa a la planta.
5. Un turno implícito: El modelo opera con capacidad diaria fija sin distinción de turnos.

Estas simplificaciones son estándar en modelos de simulación de flujo de manufactura 1 y no invalidan las conclusiones sobre el valor relativo del control de liberación.

VIII. Implicaciones Prácticas

Para la operación diaria

El resultado más relevante para la operación no es el algoritmo específico (PSO), sino el principio subyacente: controlar cuándo libera material al piso es más efectivo que intentar procesar más rápido.

En la práctica, esto significa:

• No liberar todas las órdenes al llegar: Mantener un backlog gestionado donde las órdenes esperan hasta que la planta tiene capacidad real para absorberlas.
• Definir límites explícitos de WIP por estación: Cada máquina debe tener un buffer target visible y respetado — cuando la cola está llena, no se alimenta más material.
• Visibilidad del inventario en proceso: Para controlar el flujo, es necesario saber en todo momento cuánto material hay en cada punto de la planta.

Para la planeación

El control de liberación funciona como un complemento a la planeación tradicional, no como un reemplazo. La secuenciación (qué orden procesar primero) sigue siendo importante, pero el cuándo liberar al piso es la variable con mayor apalancamiento.

IX. Conclusión

Este estudio de simulación confirma que la palanca más poderosa en la gestión de flujo de manufactura no es la velocidad de las máquinas sino la disciplina en la liberación del material al piso de producción. El control automático de dos variables — fecha de liberación y buffer target — mediante Particle Swarm Optimization produce mejoras significativas y consistentes en utilidad neta, nivel de WIP y entregas a tiempo, frente a estrategias reactivas y determinísticas.

Los resultados son consistentes con los principios de Factory Physics 1: mantener el WIP bajo control reduce los tiempos de espera (Ley de Little) y mejora la capacidad efectiva del sistema, sin requerir inversión en capacidad física adicional.

El simulador interactivo asociado a esta publicación permite al lector reproducir los tres escenarios, explorar el espacio de soluciones del PSO y verificar estos resultados de forma independiente.

Referencias

1 Hopp, W. J. y Spearman, M. L. (2011). Factory Physics. 3ª edición. Waveland Press.

2 Canales Siller, H. (2025). Patok: plataforma de visibilidad operativa e inteligencia artificial para manufactura. Monterrey, México. https://patok.in

El Dr. Horacio Canales Siller es ingeniero con doctorado en ciencia de materiales especializado en aluminio y sus aleaciones. Es fundador de Patok, plataforma de visibilidad operativa e inteligencia artificial para plantas industriales en México.