MATERIALS AND METHODS
SAMPLE COLLECTION: SERUM SAMPLE:
NEURONALES
[3.4]Malave y Ramachandran, Moon y Choi han explorado la espontánea habilidad de agrupamiento de las redes neuronales para la formación de familias de piezas y máquinas utilizando la información contenida en el análisis de flujo de producción (AFP).
El uso de redes neuronales artificiales (ANNs) ofrece nuevas oportunidades en la solución de problemas de manufactura. Las redes neuronales ofrecen características únicas que pueden ser aplicadas a una amplia variedad de problemas. Como el cerebro humano, éstas están compuestas de unidades de procesamiento llamadas nodos, en alguna manera análogas al funcionamiento básico de una neurona biológica.
ANNs, creadas para cumplir funciones tan intrigantes como aprender de la previa experiencia, auto-organización, adaptación al ambiente cambiante y otras funciones más que el cerebro humano realiza.
Un tipo de ANNs, de los más relevantes para resolver problemas de agrupamiento de partes y máquinas son las redes neuronales auto organizables, conocidas como SONNs. Tienen la habilidad de agrupar y clasificar partes o piezas con poco entrenamiento y supervisión. Está habilidad de las SONNs es particularmente
Análisis dinámico del comportamiento de una
Celda de Manufactura de piezas metálicas. CAPÍTULO III
funcional para la solución de problemas de agrupamiento en máquinas y piezas debido a los pocos datos que se necesitan.
Las SONNs pueden clasificar un conjunto de elementos de entrada con poca supervisión o capacitación. Las ANNs están compuestas por interconexiones de elementos de computación. En las SONNs la espontánea habilidad de agrupar un conjunto de elementos puede ser atribuida a las interconexiones y pesos asociados con ésta. Las ANNs forman agrupaciones aceptando un vector de entrada, ya sea binario o un valor real y clasificándolo dentro de una categoría dependiendo a la que mas se asemeje de las ya almacenadas previamente.
En general, la arquitectura de una red neuronal consiste en una capa de entrada para recibir los datos y una de salida para presentar los resultados de su operación. A las capas que se encuentran entre ellas son llamadas ocultas. Los nodos en cada capa están interconectados dependiendo de la topología de la red. Asociadas con cada interconexión existe un valor (que puede tomar diversos valores) llamado peso de la conexión. La activación o desactivación de un nodo depende del peso de la conexión y de las acciones que influyan en el nodo de salida.
3.7.8 ALGORITMO GENÉTICO
[3.5]Los algoritmos genéticos (Gas por sus siglas en inglés) son utilizados para estudiar la transformación de organismos en su evolución natural para analizar su adaptabilidad al ambiente que los rodea; posteriormente fueron adaptados para encontrar soluciones para problemas industriales y de manufactura. Gas por sus siglas en inglés fue desarrollado primeramente por Holland (1975).
La evolución comienza a partir de una población de individuos completamente aleatorios y pasa en generaciones. Un individuo, o solución del problema a resolver, es presentado por una lista de parámetros, llamados cromosomas o genomas. Los cromosomas son generalmente representados como datos enteros e instrucciones, además también se pueden utilizar una amplia variedad de otros datos para almacenar cromosomas.
GAs ha sido desarrollado para resolver problemas de agrupamiento de máquinas y piezas requeridas para la manufactura celular. GAs provee alternativas a dos objetivos primordialmente, el primero para la disminución en la variación de carga de la célula de manufactura y en la disminución del movimiento Inter-celular facilitando la toma de decisiones.
El algoritmo comienza con un conjunto de soluciones aleatorias conocida como población. A cada entidad se le llama cromosoma y cada uno de ellos representa una solución viable por secuencia de números binarios o reales conocidos como genes. A través de un proceso de evolución, una nueva “generación” de cromosomas reemplaza a la actual población. La nueva población producirá
Análisis dinámico del comportamiento de una
Celda de Manufactura de piezas metálicas. CAPÍTULO III
cromosomas llamados hijos. Los cromosomas hijos son generados por una operación de reproducción y también por medio de una mutación.
La operación de reproducción es la combinación de dos cromosomas padres para la formación de dos nuevos cromosomas y la operación de mutación es la modificación de la estructura de un cromosoma cambiando uno o más genes. La supervivencia de los cromosomas para formar la nueva generación es realizada por una función llamada de corrección. Esta función evalúa la calidad de los cromosomas padres e hijos y escoge entre estos cromosomas a los que mejor se ajusten para la próxima generación.
El proceso es repetido hasta alcanzar cierta condición. Esta condición puede ser:
Un número determinado de generaciones alcanzado.
Presupuesto alcanzado (tiempo de cómputo o dinero)
Un individuo satisface un mínimo criterio.
Se alcanzó un máximo de generaciones donde no existe mejora alguna en
comparación con la anterior, etc.
El algoritmo para los GAs se puede enunciar de la siguiente forma: Seleccionar la población inicial.
Repetir
Evaluar el ajuste de los individuos de una proporción de la población. Seleccionar pares de los individuos mejores ubicados para reproducir. Aplicar el operador de reproducción.
Aplicar el operador de mutación. Hasta condición final.
Análisis dinámico del comportamiento de una
Celda de Manufactura de piezas metálicas. CAPÍTULO III
Referencias
[3.1] OLIVA, Eduardo. 2001. Sistemas celulares de producción. México, D.F., Instituto Politécnico Nacional, 2001: pp.11,24,28,45
[3.2] Experiencia de implementación y mejoramiento del desarrollo, International Journal of Production Reserch, Vol.35, No.1, 1997, pag 33.
[3.3] BEDNAREK, M. 1996. TECNOLOGIA DE GRUPOS. La clave para el diseño e implementación de celdas de manufactura. México, D.F., AGT Editor, S.A. 1996: pp. 7,8
[3.4] Burke, L, Kamal, S. Neural networks and the part family/machine group
formation problem in cellular manufacturing: A framework using fuzzy ART.
Journal of Manufacturing Systems, 1995.