Investigación sobre la optimización de la programación en el taller de procesamiento de placas de buques basada en un algoritmo NSGA-II mejorado

Por qué los astilleros necesitan horarios más inteligentes

Los astilleros modernos manejan miles de pesadas placas de acero que deben marcarse, cortarse y moverse en el orden preciso. Cualquier pequeña perturbación, como una máquina de corte averiada o un pedido urgente, puede propagarse por el taller, desperdiciando energía, sobrecargando algunas máquinas y poniendo en riesgo las fechas de entrega. Este artículo presenta una nueva forma de reorganizar automáticamente el trabajo en un taller de procesamiento de placas cuando ocurren tales interrupciones, utilizando un algoritmo evolutivo refinado para mantener la producción rápida, fiable y eficiente.

Mantener la producción estable cuando algo falla

La construcción naval es un tipo de fabricación compleja y con paradas frecuentes. Las placas varían en tamaño y forma, y diferentes máquinas comparten la carga de trabajo. Hoy en día, cuando ocurre algo inesperado, muchos astilleros siguen confiando en el personal experimentado para reordenar el plan a mano. Eso lleva tiempo y a menudo provoca un uso desigual de las máquinas y mayores costes. Los autores se centran en una pregunta clave: cuando la planta sufre eventos como fallos de máquinas, retrabajos o materiales retrasados, ¿cómo puede un sistema informático generar rápidamente un nuevo plan que termine a tiempo, mantenga baja la energía consumida y evite sobrecargar una sola máquina?

Convertir el taller en un gemelo digital

Para abordar esto, los investigadores primero transforman el taller de placas en un modelo digital detallado. Construyen un diseño tridimensional de las máquinas y los flujos de material usando software de ingeniería y lo vinculan con una plataforma de datos del Internet de las Cosas (IoT) que recoge información en tiempo real de mesas de corte, grúas y otros equipos. Esto crea una especie de gemelo digital del taller: un entorno virtual que refleja lo que ocurre en el piso. Los datos de producción fluyen hacia un sistema de programación, que utiliza algoritmos de optimización para proponer un plan de trabajo inicial. Ese plan se prueba en simulación para comprobar si respeta los plazos de entrega y usa las máquinas de forma razonable antes de ser devuelto para controlar el taller real.

Equilibrar tiempo, coste y carga de las máquinas

El núcleo del estudio es una descripción matemática de cómo se mueven las placas por el taller. Cada placa pasa por varios pasos en distintas máquinas, y el plan debe respetar el orden de operaciones, la capacidad de cada máquina y la fecha de entrega prometida. Los autores definen tres objetivos a la vez: acortar el tiempo total de finalización, reducir la energía total usada durante el procesamiento y en espera, y evitar períodos prolongados en los que las máquinas estén ociosas o sobrecargadas. Este tipo de problema multiobjetivo no tiene una única respuesta perfecta. En su lugar, produce un conjunto de compensaciones —por ejemplo, terminar algo antes a costa de un mayor consumo de energía. El objetivo del algoritmo es trazar estas compensaciones para que los planificadores puedan elegir el horario que mejor se ajuste a sus prioridades.

Enseñar a un algoritmo a adaptarse como un experto

Para explorar el enorme espacio de horarios posibles, los autores mejoran un método evolutivo popular llamado NSGA-II, que funciona haciendo evolucionar una población de planes candidatos a lo largo de muchas generaciones. Las versiones tradicionales usan parámetros fijos para la frecuencia de cruce y mutación de planes, y preservan los mejores de forma sencilla. Esto puede provocar que la búsqueda se "estanque" demasiado pronto. Aquí, las probabilidades de cruce y mutación se adaptan automáticamente a medida que avanza la búsqueda, fomentando una amplia exploración al inicio y una refinación más cuidadosa después. Al mismo tiempo, una nueva regla de "selección de élite", inspirada en el recocido simulado, controla cuántos de los mejores planes se conservan de cada generación. Esto ayuda a mantener variedad entre los horarios prometedores para que el algoritmo no converja demasiado rápido hacia una solución subóptima.

Demostrar el método en tests y en un astillero real

El enfoque mejorado se prueba de dos maneras. Primero, se ejecuta sobre un conjunto de puntos de referencia estándar de programación ampliamente usados por investigadores. En la mayoría de estas pruebas, encuentra soluciones de compromiso más diversas y de mayor calidad que tanto el NSGA-II original como una variante más reciente llamada NSGA-III. En segundo lugar, el equipo lo aplica a un pedido de producción real que involucra 16 placas y siete máquinas en un astillero, y luego introduce perturbaciones realistas: trabajos de retrabajo urgentes y una avería importante de una máquina. En cada caso, el sistema primero intenta un simple desplazamiento a la derecha de las tareas afectadas; si eso incumpliría la fecha de entrega, desencadena un reprogramado completo usando el algoritmo mejorado. En comparación con las estrategias tradicionales, el nuevo método ofrece tiempos de finalización más cortos, un consumo de energía menor o similar y cargas de trabajo de las máquinas mejor equilibradas, a la vez que calcula planes con la rapidez necesaria para su uso práctico.

Qué significa esto para la construcción naval

Para los no especialistas, el mensaje clave es que los talleres de placas pueden ahora responder a sorpresas de forma más automática y fiable. Combinando una fuente de datos en vivo desde la fábrica, un modelo digital realista y un algoritmo evolutivo más inteligente, el método mantiene la producción dentro del calendario con menos intervención manual de emergencia. A largo plazo, dicha programación dinámica podría ayudar a los astilleros a reducir retrasos, ahorrar energía y aprovechar mejor equipos caros —un paso concreto hacia una fabricación más inteligente y resiliente.

Cita: Dong, L., Liu, J., Gu, S. et al. Research on scheduling optimization of ship plate processing workshop based on improved NSGA-II algorithm. Sci Rep 16, 5549 (2026). https://doi.org/10.1038/s41598-026-35278-y

Palabras clave: construcción naval, planificación de la producción, algoritmo genético, fabricación inteligente, optimización dinámica