Planificación multiobjetivo basada en lógica difusa para sistemas de fabricación humano–robot

Por qué las personas y los robots deben planificar juntos

Las fábricas de hoy afrontan ciclos de vida de producto cortos, clientes exigentes y pedidos que cambian con rapidez. Muchas combinan ahora trabajadores humanos con robots colaborativos para mantener la flexibilidad. Pero decidir cuánto producir, cuándo hacerlo y qué tareas deben ejecutar personas o robots ya no es un ejercicio sencillo de hoja de cálculo, sobre todo cuando los pedidos futuros y los tiempos de trabajo son inciertos. Este estudio aborda directamente ese nudo, proponiendo una forma de planificar la producción y programar el trabajo humano–robot para equilibrar al mismo tiempo el coste, la velocidad y la fiabilidad de las entregas.

El reto de adivinar el futuro

Los fabricantes rara vez saben con exactitud cuántas unidades pedirán los clientes o cuánto tiempo llevará cada tarea, particularmente en producción personalizada y de bajo volumen. Una tarea puede ser más rápida en un robot pero más flexible con una persona, y los tiempos reales de ciclo varían con la mezcla de productos, la experiencia del trabajador y los problemas técnicos. Las herramientas de planificación tradicionales suelen asumir números fijos y conocidos o dependen de largos historiales para construir modelos probabilísticos. En muchas líneas humano–robot, esos registros simplemente no existen. Como resultado, las empresas corren el riesgo de sobreproducir y pagar inventario excesivo, o de producir menos de lo necesario y enfrentarse a faltantes, entregas tardías y costes por penalizaciones.

Un único plan que contempla toda la fábrica

Los autores elaboran un modelo integrado que observa la fábrica en dos niveles a la vez. En el nivel de planificación a medio plazo decide cuántas unidades de cada producto fabricar en cada periodo, cuánto almacenar y cuánta escasez tolerar o dejar en pedido pendiente. En el nivel de taller determina qué operaciones realizan humanos o robots en cada estación y en qué secuencia. Cada producto debe pasar por varias estaciones, y cada estación puede ser operada por un humano o por un robot con distintas velocidades y costes. Al tratar cantidades de producción, inventario, faltantes, asignación de tareas y orden de trabajos como un único problema combinado, el modelo captura compensaciones que suelen perderse cuando la planificación y la programación se tratan por separado.

Dar sentido a la información difusa

En lugar de fingir que la demanda y los tiempos de procesamiento son precisos, el estudio los describe como rangos con valores más o menos plausibles, los llamados números difusos. Los autores aplican entonces un esquema averso al riesgo que, en la práctica, se inclina hacia el lado más pesimista de esos rangos. Este enfoque «constrained por credibilidad» exige que los planes permanezcan factibles con un nivel de creencia elegido, por ejemplo el 80 %, sin recurrir a distribuciones de probabilidad completas. La demanda y los tiempos de tarea difusos se traducen en valores nítidos y cautelosos, y el modelo matemático resultante persigue tres objetivos a la vez: maximizar el rendimiento financiero global (valor neto presente), minimizar el tiempo hasta que todos los trabajos estén terminados (makespan) y minimizar la suma de adelantos o retrasos en las entregas.

Buscar buenos compromisos

Como el problema combinado de planificación humano–robot es extremadamente complejo y crece rápidamente con el número de productos, estaciones y periodos, los métodos exactos solo funcionan para casos pequeños. Los autores validan primero su modelo en ejemplos pequeños usando una técnica matemática precisa llamada método épsilon‑restricción. Para fábricas realistas y de gran tamaño recurren luego a tres estrategias de búsqueda inspiradas en la naturaleza: NSGA‑II (un algoritmo genético), MOPSO (optimización por enjambre de partículas) y MOWOA (un algoritmo inspirado en el comportamiento de las ballenas). Los tres producen conjuntos de soluciones de Pareto—distintos compromisos en los que no es posible mejorar un objetivo sin empeorar otro. En 15 problemas de prueba y en una planta de envasado real en China, el enfoque basado en ballenas encuentra de forma consistente opciones más diversas y mejor equilibradas, acercándose más a la mezcla ideal de beneficio, velocidad y rendimiento en las entregas.

Qué significan los trade‑offs en la práctica

Las soluciones revelan patrones claros que importan a los gestores. Apoyarse más en robots acorta los tiempos de finalización y reduce las entregas adelantadas o tardías, pero los costes de adquisición e implementación de robots reducen el valor neto presente. Una mayor incertidumbre en la demanda o en los tiempos de tarea tiende a alargar la producción, elevar las faltas y deteriorar el rendimiento financiero. Curiosamente, los cambios en los tipos de interés bancarios afectan de forma notable al valor neto presente mediante el descuento de flujos de caja futuros, pero tienen casi ningún impacto en los calendarios reales—quién hace qué, cuándo y en qué estación. En conjunto, el estudio muestra que integrar la planificación con la programación humano–robot bajo incertidumbre puede descubrir escenarios operativos más eficientes y realistas que tratarlos por separado.

Conclusión general para no especialistas

Para un lector no especializado, el mensaje es claro: cuando personas y robots comparten una línea de producción y el futuro es incierto, las empresas necesitan herramientas que planifiquen todo de forma conjunta—cuánto producir, dónde almacenarlo y quién debe ejecutar cada paso—reconociendo que los datos clave son solo aproximados. Al combinar una forma cautelosa de tratar la incertidumbre con algoritmos de búsqueda avanzados, este trabajo ofrece a los directores de fábrica un abanico de horarios inteligentes y explicables. Cada opción muestra la compensación entre ganar más dinero, acabar antes y mantener las entregas cerca de las fechas prometidas, ayudándoles a elegir el nivel de riesgo y de uso de robots que mejor se ajuste a su estrategia y presupuesto.

Cita: Deng, Y., Huang, B. & Lai, S. Fuzzy-based multi-objective scheduling for human–robot manufacturing systems. Sci Rep 16, 11253 (2026). https://doi.org/10.1038/s41598-026-40004-9

Palabras clave: colaboración humano–robot, planificación de la producción, optimización difusa, planificación multiobjetivo, sistemas de fabricación