Seguimiento de Inventario para Entornos No Estructurados a través del Razonamiento Probabilístico
Autores: Rajaraman, Mabaran; Bannerman, Kyle; Shimada, Kenji
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Seguimiento de Inventario para Entornos No Estructurados a través del Razonamiento Probabilístico
Categoría
Gestión y administración
Subcategoría
Gestión logística
Palabras clave
Ubicación de la pieza de trabajo
Procesos de fabricación
Partes interesadas
Tecnologías de detección
Enfoque de seguimiento de múltiples hipótesis
Marco de IoT
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
La ubicación de las piezas de trabajo es crítica para planificar de manera eficiente las acciones posteriores en los procesos de fabricación. En industrias pesadas intensivas en mano de obra, como la construcción y la construcción naval, múltiples partes interesadas interactúan, apilan y mueven piezas de trabajo en ausencia de un sistema que registre tales acciones. Mientras que los enfoques de seguimiento por detección dependen de tecnologías de detección como la identificación por radiofrecuencia (RFID) y el sistema de posicionamiento global (GPS), los entornos desordenados y las pilas de piezas de trabajo presentan varias limitaciones para su adaptación. Estos desafíos limitan el uso de dicha tecnología a presentar la última posición conocida de una pieza de trabajo sin más orientación sobre una estrategia de búsqueda. En este trabajo mostramos que un enfoque de seguimiento de múltiples hipótesis que modela el razonamiento humano puede proporcionar una estrategia de búsqueda basada en las observaciones disponibles de una pieza de trabajo. Mostramos que los problemas de seguimiento de inventario bajo incertidumbre pueden abordarse como enfoques de inferencia probabilística en localización para detectar, estimar y actualizar la creencia sobre las ubicaciones de las piezas de trabajo. Presentamos un marco práctico de Internet de las Cosas (IoT) para la recolección de información sobre el cual construimos nuestro razonamiento. También presentamos la capacidad de nuestro sistema para acomodar restricciones adicionales para podar las ubicaciones de búsqueda. Finalmente, en nuestros experimentos mostramos que nuestro enfoque puede proporcionar una reducción significativa en comparación con la búsqueda convencional de piezas de trabajo perdidas, de hasta un 80% en piezas de trabajo a visitar y un 60% en distancia recorrida. En nuestros experimentos destacamos la naturaleza crítica de identificar eventos de apilamiento e inferir ubicaciones utilizando razonamiento para ayudar en las búsquedas incluso cuando la observación directa de una pieza de trabajo no está disponible.
Descripción
La ubicación de las piezas de trabajo es crítica para planificar de manera eficiente las acciones posteriores en los procesos de fabricación. En industrias pesadas intensivas en mano de obra, como la construcción y la construcción naval, múltiples partes interesadas interactúan, apilan y mueven piezas de trabajo en ausencia de un sistema que registre tales acciones. Mientras que los enfoques de seguimiento por detección dependen de tecnologías de detección como la identificación por radiofrecuencia (RFID) y el sistema de posicionamiento global (GPS), los entornos desordenados y las pilas de piezas de trabajo presentan varias limitaciones para su adaptación. Estos desafíos limitan el uso de dicha tecnología a presentar la última posición conocida de una pieza de trabajo sin más orientación sobre una estrategia de búsqueda. En este trabajo mostramos que un enfoque de seguimiento de múltiples hipótesis que modela el razonamiento humano puede proporcionar una estrategia de búsqueda basada en las observaciones disponibles de una pieza de trabajo. Mostramos que los problemas de seguimiento de inventario bajo incertidumbre pueden abordarse como enfoques de inferencia probabilística en localización para detectar, estimar y actualizar la creencia sobre las ubicaciones de las piezas de trabajo. Presentamos un marco práctico de Internet de las Cosas (IoT) para la recolección de información sobre el cual construimos nuestro razonamiento. También presentamos la capacidad de nuestro sistema para acomodar restricciones adicionales para podar las ubicaciones de búsqueda. Finalmente, en nuestros experimentos mostramos que nuestro enfoque puede proporcionar una reducción significativa en comparación con la búsqueda convencional de piezas de trabajo perdidas, de hasta un 80% en piezas de trabajo a visitar y un 60% en distancia recorrida. En nuestros experimentos destacamos la naturaleza crítica de identificar eventos de apilamiento e inferir ubicaciones utilizando razonamiento para ayudar en las búsquedas incluso cuando la observación directa de una pieza de trabajo no está disponible.