Aplicaciones De La Inteligencia Artificial En Problemas De Producción

Friday, 28 de octubre de 2011
Aplicaciones de la inteligencia artificial en problemas de producción
1. RESUMEN
Este documento está centrado en analizar más a fondo la inteligencia artificial con sus diferentes paradigmas, siendo los más relevantes las redes neuronales, Genetic algorithms, sistemas de lógica difusa y autómatas programables, con sus diferentes aplicaciones en la vida cotidiana y más específicamente aplicados a las soluciones de problemas relacionados con la ingeniería industrial.
Se considera que la producción en nuestros días puede estar muy apoyada en las nuevas tecnologías, como es la inteligencia artificial ya sea como soporte para una toma de decisiones más eficaz en la ayuda de labores, tareas, que exijan gran demanda de tiempo representen un alto grado de peligrosidad al ser humano.
Palabras claves: Artificial intelligence, redes neuronales, Genetic algorithms, sistemas de lógica difusa, producción.
2. INTRODUCTION
La inteligencia artificial es un área de la investigación donde se desarrollan algoritmos para controlar cosas, y es así que en 1956 se establecen las bases para funcionar como un campo independiente de la informática.
Son muchos los estudios y aplicaciones que se han logrado con el desarrollo de esta ciencia , entre las cuales tenemos redes neuronales aplicadas al management de la calidad donde la crimson evalúa si determinado producto cumple no con las especificaciones demandadas, management del proceso químico en el grado de acidez, genetic algorithms applied to the quadratic assignment problem that deals with the assignment of N tasks to M machines, programmable automata used for the optimization of production systems, finally, there is still much to discover regarding the applications of this science.
3. HISTORY OF ARTIFICIAL INTELLIGENCE
The origins of artificial intelligence could be located with the definition of the formal neuron given by McCulloch & Pitts 1943, as a binary device with several inputs and outputs.
Already in the year 1956 the topic of artificial intelligence was revisited (AI) at the Massachusetts Institute of Technology by John McCarthy where the Dartmouth conference was held in Hanover (United States). En este certamen McCarthy, Marvin Minsky, Nathaniel Rochester y Claude E. Shannon establecieron las bases de la inteligencia artificial como un campo independiente dentro de la informática. Previamente, in 1950, Alan M. Turing había publicado un artículo en la revista Thoughts, titulado Computing Machinery and Intelligence” (Ordenador e inteligencia”), en el que reflexionaba sobre el concepto de inteligencia artificial y establecía lo que luego se conocería como el take a look at de Turing, una prueba que permite determinar si un ordenador computadora se comporta conforme a lo que se entiende como artificialmente inteligente no.
La inteligencia artificial en los años sesenta, como tal no tuvo muchos éxitos ya que requería demasiada inversión para ese tiempo y la mayoría de tecnologías eran propias de grandes centros de investigación. En los años 70 a 80 se lograron algunos avances significativos en una de sus ramas llamada Sistemas Expertos, con la introducción de PROLOG LISP. Básicamente lo que pretende la inteligencia artificial es crear una maquina secuencial programada que repita indefinidamente un conjunto de instrucciones generadas por un ser humano.
En la actualidad mucho se sigue investigando en los grandes laboratorios tecnológicos educativos y privados; sin dejar de lado los notables avances en sistemas de visión por computadora (aplicados por ejemplo, para la clasificación de artículos revueltos -tornillería piezas marcadas por códigos de colores, por citar un caso-), control robótico autónomo (Sony, con sus robots capaces de moverse en forma casi humana y reaccionar a presiones tal como lo hace una persona al caminar), aplicaciones de lógica difusa (aplicación del monitoring automático en nuestras video caseteras, por citar una aplicación), and so forth. However, la Inteligencia Artificial sigue en su gran mayoría acotado por su dominio tecnológico, y poco ha podido salir al mercado del consumidor last a la industria.
four. DEFINITIONS OF ARTIFICIAL INTELLIGENCE
Con respecto a las definiciones actuales de inteligencia artificial se encuentran autores como Wealthy & Knight 1994, Stuart 1996, quienes definen en forma basic la IA como la capacidad que tienen las máquinas para realizar tareas que en el momento son realizadas por seres humanos; otros autores como Nebendah 1988, Delgado 1998, arrojan definiciones más completas y las definen cómo el campo de estudio que se enfoca en la explicación y emulación de la conducta inteligente en función de procesos computacionales basadas en la experiencia y el conocimiento continuo del ambiente.
Hay más autores como Marr 1977, Mompin 1987, Rolston 1992, que en sus definiciones involucran los términos de soluciones a problemas muy complejos.
A criterio de los autores las definiciones de Delgado y Nebendan son muy completas, pero sin el apoyo del juicio formado, emotionality of the human being can lose weight such solutions, therefore, an environment of synergy must be achieved between both parties for greater effectiveness of solutions.
5. TRENDS OF ARTIFICIAL INTELLIGENCE SYSTEMS
Currently according to Delgado 1998, Stuart 1996, there are three paradigms regarding the development of AI.
- Neural Networks.
- Genetic Algorithms.
- Fuzzy Logic Systems.
But other paradigms have been highlighted, such as intelligent decision agents and programmable automata, Regarding the latter, they are often largely used in industrial processes according to needs to be met such as, limited space, periodically changing production processes, sequential processes, variable process machinery, and so forth.
A juicio de los autores se determina que todos estos desarrollos acortan bastante el proceso de decisiones y optimizan las mismas, pero ahí que tener mucho cuidado ya que hay que analizar los diferentes impactos ya sean ambientales, social, políticos y económicos.
5.1 Redes neuronales
A grandes rasgos, se recordará que el cerebro humano se compone de decenas de billones de neuronas interconectadas entre sí formando circuitos redes que desarrollan funciones específicas.
Una neurona típica recoge señales procedentes de otras neuronas a través de una pléyada de delicadas estructuras llamadas dendritas. La neurona emite impulsos de actividad eléctrica a lo largo de una fina y delgada capa denominada axón, que se escinde en millares de ramificaciones.
Las extremidades de estas ramificaciones llegan hasta las dendritas de otras neuronas y establecen conexión llamada sinapsis, que transforma el impulso eléctrico en un mensaje neuroquímico mediante liberación de unas sustancias llamadas neurotransmisores que excitan inhiben sobre la neurona, de esta manera la información se transmite de neuronas a otras y va siendo procesada a través de las conexiones sinápticas y el aprendizaje varía de acuerdo a la efectividad de la sinapsis.
Figure 1. Neuronas y conexiones sinápticas.
Fuente: Sandra Patricia Daza, Universidad Militar Nueva Granada, 2003.
Un psicólogo D Hebb 1949, introdujo dos ideas fundamentales que han influido de manera decisiva en el campo de las redes neuronales. La hipótesis de Hebb, basadas en investigaciones psicofisiológicas, presentan de manera intuitiva el modo en que las neuronas memorizan información y se plasman sintéticamente en la famosa regla de aprendizaje de Hebb ( también conocida como regla de producto). Esta regla indica que las conexiones entre dos neuronas se refuerza si ambas son activadas. Muchos de los algoritmos actuales proceden de los conceptos de este psicólogo.
Widrow 1959, publica una teoría sobre la adaptación neuronal y unos modelos inspirados en esta teoría, el Adaline (Adaptative Linear Neuron) y el Madaline (Múltiple Adaline). Estos modelos fueron usados en numerosas aplicaciones y permitieron usar, por primera vez, una pink neuronal en un problema importante del mundo actual: filtros adaptativos que eliminan ecos en las línea telefónicas.
Hopfield 1980, develop a network model consisting of interconnected processing units that reach energy minima, applying the stability principles developed by Grossberg. The model proved very illustrative of the mechanisms of memory storage and retrieval. His enthusiasm and clarity of presentation gave a new impetus to the field and led to an increase in research.
Other notable developments of this decade are the Boltzmann machine and the BAM models (Bi-directional Associative Memory).
Analogy of biological and artificial neural networks
According to Herrera Fernandez1
Neurons are modeled using processing units, caracterizadas por una función de actividades que convierte la entrada complete recibida de otras unidades en un valor de salida, el cual hace la función de tasa de disparo de la neurona.
Las conexiones sinápticas se simulan mediante conexiones ponderadas, la fuerza peso de la conexión cumple el papel de la efectividad de la sinapsis. Las conexiones determinan si es posible que una unidad influya sobre otra.
Una unidad de proceso recibe varias entradas procedentes de las salidas de otras unidades de proceso de entrada complete de una unidad de proceso y se suele calcular como la suma de todas las entradas ponderadas, I mean, multiplicadas por el peso de la conexión. El efecto inhibitorio excitatorio de la sinapsis se logra usando pesos negativos positivos respectivamente
Table 1. Comparison between real neurons and the processing units used in computational models.
Fuente: Francisco Herrera Fernández
Total stimulation
Activation (firing rate)
Activation function (output)
Neural networks must have a structure consisting of several layers, which are: first layer as an input buffer, storing the raw information provided in the crimson or performing a simple preprocessing of it, we call it the input layer; another layer acts as an output buffer interface that stores the network's response so it can be read, we call it the output layer; and the intermediate layers, mainly responsible for extracting, processing and memorizing information, they are called hidden layers.
Figure 2. Cascade network model with multiple layers.
Fuente: Sandra Patricia Daza, Universidad Militar Nueva Granada, 2003.
5.2 Sistemas de lógica difusa
A concepto de Delgado 1998 es la segunda herramienta que permite emular el razonamiento humano. Los seres humanos pensamos y razonamos por medio de palabras y en grados entre dos estados por ejemplo blanco y negro ó frío y caliente, and many others. Estos sistemas de lógica difusa son una mejora a los sistemas experto tradicionales, en el sentido de que permiten utilizar lenguaje humano como nosotros razonamos
Ya hablando de sistemas expertos tradicionales, estos intentan reproducir el razonamiento humano de forma simbólica. Es un tipo de programa de aplicación informática que adopta decisiones resuelve problemas de un determinado campo, como los sistemas de producción, las finanzas la medicina, utilizando los conocimientos y las reglas analíticas definidas por los expertos en dicho campo. Los expertos solucionan los problemas utilizando una combinación de conocimientos basados en hechos y en su capacidad de razonamiento. En los sistemas expertos, estos dos elementos básicos están contenidos en dos componentes separados, aunque relacionados: una base de conocimientos y una máquina de deducción, de inferencia. La base de conocimientos proporciona hechos objetivos y reglas sobre el tema, mientras que la máquina de deducción proporciona la capacidad de razonamiento que permite al sistema experto extraer conclusiones. Los sistemas expertos facilitan también herramientas adicionales en forma de interfaces de usuario y los mecanismos de explicación. Las interfaces de usuario, al igual que en cualquier otra aplicación, permiten al usuario formular consultas, proporcionar información e interactuar de otras formas con el sistema. Los mecanismos de explicación, la parte más fascinante de los sistemas expertos, permiten a los sistemas explicar justificar sus conclusiones, y también posibilitan a los programadores verificar el funcionamiento de los propios sistemas. Los sistemas expertos comenzaron a aparecer en la década de 1960. Sus campos de aplicación son la química, la geología, la medicina, la banca e inversiones y los seguros.
A experiencia de uno de los autores, el hardware en que se fundamentan estos sistemas que son circuitos integrados digitales son muy eficaces y de durabilidad de por vida si se les da correcto uso.
5.3 Algoritmos genéticos:
Según Delgado 1998 son una técnica inspirada en aspectos biológicos, el proceso de la evolución del que Charles Darwin hace referencia se puede aplicar para optimizar dispositivos de control robots cualquier otro tipo de aspectos que sean susceptibles de ser optimizados como líneas de producción.
En basic es aceptado que cualquier algoritmo genético para resolver un problema, debe tener cinco componentes básicos como se vera a continuación
-Se necesita una codificación representación del problema, que resulte adecuada al mismo.
-Una manera de crear una población inicial de soluciones.
-Una función de ajuste ó adaptación al problema, también llamada función de evaluación, la cual asigna un número actual a cada posible solución codificada.
-Durante la ejecución del algoritmo, los padres – dos individuos pertenecientes a la población inicial, que son soluciones factibles del problema- deben ser seleccionados para la reproducción; a continuación dichos padres seleccionados se cruzarán generando dos hijos, nuevas soluciones al problema, sobre cada technological religion uno de los cuales actuará un operador de mutación de acuerdo con una cierta probabilidad. El resultado de la combinación de las anteriores funciones será un conjunto de individuos (posibles soluciones al problema), los cuales en la evolución del Algoritmo Genético formarán parte de la siguiente población.
-Valores para los parámetros: tamaño de la población, probabilidad de aplicación de los operadores genéticos.
6. APLICACIONES DE LA INTELIGENCIA ARTIFICIAL Y LAS TÉCNICAS QUE USAN
Dentro del enfoque de la ingeniería de la Inteligencia Artificial, se clasifican las técnicas que pueden ser usadas como herramientas para solucionar problemas en las siguientes categorías:
1. Técnicas básicas, así llamadas por encontrarse a la base de diversas aplicaciones de IA. Entre otras se encuentran Búsqueda Heurística de Soluciones, Representación del Conocimiento, Deducción Automática, Programación Simbólica (LISP) y Redes Neuronales. Estas técnicas son las bases de las aplicaciones. En su mayoría, no necesita conocerla el usuario closing, sino los profesionales que se dedican a su aplicación y la generación de aplicaciones comerciales.
2. Tecnologías, combinaciones de varias técnicas básicas, orientadas a resolver familias de problemas. Las tecnologías son más especializadas que las técnicas básicas y están más cerca de las aplicaciones finales. Se pueden mencionar a la Robótica y Visión, Lenguaje Natural, Expert Systems
three. Clases tipos de aplicaciones: Diagnosis, Predicción (sistemas de autocontrol de reactores atómicos), Secuenciamiento de operaciones (“Scheduling”), Design, Interpretación de datos. Todas ellas son familias de problemas tipo. For example, el diagnóstico se refiere a encontrar las causas de fallas, ya sea que se trate de fallas en una línea de producción de enfermedades en una persona.
4. Campos de aplicación: Engineering, Medicina, Sistemas de Manufactura, Administration, Support for Managerial Decision Making, and so on. All fall within the areas of computer systems, but are considered as clients of Artificial Intelligence.
7. APPLICATION OF ARTIFICIAL INTELLIGENCE IN PRODUCTIVE SYSTEMS
The incorporation of intelligent decision agents, redes neuronales, expert systems, genetic algorithms and programmable automata for the optimization of production systems is an active trend in the industrial environment of countries with high technological development and significant investment in research and development. These components of Artificial Intelligence have as their main function to independently control, and in coordination with other agents, industrial components such as manufacturing and assembly cells, y operaciones de mantenimiento, among others.
Existe una tendencia creciente a la implementación de sistemas de manufactura/ensamblaje más autónomos e inteligentes, debido a las exigencias del mercado por obtener productos con niveles muy altos de calidad; lo cual con operaciones manuales se hace complicada y hace que los países subdesarrollados como el nuestro no alcance niveles competitivos a nivel mundial. Al diseñar un sistema de producción integrado por computadora se debe dar importancia a la supervisión, planning, secuenciación cooperación y ejecución de las tareas de operación en centros de trabajo, agregado al control de los niveles de inventario y características de calidad y confiabilidad del sistema. Los factores mencionados determinan la estructura del sistema y su coordinación representa una de las funciones más importantes en el manejo y management de la producción.
Muy frecuentemente, la razón para construir un modelo de simulación es para encontrar respuestas a interrogantes tales como ¿Cuáles son los parámetros óptimos para maximizar minimizar cierta función objetivo? En los últimos años se han producido grandes avances en el campo de la optimización de sistemas de producción. However, el progreso en el desarrollo de herramientas de análisis para resultados de modelos de simulación ha sido muy lento. Existe una gran cantidad de técnicas tradicionales de optimización que sólo individuos con gran conocimiento estadístico y de conceptos de simulación han logrado aportes significativos en el área.
Debido al auge de los algoritmos de búsqueda meta-heurísticos, se ha abierto un nuevo campo en el área de optimización con simulación. Nuevos paquetes de software program, tales como OptQuest (Optimum Applied sciences), SIMRUNNER (Promodel Corporation) y Evolver (Palisade Software), han salido al mercado brindando soluciones amigables de optimización de sistemas que no requieren control interno sobre el modelo construido, sino sobre los resultados que dicho modelo arroja bajo diferentes condiciones. In addition, new artificial intelligence techniques applied to stochastic optimization problems, have demonstrated their efficiency and computational and approximation capacity.
Reinforcement Learning (Reinforcement Learning) is a set of techniques designed to provide solutions to problems based on Markov decision processes. Markov processes are stochastic decision processes that rely on the concept that the action to be taken in a given state, at a given moment, depends only on the state in which the system is at the time of making the decision.
One of the areas that can have the greatest direct impact on the productive processes of the global industry, es el diseño de sistemas de soporte para la toma de decisiones basados en la optimización de los parámetros de operación del sistema. Para tal efecto, el uso de técnicas inteligentes paramétricas y no paramétricas para el análisis de datos es de gran interés.
However, a juicio de los autores en la mayoría de las arquitecturas propuestas hasta el momento para manufactura integrada por computadora, carecen de un issue de integración basic. La comunicación entre los diversos niveles jerárquicos de una planta de producción es muy poca, ya que cada departamento se limita a realizar su función sin buscar una integración de toda la planta productiva a excepciones de empresas como ABB con su software program Baan, and so on.
eight. APPLICATIONS OF ARTIFICIAL INTELLIGENCE IN SOLVING SPECIFIC PRODUCTION PROBLEMS
Automatic operation of quality control using a computer vision system (Royman López Beltrán, Edgar Sotter Solano, Eduardo Zurek Varela. Robotics and Automatic Production Laboratory. University of the North)
Every industrial process is evaluated by the quality of its ultimate product, This makes the quality control stage an essential phase of the process. The mechanisms used to determine the quality of a product vary depending on the parameters that are relevant to it. Cuando el parámetro relevante es la geometría forma del objeto fabricado se suele dejar a la vista del operario que lleve a cabo tal función tanto de inspección como de verificación para el management de calidad, sin embargo pueden existir errores en la geometría de un objeto que escapen de la vista de un operario y que luego impidan el buen funcionamiento de dicho objeto. En un caso como éste, surge como una buena alternativa el utilizar un sistema de visión artificial capaz de detectar aquellos errores que un operario pudiera pasar por alto. El sistema de visión artificial Robotic Visión PROFESSIONAL, es capaz de ejecutar de manera totalmente automática las labores de identificación de objetos y de control de calidad de los mismos.
El sistema Robotic Visión PROFESSIONAL es un paquete de software de visión que permite la adquisición de imágenes, preprocesamiento y segmentación. Además realiza procesamiento de datos de alto nivel que brinda filtrado de imágenes, elaboración de clusters y patrones, e identificación de objetos. Este sistema cuenta con una videocámara y un monitor encargado de identificar cada una de las piezas salientes del proceso y hacer una comparación con piezas de one hundred% calidad para luego determinar si el empaque puede salir al mercado debe desecharse.
A continuación se presentan algunas imágenes suministradas por el sistema Robotic Visión PROFESSIONAL Para la ejecución de la operación de management de calidad. Fueron dispuestos los empaques de tal forma que las geometrías quedaran plenamente contenidas en el programa, y se procedió posteriormente a realizar de forma individual el management de calidad para cada uno de los empaques.
Figura 3.empaque bueno con a hundred% de calidad
En las dos figuras posteriores se muestra empaques defectuosos porque no cumple con las especificaciones necesarias y por ende el sistema de calidad rechaza el producto.
Figura 4. Empaque rechazado por mala calidad
Figura 5. Empaque rechazado por mala calidad
El sistema de visión por computador Robotic Visión PRO después de ser evaluado en la empresa resultó eficiente para la detección de defectos geométricos en los empaques de compresores centrífugos, ya que la flexibilidad del software program permitió ajustar las condiciones del proceso al sistema de calidad requerido para la apropiada medición de los empaques. Este sistema es lo bastante didáctico como para desarrollar expresiones que permitan realizar de manera totalmente automática mediciones del objeto, labores de reconocimiento y de management de calidad.
Los autores opinan que es muy adecuado el uso de esta tecnología en empresas donde el acabado superficial de una pieza sea muy exigente ó estrechas tolerancias como por ejemplo repuestos de carros, instrumentación industrial, etc.
eight.1 Proyectos en vía de desarrollo por la línea de investigación y desarrollo de inteligencia artificial (grupo de investigación de la Universidad de Manizales)
JAT (Sistema Inteligente de despacho y Management para el Transporte Publico): su idea principal es mejorar el servicio de transporte urbano de la ciudad de Manizales a través de despacho y control inteligente que permita mejorar la calidad del servicio y reduzca los costos de operación. The intelligent dispatch system is in charge of scheduling the route dispatch, ensuring that all the minibuses are covered in an equitable manner.
Intelligent Surveillance and Remote Monitoring System: It is intended to implement closed-circuit TELEVISION systems, That include the capability for remote monitoring through a computer and a telephone line from anywhere in the world and through the Web.
eight.2 Environment recognition in mobile robotics through neural networks3
This study is focused on the global identification of environments carried out by a mobile robot based on the training of a neural network that receives information captured from the environment by the robot's sensory system (ultrasound). It is considered that the robot, through the neural network, has the sole task of maximizing the knowledge of the environment presented to it. In this way, it models and explores the environment efficiently while executing obstacle avoidance algorithms.
The result of this study is of great importance in the field of mobile robotics because: the robot acquires greater movement autonomy, the use of ultrasound as an obstacle detector is optimized and it is an important tool for the development of trajectory planners and 'intelligent' controllers.
Using an architecture: 2 – 2 -1
Nih: Number of input neurons(2).
Nhid: Number of neurons in the intermediate layer(1).
Nout: Number of output neurons(2).
Se va a mostrar a groso modo uno de los ejemplos con los cuáles fue entrenada la pink (para mayor detalle consultar investigación de Rivera & Gauthier 1995 Universidad de los Andes).
Los parámetros usados en el entrenamiento fueron constante de aprendizaje de 0.2 y constante de momento de 0.9
Fuente: Claudia Rivera 1995
Figura 6. ambiente de entrenamiento de tres obstáculos
Se ubica el robotic en ocho posiciones diferentes y en cada una de estas se hizo un barrido y de esta manera se formaron ocho archivos con los cuales se entreno la crimson, y esta ya reconociendo el ambiente no se estrellará con ningún obstáculo.
En la red neuronal a medida que se aumenten las capaz internas tendrá más capacidad y velocidad de aprender diversos ambientes.
A intervención de los autores, determinan que es muy importante el uso de la robótica móvil en procesos productivos donde el hombre no pueda soportar ambientes de altas temperaturas bajas temperaturas por intervalos largos de tiempo, como por ejemplo en MEALS, donde se podría entrenar un robot y a medida que se perfeccione su entrenamiento prepararlo posteriormente como transportador de carga.
eight.three Algoritmos genéticos aplicados al problema cuadrático de asignación de facilidades QAP (Departamento de Investigación Operativa, Escuela de Ingeniería Industrial, Universidad de Carabobo, Valencia, Venezuela. Ninoska Maneiro. Algoritmo Genético Aplicado a Problemas de Localización de Facilidades. Año 2001 /area3 ).
El QAP es un problema combinatorio, considerado por algunos autores como NP-completo. The objective of the QAP is to find an assignment of facilities to sites, in order to minimize a function that expresses distance costs.
The location and distribution of facilities is one of the most important topics in the training of professionals in the area of Industrial Engineering and of all those
professionals who are in charge of planning, organizing and systematic growth of cities. In the daily and professional life of every individual, a wide variety of facility location problems arise.
Facility location and distribution problems are strategic for the success of any manufacturing operation. The main reason is that material handling costs account for between 30 and 75% of total manufacturing costs. A good facility layout solution would contribute to the overall efficiency of operations, A poor layout can lead to the accumulation of work-in-process inventory, Overloading of material handling systems, Inefficient setups and long queues. Within this broad class of problems that can be categorized as QAP is the generalized line flow problem, Which is a flow line in which operations move forward and are not necessarily processed on all the machines in the line.
Un trabajo en tal clase de línea puede comenzar a procesarse y completar su proceso en cualquier máquina, moviéndose siempre hacia delante (downstream) por operaciones sucesivas de acuerdo con la secuencia de trabajo del proceso. Cuando la secuencia de operaciones para un trabajo no especifica una máquina colocada delante de su localización precise, el trabajo tiene que viajar en sentido contrario (upstream) a fin de completar la operación requerida. Este viaje en reversa” de las operaciones, es llamado backtracking, y se desvía de una línea de flujo ultimate para un trabajo específico, resultando en una estructura de trabajo menos eficiente, como se muestra en la siguiente figura.
Al parecer de los autores, This quadratic assignment problem should be addressed in the production workshop class due to its relevance in analyzing N / M sequences.
Fig. 7. A generalized flow line Source: Ninoska Maneiro 2001.
9. CONCLUSIONES
At the National University Manizales campus in the industrial engineering program, more work should be done in computer sciences, In order, To deepen in areas of artificial intelligence applied to industrial engineering.
With the development of this work, satisfactory results have been obtained at the theoretical research level, As with the documentation obtained, advances in computer sciences were learned that in some cases were unknown to the authors.
Los grandes avances de I.A aplicada a sistemas de producción han hecho que día a día la industria en su constante búsqueda por mejorar su competitividad logren dicho objetivo, pero en muchos de los casos desplazar gran cantidad de mano de obra que llevan consigo un deterioro social que se ve reflejado en los indicadores globales de desempleo y niveles de pobreza.
10. BIBLIOGRAFIA
Elaine Wealthy. Knight Kevin. Artificial Intelligence. Segunda Edición. Mc Graw Hill. México 1994.
Stuart Rusell. Norving Meter. Inteligencia Artificial un Enfoque Moderno. Printice Hall. México 1996.
Revista La Ventana Informática. Edición N0 9. Universidad de Manizales. Pág. fifty six – fifty seven. Mayo 2003.
Delgado Alberto. Inteligencia Artificial y Mini robots. Segunda Edición. Ecoe Ediciones. Julio 1998.
Delgado Alberto. Inteligencia Artificial y Mini robots. VII Congreso Nacional de Estudiantes de Ingeniería Industrial, Administrativa y de Producción Universidad Nacional Sede Manizales. Memorias Congreso. Octubre 4 – 10 de 1998.
Enciclopedia Informática y Computación. Ingeniería del Software e Inteligencia artificial. Julio 1992.
Nebendah Dieter. Expert Systems. Ingeniería y Comunicación. Editores Marcombo. Barcelona 1988.
Marr D.C. Artificial Intelligence: a Personal View, Artificial Intelligence. EEUU 1977.
Rolston W. David. Principios de Inteligencia Artificial y Sistemas Expertos. Mc Graw Hill. México 1992.
Mompin P. José. Artificial Intelligence: Conceptos, Técnicas y aplicaciones. Marcomobo S.A Ediciones. España 1987.
Revista Iberoamericana de Inteligencia Artificial. Aplicación de Inteligencia Artificial en Sistemas Automatizados de Producción. Llata, J.R. , Sarabia, E.G., Fernández, D., Arce J., Oria, J.P.. Numero 10, páginas 100-110. Available in ().
Followers