Search

Contexto: El control y distribución de inventarios son procesos claves en la pérdida tanto de eficiencia como de eficacia en el campo de la logística, a nivel global. Según el Departamento Nacional de Planeación de Colombia, en el año 2020, los rubros de transporte, almacenamiento e inventarios correspondieron al 73,9 % del costo logístico total. La resolución del problema de enrutamiento inventario con múltiples vehículos (IRP) representa una alternativa para hacer que los tiempos de ciclo sean más cortos, más flexibles y menos costosos. Método: En este artículo se describen y comparan modelos matemáticos de la literatura para el problema base, adaptándolo a su variante con múltiples vehículos y resolviéndolo a través modelos de programación lineal entera mixta, mediante la solución de instancias de baja y media complejidad matemática, planteando dos maneras de gestionar el inventario y tres formas de eliminar la creación de sub-tours. Para obtener los resultados se utiliza el software AMPL en un computador con procesador Intel Core i5-5200U CPU @ 2.2 GHz y 4 GB de RAM, considerando un tiempo máximo de ejecución de una hora. Resultados: El modelo de flujos muestra el mejor desempeño en cuanto a tiempos computacionales y calidad de la respuesta con respecto a la política de máximo nivel (ML), y la variante MTZ es el segundo mejor modelo. Por último, la variación general reporta mayores tiempos de ejecución y valores GAP más altos. Los modelos presentan buen desempeño para instancias de pequeño y mediano tamaño. Conclusiones: En esta investigación se presenta una metodología general que puede ser adaptada a diferentes aplicaciones del problema integrado de inventarios y enrutamiento con múltiples vehículos. Se comprobó que las respuestas generadas son de buena calidad, destacando la eliminación de sub-tours por medio del modelo de flujos y la gestión de inventarios bajo la política ML. Los trabajos futuros deben encaminarse en busca de nuevas alternativas a la optimización exacta, tales como las heurísticas o metaheurísticas, que permitan estar lo más cerca posible del óptimo en tiempos de computación más cortos. Además, se podrían considerar demandas estocásticas y el manejo de productos perecederos, entre otros.

Collaborative robots (cobots) are a type of Industry 4.0 technology designed to support manufacturing workers and create smart working environments (also called as Industry 5.0). However, little is known about how the use of cobots shapes workers' skills. We analyse this in four types of human-cobot interaction: coexistence, synchronism, cooperation, and collaboration. We examine the implementation of cobots by a leading global provider using a qualitative research based on: (i) analysis of reports regarding the implementation of 200 cobots in 138 companies, (ii) interviews with the team and customers, (iii) six-month follow-up of cobot implementation in a manufacturing plant, and (iv) interviews with two cobot competitors. Our findings demonstrate how each type of human-cobot interaction influences workers' skills in various manufacturing activities. We observe that most companies are in early stages of implementation, focusing on worker substitution. However, we identify a range of effects, including deskilling or reskilling, depending on the type of manufacturing activity analysed. The upskilling effect is particularly evident in the most advanced types of human-cobot interaction, regardless of the company's size. As a main contribution, this paper sheds light on how companies can enhance workers' skills through other levels of interaction between workers and cobots. [ABSTRACT FROM AUTHOR]

Productivity, quality, and flexibility are key production targets pursued by companies that adopt Industry 4.0. However, it is unclear how Industry 4.0 technologies can help achieve these different and sometimes competing targets. This study investigates this relationship through a survey of 92 manufacturers. The study employs Exploratory Factor Analysis to define four main technology arrangements based on 18 Industry 4.0 technologies: Vertical Integration, Virtual Manufacturing, Advanced Manufacturing Processing Technologies, and Online Traceability. Then, independent samples tests were conducted to compare the implementation status of these arrangements when manufacturing flexibility, process quality, and productivity are (or are not) pursued as the main production targets. The results show that Vertical Integration is a general-purpose technology arrangement because it supports all targets. On the other hand, Virtual Manufacturing and Online Traceability are specific-purpose arrangements, adopted especially for flexibility and productivity targets, respectively. Advanced Manufacturing Processing Technologies, in turn, is an integrative-purpose technology arrangement since it is adopted when two competing targets are pursued: productivity and manufacturing flexibility. The study ends with a decision model to implement Industry 4.0 based on the production targets a company may pursue. It shows the interconnection and trade-offs between these production targets and the Industry 4.0 technologies adopted. [ABSTRACT FROM AUTHOR]