Abstract:

El estudio aborda la problemática de los cuellos de botella en sistemas de manufactura flexible, los cuales afectan la productividad, la eficiencia operativa y la sostenibilidad en entornos industriales dinámicos. El objetivo fue determinar un modelo de aprendizaje profundo capaz de anticipar y mitigar dichas restricciones en el flujo productivo, especialmente en procesos logísticos de preparación de pedidos. Se empleó una metodología mixta basada en revisión sistemática de literatura científica y modelamiento computacional, integrando una red neuronal recurrente para el análisis de series temporales y su acoplamiento con una política de despacho adaptativa orientada al riesgo. Los resultados evidenciaron, en primer lugar, una mejora en la tasa de procesamiento mediante una mejor distribución de cargas; en segundo lugar, una reducción del inventario en proceso debido a una mayor sincronización del sistema; y, en tercer lugar, una disminución del tiempo de ciclo junto con mejoras en la eficiencia global y el consumo energético. Se concluye que la incorporación de inteligencia predictiva permite optimizar la toma de decisiones operativas, fortaleciendo la resiliencia, la sostenibilidad y la competitividad de los sistemas de manufactura flexible.