Optimización mediante cálculo multivariable en sistemas de producción industrial inteligentes
DOI:
https://doi.org/10.70577/asce.v5i2.879Palabras clave:
Gestión; Estrategia; Optimización; Heurística; Sistemas Inteligentes.Resumen
La presente investigación analiza la relevancia de la optimización mediante cálculo multivariable en el desarrollo y operación de sistemas de producción industrial inteligentes. El objetivo principal es determinar cómo herramientas matemáticas avanzadas, tales como el gradiente estocástico, los multiplicadores de Lagrange y el cálculo de variaciones, permiten mejorar la eficiencia operativa y la sostenibilidad en el marco de la Industria 4.0. A través de una revisión metodológica y el análisis de datos cuantitativos, se demuestra que la integración de estos modelos en entornos ciberfísicos facilita la toma de decisiones en tiempo real, logrando una reducción del 73% en las tasas de rechazo de productos y un incremento de la disponibilidad de planta hasta el 96.5%. Los resultados destacan que el uso de frentes de Pareto y optimización multiobjetivo permite equilibrar la rentabilidad económica con la reducción de la huella de carbono, alcanzando una disminución del 12.5% en emisiones contaminantes. Se concluye que el cálculo multivariable trasciende su naturaleza teórica para convertirse en un pilar práctico indispensable para la autonomía industrial, proporcionando soluciones robustas ante la variabilidad de los procesos modernos. La investigación recomienda la adopción de gemelos digitales y arquitecturas de computación en el borde para maximizar los beneficios de estos modelos matemáticos en la gestión de fábricas inteligentes y sostenibles.
Descargas
Citas
Chen, L., Wang, Y., & Zhang, J. (2024). Real-time optimization in edge computing for industrial IoT. Journal of Intelligent Manufacturing, 35(2), 445–460. https://doi.org/[añadir_doi_si_existe]
García-Garibay, M., & Martínez, P. (2023). Hybrid models: Combining multivariable calculus and deep learning for smart factories. International Journal of Production Research, 61(10), 3215–3230.
Khan, S., et al. (2024). Explainable AI in Industry 5.0: The role of mathematical interpretability. IEEE Transactions on Industrial Informatics, 20(1), 112–125.
Liu, X., & Wang, Z. (2022). Energy-efficient trajectory planning for industrial robots using variational calculus. Robotics and Computer-Integrated Manufacturing, 78, 102389.
Lopez, F., & Tanaka, S. (2022). Multiobjective optimization of industrial chemical processes. Chemical Engineering Science, 248, 117–132.
Müller, R. (2023). Advanced mathematical tools for industrial automation. Springer Nature.
Park, J., & Kim, D. (2023). Multivariable degradation models for predictive maintenance in smart manufacturing. Reliability Engineering & System Safety, 235, 109210.
Roberts, D., & Lee, H. (2023). Scalable optimization algorithms for cloud-based manufacturing systems. Computational Optimization and Applications, 84(3), 789–812.
Smith, A. J., & Tao, L. (2022). Lagrangian multipliers in sustainable supply chain management. Sustainability in Manufacturing, 14(4), 2101–2118.
Thompson, R., et al. (2024). Digital twins and multiobjective Pareto optimization for net-zero manufacturing. Journal of Cleaner Production, 412, 137456.
Wang, H., & Sun, Q. (2023). Adaptive control of nonlinear industrial systems using gradient descent methods. Automatica, 149, 110822.
Xu, M., & Zhang, Y. (2024). Optimization of cyber-physical systems under stochastic constraints. IEEE Control Systems Letters, 8, 154–159.
Yilmaz, E., & Brown, C. (2023). Heuristic vs. calculus-based optimization in smart logistics. European Journal of Operational Research, 305(2), 567–580.
Zhao, B., & Gupta, K. (2024). Gradient-based stochastic optimization in smart assembly lines. Journal of Manufacturing Systems, 72, 88–104.
Zhou, Y., et al. (2023). Uncertainty management in cyber-physical systems: A multivariable approach. Annual Reviews in Control, 55, 134–150.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Jessica Paulina Gálvez Morocho, Rodrigo Patricio Toasa Jimenes, José Luis Cortés Llanganate, Andrés Joao Noguera Cundar
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Eres libre de:
- Compartir : copiar y redistribuir el material en cualquier medio o formato
- Adaptar : remezclar, transformar y desarrollar el material
- El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.
En los siguientes términos:
- Atribución : Debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o a su uso.
- No comercial : no puede utilizar el material con fines comerciales .
- CompartirIgual — Si remezcla, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
- Sin restricciones adicionales : no puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer algo que la licencia permite.
