En la siguiente investigación se muestra una metodología que combina el método multicriterio COPRAS y el de inteligencia artificial AHP Difuso, que busca mejorar la toma de decisiones dentro de los procesos de planeación en los talleres de maquinado. El primero de los métodos permite determinar el criterio de mayor importancia a cumplir como exigencia en la fabricación; el segundo método, busca la selección de la mejor alternativa, con los valores para el maquinado a alta velocidad que permita fabricar la pieza rectangular de aleación de aluminio 5083. Para el análisis multicriterio los parámetros seleccionados en el proceso de maquinado de piezas de aluminio de estructura delgada son: la rugosidad superficial y la deformación de la pieza. Al aplicar el método Fuzzy-AHP, se determina que el criterio de mayor peso lo constituye la deformación de la pieza en la estructura delgada. Con la evaluación de los criterios, se aplica COPRAS y el resultado del índice de utilidad determina que la alternativa tres es la mejor, por tanto, al implementar los parámetros de entrada: S = 15000 rpm, doc= 0.30 mm, ts= 7.0 mm, F= 9000 m/min, se garantiza la calidad en la superficie y baja deformación de la pieza. Se concluye que la metodología de Fuzzy-AHP y COPRAS resulta una excelente herramienta, con un bajo costo y buena fiabilidad, como solución a aplicar en los talleres de maquinado para mejorar la toma de decisiones en la planeación de procesos.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Referencias
Bhowmik, S., Jagadish, & Gupta, K. (2019). Modeling and Optimization of Advanced Manufacturing Processes. https://doi.org/10.1007/978-3-030-00036-3.
Ighravwe, D. E., & Oke, S. A. (2020). A two-stage fuzzy multi-criteria approach for proactive maintenance strategy selection for manufacturing systems. SN Applied Sciences, 2(10), 1683. https://doi.org/10.1007/s42452-020-03484-6
Isik, N. K. a. A. (2016). Integration of Macbeth and copras methods to select air compressor for a textile company. Decision Science Letters, 5, 381–394, Article 3. https://doi.org/ http://dx.doi.org/10.5267/j.dsl.2016.2.003.
Jasiulewicz-Kaczmarek, M., Antosz, K., Wyczółkowski, R., Mazurkiewicz, D., Sun, B., Qian, C., & Ren, Y. (2021). Application of MICMAC, Fuzzy AHP, and Fuzzy TOPSIS for Evaluation of the Maintenance Factors Affecting Sustainable Manufacturing. Energies, 14(5), 1436. https://doi.org/10.3390/en14051436.
Kaori Ota, N. T., Hayao Miyagi (2008). Group Decision-Making Model in Fuzzy AHP Based on the Variable Axis Method. In T. I. o. E. E. o. Japan (Ed.), (pp. 6).
Keshavarz-Ghorabaee, M., Govindan, K., Amiri, M., Zavadskas, E. K., & Antuchevičienė, J. (2019). An integrated type-2 fuzzy decision model based on WASPAS and SECA for evaluation of sustainable manufacturing strategies. Journal of Environmental Engineering and Landscape Management, 27(4), 187-200. https://doi.org/10.3846/jeelm.2019.11367.
Mehdi Ajalli, H. A., Abdolkarim Mohammadi Balani, Mahdi Rezaei. (2017). Application of Fuzzy AHP and COPRAS to Solve the Supplier Selection Problems. International Journal of Supply Chain Management, 6, 8.
Paker, F. A., Alppay, C., & Sertyeşilişik, B. (2018). Use of the AHP Methodology in Vehicle Design Process Dynamics: Determination of the Most Effective Concept Phases for the New Automotive Product. Journal of Transportation Technologies, 08(04), 312-330. https://doi.org/10.4236/jtts.2018.84017.
Patil, R. B., & Kothavale, B. S. (2020). Criticality Analysis of CNC Turning Center Using Analytic Hierarchy Process. In Reliability and Risk Assessment in Engineering (pp. 61-76). https://doi.org/10.1007/978-981-15-3746-2_6
Sen, B., Hussain, S. A. I., Gupta, A. D., Gupta, M. K., Pimenov, D. Y., & Mikołajczyk, T. (2020). Application of Type-2 Fuzzy AHP-ARAS for Selecting Optimal WEDM Parameters. Metals, 11(1), 42. https://doi.org/10.3390/met11010042
Singh, R. P., Tyagi, M., & Kataria, R. (2019). Selection of the Optimum Hole Quality Conditions in Manufacturing Environment Using MCDM Approach: A Case Study. In Operations Management and Systems Engineering (pp. 133-152). https://doi.org/10.1007/978-981-13-6476-1_8
Sivam Sundarlingam Paramasivam, S. S., Kumaran, D., Loganathan, G. B., Saravanan, K., Rajendran, R., & Sriram, H. (2019). Development and Influence of Setting Process Variables in Single Point Incremental Sheet Metal Forming of AA 8011 Using Complex Proportional Assessment and ANOVA. SAE Technical Paper Series,
Sofuoğlu, M. A. A new hybrid decision-making strategy of cutting fluid selection for manufacturing environment. Sādhanā, 46(2), 94. https://doi.org/10.1007/s12046-021-01618-z
Turskis, E. K. Z. a. Z. (2008). A new logarithmic normalization method in games theory. Informática, 19, 12.
Yadav, A., & Jayswal, S. C. (2018). Modelling of flexible manufacturing system: a review. International Journal of Production Research, 56(7), 1-24. https://doi.org/10.1080/00207543.2017.1387302
Yadav, G., Seth, D., & Desai, T. N. (2018). Application of hybrid framework to facilitate lean six sigma implementation: a manufacturing company case experience. Production Planning & Control, 29(3), 1-17. https://doi.org/10.1080/09537287.2017.1402134