Facoltà: Ingegneria Gestionale - classe LM-31
Collocazione: 19563
Autore: Merenda Stefano
Data: 25/10/2021
Titolo: Material Handling Equipment selection using Machine Learning techniques: A review and proposal for possible future applications
Relatore: Pirovano Giovanni Luca
Correlatore: Rossi Tommaso
Autorizzazione per la consultazione: NO
Le tesi si possono consultare unicamente in sede
Abstract The present work aims at developing an introductory study focused on the application of Machine Learning techniques in the selection of the most appropriate intralogistics system for a given production context. The work starts with an extensive and detailed literature review, aimed at framing the major aspects to be considered when dealing with a Material Handling System selection problem. In particular, after having identified the main factors and attributes having a major impact in the selection of a handling system, the main types of intralogistics systems currently available are outlined and classified. Once this is done, the main performance measures of a production system encompassing the handling activity are analyzed, and finally, a classification of the main selection models published to date in the literature is proposed. This latter analysis shows how, over the years, numerous selection models mainly based on analytical or computerized approaches (Expert Systems) have been developed in the literature. Despite this, however, little or no space has been reserved to evaluate alternative computerized techniques based on Machine Learning algorithms able to potentially overcome some of the main limitations of the currently available models. Based on this, therefore, the purpose of this study is to bridge this gap present in the literature trying to propose a first data collection model to be used for the future application of Machine Learning techniques in the selection of an intralogistics system. Specifically, the four main aspects deemed to be necessary for the future development of a Machine Learning selection model are analyzed and illustrated. Firstly, the information and data to be collected are identified based on the main variables and types of systems influencing the selection. Secondly, a general data collection model is presented. Thirdly, a data collection validation process is developed within real operational contexts. Finally, a proposal of some algorithms for future developments is illustrated. This study, therefore, lays the foundation for a future large-scale development of a Machine Learning model capable of automatically learning the basic knowledge useful for the selection of the most appropriate material handling equipment for a given production context. In particular, the information deriving from the model developed will allow not only to train an algorithm based on the knowledge acquired from many experts operating in different fields but also, through the comparison of similar flows, to prefer the most performing system for single requirements of use, both unexplored aspects within the literature analyzed. Riassunto Il presente elaborato si prefigge l’obiettivo di sviluppare uno studio introduttivo in merito all’applicazione di tecniche di Machine Learning nella selezione del più appropriato sistema di intralogistica per un determinato contesto produttivo. Il lavoro prende avvio da una estesa e dettagliata analisi della letteratura sviluppata secondo differenti piani e finalizzata all’inquadramento dei maggiori aspetti da considerare nell’affrontare un problema di selezione di un sistema di movimentazione. In particolare, dopo aver identificato i principali fattori e attributi aventi un impatto preponderante nella scelta di un sistema di movimentazione, le principali tipologie di sistemi di intralogistica ad oggi presenti sono delineate e classificate. Una volta fatto questo, le principali misure di prestazione di un sistema produttivo contemplanti l’attività di movimentazione sono analizzate, ed infine una classificazione dei principali modelli di selezione ad oggi pubblicati in letteratura è proposta. Da quest’ultima analisi emerge come, nel corso degli anni, numerosi modelli di selezione principalmente basati su approcci analitici o computerizzati (Expert Systems) sono stati sviluppati in letteratura. Nonostante questo però, si osserva come scarsa attenzione sia stata riservata nel valutare approcci alternativi basati su tecniche di Machine Learning potenzialmente in grado di superare alcuni limiti degli attuali modelli. È cercando di superare questo gap presente in letteratura che attraverso il seguente lavoro si prova dunque a sviluppare un primo framework applicativo atto a predisporre una struttura di partenza per una futura applicazione di tecniche di Machine Learning nella selezione di un sistema di intralogistica. Nello specifico, partendo dall’analisi della letteratura condotta, i quattro principali aspetti ritenuti necessari per lo sviluppo futuro di un modello di Machine Learning sono affrontati. In primo luogo, le informazioni e i dati da raccogliere sono individuati sulla base delle principali variabili e tipologie di sistemi che influenzano la selezione. Successivamente, un modello generale di raccolta dati è presentato. In terzo luogo, un processo di validazione di tale modello è sviluppato all’interno di alcuni contesti operativi reali. Infine, una proposta di alcuni algoritmi per futuri sviluppi è illustrata. Attraverso questo studio si vuole dunque porre le basi per uno sviluppo su larga scala di un algoritmo di Machine Learning in grado di apprendere automaticamente le conoscenze di base necessarie per la selezione del più appropriato sistema di movimentazione per un determinato contesto produttivo. In particolare, i dati derivanti dal modello sviluppato consentiranno non solo di addestrare un algoritmo sulla base della conoscenza di molti esperti ma anche, attraverso il confronto di flussi simili, di preferire il sistema più performante per singole esigenze d'uso, entrambi aspetti inesplorati all'interno della letteratura analizzata.