Analisi della sensibilità di un magazzino automatico a fattori operativi e contestuali con ottimizzazione utilizzando la simulazione ad eventi discreti = Sensitivity analysis of an automated warehouse to operational and contextual factors with optimization using discrete-event simulation

La tesi ha l’obiettivo di valutare l’impatto di tre fattori operativi e tre variabili di contesto sulle prestazioni di un magazzino automatico con trasloelevatori, di tipo miniload per odette, utilizzando la simulazione ad eventi discreti. In primo luogo, la ricerca è dedita a quantificare gli effetti dei singoli fattori e delle loro interconnessioni sul magazzino, concepito come un sistema integrato in una linea di produzione; in secondo luogo, la ricerca è orientata a fornire un modello matematico per l’ottimizzazione delle performance scelte. A tal fine, una replica digitale del magazzino è stata costruita tramite il software Siemens Tecnomatix Plant Simulation, in seguito essa è stata validata secondo i canoni della Norma FEM 9.851/2003. Quindi, è stata condotta una campagna sperimentale basata sulla metodologia DOE (Design of Experiments) implementando un piano fattoriale completo con 256 simulazioni. I dati raccolti sono stati sottoposti ad un’indagine ANOVA (Analisi della Varianza) per quantificare la significatività statistica dei fattori e delle loro interazioni sui quattro principali KPI (Key Performance Indicators). Sono state sviluppate delle equazioni di regressione lineare per descrivere matematicamente le relazioni tra i fattori e i KPI. I modelli di regressione lineare, nel rispetto dei loro limiti di affidabilità, sono stati utilizzati come strumento predittivo per la ricerca di configurazioni operative di compromesso nell’ottimizzazione dei KPI, attraverso il dimensionamento delle risorse a valle del sistema e la scelta della politica di allocazione più efficace per il riempimento del magazzino. Infine, sono stati introdotti ulteriormente: una funzione di costo (comprensiva delle utenze alle baie e dei consumi energetici), un GPI (Global Performance Index) per ponderare i diversi KPI e i costi, un RPI (Robust Performance Index) per valutare la stabilità delle configurazioni in scenari operativi differenti.