Search the digital library catalog

Abstract: V doktorski disertaciji je obravnavan premestitveni problem transportno skladiščnih enot (TSE) v večglobinskem skladiščnem sistemu avtomatskih vozičkov (AVS/RS). Pri procesu odpreme TSE lahko zaradi več globin prednja TSE ovira dostop do ciljne TSE. Na podlagi uporabe učinkovite skladiščne in premestitvene strategije lahko ovirajočim TSE izberemo skladiščno mesto, kjer minimiramo povprečni čas enojnega in dvojnega delovnega cikla (DDC) in posledično povečamo pretočno zmogljivost večglobinskega AVS/RS skladiščnega sistema. V kontekstu problematike stohastične odpreme TSE, kjer vrstni red odpreme TSE ni vnaprej poznan, smo z uporabo metode Markovskih verig za kombinacijo skladiščne strategije najglobljega mesta (DF) in premestitvene strategije DF izpeljali in predstavili analitični model. Zaradi izrazite kompleksnosti analitičnega modela smo prav tako razvili in predstavili empirični model, ki temelji na linearnih in kvadratnih regresijskih enačbah . Oba predlagana modela smo verificirali s pomočjo simulacijskega modela diskretnih dogodkov (DES). Analiza rezultatov je pokazala visoko ujemanje napovedi povprečnih časov DDC obeh predlaganih modelov z rezultati simulacije. V okviru doktorske disertacije smo analizirali več različnih kombinacij skladiščnih in premestitvenih strategij. Namen te analize je bila identifikacija najučinkovitejše kombinacije skladiščne in premestitvene strategije za zmanjšanje povprečnega časa DDC in povečanje pretočne zmogljivosti večglobinskih AVS/RS skladiščnih sistemov. Pri simulacijski analizi DES smo spreminjali število globin in število stolpcev skladiščnega regala (skladiščnih mest vzdolž regalnega hodnika) pri čemer je skupno število skladiščnih mest (zalogovna velikost skladišča) ostalo enako pri vseh konfiguracijah skladišča. Analiza je pokazala, da skladiščni sistemi z večjim številom globin skladiščnega regala omogočajo doseganje krajših povprečnih časov DDC. Prav tako smo ugotovili, da kombinacija skladiščne strategije DF in premestitvene strategije najbližjega soseda (NN) velja za najbolj učinkovito, še posebej pri uporabi AVS/RS skladiščnih sistemih s petimi in šestimi globinami. Problem deterministične odpreme TSE, kjer je vrstni red odpreme TSE poznan v naprej, smo reševali z algoritmi spodbudnega učenja. Analizirali smo učinkovitost algoritmov Deep Q-Network (DQN) in Proximal Policy Optimization (PPO). Razvili in predstavili smo štiri načine zapisa stanja večglobinskega AVS/RS skladiščnega sistema in analizirali, s katerim zapisom stanja so se agenti najučinkovitejše priučili reševanja premestitvenega problema TSE . Rezultate algoritmov DQN in PPO smo primerjali z rezultati celoštevilčnega programa in ugotovili, da so agenti priučeni z algoritmom PPO reševali premestitveni problem z manjšim povprečnim številom premestitev. Nadaljnja analiza rezultatov je pokazala, da so bili agenti priučeni z algoritmom DQN bolj zanesljivi pri reševanju premestitvenega problema TSE, v primerjavi z agenti priučenimi z uporabo algoritma PPO. V primerjalni analizi smo ugotovili, da lahko priučeni agenti rešujejo premestitveni problem TSE skoraj optimalno.
Keywords: Intralogistika, večglobinski AVS/RS skladiščni sistem, premestitveni problem TSE, analitično in numerično modeliranje, spodbudno učenje, analiza učinkovitosti
Published in DKUM: 16.12.2024; Views: 0; Downloads: 12
Full text (8,27 MB)