Adaptive Storage Rearrangement and Process Discovery in a Warehouse

Adaptivt Lager Omarrangering og Process Opdagelse i et Lager

Blegmand, Gideon Jonas Baumann ; Stephansen, Christian

4. term

Software, Master

2018

2018-06-08

70

Afhandlingen har to dele: adaptiv lageromplacering og procesopdagelse. Arbejdet er udført i samarbejde med to partnere: Av Form, et dansk lager, og Logimatic, som udvikler lagerstyringssystemet LOGIA, der bruges hos Av Form. Del 1 fokuserer på at gøre plukning af ordrer—at samle varer til kundebestillinger, ofte den dyreste lageraktivitet—mere effektiv. Vi beskriver, hvordan LOGIA fastlægger, hvor varer ligger, og hvordan daglige handlinger registreres. På basis af disse logfiler foreslår vi en ny algoritme, der vurderer effekten af at flytte varer til andre placeringer i den aktuelle lagerkonfiguration. Algoritmen kombinerer logdata med enkle tidsheuristikker for almindelige operationer og forudsiger, hvilke omplaceringer der sandsynligvis kan reducere omkostninger. Vi har implementeret algoritmen direkte i LOGIA, og løsningen er blevet brugt af Av Form. Del 2 omhandler procesopdagelse, dvs. at lære modeller af arbejdsprocesser ud fra hændelseslogfiler. Med afsæt i tidligere arbejde med at opdage timed-arc Petri-net (en matematisk model, der beskriver procestrin og deres timing), undersøger vi en tidsrelateret problematik, der opstår under opdagelsen. For at afhjælpe den foreslår vi to metoder til forbehandling af timede hændelseslogfiler, før opdagelsen køres. Vi genintroducerer også vores metode til at måle afstanden mellem et udvidet timed-arc work net og en hændelseslog med diskret tid, som angiver, hvor godt en model passer til observeret adfærd, og vi illustrerer den med et eksempel fra vores partneres kontekst. Vi rapporterer fire eksperimenter: evaluering af omplaceringsalgoritmen; evaluering af forbehandlingsløsningerne på tidsproblematikken; anvendelse af datamining og procesopdagelse med den valgte løsning; og vurdering af, hvordan afstandsmålet evaluerer de opdagede modeller mod Av Forms hændelseslogfiler med diskret tid. Afslutningsvis peger vi på muligheder for fremtidig forskning.

This thesis has two parts: adaptive storage rearrangement and process discovery. The work was carried out with two partners: Av Form, a Danish warehouse, and Logimatic, the developer of the LOGIA warehouse management system used at Av Form. Part 1 focuses on making order picking—the task of collecting items for customer orders, often the most expensive warehouse activity—more efficient. We describe how LOGIA determines where items are stored and how day-to-day operations are recorded. Using these logs, we propose a new algorithm that estimates the effect of moving items to different locations in the current warehouse layout. The algorithm combines log data with simple time heuristics for common tasks and predicts which rearrangements are likely to reduce costs. We implemented the algorithm directly in LOGIA, and Av Form has used this implementation. Part 2 addresses process discovery, that is, learning models of how work is actually done from event logs. Building on our earlier work on discovering timed-arc Petri nets—a mathematical model that represents process steps and their timing—we examine a time-related dilemma that arises during discovery. To address it, we propose two preprocessing methods for timed event logs before running discovery. We also revisit our method for measuring the distance between an extended timed-arc work net and a discrete-time event log, which quantifies how well a model matches observed behavior, and we illustrate it with an example from our partners' context. We report four experiments: evaluating the rearrangement algorithm; evaluating the preprocessing solutions to the time dilemma; applying data mining and process discovery using the selected solution; and assessing how the distance measure evaluates discovered models against Av Form's discrete-time event logs. We conclude with suggestions for future research.

[This abstract was generated with the help of AI]

Download
View record in AAU Student Projects