Data Analysis of an Automated Small Parts Warehouse with Focus on ABC Categorization

Abstract

In großen Lagern spielt die Produktivität eine wichtige Rolle und wird häufig anhand der Anzahl der pro Zeiteinheit ausgelagerten Artikel gemessen. Dieser Wert kann maßgeblich durch Ein- und Auslagerungsstrategien beeinflusst werden. Diese Arbeit untersucht Auslagerprozesse in einem vollautomatisierten Lager mit besonderem Fokus auf die Bewertung der Effektivität der ABC-Klassifikation sowie das Potenzial von Machine-Learning-Modellen zur Vorhersage von Auslagerzeiten. Die Untersuchung basiert auf zwei Datensätzen: Der erste umfasst alle Bewegungen von Mai bis Juli, während der zweite aus dem September detaillierte Zeitstempel enthält, die eine Aufteilung des Auslagerprozesses in fünf diskrete Intervalle ermöglichen. Die Arbeit bietet einen Überblick über die derzeit im untersuchten Lager implementierten Lagerregeln. Sie beleuchtet die klassenbasierte Lagerstrategie, die auf den Grundsätzen der ABC-Klassifizierung beruht, und bewertet die Wirksamkeit dieser Klassifizierung unter dem Einfluss zusätzlicher Lagerregeln. Die Analyse zeigt, dass die Klassifizierung inkonsistent ist und viele Produkte nicht in den ihnen zugewiesenen ABC-Klassen gelagert werden. Darüber hinaus werden umfassende Datenerhebungen, Vorverarbeitungen und explorative Analysen durchgeführt, einschließlich einer Dimensionalitätsreduzierung mit Hilfe der Hauptkomponentenanalyse, obwohl diese nur begrenzte zusätzliche Erkenntnisse liefert. Zur Vorhersage von Abrufzeiten werden mehrere Vorhersagemodelle eingesetzt und bewertet. Zu den Ansätzen gehören lineare Regression, Random Forest, Support Vector Regression, k-nearest neighbors, Kernel Ridge Regression und Multilayer Perceptrons. Die Ergebnisse zeigen, dass eine genaue Vorhersage der Abrufzeiten schwierig ist. Daher werden die Auslagerzeiten gruppiert, und es werden Klassifikationsansätze untersucht, die geringfügige Verbesserungen, jedoch insgesamt weiterhin begrenzte Genauigkeit erzielen. Weitere Untersuchungen durch intervallbasierte Analysen zeigen, dass das Regalbediengerät, ein automatisiertes System, das Waren zu und von Lagerplätzen innerhalb eines Lagers bewegt, die am besten vorhersagbare Betriebsphase aufweist, wobei Modelle mit Hilfe von Support-Vector-Maschinen die derzeit verwendeten statischen Schätzungen übertreffen. Im Gegensatz dazu liefern die Auftragseingangs- und Auslieferungsphasen schlechte Vorhersageergebnisse, was wahrscheinlich auf fehlende Sequenzinformationen und nicht modelliertes menschliches Entscheidungsverhalten zurückzuführen ist.

In large warehouses, productivity plays an important role and is often measured by the number of items retrieved per unit of time. This metric can be significantly influenced by storage and retrieval policies. This thesis investigates retrieval processes in an automated storage and retrieval system, with a particular focus on evaluating the effectiveness of ABC classification and exploring the potential of machine learning models to predict retrieval times. The study is based on two datasets: the first covers all movements from May to July, while the second, from September, includes detailed timestamps that allow the retrieval process to be divided into five discrete intervals. The thesis provides an overview of the current storage rules implemented in the warehouse under study. It highlights its class-based storage policy, which is based on ABC classification principles, and evaluates the consistency of this classification under the influence of additional storage rules. Analysis reveals that the classification is inconsistent, and many products are not stored within their designated ABC classes. Furthermore, comprehensive data collection, preprocessing, and exploratory analysis are conducted including dimensionality reduction using principal component analysis, although the latter provides limited additional insight. Several predictive models are developed and evaluated to estimate retrieval times. Approaches include linear regression, random forests, support vector regression, k-nearest neighbors, kernel ridge regression, and multilayer perceptrons. Results show that predicting exact retrieval times is challenging. Consequently, retrieval times are grouped into categories, and classification models are applied, achieving modest improvements in accuracy. Further investigation through interval-based analysis reveals that the storage and retrieval machine, an automated system that moves goods to and from storage locations within a warehouse, has the most predictable operation phase, with support vector machine models outperforming the currently used static estimates. In contrast, the order intake and final delivery phases yield poor predictive results, likely due to missing sequencing information and unmodeled human decision-making.