Sviluppo di un agente di controllo del traffico per magazzini automatizzati

The idea behind the work, following multiple meetings with the most experienced members of the company's implementation team, was to create or further improve an existing system by working on its current performance in terms of time, in order to eliminate any possible inefficiencies. Then, work began with a phase of research and study on some examples of plants actually in operation in Italy and Spain. Thanks to the support of my company tutor, I was able to observe some processes and production cycles, allowing me to gain a clearer understanding of where to intervene. Once this initial phase was completed, a phase focused more on studying which techniques would be best suited to carry out the planned actions began. In fact, it was decided to work on the sequence of canceled orders, as well as on the workload required for each sector, leading to a dynamic adaptation. The work was then structured into different phases, which I will briefly introduce now. The first phase was based on machine learning techniquesa such as clustering to understand which were the most used functions and stations within the plant. The idea was to study the traffic within the system to be able to adapt it accordingly. The second phase focused on ordering processes to find the best combination of actions to optimize system usage. The goal was to explore potential optimized paths by leveraging different types of algorithms. Only after comparing all the timing data obtained would we determine which approach was best suited for these tasks. The third and final phase involved creating a graphical interface that simulated the system cycle of a plant. This simulation was executed following a carefully ordered set of instructions, ensuring the best possible allocation of resources. Finally, a results evaluation phase was conducted.

L’idea alla base del lavoro, a seguito di molteplici incontri con i membri più esperti del gruppo implementativo dell’azienda, era quella di creare o ancor più migliorare un sistema già in utilizzo andando a lavorare su quelle che sono le prestazioni attuali a livello di tempo, così da eliminare, se presenti, eventuali sprechi. Si è dunque dato il via ai lavori iniziando una fase di ricerca e studio su alcuni esempi di impianti effettivamente in azione sul territorio italiano e spagnolo. Grazie al supporto del mio Tutor aziendale ho potuto visualizzare alcuni funzionamenti e cicli di produzione, così da potermi fare un’idea più chiara su dove mettere mano. Conclusa questa prima fase è iniziata una fase più legata allo studio di quali tecniche fosse meglio utilizzare per eseguire le azioni che avevo immaginato. Si è infatti pensato di agire sulla successione degli ordini stornati, oltre ad agire sulla mole di lavoro richiesta per ogni settore e quindi ad un adattamento dinamico. Si è quindi pensato di strutturare il lavoro in fasi che ora introdurrò brevemente. Una prima fase basata su tecniche di machine learning come il clustering per riuscire a capire quali fossero le maggiori funzioni e stazioni dell’impianto sfruttate, l’idea era infatti quella di avviare uno studio sul traffico all’interno del sistema, così da poter adattare lo stesso. Una seconda fase legata agli ordinamenti, al fine di trovare la combinazione migliore di azioni per ottimizzare l’utilizzo del sistema, era infatti interessante andare alla ricerca di eventuali percorsi ottimizzati, sfruttando diversi tipi di algoritmi e solo in seguito al confronto di tutti i dati relativi alle tempistiche ottenute, scegliere quale fosse più adatto a svolgere questi compiti. Ed una terza ed ultima fase in cui si è creata un’interfaccia grafica che simulasse il ciclo di sistema di un impianto. Questa simulazione veniva avviata seguendo una linea di istruzioni ordinate al meglio, e soprattutto stanziando nel miglior modo possibile le risorse. In successione è stata eseguita una fase di valutazione dei risultati.