A Puzzle-Based Movable Rack system with class-based storage policy
Abstract
Den nylige veksten i netthandel under COVID-19-pandemien har intensivert etterspørselen etter effektive lagerbygninger med høy lagringskapasitet og gjennomstrømning. Puzzle-baserte lagringsløsninger (PBS) har vist seg å være effektive for å optimalisere lagringskapasiteten med begrenset plass. For å ytterligere forbedre disse evnene, har Logistikk 4.0 Lab ved NTNU og selskapet Wheel.me introdusert et nytt system som bruker autonome hjul, slik at lagringshyller kan bevege seg i alle retninger. Denne innovative tilnærmingen har potensial til å betydelig forbedre gjennomstrømningskapasiteten.Tidligere studier har hovedsakelig fokusert på å evaluere henteytelsen basert på faktorer som eskorteposisjoner, inngangs-/utgangspunkter og bevegelsesbegrensninger. Denne artikkelen har som mål å forbedre hentetiden ved å implementere en lagringspolitikk basert på to klasser.Ved strategisk å plassere høyomsetningsvarer nær inngangs-/utgangspunktet, minimeres reiseavstander, noe som resulterer i raskere henting. For å evaluere effektiviteten til lagringssystemet basert på klasser, vurderes ulike inngangsparametere, inkludert ABC-kurven, systemstørrelse, formen til klasse A og formforholdet. Målet er å undersøke hvordan det optimaliserte systemet med en lagringspolitikk basert på klasser påvirker ytelsen til den nye konfigurasjonen. Funnene avslører betydelige reduksjoner i syklustid, med forbedringer på opptil 150 % sammenlignet med tilfeldig lagring, avhengig av den spesifikke systemkonfigurasjonen og egenskapene til de lagrede elementene. The recent growth in e-commerce during the COVID-19 pandemic has intensified the demand for efficient warehouses with high storage density and throughput. Puzzle-based storage (PBS) solutions have demonstrated their effectiveness in optimizing storage capacity with limited spaces. To further enhance these capabilities, the Logistics 4.0 Lab at NTNU and the company Wheel.me have introduced a new system that utilizes autonomous wheels, enabling storage racks to move in any direction. This innovative approach holds the potential to significantly improve throughput capacity.Existing studies have primarily focused on evaluating retrieval performance based on factors like escort locations, input/output (I/O) points, and movement constraints. This paper aims to enhance retrieval time by implementing a two-class-based storage policy. By strategically placing high-turnover items near the I/O point, travel distances are minimized, resulting in faster retrieval.To evaluate the effectiveness of the class-based storage system, various input parameters are considered, including the ABC curve, system size, class A shape, and shape ratio. The objective is to examine how the optimized system with a class-based storage policy, impacts the performance of the new configuration. The findings reveal significant reductions in cycle time, with improvements of up to 150% compared to random storage, depending on the specific system configuration and characteristics of the stored items.