Kriging-based sensitivity analysis applied to a DES model of the Pirelli tyre factory

Discrete Event Simulation is becoming an essential tool in modern industry, being one of the nine cornerstones of Industry 4.0. With it, it also comes the necessity to provide efficient and effective tools to analyse outputs and properly define inputs. One such tool is Kriging interpolation, used to define a response surface starting from a number of limited experimented points. The aim of this study is to perform a sensitivity analysis of a department of a Pirelli tire factory, by working on its Discrete Event Model, built with Witness software. Here, there are presented several decisions taken and while building the model, such as the choice of distribution of random variables, using consolidated techniques. Then, it is presented a customized system to perform sequential experiments, exploiting Kriging interpolation and bootstrapping of output data. Then, the analysis is performed, with the target to find which parameters cause the largest variations of performance while operating in a certain average condition. The novelty in this analysis resided in the application of stochastic Kriging to a real case of Discrete Event Simulation, and its use in building a customized DOE. In the end, there are presented the actions taken following the results of the study.

La Simulazione a Eventi Discreti sta diventando uno strumento imprescindibile nell’industria moderna, essendo uno dei nove punti cardine della filosofia Industria 4.0. Con essa vi è anche la necessità di fornire strumenti efficaci ed efficienti per l’analisi dei risultati, e definire con precisione e chiarezza gli input dei modelli. Uno strumento è il Kriging, utilizzata per costruire una superficie di risposta a partire dai dati sperimentali. L’obiettivo dello studio è di eseguire un’analisi di sensitività di un reparto di una fabbrica Pirelli, lavorando su un modello DES di esso costruito con il software Witness. In questa tesi sono presentate le decisioni e scelte effettuate nel costruire il modello, come la scelta delle distribuzioni delle variabili casuali, utilizzando tecniche consolidate. Dopodiché, viene presentato un design degli esperimenti customizzato, sfruttando l’interpolazione Kriging e il bootstrapping dei dati di output. Alla fine si esegue l’analisi, con l’obiettivo di identificare quali parametri provocano le maggiori oscillazioni di performance mentre il sistema opera in una condizione media. L’innovatività della tesi consiste nell’applicazione del Kriging ad un caso reale di Simulazione ad Eventi Discreti, e nel suo uso nel definire un DOE personalizzato. In conclusione, vengono presentate le azioni di risposta prese successivamente allo studio.