A combined optimization-machine learning method for the assembly line feeding problem

The evolution of customer requirements has led companies to pursue the mass customization strategy, leading to an increased complexity of part feeding operations in assembly systems. At the same time, scientific literature has showed significant interest in this domain, with a particular focus on part feeding policies selection. This thesis investigates the problem of allocating each part to a specific feeding policy, defined as Assembly Line Feeding Problem (ALFP). The contributions of the thesis are the following: first, it provides a classification of both the part feeding policies and the methods to solve the ALFP introduced in literature. Five policies are identified, representing the archetypal policies able to cover a broad spectrum of feeding modes, while the methods are classified into two categories, whose analysis led to pointing out the existence of a trade-off between effort (i.e. data to be collected and dedicated resources) and quality of the ALFP solution (i.e. closeness to the optimal solution). Secondly, this thesis proposes an innovative method for the assignment of parts to feeding policies using a supervised Machine Learning (ML) model, trained on data coming from an optimization model applied on a limited dataset of problem instances. The application to the setting of a truck manufacturing company assembly plant shows that the proposed method improves the quality-effort trade-off, by providing a near-optimal solution while requiring a lower effort compared with methods based solely on optimization. Finally, this thesis highlights the managerial insights related to the method adoption, gathered through on-site visits and interviews with plant logistics managers in the automotive industry as well as through a second implementation of the proposed method carried out in close collaboration with an Italian company in the automotive industry.

L'evoluzione dei bisogni dei clienti ha guidato le aziende verso la mass customization, causando un'elevata complessità dei sistemi d’assemblaggio. La letteratura scientifica ha mostrato grande interesse in tale dominio, soprattutto in merito alle part feeding policies. La presente tesi studia il problema dell’allocazione di ogni componente ad una specifica part feeding policy, definita da Schmid e Limère (2019) come Assembly Line Feeding Problem (ALFP). I contributi della tesi sono i seguenti: in primo luogo viene definita una classificazione delle part feeding policies esistenti e dei metodi trattati dalla letteratura per risolvere l’ALFP. Cinque policies, rappresentanti l’archetipo delle policies esistenti, sono identificate, mentre i metodi sono classificati in due categorie la cui analisi ha evidenziato l’esistenza di un trade-off tra efficienza (quantità di dati da raccogliere e risorse da dedicare) e qualità della soluzione ALFP (vicinanza alla soluzione ottima). In secondo luogo, un metodo innovativo per la risoluzione dell’ALFP basato su una combinazione di Ottimizzazione e Machine Learning (ML) è proposto: un modello di ottimizzazione è applicato ad una porzione dell’intero sistema di assemblaggio e l’output è utilizzato per costruire il modello di Machine Learning. Durante la costruzione, il modello ML impara le regole caratterizzanti le relazioni tra input e variabile obiettivo così da adottarle in seguito per risolvere l’ALFP sulla rimanente porzione del sistema. L’applicazione del metodo su un caso studio dimostra il miglioramento del trade-off tra efficienza e qualità attraverso il raggiungimento di una soluzione prossima a quella ottimale e che, allo stesso tempo, richiede un minor sforzo in termini di raccolta dati e potenza computazionale rispetto alla sola ottimizzazione. Infine, la tesi evidenzia le implicazioni manageriali legate all’adozione del metodo, raccolte non solo attraverso visite ed interviste con i plant logistics managers nel settore automotive, ma anche attraverso una seconda applicazione del metodo in un’azienda italiana produttrice di veicoli e operante in un contesto complesso a causa dell’elevata varietà di componenti.