Evaluating the selective laser melting application on inventory management : detailed production process modelling and inventory policies analysis

Additive Manufacturing (AM) is an innovative technology that can positively impact the inventory management and the Supply Chain (SC) thanks to its demonstrated flexibility. Despite this, very limited research has been devoted to quantitatively analyse this scientific area. In this respect, research focused on the AM production efficiency select batch production to optimize at best the machine capacity, while literature that investigates the AM application in inventory management and SC prefers a make to order (MTO) production. Furthermore, the latter provides a generic description of the AM process, making simplified assumptions as infinite machine capacity, negligible set up times, and constant or generic distributed lead time. This work focuses on Selective Laser Melting (SLM) with the aim of developing an accurate process modelling to provide an exhaustive evaluation on the AM impact on the inventory management, considering a single-item, single location scenario. Markov Chains with different levels SLM modelling details have been developed to estimate the resupply time. It has been obtained that an accurate SLM process description can lead to a more precise lead time evaluation, sensibly reducing the estimation error. Simulation models were created to assess the SLM production influence on the inventory replenishment. Two different inventory policies are studied: the (S-1,S) for MTO, and the (r,Q) for batch production. To strengthen the validity of the models, a case of study provided by Fubri has been analysed. The study revealed that a detailed SLM process description can improve the optimal inventory parameters’ selection, reducing the total annual inventory cost and increasing the service level. Furthermore, the (r,Q) inventory policy allows a reduction of the unitary resupply time and of the total annual inventory cost compared to the (S-1,S) one, thanks to an SLM machine capacity optimization, a proper production fixed times allocation and an annual order costs reduction.

L’Additive Manufacturing (AM) è una tecnologia innovativa che, grazie alla sua flessibilità, può giovare alla gestione delle scorte e della Supply Chain (SC). Ciononostante, la ricerca dedicata a quest’area scientifica è tuttora limitata. In aggiunta, pubblicazioni riguardanti l’efficienza produttiva AM prediligono una produzione per lotti per ottimizzare la capacità di macchina, mentre ricerche che investigano l’applicazione dell’AM alla gestione delle scorte e SC prediligono una produzione Make To Order (MTO). Inoltre, queste ultime forniscono una descrizione generica del processo additive, portando ipotesi semplificative quali capacità di macchina infinita, tempi di setup trascurabili e lead-times costanti o genericamente distribuiti. Questo lavoro di tesi si focalizza sulla tecnologia Selective Laser Melting (SLM) con l’obiettivo di sviluppare un’accurata modellazione del processo e di fornire una valutazione esaustiva dell’impatto di questo sulla gestione delle scorte, considerando uno scenario mono-prodotto e singolo-nodo. Sono state sviluppate Markov Chains con differenti livelli di accuratezza nella modellazione SLM per valutarne il tempo di rifornimento. Si è ottenuto che una descrizione dettagliata del processo produttivo permette una valutazione più accurata del lead-time, riducendone sensibilmente l’errore di stima. L’influenza della produzione SLM sulla gestione delle scorte è stata analizzata grazie all’impiego di modelli simulativi. Sono state studiate due politiche di gestione: (S-1,S) per MTO e (r,Q) per produzione a lotti. La validità dei risulti è stata rafforzata dall’analisi di un caso di studio fornito da Fubri. Lo studio ha rivelato che una modellazione dettagliata del processo SLM migliora la selezione dei parametri ottimali delle politiche, riducendo il costo totale annuale di magazzino e aumentando il livello di servizio. Inoltre, la politica (r,Q) comparata alla (S-1,S), permette una riduzione del tempo unitario di rifornimento e del costo totale annuo di gestione grazie all’ottimizzazione della capacità produttiva, all’efficiente allocazione dei tempi fissi di produzione ed alla riduzione del costo annuo di ordine.