Analytical methods to assess and compare AS/RS solutions

This thesis investigates Automated Storage and Retrieval Systems (AS/RS) and automated warehouse technologies, focusing on both large and small unit load handling. The intent is to develop mathematical models that calculate the mean cycle times for covered and uncovered configurations and build comparative models between AS/RS solutions, configurations and storage policies. More specifically, the novelty of this thesis if to calculate cycle time for stacker cranes in multi-deep racking configuration using a shuttle as the load handling device (LHD) under random and rational storage policy. Then developing a comparative model that under specific inputs, compares hundreds of stacker crane configuration changing the racking depth, number of aisle and the storage policy. Similar work is also intended for mini-load stacker cranes, that were not studied from the perspective of performance when triple and quadruple deep racking is applied. The study begins by examining the literature on different systems categorized on the basis on the unit load. It proceeds by highlighting the gaps and area of improvements. Then, and through mathematical modeling, the thesis proposes different methods for mean cycle times calculations for different storage and retrieval scenarios, providing a detailed comparison of performance across various system configurations. This includes assessing the impact of racking depth on throughput and evaluating how different storage policies, rational versus random, affect overall system performance. The results offer a comprehensive understanding of the trade-offs between different AS/RS technologies and their configurations, highlighting the conditions under which each system performs optimally. The practical application of these models is illustrated through two case studies, demonstrating how the results of the models can help minimize the time to identify the optimized solutions. The case studies underscore the importance in selecting the right key performance indicators (KPIs) and how prioritizing one influences the optimal configuration of the AS/RS.

Questa tesi esamina i Automated Storage and Retrieval Systems (AS/RS) e le tecnologie per magazzini automatizzati, con un focus sulla gestione di unità di carico grandi e piccole. L’obiettivo è sviluppare modelli matematici per calcolare i tempi di ciclo per configurazioni non analizzate, e costruire modelli comparativi tra diverse soluzioni AS/RS, configurazioni e modalità di stoccaggio. In particolare, l’innovazione di questa tesi consiste nel calcolo dei tempi ciclo per trasloelevatori in configurazioni multi-profondità utilizzando uno shuttle come dispositivo di movimentazione del carico, considerando modalità di stoccaggio randomizzati e razionali. Viene quindi sviluppato un modello comparativo che, con input specifici, confronta centinaia di configurazioni di trasloelevatori, variando la profondità delle scaffalature, il numero di corsie e la strategia di stoccaggio. Un’analisi simile è prevista per i mini-load, che non sono stati precedentemente studiati in termini di prestazioni quando si applica uno stoccaggio a tripla e quadrupla profondità. Lo studio inizia con un'analisi della letteratura sui vari sistemi classificati in base al tipo di unità di carico, per poi evidenziare le lacune e le aree di miglioramento. Successivamente, attraverso la modellazione matematica, la tesi propone diversi metodi per il calcolo dei tempi di ciclo medi per vari scenari, fornendo un confronto dettagliato delle prestazioni tra diverse configurazioni. Questo include la valutazione dell'impatto della profondità delle scaffalature sul throughput e l'analisi di come la strategia di stoccaggio, razionale rispetto a random, influenzino le prestazioni complessive del sistema. I risultati forniscono una comprensione completa dei compromessi tra diverse tecnologie AS/RS e le relative configurazioni, mettendo in evidenza le condizioni in cui ciascun sistema raggiunge le prestazioni ottimali. L'applicazione pratica di questi modelli viene illustrata attraverso due casi di studio, che dimostrano come i risultati dei modelli possano aiutare a ridurre il tempo necessario per identificare le soluzioni ottimizzate. I casi di studio sottolineano l'importanza di selezionare i giusti Key Performance Indicators e come la priorità assegnata a uno di essi possa influenzare la configurazione ottimale del sistema.