A Lean Fuzzy Rule to Speed-Up a Taylor-Made Warehouse Management Process

Lapo Chirici¹ and Kesheng Wang²

1

Department of Business Informatics – University of Pisa (Italy)

lapochirici@gmail.com

2

Department of Production and Quality Engineering – Norwegian University of Science and Technology (Norway)

kesheng.wang@ntnu.no

Abstract.

The minimization of the inventory storage cost and - as a consequence - optimize the storage capacity based on the Stock Keeping Unit (SKU) features is a challenging problem in operations management. In order to accomplish this objective, experienced managers make usually effective decisions based on the common sense and practical reasoning models. An approach based on fuzzy logic can be considered as a good alternative to the classical inventory control models. The purpose of this paper is to present a methodology which assigns incoming products to storage locations in storage departments/zones in order to reduce material handling cost and improve space utilization. The iterative Process Mining algorithm based on the concept of Fuzzy Logic systems set and association rules is proposed, which extracts interesting patterns in terms of fuzzy rules, from the centralized process datasets stored as quantitative values.

Keywords: Logistics, Warehouse management, Putaway process, Fuzzy rules, Data Mining.

1 Introduction

In this era of such drastic and extemporaneous changes, manufacturers with global view pay strong efforts in striving to achieve a lean production, outsource their components, and manage the complexity of supply chain [2].

Warehouse management plays a vital role to be a central actor in any kinds of industry which put-away process is a key activity that brings significant influence and challenges to warehouse performance.

In this dynamic operating environment, reducing the operation mistakes and providing accurate real time inventory information to stakeholder become the basic requirements to be an order qualifier. Here, an OLAP based intelligent system called Fuzzy Storage Assignment System (FSAS) is proposed to easy manipulate the decision support data and rationalize the production in terms of storage location assignment problem (SLAP).

In condition of informationrsquo;s uncertainty, fuzzy logic systems can provide methodologies for carrying out approximate reasoning processes when available.

G.L. Kovaacute;cs and D. Kochan (Eds.): NEW PROLAMAT 2013, IFIP AICT 411, pp. 61–72, 2013.

copy; IFIP International Federation for Information Processing 2013

Identifying an approach that can bring out the peculiarities of the key operations of warehouse is focal to track the priorities for the storage in terms of Stock Keeping Units (SKUs) [3]. Hence the need to develop a Put-away Decision Tree in order to automates the analysis of possible hidden rules useful to discover the most appropriate storage location assignment decisions. Some examples of SKU features are their dimensions, weights, loading values and popularity. All these are important in order to find out the relationship between the SKU properties and the relative assigned storage location. The aim of the paper is to create an algorithm that would be able to provide the best allocation position for SKUs in a just-in-time manner and with a lean and intelligent stock rotation. This approach provides strategic decisions to optimize the functionality and minimize the costs in a full automated warehouse.

2 The “PUTAWAYrsquo;S DILEMMA”

2.1 Manage the SLAP

Warehouse storage decisions influence the main key performance indicators of a warehouse, such as order picking time and cost, productivity, shipping (and inventory) accuracy and storage density (Frazelle, 2002). The customers are looking always to obtain more comprehensive services and shorter response time. The storage location assignment problem (SLAP) results essential to assign incoming products to storage locations in well-defined departments/zones in order to reduce material handling cost and improve space utilization (Gu et al. 2007).

Handling the storage location process is an activity that requires the supervision of several relevant factors. Up to now, some warehouse management systems (WMS) have been developed to acquire 'simple data' by the warehouse operators and let recorded to computer support in intelligent slotting (storage location selection) in such way to ensure a constant quality of information available [1].

Besides that, both the lack of relevant data and WMS low customization capability for supporting the put-away process, highlight a common problem the warehouse manager has to deal with. Thus, the put-away decisions are often based on human knowledge, sprinkled unavoidably by a high gradient of inaccuracy (and consequently long order time), which can bring to a negative impacts on customer satisfaction [9].

2.2 Previous Theories on SLAP

Warehouse is used to store inventories during all phases of the logistics process (James et al., 2001). The five key operations in warehouse are receiving, put-away, storage, order picking as well as utilizing and shipping (Frazelle, 2002). Hausman in 1976 suggested that warehouse storage planning involves decisions on storage policy and specific location assignment. In general, there are a wide variety of storage policies such as random storage, zoning, shortest/closest driveway, open location, etc (Michael et al., 2006). As each of the storage strategy with its own characteristics, there are different ways to solve the storage location assignment problem (SLAP). Brynzer and Johansson (1996) treated SLAP improving a strategy for pre-aggregate components and information for the picking work in storehouses. And this latter leveraging on the productrsquo;

剩余内容已隐藏，支付完成后下载完整资料

一个“精益”的模糊规则加速一个泰勒制的仓库管理过程

Lapo Chirici¹和 Kesheng Wang²

1

商务资讯部-比萨大学(意大利)lapochirici@gmail.com

2

挪威科技大学生产与质量工程学院(挪威)kesheng.wang@ntnu.no

摘要

库存存储成本的最小化和基于库存保持单元(SKU)特性优化存储容量是运营管理中一个具有挑战性的问题。为了实现这一目标，经验丰富的管理者通常会根据常识和实际推理模型做出有效的决策。基于模糊逻辑的方法可以作为经典的库存控制模型的一个较好的选择。本文的目的是为了减少物料搬运成本，提高空间利用率，提出一种方法，将入库的产品分配到存储部门/区域的存储位置。提出了基于模糊逻辑系统集合和关联规则概念的迭代过程挖掘算法，从存储为量化值的集中式过程数据集中提取了一些有趣的模式。

关键词:物流，仓库管理，逃逸过程，模糊规则，数据挖掘。

1 简介

在这个如此激烈和即时性变化的时代，具有全球视角的制造商在努力实现精益生产、外包组件和管理供应链的复杂性方面付出了巨大的努力[2]。

仓库管理在任何行业中都扮演着举足轻重的角色，它是一项重要的活动，对仓库绩效产生重大的影响和挑战。

在这个动态的操作环境中，减少操作错误并向涉众提供准确的实时库存信息成为订单限定符的基本要求。在此基础上，提出了一种基于OLAP的智能系统，即模糊存储分配系统(FSAS)，以方便操作决策支持数据，并根据存储位置分配问题(SLAP)对生产进行合理化。

在信息不确定的情况下，模糊逻辑系统可以提供在可用的情况下进行近似推理过程的方法。

确定一种能够揭示仓库关键操作的特性的方法，是跟踪库存保持单元(sku)的优先级(sku)[3]。因此，需要开发一个放置决策树，以自动化可能隐藏规则的分析，以发现最合适的存储位置分配决策。一些SKU特性的例子是它们的尺寸、权重、加载值和流行度。为了找出SKU属性和相对分配的存储位置之间的关系，所有这些都很重要。本文的目的是创建一种算法，能够以实时的方式为sku提供最佳的分配位置，并进行精益和智能的股票轮换。这种方法提供了战略决策以优化功能，并使整个自动化仓库的成本最小化。

2 “存储的窘境”s

2.1 管理存储位置分配问题（SLAP）

仓库存储决策影响仓库的主要关键性能指标，比如订单选择时间和成本、生产力、运输(和库存)的准确性和存储密度(Frazelle, 2002)。客户一直在寻找更全面的服务和更短的响应时间。存储位置分配问题(SLAP)的结果是，在定义良好的部门/区域内，将引入的产品分配到存储位置，以减少物料处理成本和提高空间利用率(Gu et al. 2007)。

处理存储位置过程是一项需要对几个相关因素进行监督的活动。到目前为止，已经开发了一些仓库管理系统(WMS)，以获取仓库运营商的“简单数据”，并在智能插槽(存储位置选择)中记录到计算机支持，以确保信息的持续质量[1]。

除此之外，缺乏相关的数据和WMS的低自定义能力来支持放置的过程，突出了仓库管理人员需要处理的一个常见问题。因此，人们往往以人类的知识为基础，在不准确的情况下(从而导致长时间的订货时间)，从而对顾客的满意度产生负面影响[9]。

2.2 SLAP 早先的理论

仓库用于在物流过程的所有阶段储存库存(James et al.， 2001)。仓库的5个关键操作是接收、放置、存储、订单选择以及利用和运输(Frazelle, 2002)。1976年的Hausman建议仓库存储规划涉及存储策略和特定位置分配的决策。一般来说，有各种各样的存储策略，如随机存储、分区、最短/最近的车道、开放位置等(Michael et al.， 2006)。由于每个存储策略都有自己的特点，因此有不同的方法来解决存储位置分配问题(SLAP)。Brynzer和Johansson(1996)对在仓库中挑选工作的预聚合组件和信息进行了改进。而后者利用产品的结构/形状来减少订单的选择时间。Pan和Wu(2009)开发了一个可选通系统的分析模型[5], [6]。他的理论建立在三种算法上，这些算法优化了存储中的项目，分析了apriori的单个选择区域的情况，一个与不相等大小的区域的选择线，以及一个在普通系统中具有相同大小区域的选择线。针对存储空间、处理成本和面积减少(Muppani和Adil, 2008)，开发了基于分支和绑定算法的非线性整数规划模型，以启发基于类的存储实现决策。

2.3 引入模糊逻辑

模糊逻辑已经证明了它作为处理现实生活中充满歧义、不精确和模糊[3]的工具的价值。模糊逻辑是从经典布尔逻辑衍生而来的，它在传统的二元之间，在一系列的真值上实现了软的语言变量。它通常被认为是传统集合论的一个疑点。由于模糊逻辑以一种系统的方式处理近似信息，因此它是控制非线性系统和建模复杂系统的理想方法，在这种系统中，不精确的模型存在或系统中存在模糊性。典型的模糊系统包括规则库、隶属函数和推理过程。模糊逻辑是传统布尔逻辑的一种超集，它在“完全正确”和“完全错误”之间进行了扩展，以处理部分真理-真值的概念。在经典集合理论中，资产的子集U可以定义为从S到元素的映射，即子集[0,1]，U: S -gt;{0, 1}[8]。

映射可以表示为一组有序对,为每个元素一个有序对。有序对的第一个元素是集合S的一个元素，第二个元素是集合的元素(0,l)。值0用于表示非成员关系，而值1用于表示完整的成员关系。陈述的真实或虚假。“X在U中”是由找到第一个元素为X的有序对决定的，如果有序对的第二个元素为1，则该语句为真，如果为0，则该语句为假。

3 从模糊性到大满贯

3.1 在线分析处理

为了收集和提供商业情报分析的质量数据，决策支持系统(DSS)的使用对于帮助解决关键问题领域的管理者至关重要(Dunham, 2002)。联机分析过程(OLAP)是一个决策支持系统(DSS)工具，它允许在灵活和及时的基础上访问和解析数据。此外，OLAP使分析师能够以多维的方式探索、创建和管理企业数据(Peterson, 2000)。因此，决策者能够根据自己的具体需求，对不同层次的业务数据进行度量，并对其进行聚合。根据Dayal和Chaudhuri (1997)， OLAP软件的典型操作可以分为四个方面: (i)卷起，(ii)钻取，(iii)切片和骰子和(iv)枢轴。通过使用OLAP，可以实时、高效地查看和处理数据。人工智能(AI)是支持全面知识表示和实际操作策略的技术之一(Robert, 1990)。通过使用人工智能，系统能够从过去的经验中学习并处理不确定和不精确的环境(Pham et al.， 1996)。根据Chen和Pham(2006)，模糊逻辑控制器系统包括三个主要过程:模糊化、规则基础推理和去模糊化。Petrovic等人(2006)认为模糊逻辑能够管理决策问题，其目标是优化多个目标。后者证明了模糊逻辑可以满足仓库工业中多目标的目标操作。Lau等人(2008)提出了一种随机搜索技术，称为模糊逻辑引导遗传算法(FLGA)，将项目分配到合适的位置，这样就可以最小化完成所有订单的工人的总旅行时间之和。摘要利用OLAP和AI技术在支持决策方面的优势，提出了一种基于模糊存储分配系统(FSAS)的智能系统，以提高WMS系统的性能。在数据采集和分析模块(DCAM)中包含两个关键元素:(1)在线分析处理(OLAP);(2)存储位置分配模块(SLAM)中的一个模糊逻辑系统，目标是实现最优的存储决策，最大限度地减少订单周期时间、物料处理成本和项目损失。

3.1.1 模糊存储分配系统

模糊存储分配系统(FSAS)旨在从供应链上的不同组织捕获分布式项目的数据(包括仓库状态)。关键的段落涉及将数据转换为信息，为“SLAP”磨炼出正确的存储决定[10]。同时，它对仓库性能的实际影响是可以立即识别的。实际上，它还允许仓库人员实时查看关于SKUs的状态的报告，包括已经在仓库中

存储的库存。能模糊存储分配系统（FSAS）的体系结构如图1所示。一般来说，FSAS由两个模块组成:(1)数据采集和分析模块(DCAM)和(2)存储位置分配模块(SLAM)。这些都是通过一个完全自动化的推荐存储系统来实现研究目标的。

图 1. 模糊存储分配系统算法

4 该模型的应用

4.1 数据采集与分析模块(DCAM)

数据采集和分析模块(DCAM)的三个主要组成部分是中央数据仓库、联机分析技术和数据集。第一个用于连接不同数据源的各种系统，包括WMS、ERP和VMI，它们是独立的系统，但是为了实现SLAP，可以将存储库存单位的有价值数据存储到中央数据仓库。它确保了所需数据的可用性，以便进行进一步的分析。DCAM扮演决策支持系统的角色，提供仓库工程师或经理相关的具体信息，包括项目的活动信息、需求相关性和仓库信息。

第二部分，联机分析技术，提供了数据的计算和多维结构。仓库管理基于这些信息在库存单位和仓库中进行战略决策制定模糊规则的SLAP。通过对质量信息的整体操纵，仓库工程师能够开发一套特定的规则或算法来适应他们独特的日常操作、仓库配置和操作目标。DCAM提供了库存单位和仓库的细化参数，作为下一个模块的输入，用于生成SLAP的自动推荐。

最后一个但并非最不重要的组件是数据集，它被开发用来存储细化的参数和模糊规则(作为一个模糊规则存储库)，直接和具体地支持SLAP。

(a) (b)

(a): 六层仓库的一部分

(b): 三维设计定制仓库的软件

4.2 存储位置分配模块(SLAM)

根据分析的信息和DCAM的模糊规则，使用存储位置分配模块来确定到达库存单位的正确存储位置。它的主要组成部分是由模糊集、模糊规则和模糊推理组成的模糊逻辑系统。.

模糊规则是一组规则集，将选定的存储策略、经验和专家知识和规则集成在一起。它的特征是一个IF(条件)然后(动作)结构。

规则集确定每个项目的存储位置;该系统将匹配库存单位和当前仓库(条件)的特征和模糊规则，然后找出该操作(应该在哪里做空)。最后生成了自动输出解决方案。在前DCAM的数据集上，它提供了与模糊系统兼容的参数，而不是参数将输入到专门用来支持SLAP的模糊系统中。将模糊系统的输出解释为入站货物的最终存储位置的推荐，而仓库人员将将入站货物存储为推荐，最后将存储信息更新到WMS系统。

4.2.1 “黄金地带”分区

这里有黄金地带(最容易接近的)、银色地带(中间可进入)和青铜区(最不容易进入)。因此，在可访问性的序列中，每个存储区、A、B、C三个分区域具有最高的可访问性。

5 实例

5.1 问题识别

一般来说，咖啡锡耶纳公司（Espresso Siena amp; Co）.的特点是在仓库操作中处理大量的请求。有效的存储位置分配可能会降低成本和损害率，以提高客户满意度。然而，目前在决定存储部门、位置和合适的层位的做法是基于他的知识。问题可能会被提出，因为错误的存储环境提供了存储项(导致项目质量的恶化)和长时间的存储位置过程(导致了更长的入站装运处理周期)。这是由于决策过程中数据可用性不足和缺乏系统的决策支持系统造成的。根据以往的经验，在托盘货架或具有较高负载的物品中储存的货物有更多的破损概率或更高的装载高度，因为难以控制托盘车。货物越贵，损失越高，仓库损失越大。

为了确保数据的准确和实时，建议的能模糊存储分配系统（FSAS）集成数据，从不同数据源提取质量数据并为入站项目分配适当的存储位置，在此过程中，将损失和损失的风险降到最低。

5.1.1 在DCAM中部署在线分析过程

将库存单位（SKU）数据和仓库数据从数据源系统中捕获并转移到集中式数据仓库中。通过联机分析技术（OLAP）应用程序，可以构建一个称为星型模式的多维数据模型。这是由一个中心事实表和一组周围维度表组成的，每个表都有自己的各种数据类型的属性。用户可以在不同层次的细节中查看数据，因此仓库工程师可以生成实时的决策报告。实际上，OLAP函数允许在特定时间段内查找SKUs活动的统计信息，表示SKUs维度、存储环境和仓库信息等[11]。这样就有可能掌握仓库操作人员的关键决策支持数据。为了确保OLAP方法能够正常工作，OLAP数据集需要在OLAP服务器的高级中构建。多维数据集是在星型模式(图2)中开发的，由维度、度量和计算成员组成。

L. Chirici 和 K. Wang

图 2. DCAM的关系数据库结构

5.1.2 被认定的相关属性

维度

在SKU维度中，使用“SKU_ID”和“Product Type”字段来查找SKU的维度和存储部门选择的其他特征。在“Invoice”维度中，使用“Invoice ID”和“SKU_ID”和“Invoice _Type”字段来查找SKU的活动模式，以确定SKU部门内部的位置。

在“时间”维度中，使用“交付日期”和“到达日期”字段来查找SKU的预期存储时间和特定时间段内事务的数量。

措施

“加载项高度”、“加载项宽度”、“单位成本”、“Unit_Cube”等都用于为

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[23484]，资料为PDF文档或Word文档，PDF文档可免费转换为Word