Anzeige
Anzeige
Beitrag drucken

Machine Learning im Behältermanagement

Wissen, wer die Boxen braucht

Machine Learning kann beim Behältermanagement im Sinn einer Closed-Loop-Lieferkette die fundierte Entscheidungsfindung unterstützen. In einem Gemeinschaftsprojekt haben Logsol und die technische Universität Dresden einen solchen Ansatz entwickelt.

Logsol hat zusammen mit der Technischen Universität Dresden die Entwicklung von Verfahren zur Anwendung von Machine-Learning-Algorithmen unter Einbezug von analytischen und simulativen Modellen für das Behältermanagement realisiert. (Bild: Logsol GmbH)

Logsol hat zusammen mit der Technischen Universität Dresden die Entwicklung von Verfahren zur Anwendung von Machine-Learning-Algorithmen unter Einbezug von analytischen und simulativen Modellen für das Behältermanagement realisiert. (Bild: Logsol GmbH)

Behälter übernehmen als Bindeglied zwischen Produktionsschritten eine wichtige Funktion. Aufgrund zunehmender Automatisierung und Verpackungsvorschriften ist der Einsatz von mehrfach verwendbaren Ladungsträgern zwingend erforderlich. Lean-Ansätze bestärken diesen Umstand, da u.a. Umverpackungsprozesse vermieden werden sollen. Zusätzlich wird durch verstärktes Umweltbewusstsein und die Knappheit natürlicher Ressourcen, der Umsetzung von Closed Loop Supply Chains (CLSC) eine neue Bewertung zuteil. Mehrweg-Behälter als kleinste logistische Einheit wurden im Zuge dessen zu einem unabdingbaren Bestandteil vieler produktionslogistischer Prozesse. Ihre Verfügbarkeit sorgt für den reibungslosen Materialfluss. Dies ist allerdings aufgrund der anhaltenden Globalisierung und der damit verbundenen Vielzahl an entsprechenden Tauschbeziehungen eine nicht immer ganz einfache Aufgabe. Zumal die Produktionen auch vielerorts komplexer werden.

Behälter managen

Zur Bewältigung dieser Aufgabe gibt es Behältermanagementsysteme (BMS). Diese basieren auf analytischen Modellen, die Informationen aus vorhandenen Daten generieren und so dem Behältermanager eine Entscheidungsbasis anbieten. Die Daten werden dabei sowohl zur Steuerung der Behälterkreisläufe, als auch zur langfristigen Planung und Loop-Optimierung genutzt, etwa wenn es zu Verschiebungen der Bestellquelle kommt.

Machine Learning einsetzen

Beim Behältermanagement treffen jedoch zunehmend langfristige Planung und kurzfristige Realität aufeinander. Die Planung ist nur solang aktuell, wie die Rahmenbedingungen konstant sind. Um dieser Entwicklung zu begegnen, können analytische Modelle durch Machine Learning (ML) ergänzt werden, um große Datenmengen schneller auszuwerten. Veränderungen und Anomalien werden so frühzeitiger sichtbar und Unternehmen können Probleme schneller angehen. Mit KI ist es zudem möglich, bestehende Prozesse zu optimieren.

Gemeinschaftsprojekt

Zusammen mit der Technischen Universität Dresden hat Logsol im Rahmen eines Verbundprojektes ein solches Verfahren entwickelt. Ziel ist es, die wachsende Datengrundlage gewinnbringend auszuschöpfen. Es entstand ein BMS, das Anwendern bei der Entscheidungsfindung unterstützt. Mittels Predictive Analytics werden zudem aus aktuellen und historischen Daten belastbare Vorhersagen getroffen. Im Behältermanagement wird z. B. durch die Prognose von Behälterbuchungen eine Basis für die Behältereigentümer geschaffen. Diese sind so in der Lage, ihre Bestände besser zu planen und Bestellungen können bei auftretenden Engpässen strategisch delegiert werden. Ohne solche Assistenz- und Entscheidungsunterstützung sind Entscheidungen der Disponenten mit mehr Unsicherheiten und Risiken verbunden.

Plausible Daten

Eine Herausforderung für Prognosemodelle im Behältermanagement besteht in der Abhängigkeit des Behälterflusses zum zugrundeliegenden Produktionsgeschehen. Die Daten müssen ein entsprechende Erklärkraft haben und beispielsweise die erwarteten Ausgangsbuchungen der kommenden Woche mit ausreichender Genauigkeit prognostizieren. Und neben dem dynamischen Produktionsgeschehen kommen kurzfristige Faktoren wie Verschmutzung der Behälter oder Verspätungen der Transporte hinzu. Eine weitere Herausforderung stellen zu geringen Datenmengen dar. Aber dabei kann Machine Learning in Kombination mit Clusteringverfahren helfen, indem ähnliche Daten zusammengefasst werden, was den verfügbaren Datensatz erweitert.

Die im Projekt erfolgreich erprobten Anwendungsfälle erstrecken sich über:

  • • die Prognose von Buchungen und dem Bestand,
  • • die Anwendung von Klassifizierungs-, Clustering- und Prognosemodellen zur Bewertung von Kontenpartnern bzw. Lieferanten,
  • • dem Einsatz von Sentimentanalyse- und Textauswertungstools zur verbesserten Reaktion auf Anliegen der Systemnutzer.

Die Vorhersage ausgewählter KPI (siehe Bild) und damit die Ableitung einer Entscheidungsunterstützung funktioniert wie folgt: Ausgehend von einem Set an Trainingsdaten wird ein geeignetes Modell ausgewählt und auf Basis von Parametervariationen konfiguriert. Anschließend wird zur Validierung ein Verlauf der KPI durch Einbezug von multivariaten Einflussgrößen durch die ML-basierte Prognose vorhergesagt und mit den tatsächlichen Referenzdaten verglichen. Die Daten können dann in einem Dashboard angezeigt werden, und bieten Informationen zur Entwicklung der Kennzahlen.

Daten sammeln mit RFID

Für Machine Learning und KI gilt, je größer die Datenmenge desto genauer die Prognose. Der Einsatz von ML-Lösungen hängt darüber hinaus von der Systemlandschaft vor Ort sowie der verwendeten Sensorik, etwa RFID, ab. Die Implementierung von serialisierten Ladungsträgern, welche mit Barcode oder mit RFID Transpondern ausgestattet sind, ermöglichen beispielsweise eine automatisierte Datenerfassung. Durch das Behältermanagementsystem BinMan® als Verwaltungsschicht der aufgenommenen Daten kann der zunehmende Trend der Automatisierung durch die Integration von RFID-Technologie auch für weitere Auswertungsfunktionen wie der Optimierung von Transport und Distribution durch Machine-Learning-Anwendungsfälle wie der Routenplanung zur Verfügung gestellt werden. Für eine erfolgreiche Implementierung ist neben dem domänenspezifischen Wissen zudem auch Data-Science-Knowhow gefragt.

Der Weg in die VUCA-Welt

Der Einsatz von KI ist für die Logistikbranche von großer Bedeutung, stellt Unternehmen jedoch vor viele Herausforderungen. Um für die zukünftigen Anforderungen einer ‚VUCA- Welt‘ (Volatility, Uncertainty, Complexity, Ambiguity) vorbereitet zu sein, sind entscheidungsintelligente Algorithmen mit maschinellen Lernverfahren eine Voraussetzung.


Das könnte Sie auch interessieren:

Zerspaner müssen sich intensiv mit hoher Variantenvielfalt, kleinen Losgrößen und langen Rüstzeiten befassen, um wettbewerbsfähig zu fertigen. MES-Software mit Advanced Planning and Scheduling-Funktionalität hilft, die Herausforderungen der Branche anzugehen.‣ weiterlesen

Weltweit steckt der Einsatz von künstlicher Intelligenz (KI) noch in den Kinderschuhen. Die Mehrheit der Unternehmen, die KI einsetzen, experimentieren laut einer Accenture-Untersuchung in diesem Bereich noch. 12 Prozent nutzen die Technologie mit einem KI-Reifegrad, der einen starken Wettbewerbsvorteil bringt, so das Ergebnis der Studie.‣ weiterlesen

Thomas Herrguth verantwortet seit 1. Juli das Deutschlandgeschäft bei VMware. Sein Vorgänger Armin Müller konzentriert sich nun auf seine Rolle als Vice President CEMEA bei VMware.‣ weiterlesen

Bei Predictive-Quality-Anwendungen kann es sich auszahlen, nicht auf die Cloud, sondern auf Edge Computing zu setzen – vor allem dann, wenn es schnell gehen muss, erläutert Data-Science-Spezialist LeanBI.‣ weiterlesen

Der ERP-Auswahlberater Trovarit begleitete Buhmann Systeme bei seiner Software-Neuausrichtung von der Prozessanalyse bis zur Systemauswahl. Ein zentrales Element war der Anforderungskatalog mit 850 Punkten. Im Marktvergleich bot die Software AMS.ERP die höchste Abdeckung - und ihr Hersteller erhielt den Zuschlag.‣ weiterlesen

Gemeinsam wollen Siemens und Nvidia das industrielle Metaverse erschließen. Die Unternehmen wollen dafür ihre Partnerschaft ausbauen und durch die Verknüpfung von Nvidia Omniverse und Siemens Xcelerator realitätsgetreue digitale Zwillinge ermöglichen.‣ weiterlesen

Amazon Web Services hat auf dem AWS Summit in San Francisco drei Services angekündigt, die sich vor allem an produzierende Betriebe richten. Mit AWS IoT TwinMaker können Entwickler digitale Zwillinge etwa von Gebäuden, Fabriken, Industrieanlagen und Produktionslinien erstellen.‣ weiterlesen

Wachstum hatte die Personalarbeit bei Schuler Präzisionstechnik vor Herausforderungen gestellt. Die manuelle Bearbeitung von Vorgängen kostete Zeit und war umständlich. Daher wurde ein digitales Personalmanagement-System auf Basis einer Software für Enterprise Content Management (ECM) aus der Taufe gehoben.‣ weiterlesen

Die Berliner Fraunhofer Institute haben im Auftrag von German Edge Cloud und dem Innovationscluster 5G Berlin eine 5G-Infrastruktur in Betrieb genommen. Diese steht Kunden und Partnern aus Industrie und Forschung für Projekte zur Verfügung.‣ weiterlesen

PTC hat das neunte Major Release der CAD-Software Creo vorgestellt. Das Unternehmen mit Hauptsitz in Boston hat in die Weiterentwicklung der Modellierungsumgebung investiert, um die Benutzerfreundlichkeit und Produktivität zu erhöhen.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige