- IT&Production - https://www.it-production.com -

Wissen, wer die Boxen braucht

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) [1]

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 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.