Intralogistik 4.0

Machine Learning in der Intralogistik – Einsatzmöglichkeiten und Chancen

| Autor / Redakteur: Matthias Berlit / Sebastian Hofmann

Wie wird Künstliche Intelligenz die innerbetriebliche Logistik verändern?
Wie wird Künstliche Intelligenz die innerbetriebliche Logistik verändern? (Bild: ©monsitj - stock.adobe.com)

Künstliche Intelligenz hält vermehrt Einzug in verschiedene Wirtschaftszweige wie Transport und Logistik. Doch wie ist der aktuelle Stand im Teilbereich Intralogistik? Im folgenden Artikel erfahren Sie mehr über mögliche Anwendungsfelder und die Chancen für den Einsatz Maschinellen Lernens in der innerbetrieblichen Logistik.

Der Bereich Intralogistik bewegt sich langsam und schrittweise in Richtung Digitalisierung. Denn trotz Zögern – meist aus Scheu vor hohen Investitionskosten oder dem Entfernen von jahrelangen Routinen – bieten sich auch hier die anfallenden Datenmengen an, um das Potenzial von Technologien wie der Künstlichen Intelligenz (KI) auszuschöpfen. Viel brachliegendes Potenzial findet man in der innerbetrieblichen Logistik vor allem im Bereich der Transportoptimierung. Hier werden zwar bereits seit mehreren Jahrzehnten intelligente, mathematische Algorithmen eingesetzt, um beispielsweise Transportaufträgen so Ressourcen zuzuweisen, dass ein Effizienzoptimum  erreicht wird. Zusätzlich könnten jedoch Anwendungen Maschinellen Lernens wie Bild- und Mustererkennung die Prozesse und den Ressourceneinsatz deutlich verbessern.

Genauere Planungsdaten für eine genauere Optimierung

Mithilfe von Machine Learning können Systeme wichtige Planungsdaten wie Auflade-, Transport-, oder Abladedauer viel genauer prognostizieren. Zurzeit werden diese Planungsdaten meist einmal zur Systemeinführung durch grobe Messung, Durchschnittswerte oder auch nach dem Bauchgefühl der Mitarbeiter bestimmt. Diese Eingangsdaten für die Transportoptimierung können durch Maschinelles Lernen viel individueller bestimmt und somit realitätsnäher berücksichtigt werden.

Es gibt einige Beispiele aus der Intralogistik, die dies verdeutlichen. Beispielsweise dauert ein Palettentransport in einem Unternehmen Z durchschnittlich 30 Minuten. Dieser Wert wird hier für die Planung der innerbetrieblichen Transporte auch so gerechnet. Mit Machine Learning könnte jedoch identifiziert werden, dass ein Palettentransport von A nach B mit Material X immer 20 Minuten benötigt, während ein anderer Transport mit Material Y eine Stunde dauert. Anstatt solche Einzeldaten manuell von einem Mitarbeiter konfigurieren und im System einpflegen zu lassen, kann die Künstliche Intelligenz diese Aufgabe übernehmen.

Ein weiteres Beispiel: Ein regelmäßiger Transport an einem Mittwochnachmittag benötigt eine wesentlich kürzere Bearbeitungszeit als an einem Sonntagmorgen. Die unterschiedlichen Daten können unter anderem damit zusammenhängen, dass die Mitarbeiteranzahl an den Tagen variiert. Diese Information ist ein Planungsdetail, das in einer manuellen Planung der innerbetrieblichen Transporte zu komplex zu berücksichtigen wäre. Künstliche Intelligenz hingegen kann automatisch die Eintrittswahrscheinlichkeiten berechnen und Prozesse dementsprechend wesentlich effizienter organisieren und anderenfalls Engpässe vermeiden.

Das Erkennen von Mustern in den erfassten Daten ermöglicht außerdem, schnell zu identifizieren, welche Prozesse noch Optimierungspotenzial bieten. Ein Beispiel ist die Zwischenlagerung von Material. In der Intralogistik kann es vorkommen, dass Material zwischen einzelnen Transporten nur für eine kurze Zeit gelagert wird. Diese Zeitspanne kann sehr gering sein und ist daher in manchen Fällen nicht sinnvoll. Ein selbstlernendes System kann diese Transporte erkennen und sie gegebenenfalls direkt zum Endziel transportieren lassen.

Bei unerwarteten Störungen, etwa verspäteten Lieferungen, wäre es möglich, schneller oder auch automatisch in die Abläufe einzugreifen und entsprechende Gegenmaßnahmen einzuleiten. Folgeprozesse könnten dann rechtzeitig auf diese Verspätungen abgestimmt werden.

Vorausschauende Wartung für die Prozessoptimierung

Hinzu kommt die Möglichkeit die Ausfallzeiten der eingesetzten Fahrzeugflotte mit Hilfe des Predictive Maintenance zu optimieren. Hierzu werden im einfachsten Falle auf Grund von Betriebsstunden und Lastprofilen Ausfallzeiten prognostiziert. Genauer können per Sensorik zahlreiche Daten über die eingesetzten Fahrzeuge gesammelt und ausgewertet werden, um die Wartung und Instandhaltungstermine noch genauer zu bestimmen.

Durch eine solche genauere Prognose der Wartungszeitpunkte können Reparaturen und der Austausch von Teilen frühzeitig eingeplant und insgesamt die Produktivität der Ressourcen gesteigert werden.

Zusätzliche Chancen durch autonome Fahrzeuge

Die Paradedisziplin der künstlichen Intelligenz ist sicherlich der Einsatz fahrerloser Transportmittel. Die Transportmittel, ausgestattet mit Sensoren für die Lokalisierung, Navigation und Datenerfassung, könnten in Zukunft mithilfe selbstlernender Systeme auch untereinander automatisch Informationen austauschen und gezielt Folgeprozesse auslösen. Über eine Verknüpfung mit den vor- und nachgelagerten Prozessen, angefangen von der Materialanlieferung bis zum Versand, ist dann eine wahre Smart Factory denkbar.

Aktuell hält sich die Intelligenz und Selbständigkeit der fahrerlosen Transportsysteme noch in Grenzen und ist meist auf sehr homogene, immer gleiche Transporte beschränkt. Letztendlich wird das, was im automatischen Hochregallager begann, sukzessive auf immer mehr Transporte, wie heute bei Kommissionierabläufen oder bei Ein- und Auslagerungen in Lägern, ausgeweitet werden. Ein flächendeckender Ausbau auf alle Transporte in einer Fabrik ist dabei langfristig natürlich vorstellbar.

Transparente Prozesse dank Bilderkennung­

Insofern gilt es den Werksverkehr auch mit bemannten Transportmitteln weiter zu optimieren. Eine Kompetenz von Machine und Deep Learning ist neben den oben beschriebenen Prognoseverfahren auch die Bilderkennung. Damit wird es möglich heute notwendige Scan- und Erfassungsprozesse zu reduzieren beziehungsweise zu automatisieren. So kann die Künstliche Intelligenz Barcodes scannen, Material lokalisieren oder den Ort von Maschinen und Menschen erkennen, nicht nur um effizienter zu arbeiten, sondern auch um zum Beispiel Unfälle zu vermeiden. 

Im Ergebnis wird die Daten- und Prozessqualität gesteigert und eine effizientere und sichere Logistik etabliert.

Fazit

Mit Hilfe von Machine Learning kann die innerbetriebliche Logistik zunehmend automatisch und vorausschauend agieren. Künstliche Intelligenz wird die innerbetriebliche Logistik in Zukunft weiter optimieren und hier weitere Grundsteine für eine durchgehend transparente, automatisierte Supply Chain legen. Die Neugier, welche Anwendungen sich in der Praxis letztendlich durchsetzen und wie schnell sie umgesetzt werden, steigt.

Welche Praxisbeispiele kennen Sie bereits für den Einsatz Künstlicher Intelligenz in der innerbetrieblichen Logistik? Wo sehen Sie das größte Potenzial?

Kommentare werden geladen....

Kommentieren Sie den Beitrag

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Whitepaper

Kameras im Logistikzentrum

Europäische DS-GVO und die Videoüberwachung

Weil sich die Beschäftigten einer Videoüberwachung im Arbeitsumfeld kaum entziehen können, sind an deren Zulässigkeit besonders hohe Anforderungen zu stellen. Hier erfahren Sie, was zu beachten ist. lesen

Disposition wiederverwendbarer Packmittel

Packmittel durchgängig und effizent in SAP disponieren

Der SAP-ERP-Standard eignet sich nur bedingt dazu, wiederverwendbare Packmittel für die Automobilindustrie zu disponieren. Besser ist eine durchgängig SAP-basierter Ansatz – der die Abläufe effizienter und transparenter darstellt. lesen

Technologietrends 2018

Die Top Technologietrends für 2018 in der Industrie - Teil 2

In den schnelllebigen Zeiten der Digitalisierung ist es häufig schwer, am Puls der Zeit zu bleiben. Lesen Sie jetzt, welche weiteren 7 Trends dieses Jahr im Fokus der Industrie stehen. lesen

DER NEWSLETTER FÜR INDUSTRIE UND HANDEL Newsletter abonnieren.
* Ich bin mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung einverstanden.
Spamschutz:
Bitte geben Sie das Ergebnis der Rechenaufgabe (Addition) ein.