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?