AI4BinMan - Nutzerunterstützung durch Machine-Learning-Verfahren zur Behälterkreislaufanalyse und –optimierung

Ausgangssituation

Überall dort wo viele Daten generiert und erfasst werden, besteht die Chance künstliche Intelligenz (KI) anwendbar zu machen. Vor dem Hintergrund der sich durch sie ergebenden technologischen Möglichkeiten und Perspektiven, steht auch die Dresdner Firma LOGSOL GmbH vor der Herausforderung, ihre bestehende Anwendungssoftware (BinMan) für das systematische Behältermanagement, zu erweitern und das maschinelle Lernen als ein Bereich der KI einzubinden.

Behälter sind ein wichtiger Bestandteil der produktionslogistischen Prozesse. Sie dienen zum Schutz, Transport und der Lagerung von Materialien, Halb- und Fertigerzeugnissen. Die Verfügbarkeit der Ladungsträger ist die Grundvoraussetzung für das reibungslose Funktionieren des Materialflusses entlang der gesamten Supply Chain. Eine systematische Steuerung und Überwachung von Bewegungen und Beständen der Behälter ist deshalb zwingend und gestaltet sich als anspruchsvoll.

Zielstellung und Lösungsansatz

Ziel ist es ein Assistenzsystem zu entwickeln, dass bei der Aufgabe der Steuerung und Überwachung von Behälterbewegungen und –beständen den Menschen unterstützt. Durch das stetige Auswerten von vergangenen Ereignissen und dem Hinzulernen der KI soll es möglich sein optimale Werte für z. B. Behälterbestände an bestimmten Standorten zu bestimmen, oder ungewöhnliche Ereignisse, wie das Häufen von defekten Behältern automatisiert zu erkennen und zu melden, bevor sie kritisch werden, Ursachen zu analysieren oder Handlungsempfehlungen zu geben, wie kritische Zustände behoben oder vermieden werden können. Möglich gemacht werden soll dies durch die Kombination von mathematischen und Modelle des maschinellen Lernens und der Bereitstellung der Berechnungsergebnisse für den Anwender in Form eines Dashboards. In einem mehrstufigen Vorgehen wird zunächst die Funktion entwickelt Abweichungen von einem Normalzustand zu erkennen und zu signalisieren. Eine zweite Stufe hat den Inhalt die Ursachen für die Abweichungen computergestützt zu erkennen. Im nächsten Schritt soll durch die Vielzahl beobachteter Bewegungen und Bestandsverläufe eine Vorhersage für zukünftige Behälterbestände möglich sein. Die letzte und vierte Stufe soll in der Lage sein Wirkzusammenhänge zu erkennen und Maßnahmen für die positive Beeinflussung von Behälterkreislaufen vorzuschlagen. Die einzelnen Teilgebiete der Nutzenerweiterung sind als Überblick in Abbildung 1 dargestellt.

Abbildung 1: Darstellung des Nutzens für BinMan durch die Integration eines kognitiven Agenten (Assistenzsystem)

Umsetzung

Zentrale Forschungsaufgabe besteht in dem Aufbau der Machine Learning Komponenten und der Entwicklung von Analytik- und Simulationsmodellen zur Untersuchung, Diagnose und Prognose von logistischen Kenn- und Steuerungsparameterwerten für das Behältermanagement.

Es wird zunächst untersucht, welche Machine Learning-Verfahren sich bestmöglich auf die von LOGSOL generierten und verarbeiteten Daten anwenden oder auch kombinieren lassen. Beginnend bei einer systematischen Problemartenanalyse werden die zu lösenden Aufgaben aus dem Bereich des Behältermanagements soweit abstrahiert, dass sie in eine Klassifikation überführt werden können, deren einzelne Kategorien durch Machine Learning-Verfahren lösbar sind. Diese Klassen werden als Ausgangspunkt für die Vorauswahl der Lernverfahren verwendet. Damit wird abschätzbar, welche Anforderungen sich an die Datenbasis ergeben und wie erfolgversprechend sich die Verfahren einsetzen lassen werden. Nach Vorauswahl der Verfahren findet zum einen eine Parameterauswahl statt und zum anderen werden die verbleibenden Daten aufbereitet und spezifisch für das Machine Learning-Verfahren strukturiert. Nach den datenbezogenen Vorbereitungen werden die Komponenten durch die Auslegung, Parametrierung oder Kombination dieser Verfahren entwickelt. Am Ende werden diese Verfahren mittels der gesamten Datenbasis angelernt und im Anschluss umfangreich getestet.