Grafik eines neuronalen Netzes

Künstliche Intelligenz / Logistik / Industrie / Trends und Technologien

Künstliche Intelligenz in Logistik und Produktion

08. September 2022 / Annekathrin Gut

Projektbeispiele

Wie datengetriebene Anwendungen Prozesse und Routen optimieren

Von der Lage­rung bis zur Distri­bu­tion, von der Produk­tion bis zur Quali­täts­kon­trolle: Die Liefer­ket­ten in der Logis­tik werden immer komple­xer, ebenso die Prozesse im produ­zie­ren­den Gewerbe. Im Hinter­grund all dessen laufen große Mengen an Daten zusam­men. Diese lassen sich nutzen, um mit Hilfe von künst­li­cher Intel­li­genz (KI) Prozesse effi­zi­en­ter und Liefer­ket­ten steu­er­ba­rer zu machen.

KI ermög­licht voraus­schau­en­des Handeln, zum Beispiel bei der Planung von Routen und Abläu­fen oder beim Manage­ment von Kapa­zi­tä­ten und Risi­ken. Das bringt Vorteile in vieler­lei Hinsicht: Opti­mierte Trans­porte sparen Ressour­cen und sorgen mit einem redu­zier­ten den CO2-Ausstoß für mehr Nach­hal­tig­keit. Geschäfts­mo­delle werden geziel­ter auf die Bedürf­nisse der Kunden zuge­schnit­ten. Dane­ben kann KI die Arbeit in Logis­tik und Produk­tion für Fach­kräfte inter­es­san­ter machen.

Daten sind also wert­volle Infor­ma­ti­ons­quel­len. Sie können dazu beitra­gen, Logis­tik und produ­zie­ren­des Gewerbe in einer auto­ma­ti­sier­ten und hoch­fle­xi­blen Wert­schöp­fungs­kette zu inte­grie­ren. Unsere Projekt­bei­spiele geben einen Über­blick über verschie­dene Möglich­kei­ten.

Projektbeispiele

Optimierte Prozesse und Routen, Instandhaltung und Vorhersage mit KI

Schiff im Sonnenaufgang

Prozessoptimierung

Seefracht-Daten einfach erfassen: automatische Vervollständigung

Stän­dig klin­gelt das Tele­fon, trudeln E-Mails ein oder rattert das Faxge­rät mit einer neuen Sendungs­an­frage. Jede einzelne legen die Sach­be­a­r­bei­ten­den von Fr. Meyer's Sohn GmbH & Co. KG (FMS) per Hand im Trans­port­ma­na­ge­ment-System (TMS) an und ergän­zen die fehlen­den Infor­ma­ti­o­nen durch ihr intrin­si­sches Wissen. Das kostet Zeit und bringt Fehler mit sich. Geht das nicht auch auto­ma­tisch?

Doch, das geht: Mit Hilfe histo­ri­scher Sendungs­in­for­ma­ti­o­nen wurde ein Modell trai­niert (Machine Lear­ning). Die KI füllt auf dieser Basis die Erfas­sungs­maske im TMS auto­ma­tisch aus und vervoll­stän­digt fehlende Sendungs­da­ten. Mit dem auto­ma­ti­sier­ten Work­flow verkürzt sich die Zeit erheb­lich, die Sach­be­a­r­bei­ten­den brau­chen, um Sendun­gen aus Kunden-E-Mails anzu­le­gen.

Eine Person sitzt am Laptop

Prozessoptimierung

Sachbearbeitung leichter gemacht: Rechnungen KI-basiert kontieren

Jeden Tag laufen bei einem großen Bauträ­ger und Projekt­ent­wick­ler über 1500 Rech­nun­gen ein, die durch eine OCR-Lösung erfasst und dann per Hand kontiert werden. Diese Arbeit ist für die Sach­be­a­r­bei­ter:innen zeit­auf­wen­dig und wenig moti­vie­rend.

Eine Mach­bar­keits­ana­lyse ergab, dass sich die Rech­nungs­da­ten auch KI-basiert auto­ma­tisch kontie­ren lassen. Die Lösung, die zukünf­tig entwi­ckelt wird, kann KI-gestützt Vorschläge für die Kontie­rung ausge­ben.

                       

.

 
Recyceltes Glas

Routenoptimierung

Logistikkosten sparen: Optimierte Stoffströme im Wertstoffkreislauf

Ein Logis­tik­dienst­leis­ter orga­ni­siert bundes­weit Wert­stoff­kreis­läufe von mine­ra­li­schen und nicht mine­ra­li­schen Stof­fen. Aus Abfall wird recy­cel­tes Mate­rial, das wiederum dem Rohstoff­kreis­lauf zuge­führt wird. Expert:innen des Unter­neh­men über­leg­ten: Wie können diese Stoff­ströme sinn­voll kombi­niert werden, so dass sich Leer­fahr­ten vermei­den lassen?

Um diese Aufgabe zu lösen, wurden zunächst die bereits vorhan­de­nen Daten zusam­men­ge­führt und über ein inter­ak­ti­ves Dash­board visu­a­li­siert. Mit Hilfe der bild­haf­ten Darstel­lung konn­ten die Exper­ten Schwer­punk­tach­sen iden­ti­fi­zie­ren und Vorrau­sa­gen über die Verän­de­run­gen von Verkehrs­s­trö­men tref­fen. Die Logis­tik­kos­ten des Unter­neh­mens sinken und der CO2-Ausstoß wird redu­ziert, weil Trans­porte nun besser gebün­delt werden können.

     
Viele bunte Container

Routenoptimierung

Arbeit abnehmen: Automatisierte Routenplanung für die Seefracht

Die Dispo­nent:innen von Fr. Meyer's Sohn GmbH & Co. KG (FMS) bestim­men mit Hilfe ihrer Erfah­rung die opti­male Route einer Sendung vom Start bis zum Ziel. Ob es regel­mä­ßige Schiffs­rou­ten gibt oder der Hafen in der Nähe des Ziel­or­tes gut ange­bun­den ist – dieses Wissen steckt in ihren Köpfen. Doch die sorg­fäl­tige Planung kostet Zeit. Und was passiert, wenn ein erfah­re­ner Sach­be­a­r­bei­ten­der gerade nicht greif­bar ist, aber die Zeit drängt?

Nach einer Analyse von Sendungs­da­ten aus der Vergan­gen­heit konnte eine KI zwischen unter­schied­li­chen Para­me­tern Muster und Korre­la­ti­o­nen sicht­bar machen. Das System kann nun Vorschläge über opti­male Häfen machen. Die auto­ma­ti­sierte Routen­pla­nung nimmt den erfah­re­nen Dispo­nent:innen Arbeit ab, unter­stützt die weni­ger erfah­re­nen Kolleg:innen und spart allen Zeit.

Blick in ein Warmwalzwerk

Instandhaltung und Vorhersage

Dem Ausfall zuvorkommen: Maschinenwartung nach Vorhersage

Die Wartung von Maschi­nen im Warm­wa­lz­werk von Acelor­Mit­tal erfolgt in unre­gel­mä­ßi­gen Abstän­den. In der Zwischen­zeit bemer­ken nur durch Zufall erfah­rene Mita­r­bei­tende, dass eine Unre­gel­mä­ßig­keit vorliegt, wenn es irgendwo im Motor rumpelt. Fällt die Maschine dann tatsäch­lich aus, verur­sacht das hohe Kosten.

Mit Predic­tive Main­te­nance können Produk­ti­ons­be­triebe dem Ausfall zuvor­kom­men. Eine KI über­nimmt dazu komplexe Daten von Schwin­gungs- und Tempe­ra­tur­sen­so­ren und analy­siert diese. Erkennt sie Unre­gel­mä­ßig­kei­ten, löst sie einen Alarm aus. So können die Mita­r­bei­ten­den die Maschine proak­tiv warten. Das Erken­nen von Fehlern ist nicht mehr nur von erfah­re­nen Mita­r­bei­ten­den abhän­gig.

 
Stahlcoils

Instandhaltung und Vorhersage

Qualität sichern: Bilderkennung entdeckt Fehler

Dicke Rollen aus Stahl­band – soge­nannte Coils – verlas­sen das Acelor­Mit­tal-Werk in Bremen. Die Stahl­pro­dukte werden in verschie­de­nen Phasen geprüft und verpackt. Um zu doku­men­tie­ren, dass die Coils fehler­frei sind, machen Mita­r­bei­tende Fotos davon. Aufgrund schlech­ter Umge­bungs­be­din­gun­gen und mangeln­der Zeit ist die Quali­tät dieser Aufnah­men jedoch nicht ausrei­chend.

Eine Bild­er­ken­nung – ein wich­ti­ges Teil­ge­biet der KI – kann die Quali­tät der Aufnah­men über­prü­fen, die Ergeb­nisse klas­si­fi­zie­ren und auf mobile Endge­räte über­tra­gen. Mita­r­bei­tende erhal­ten sofort eine Rück­mel­dung, ob die Fotos eine ausrei­chende Quali­tät haben. So kann die Doku­men­ta­tion für die Endkun­den verbes­sert werden. Als Erwei­te­rung könnte die Bild­er­ken­nung selbst darauf trai­niert werden, die Mängel zu erken­nen.

 

Was passiert da?

Stichwort: Künstliche Intelligenz (KI)

Unser mensch­li­ches Gehirn ist in der Lage zu lernen, zu schluss­fol­gern und abstrakt zu denken. Die künstliche Intelligenz (KI) versucht, mit Hilfe unterschiedlicher Modelle ähnliche Denkleistungen zu erzeugen. Ein Teilbereich der KI ist das Machine Learning. Mithilfe des maschinellen Lernens werden IT-Systeme in die Lage versetzt, anhand vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen und daraus Lösungen zu entwickeln. Aus Erfahrungen wird künstliches Wissen generiert.

 

Mathematik statt KI

Mühlen besser auslasten - mit mathematischer Optimierung

Nicht immer bietet eine KI die Lösung. Auch andere analy­ti­sche Ansätze, wie zum Beispiel mathe­ma­ti­sche Opti­mie­rungs­ver­fah­ren, können gewinn­brin­gend sein. Ein Beispiel: Auf dem Markt für Mehl und Getreide herrscht hoher Preis­druck. Die Trans­port­kos­ten sind ein wesent­li­cher Faktor für den Gesamt­preis. Die Getrei­de­müh­len-Gruppe könnte viel Geld sparen, wenn sie ihre unter­schied­li­chen Getrei­de­qua­li­tä­ten so auf ihre Mühlen verteilt, dass die jewei­lige Auslas­tung möglichst hoch ist. Hinzu kommt: Die Aufträge werden den Mühlen per Hand zuge­wie­sen. Das kann für Fehler sorgen und die Planung ist nicht opti­miert.

Auf der Basis von Mathe­ma­ti­schen Opti­mie­rungs­ver­fah­ren weist ein Tool den Mühlen­stand­orten auto­ma­tisch Aufträge für die Vera­r­bei­tung von Weizen zu. Dabei werden in einer line­a­ren Opti­mie­rung die nied­rigs­ten Gesamt­kos­ten ermit­telt. So wird die Vertei­lung der Aufträge kosten­op­ti­miert, manu­elle Fehler werden redu­ziert und die Monats­pla­nung braucht weni­ger Zeit.

Das Thema interessiert Sie? Sprechen Sie uns an.

Tim Soller
Künstliche Intelligenz

0421 20750 370 E-Mail senden
Sven Tröger
Data Science

0421 20750 204 E-Mail senden