Null-Fehler-Logistik
Machine Learning für anspruchsvolle Sortiervorgänge
Mit gestiegenen Umschlagvolumina im B2C- und B2B-Warenversand stoßen traditionelle Technologien in der Logistik und Intralogistik an ihre Grenzen. Vor allem die schwierige Sortierung unterschiedlichster Packstücke verbraucht manuelle Ressourcen, dauert lang, ist fehleranfällig und verursacht hohe Kosten. Bildverarbeitung gepaart mit künstlicher Intelligenz hilft erstmals komplexen Sortiervorgänge zu automatisieren.
Dank verarbeitung und Machine Learning lassen sich Zusammenhänge en und Erkenntnisse ableiten, die vorher unsichtbar waren. Die verarbeitung avanciert so vom bloßen Inspektor zum Produktionsoptimierer. (Bild: ©GraphicCompressor / Fotolia.com)
Mittels Bildverarbeitung erhobene Daten stellen die Basis für das sogenannte Machine Learning als nächsten Evolutionsschritt der Automatisierung in logistischen Prozessen dar. Mit kognitiven Lernprozessen anhand großer Datenmengen lernen Maschinen selbst, ob z.B. ein bestimmtes Packstück beschädigt ist, wie es klassifiziert und sortiert werden muss und ob es korrekt verschlossen ist. Auf Basis dieser künstlichen Intelligenz können logistische Prozesse vollautomatisiert gesteuert werden. Für Intralogistiker aller Branchen, größere E-Commerce-Versender sowie Versand- und Paketdienstleister ist die Sortierung unterschiedlichsten Sendungen zur korrekten Weiterverarbeitung eine der größten Herausforderungen. Uneinheitliche Verpackungen machen eine maschinelle Sortierung fast unmöglich. Aufgrund der Vielzahl der verschiedenen Größenklassen und Formen, der Vielzahl der verwendeten Verpackungsmaterialien sowie der Stapelung und Häufung der Pakete auf dem Förderband sind die einzelnen Pakete mit herkömmlichen Technologien nicht erfassbar. Der Sortiervorgang ist daher auch bei hohen Umschlagvolumina noch stark manuell geprägt. Dies führt zum einen zu hohen Kosten sowie zu langsamen und fehleranfälligen Sortiervorgängen.
Vollautomatische Sortierung im E-Commerce
Bei diesen Vorgängen, die herkömmlicherweise kognitive Fähigkeiten erfordern, können Machine Learning Ansätze verfolgt werden. Machine Learning bezeichnet die Möglichkeit einem Algorithmus selbstlernende Fähigkeiten zu verleihen. Dazu werden dem Algorithmus zunächst eine hohe Anzahl an Bilddaten zur Verfügung gestellt, z.B. zehntausende Bilder von auf einem Förderband gestapelten Paketen. Für den Computer bedeutet dies zunächst Chaos. Anschließend werden die Bilddaten durch einen Menschen vorklassifiziert. Dem Algorithmus wird gesagt ‚Das ist ein Paket’und anhand individueller Merkmale kann der PC die Packstücke anschließend selbst in Kategorien einteilen. Diese Klassifizierungen finden durch die Anwendung eines neuronalen Netzes statt. Das neuronale Netz ist in diesem Fall gleichbedeutend mit Deep Learning und stellt einen mehrstufigen, rechenaufwendigen Prozess dar, der Daten über mehrere Stufen separiert und so die Klassifizierungen vornimmt. Die intelligente Leistung des Algorithmus liegt darin, dass er Bildmuster erkennt und anhand der vorher getätigten Klassifizierung lernt, warum und anhand welcher Merkmale diese Klassifizierung existiert. Die Maschine lernt in diesem Fall, anhand welcher Parameter ein Paket als Paket einzustufen ist. Damit kann der Algorithmus zukünftige einzelne Objekte selbstständig klassifizieren. Machine Learning kommt dort zum Einsatz, wo die bildgebende Sensortechnik ihre Grenzen erreicht. Beispielsweise in der Sortierung von Packstücken unterschiedlichster Art. Mit 3D-Scannern wäre eine Identifizierung der Form nur unzureichend und bei niedriger Geschwindigkeit möglich. Für eine angeschlossene Anlage mit Greifroboter stellt dies potenzielle Sortierungenauigkeiten, Fehlleitungen, Anlagenausfälle, Wartezeiten und aufwendige manuelle Nachbereitung dar. Machine Learning gesteuerte Anlagen dagegen erkennen anhand des gelernten Klassifikationsschemas exakt die Pakete und deren Form und der Roboter kann die Sortiervorgänge vollständig maschinell und in erhöhter Geschwindigkeit durchführen. Die Daten werden zuerst von einem Kamerasystem erfasst und in einer lokalen Recheneinheit analysiert. Der Algorithmus sieht das Bild, prozessiert, ob und welche seiner gelernten Muster er erkennt und kann damit den Sortiervorgang komplett automatisch steuern bzw. Handlungsbefehle an die nachgelagerten Systemschritte triggern. Gleichzeitig lernt der Algorithmus mit jedem Bild weiter und verfeinert seine Kriterien.
Strategischer Wettbewerbsvorteil
Mit Nutzung der mittels verarbeitung und Machine Learning ausgewerteten Daten ist erstmals eine lückenlose Analyse der gesamten Logistikzyklen möglich. (Bild: Framos GmbH)
In automatisierten Versandprozessen werden im wahrsten Sinne des Wortes am laufenden Band Echtzeit-Entscheidungen auf unvorhersehbare Ereignisse mit ständig wechselnden Kriterien getroffen. Die mit Machine Learning angereicherte Bildverarbeitungsalgorithmen versetzen die Logistikanlagen in die Lage, selbstständig valide Entscheidungen zu treffen. Damit rückt das Ziel der Null-Fehler-Logistik sowie eine präventive Fehlervermeidung in greifbare Nähe. Mit den riesigen Datenmengen der intelligenten Algorithmen lassen sich verlässlichere Prognosen bilden und optionale Handlungsoptionen für eine strategisch orientierte Planung ableiten. Die mit der Vernetzung von Sensortechnik und Datenbanken realisierte optimale Anlagen- und Kontingentausnutzung ist eine gute Basis, um neben dem vereinfachten Workflow mit den verbundenen Ressourceneinsparungen auch über die Verhandlung mit externen Dienstleistern geringstmögliche Handlingskosten zu erreichen. Die Durchlaufzeit der Packstücke durch die Logistikkette sowie der anschließende Versand wird beschleunigt und weniger fehleranfällig gestaltet, womit auch die Kundenzufriedenheit wächst.
