Ausgabe zur LOGIMAT 2020

7 02/2020 Supply Chain Services SCS Um den Wandel weiter voranzu- treiben, hat BHS zusammen mit Fraunhofer SCS das »Joint Lab Data Analytics« gegründet. Insbesondere in den Bereichen Smart Services und Smart Production werden gemeinsam Data Analytics-Use Cases in Work- shops mit den BHS-Fachbereichen identifiziert, definiert und bewertet. Die Entwicklung der prototypischen Lösungen erfolgt in gemischten Teams, bestehend aus Mitarbeitenden von Fraunhofer SCS und BHS Corruga- ted. Ziel der Kooperation ist es, durch die gebündelte Data Analytics-Experti- se innovative Lösungen für die offenen Fragestellungen zu finden und so zum Unternehmenswachstum beizutra- gen. Die Use Case-Ideen reichen von Lagerprognosen und -optimierung bis hin zu Produktions- und Qualitätsmo- nitoring mittels Image Processing. Dr. JanekThomas:»Fallstricke und Herausforderungen inMachine Learning-Projekten« Auf dem Weg zu erfolgreichen KI-Pro- jekten gilt es, Hürden zu nehmen und Fallstricke zu umgehen. Welche He- rausforderungen das sind und wie man diese meistert, stellt Dr. Janek Thomas anhand von Beispielen vor. JannGoschenhofer: »Overcoming the issue of few labeled data:Semi-supervised learning on time series data« Um AI-Modelle erfolgreich zu trainie- ren, wird eine große Menge annotierter Trainingsdaten benötigt – eine Anfor- derung, die in vielenMachine Learning- Projektenabernurschwererfülltwerden kann. Im »semi-supervised learning« werdenMethoden entwickelt, durch die große Mengen nicht-annotierter Daten dazugenutztwerdenkönnen,klassische AI-Modelle zu verbessern und damit für wenige annotierte Trainingsdaten zu kompensieren. Im Vortrag gibt Jann Goschenhofer einen Einblick in seine Forschung und zeigt Beispiele aus der praktischenAnwendungmitZeitreihen- Daten. Das Fachforum »KI – Reality Check« wird moderiert von Prof. Dr. Ing. Philipp Gölzer, Geschäftsfeldkoordinator Digita- lisierte Produktion bei der Fraunhofer- Arbeitsgruppe SCS und Professor für Di- gitale Fabrik und Materialflusssysteme an der TH Nürnberg. Es findet statt am Dienstag, 10.März 2020 von 12:15 Uhr bis 13:30Uhr,ForumD,Halle 8. KI auf demMessestand,Halle 8 G48 Mit DataAnalytics undKI die Supply Chain revolutionieren Mit Hilfe von Data Analytics können immer mehr Anwendungen in der Supply Chain optimiert werden; im Netzwerkmanagement, bei der Kenn- zahlenermittlung oder der Vorhersage von kritischen Ereignissen, wie z. B. Verspätungen, Kundenbedarfe oder notwendige Lagerbestände. Gerade in der Prognose stecken große Potenziale, vor allem, wenn Prognose-und Optimie- rungsmethoden intelligent verknüpft werden. Neben den bereits im Fachfo- rum vorgestellten Lösungen im Umfeld des Ersatzteilmanagements und des »Joint Labs Data Analytics« präsentiert die Arbeitsgruppe SCS auf ihrem Stand nicht nur viele weitere mögliche KI-An- wendungsfälle, sondern auch das neue KI-Kompetenzzentrum »ADA Lovelace Center for Analytics, Data and Applica- tions« inNürnberg: KI-Anwendung:Dynamische Lager- optimierung Gemeinsam mit der Schnellecke GmbH entwickelte die Fraunhofer-Arbeits- gruppe im Projekt »DynLa« einen Algo- rithmus zur optimalen Einlagerung von Produkten in ein Hochregallager. Ziel war es, die Wege der Kommissionierer zu verkürzen. Um den Brandschutz ei- nerseits und vorgegebene Be-und Entla- dereihenfolgen andererseits zu gewähr- leisten,mussten dabei eine Vielzahl von Nebenbedingungen modelliert werden. Zum Einsatz kam dabei Mixed Integer Programming – ein mathematisches Optimierungsverfahren. So gelang es, eine an die Bedingungen des Lagers an- gepasste Software zu entwickeln, durch die Güter so einlagert werden können, dass die Wege der Kommissionierer deutlich kürzer sind. Die Ergebnisse sol- lennun imRahmeneinesAnschlusspro- jekts für einen ersten Praxisversuch in einemLager der Schnellecke GmbHum- gesetzt werden. KI-Anwendung: Frachtmengenprognose Spediteure kämpfen zunehmend mit der Volatilität der Sendungsmen- gen. Um auf Schwankungen kurzfri- stig reagieren zu können, entwickelt Fraunhofer SCS in Zusammenarbeit mit der Universität Regensburg im Projekt »KIVAS: KI-gestützte Kurzzeitprognosen für die Verbesserung von Fahrzeugein- satz- und Auslastungsplanungen im deutschen Straßengüterverkehr« ein Verfahren zur Prognose von Transport- volumen. Mithilfe dieser Prognose sind Transportunternehmen besser in der Lage, die notwendigen Ressourcen zur Bewältigung von Auftragsspitzen be- reitzustellen. Die Forscher prüfen dafür verschiedene Indikatoren, wie Wetter oder Schulferien, hinsichtlich ihres Ein- flusses auf das Transportvolumen. Zur Anwendung kommen verschiedene Machine Learning-Verfahren. KI-Anwendung:Prozessdaten- prognose imLKW-Transport Die Ursachen und Auswirkungen von Einflüssen und Störungen auf logi- stische Prozesse können Unternehmen bislang nur schwer quantifizieren. Im Projekt PRODAB werden diese für spe- zifische Prozesse systematisch erfasst und mithilfe von Bayes’schen Netzen abgebildet. Wenn Daten nicht in aus- reichender Menge vorhanden sind, ist es stattdessen möglich, Expertenwissen in Bayes’sche Netze zu integrieren. Die Software kann dann Empfehlungen zur gezielten Prozessverbesserung oder zur optimalen Allokation von Ressourcen geben. IoT:Halle 8 G48 IoT-Anwendungen inProduktion&Logistik Neue IoT-Technologien und digitale, technologiebasierte Systeme verän- dern die Produktion und – auch die in- nerbetriebliche – Logistik umfassend. Fraunhofer SCS stellt zwei Anwen- dungen vor, die Prozesse im Lager und in der Fertigung unterstützen und effizi- enter steuern: IoT-Technologien inder Kommissionierung Das drahtlose Kommissioniersystem Pick-by-Local-Light ermöglicht es, Fach- anzeigen einfach zu installieren und da- mit temporäre Lageraufbautenund eine schnelle Umgestaltung von Entnah- mefächern zu realisieren. Aus dessen Weiterentwicklung ist TRILUM hervor- gegangen, das mobile Pick-by-Light-Sys- tem zur beleglosen Kommissionierung undMontageunterstützung. Mehr Prozess-Transparenz undneue Geschäftsmodellemit intelligenten Sonderladungsträgern LadungsträgersinddiezentralenLogisti- kobjektefürdenTransportvonBauteilen und Produkten in Wertschöpfungsnetz- werken. Die Logistikbranche steht hier aber vor großen Herausforderungen: Einerseits ist der Wettbewerbsdruck auf Ladungsträgerhersteller in den letzten Jahren stetig gewachsen – ihre Kernwe- rtschöpfung wandert so zunehmend in Länder mit niedrigen Lohnkosten ab. Andererseits ist der Einsatz von bautei- lindividuellen Sonderladungsträgern bei kurzen Nutzungszyklen, wie bei- spielsweise in der Automobilbranche, mit hohen Kosten verbunden. Wie also diesen Herausforderungen begegnen? Das im Januar 2020 abgeschlossene For- schungsprojekt »iSLT.NET« hat hierzu zwei Ansätze verfolgt: zum einen wur- den technologische Lösungen für dieGe- staltung von intelligenten, modularen Sonderladungsträgern entwickelt, die für mehr Transparenz in überbetrieb- lichen Versorgungsketten sorgen, zum anderen mit Hilfe von Kosten-Nutzen- Analysen die Chancen in den Blick ge- nommen, die sich durch die Basistech- nologien des Internet of Things für die Entwicklung ladungsträger- und daten- basierte digitaler Dienstleistungen und Geschäftsmodelle ergeben. Im Fokus: Data Analytics- und KI-Methoden sowie IoT- Anwendungen für Produktion und Logistik