Back to top

FTF-Performance: detaillierte Einblicke in neuronale Netze

03 Nov 2021

FTF-Performance: detaillierte Einblicke in neuronale Netze

Maschinelles Lernen und neuronale Netze sind wichtige Begriffe in der modernen Logistik − aber was genau bedeuten sie? Das lassen wir uns am besten von einem Experten erklären. Paul Hamblin, der Herausgeber des „Logistics Business Magazine“, hat sich mit einem solchen getroffen.

Kollmorgen, der Spezialist für FTF und mobile Robotik, misst die Leistung und das Verhalten von FTF-Systemen sowohl auf der Systemebene als auch an Board einzelner FTF. Dabei werden Daten zu Motorantrieben, Laserscannern, Ortung, Verkehr und Behinderungen durch Hindernisse erfasst, um Trends und Muster aufzudecken, die bei der Verbesserung von Produkten und Systemkonfigurationen hilfreich sein können.

Die Messung von Hochs und Tiefs in der Produktivität oder täglichen Auslastungstrends kann für die Optimierung von Strecken, die Steigerung der Durchsatzraten und die Berechnung intelligenterer Ressourcenauslastung genutzt werden. Für Endnutzer bedeutet dies niedrigere Kosten und höhere Erträge. Die erfassten Daten können auch wichtige Hinweise auf externe Prozesse geben, die sich möglicherweise negativ auf die FTF-Leistung auswirken. Zum Beispiel Fußgänger, die den Fahrerlosen Transportfahrzeugen in die Quere kommen, oder manuelle Gabelstapler in Bereichen, die ursprünglich für die FTFs geplant wurden.

Wie ist so etwas überhaupt möglich? Samuel Alexandersson, Manager Product Management für FTF bei Kollmorgen gibt uns Auskunft.

„Ein künstliches neuronales Netz ist ein Rechenmodell, das sich an die Struktur des menschlichen Gehirns anlehnt“, erklärt er uns. „Unsere Gehirn- beziehungsweise Nervenzellen sind über ein komplexes Netzwerk aus Nerven verbunden, durch das elektrochemische Signale geschickt werden. Vereinfacht kann man sagen, dass das Neuron feuert, wenn die Gewichtung der Eingangssignale stark genug ist, und das Signal an die nächste Gruppe von Zellen weiterleitet, mit denen das Neuron verbunden ist.

„Auf diese Weise bestimmt die Struktur der Verbindungen zwischen all den verschiedenen Neuronen in unserem Gehirn, wie ein Signal weitergeleitet wird, und wenn wir neue Dinge lernen, geschieht in unserem Gehirn tatsächlich eine Umstrukturierung der Verbindungen."

In einem künstlichen neuronalen Netz sind die Signale digital und nicht elektrochemisch, und die Stärke der Verbindungen wird in Gewichten gespeichert. Anfangs haben diese Gewichte zufällige Werte, sodass bei der Eingabe von Daten in ein neuronales Netz nur Unsinn ausgegeben wird. Aber wie auch wir Menschen aus Erfahrung lernen, können wir das Modell mithilfe von Erfahrungen in Form von Daten lernen lassen.

Jeder Datenpunkt stellt eine Eingabe und eine erwartete Ausgabe dar, sodass aus diesen Beispielpaaren gelernt werden kann. Die Verwendung dieser so genannten Algorithmen für maschinelles Lernen zur schrittweisen Anpassung der Gewichte bringt die Ausgabe des Modells immer näher an die erwartete Ausgabe heran, so dass das Modell lernen kann, Vorhersagen zu treffen.

Wir können einer Maschine beispielsweise beibringen, zwischen einer Katze und einem Hund zu unterscheiden, indem wir einen Datensatz mit Bildern (Eingaben) konstruieren, wobei die Bilder entweder als Katze oder als Hund (den korrekten Ausgaben) gekennzeichnet sind. Nachdem das neuronale Netz mit diesem Datensatz trainiert wurde, können wir ein neues Bild eingeben, das korrekt als Katze oder Hund erkannt wird, obwohl das Netz dieses Bild noch nie zuvor gesehen hat."

Als Nächstes fragten wir, ob er uns Beispiele dafür nennen kann, wie aus Daten im Logistikkontext Erkenntnisse gewonnen werden können.

„Die Entwicklung eines FTF-Systems kann eine schwierige Aufgabe darstellen, die umfassende Fähigkeiten und Erfahrung erfordert", antwortet Samuel Alexandersson. „Wenn wir zum Beispiel ein Straßenverkehrsnetz entwerfen, müssen wir möglicherweise zehntausende einzelne Straßenabschnitte korrekt konfigurieren. Natürlich kann man leicht einen Fehler machen, und oft werden solche Fehler erst entdeckt, wenn man das System in einer Simulation laufen lässt.

Daher arbeiten wir derzeit an der Entwicklung von Tools, die das Straßenverkehrsnetz direkt analysieren , damit der Nutzer unmittelbar Feedback erhält. Bei internen AB-Tests stellten wir fest, dass die Grundursache einer fehlerhaften Konfiguration von den Nutzern so 5-mal schneller ermittelt werden konnte.

Ein eher anekdotischer Hinweis auf die Auswirkungen, die wir mit einem datengesteuerten Ansatz erzielen können, ist ein Support-Fall, bei dem ein Problem, an dem ein Ingenieur mit herkömmlichen Methoden mehrere Stunden gearbeitet hatte, mit Hilfe eines Prototyps, der die Konfigurationsdaten automatisch analysiert, innerhalb von 10 Minuten gelöst werden konnte."

Da sieht man es also wieder, im Endeffekt geht es immer um Katzen und Hunde.

Autor: Paul Hamblin, Logistics Business Magazine

Blog Taxonomy Helper

Allgemein
Applikationen
Business
Embedded Motion
Engineering
Fahrerlose Transportfahrzeuge (FTF)
Fieldbus
Food Regulations
Geschichte
Installationshinweise
Interconnectivity
Luftfahrt und Verteidigung
Medical
Oil and Gas
Packaging
Robotics
Technologie
Universitätspartnerschaften