Ein Fahrerloses Transportsystem (FTS) ermöglicht den effizienten Transport von Waren in einer bestimmten Umgebung. Da der Erwerb eines FTS zuweilen mit großen Investitionen verbunden ist, ist ein guter ROI wichtig. Daher sollte darauf geachtet werden, das System effizient zu nutzen und eine hohe Zahl an Fahrten pro Stunde zu ermöglichen.
Mehr Effizienz
durch Datenanalyse Kollmorgen misst die Leistung und beobachtet das "Verhalten" Fahrerloser Transportsysteme sowohl auf Systemebene als auch die Bewegungen einzelner Fahrzeuge. Hierbei erfassen wir die Informationen des Motorendcoders sowie Daten von Laserscannern, den aufkommenden Verkehr und Behinderungen durch Hindernisse.
Durch die Zusammenführung dieser Daten macht Kollmorgen Muster ausfindig, die zur Verbesserung der Produkte sowie zur Entwicklung der bestmöglichen Konfiguration jedes einzelnen Fahrerlosen Transportfarzeugs, kurz FTF, herangezogen werden können. Hochs und Tiefs in der Produktivität, tägliche Auslastungstrends sowie weitere Daten werden erfasst, gemessen und ausgewertet sowie anschließend für die Optimierung von Strecken, die Steigerung der Durchsatzraten und die Berechnung intelligenterer Ressourcennutzung genutzt. 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.
Effektiver Einsatz von Daten
Eine Analyse der erfassten Daten hilft bei der Aufdeckung von Ineffizienzen im FTS-Streckennetz eines bestimmten Standortes. Durch die Zusammenführung von Daten mehrerer Standorte können die Nutzer des Kollmorgen-Systems Personen, Modelle oder Komponenten in ihrer FTS-Flotte identifizieren, bei denen Abweichungen festgestellt wurden. Die erfassten Daten werden in einer SQL-Datenbank gespeichert und sind in NDC8 zugänglich. Dort werden sie in einem Dashboard mit Visualisierungen wichtiger Kennzahlen (KPI) auf Systemebene dargestellt, um neue Erkenntnisse zu bieten. Die Datenbank ist auch Anwendern zugänglich, damit sie eigene Datenanalysen ausführen können.
Für die Endkunden bieten Datenanalyse und maschinelles Lernen viele Vorteile. Erstens lässt sich der Ertrag durch eine Steigerung der Durchsatzes des FTFs erhöhen - beispielsweise indem Waren schneller transportiert werden. Zweitens lassen sich ungeplante und kostspielige Ausfallzeiten durch vorausschauende Wartung minimieren. Und schließlich verkürzt die fortschreitende Automatisierung der Systemkonfiguration die Installationszeit, Stichwort Hyper-Automatisierung.
Langjährige KI-Erfahrung
Kollmorgen ist bereits länger als viele andere Unternehmen im KI-Business tätig. Das Konzept der Fahrerlosen Transportsysteme bestand schon immer darin, Robotern beizubringen, komplexe Aufgaben ohne menschliche Aufsicht zu lösen. Dies ist KI im klassischen Sinn. Beispielsweise basiert die Streckenoptimierung zur Koordination der Fahrerlosen Transportfahrzeuge auf dem Algorithmus A*, der seit Jahrzehnten ein Fundament der Künstlichen Intelligenz ist.
Die Programmierer von Kollmorgen entwickeln und implementieren den KI-Algorithmus und geben dem Computer explizite, schrittweise Anweisungen, wie er denken soll. Diese Art von KI steht hinter unserem Erfolg. Egal, ob es um die Flexibilität von Fahrerlosen Transportsystemen durch die bahnrechende Einführung der Lasernavigationstechnologie in den 1990er Jahren geht oder das sichere Management einer Flotte von über 100 Fahrzeugen an einem einzigen Standort in den 2000er Jahren - KI ist und bleibt das Rückgrat der von uns angebotenen Technologie.
Der zunehmende Hype um Künstliche Intelligenz in den letzten Jahren konzentrierte sich stark auf visuelle Wahrnehmung. Grund dafür ist nicht der Fortschritt in der Theorie der Künstlichen Intelligenz an sich, sondern eher die verbesserte Rechenleistung der Computer. Dies hat den Einsatz komplexer Modelle des maschinellen Lernens in realen Anwendungen, wie zum Beispiel der Objekterkennung, ermöglicht. Aus der Perspektive eines mobilen Roboters (hier das Fahrerlose Transportfahrzeug) ermöglichen zusätzliche Optionen der Wahrnehmung und des Verständnisses der Umgebung es, intelligentere Entscheidungen zu treffen. Kollmorgen nutzt zum Beispiel maschinelles Lernen in Form neuronaler Netze, um Menschen zu erkennen und ihre Pose abzuschätzen, so dass der Roboter autonom bestimmen kann, welchen Weg er fahren muss, um dem Menschen am besten auszuweichen.
Maschinelles Lernen ist auch ein wichtiger Teil der Datenanalyse - beispielsweise bei der Anfertigung statistischer Modelle, um zu verstehen, was bei den täglichen Abläufen in einem Werk normal ist und was nicht oder bei der Prognose der verbleibenden Lebensdauer eines FTS-Bauteils.
Schaffung eines positiven Kreislaufs
Maschinelles Lernen basiert im Wesentlichen auf zwei Säulen: Automatisierung und Daten. Da sich die beiden Faktoren gegenseitig verstärken, ist es eine Kombination, die sich gegenseitig bereichert. Eine höhere Automatisierung führt zu mehr Daten und mehr Daten ermöglichen kompetentere Modelle des maschinellen Lernens, was wiederum eine höhere Automatisierung unterstützt. Dies bietet eine intuitive Herangehensweise an künstliche Intelligenz, bei der man mit einem niedrigen Grad der Automatisierung beginnen und sich dabei auf einfache Probleme innerhalb klarer Grenzen konzentrieren kann. Gleichzeitig werden dadurch Daten erfasst und somit komplexere Anwendungen ermöglicht. Auf diese Weise erhält der Nutzer die Möglichkeit, der KI während des fortschreitenden Lernprozesses allmählich immer mehr Verantwortung zuzuweisen. Der zunehmende Grad der Automatisierung bedeutet, dass mehr und mehr Entscheidungen von den Maschinen getroffen werden, was Zeit und Ressourcen spart.
