L'obiettivo di un sistema AGV è il trasporto efficiente di merci in un ambiente specifico. I sistemi AGV rappresentano un investimento notevole, pertanto è auspicabile un livello elevato di utilizzo nonché alti tassi di consegne all'ora per ottenere un buon ROI.
A caccia di indizi
Kollmorgen misura le prestazioni e il comportamento dei sistemi AGV sia a livello di sistema che di singoli AGV a bordo. Raccogliamo informazioni su motorizzazioni, scanner laser, localizzazione, traffico e interferenza di ostacoli.
Grazie a questi dati Kollmorgen identifica tendenze e modelli che possono essere utilizzati per migliorare i prodotti e sviluppare la miglior configurazione possibile per un dato sistema AGV. Le misurazioni riguardano ad esempio alti e bassi nella produttività, tendenze di utilizzo giornaliero, ecc. e i dati vengono usati per ottimizzare i percorsi, incrementare i rendimenti e calcolare uno sfruttamento più intelligente delle risorse. Per gli utenti finali questo significa costi ridotti e maggiori profitti.
I dati raccolti possono inoltre fornire indizi importanti in merito a processi esterni che potrebbero disturbare le prestazioni degli AGV. Esempi possono essere pedoni presenti sulla traiettoria degli AGV o carrelli elevatori manuali in movimento in aree pianificate in origine per l'uso principale da parte di AGV.
Sfruttamento dei dati e creazione di vantaggi
L'analisi dei dati raccolti contribuisce a rivelare inefficienze nei percorsi degli AGV di un sito specifico. Aggregando i dati di più siti, gli utenti dei sistemi Kollmorgen sono in grado di identificare esemplari, modelli o componenti non conformi all'interno della flotta di veicoli AGV. I dati raccolti vengono salvati in un database SQL, accessibile in NDC8, che offre un cruscotto con visualizzazioni dei KPI a livello di sistema per dispensare consigli utili. Il database viene inoltre messo a disposizione degli utenti affinché possano eseguire autonomamente l'analisi dei dati.
Sono numerosi i vantaggi dell'analisi dei dati e dell'apprendimento automatico per i clienti finali. In primo luogo, i profitti possono essere incrementati migliorando la produttività del sistema AGV cioè movimentando più merci in meno tempo. In secondo luogo, tempi di inattività imprevisti e costosi vengono ridotti grazie alla manutenzione predittiva. E infine, l'iper-automazione della configurazione del sistema contribuisce a ridurre i tempi di installazione.
Esperienza AI di lungo corso
Kollmorgen si occupa di intelligenza artificiale (AI) da più tempo rispetto alla maggior parte delle aziende. L'idea alla base degli AGV è sempre stata di insegnare ai robot come risolvere operazioni complesse senza la supervisione dell'uomo. Questa è l'AI in senso classico. Ad esempio, l'ottimizzazione dei percorsi che coordina gli AGV è basata sull'algoritmo A*, che rappresenta il caposaldo dell'intelligenza artificiale da decenni.
I programmatori di Kollmorgen sviluppano e implementano l'algoritmo di AI, fornendo al computer esplicite istruzioni passo-passo su come pensare. Questa è l'AI che sta dietro il nostro successo. Che si tratti di arrestare la flessibilità degli AGV avventurandosi nella tecnologia di navigazione laser negli anni '90 oppure di gestire in sicurezza una flotta di oltre 100 veicoli in un singolo sito negli anni 2000, l'AI continua ad essere la colonna portante della tecnologia che offriamo oggi.
Il sempre maggior fermento degli ultimi anni intorno all'intelligenza artificiale si è concentrato molto sulla percezione visiva. Il motivo non è tanto il progresso nella teoria dell'intelligenza artificiale di per sé, quanto piuttosto i miglioramenti a livello di capacità di elaborazione dei computer. In questo modo è stato possibile utilizzare modelli complessi di apprendimento automatico in applicazioni reali, quali ad esempio il rilevamento di oggetti. Dal punto di vista di un robot mobile (AGV), il fatto di avere a disposizione più modalità di percezione e comprensione dell'ambiente permette al robot di prendere decisioni più intelligenti. Ad esempio, Kollmorgen utilizza l'apprendimento automatico sotto forma di reti neurali per il rilevamento di persone e la valutazione della loro posizione, in modo che il robot possa stabilire autonomamente quale percorso scegliere per evitare il soggetto.
L'apprendimento automatico è anche una parte importante dell'analisi dei dati, ad esempio nella costruzione di modelli statistici per comprendere situazioni normali ed anomale nelle operazioni quotidiane all'interno di uno stabilimento o nella previsione della durata di vita restante di un componente AGV.
Creazione di un circolo positivo
L'apprendimento automatico si fonda essenzialmente su due pilastri: automazione e dati. Poiché questi due fattori si amplificano reciprocamente, la loro combinazione si autoperpetua. Più automazione fornisce più dati e più dati alimentano modelli di apprendimento automatico più competenti che a loro volta permettono una maggiore automazione. Viene offerto così un approccio intuitivo all'intelligenza artificiale in cui è possibile iniziare da un basso livello di automazione concentrandosi su problemi semplici con contorni ben definiti. Nel contempo si raccolgono dati che permettono applicazioni più complesse. In questo modo l'utente ha la possibilità di affidare gradualmente all'AI responsabilità sempre maggiori man mano che apprende. Questo crescente livello di automazione si traduce in un numero sempre maggiore di decisioni prese dalle macchine con conseguente risparmio di tempo e risorse.