Effizientere Verladung von Schwerlasten dank smarter Software-Lösung
In der Logistik begegnen wir täglich vielen kleinen und großen Fragen – sei es beim Transport von Gütern, auf dem Werksgelände oder im Lager: Wie werden Ressourcen auf dem Werksgelände optimal eingesetzt? Wann sollte die Lagerbelegschaft mit der Auslagerung von Waren beginnen, um rechtzeitig zur Ankunft des LKW fertig zu sein, ohne dabei wertvolle Fläche an der Rampe zu blockieren? Insbesondere, wenn es um Schwerlasten geht, steigt der Komplexitätsgrad noch einmal an, denn diese stellen aufgrund ihres enormen Gewichts und ihrer Größe alle logistischen Disziplinen vor große Herausforderungen. Machine Learning kann bei der Lösung solch schier unlösbarer Aufgaben wertvolle Hilfe leisten – und so die Effizienz vieler Prozesse steigern.
Im Rahmen eines Kundenprojekts standen wir erst kürzlich vor so einem besonderen Planungsproblem: Es galt, zahlreiche riesige Stahlspulen mit je individuellem Durchmesser, tonnenschwerem Gewicht und unterschiedlicher Breite auf Zugwaggons zu verladen. Dabei sollten möglichst wenige Wagen zum Einsatz kommen. Ziel war es folglich, jeden davon optimal auszunutzen, um so viele Spulen es geht auf dem kürzestmöglichen Zug unterzubringen.
Die Wagen wiederum sind für unterschiedliche Spulen ausgelegt. So weisen sie beispielsweise speziell geformte Mulden auf, die verhindern, dass die Spulen davonrollen, und so einen sicheren Transport gewährleisten. Je nach Durchmesser passen aber nur bestimmte Spulen in diese Mulden. Auch die maximal zugelassene Achs- bzw. Streckenlast der Waggons machte die Sache nicht leichter.
Machine Learning kann bei komplexen Planungsproblemen unterstützen
Gut, dass wir in solchen Fällen auf Computer zurückzugreifen können. Mithilfe deren Rechenleistung, Simulationen oder Künstlicher Intelligenz (KI) lassen sich viele komplexe Probleme heute deutlich schneller lösen als noch vor einigen Jahren.
Gerade eine innovative Technologie wie Machine Learning (ML) eignet sich dafür, große Datenmengen zu verarbeiten. ML wird im Allgemeinen als Teilgebiet der künstlichen Intelligenz (KI) verstanden und meint die künstliche Erzeugung von Wissen auf Basis bestimmter Informationen. Einfach gesagt, kann ein Computersystem ähnlich wie ein Mensch aus Erfahrungen lernen, daraus Schlüsse ziehen und Lösungen entwickeln. Algorithmen analysieren dafür teils riesige Datensätze und erkennen darin Muster. Aus diesen können sie dann statistische Modelle und allgemeine Gesetzmäßigkeiten ableiten. Wichtig zu wissen ist dabei, dass es noch immer dem Menschen obliegt, die Maschine sowohl mit den Daten als auch mit dem Algorithmus zu füttern.
Smarte Vorplanung der Verladung auf Basis von Machine Learning
Veranschaulicht dargestellt, verfährt der Algorithmus in sieben Schritten:
- Spulen nach Gewicht, Durchmesser und Breite clustern
- Alle möglichen Cluster-Kombinationen für einen Waggon berechnen
- Ungültige Kombinationen verwerfen
- Schwerste Kombination wählen
- Nicht mehr mögliche Kombinationen verwerfen
- Weiter bei 4., falls noch Spulen übrig sind
- Verladeprozess abgeschlossen
Je komplexer das Problem, desto cleverer muss auch der Algorithmus sein
Der von uns entwickelte Algorithmus lautete daher wie folgt:
- Spulen nach Gewicht, Durchmesser und Breite clustern
- Alle möglichen Cluster-Kombinationen für einen Waggon berechnen
- Ungültige Kombinationen verwerfen
- Kombinationen für Doppelbelegung errechnen: Einzelkombinationen „addieren“ und prüfen
- Schwerste Kombination wählen
- Nicht mehr mögliche Kombinationen verwerfen
- Weiter bei 5., falls noch Spulen übrig sind
- Verladeprozess abgeschlossen
Die Berechnung, die für einen Menschen nur schwer möglich gewesen wäre, kann nun mithilfe des Algorithmus in wenigen Sekunden abgearbeitet werden. Unser Kunde hat nun einen klaren Plan, in welcher Reihenfolge und in welchen Kombinationen die Stahlspulen auf den Zug zu verladen sind.
Theoretische Überlegungen in die reale Prozess- und IT-Welt überführen
Im SAP-Umfeld bietet sich dafür beispielsweise die Predictive Analytics Library von SAP S4/HANA an. In unserem Fallbeispiel konnten wir die Informationen bzgl. der Spulen somit direkt auf Basis der SAP-Datenbank berechnen lassen. Diese ist nicht nur im Rahmen von SAP S/4HANA praktischerweise oftmals bereits vorhanden, sondern bietet auch eine hohe Performance bei der Berechnung komplexer Planungsprobleme.
Möglichkeiten für den Einsatz von Machine Learning in SAP S/4HANA
Es lohnt sich, im Bereich Planung und Optimierung die Möglichkeiten von KI genauer zu betrachten. Neue Technologien wie Machine Learning bieten hervorragende Chancen, komplexe Planungsprobleme zu lösen und Prozesse spürbar effizienter zu gestalten – und somit kostensparender zu gestalten. Haben wir Ihr Interesse geweckt? Dann sprechen Sie uns gerne an.
Bei Fragen zu diesem oder anderen Themen im Blog wenden Sie sich an blog@leogistics.com.
Hendrik Hilleckes
Development Architect
