AI til procesoptimering på det manuelle lager

Procesoptimering har til opgave at analysere arbejdsgange, dokumentere dem, afdække svagheder og udvikle en forbedret proces. Ud over mere smidige processer og forbedret kvalitet kan målet også være besparelser (1). På grund af den hurtige udvikling af kunstig intelligens (AI) og cyberfysiske systemer foregår procesoptimering i stigende grad via AI. 

På det manuelle lager er der mange anvendelsesmuligheder for optimering af processer og arbejdsgange. Klassiske metoder omfatter værdistrømsanalyser, kortlægning af processer, Total Quality Management, LEAN, Kaizen, Six Sigma, 5S/5A og andre tilgange. I forbindelse med digitaliseringen vinder nye metoder stadig mere frem som f.eks. digital værdistrømsanalyse, Process Mining eller Motion Mining. Ved hjælp af disse metoder indsamles en stor mængde data digitalt, som således ikke længere kan analyseres og fortolkes manuelt via klassiske metoder. Denne udfordring løses af AI. Ved hjælp af store dataanalyser kan strukturer og afhængigheder i dataene genkendes og identificeres, og det giver dels planlæggeren på den ene side og dels de driftsansvarlige på den anden en lang række målrettede handlemuligheder for at optimere processerne. 

Ifølge Gabler Wirtschaftslexikon er kunstig intelligens "undersøgelse af ​​intelligent problemløsende adfærd samt oprettelse af ​​intelligente computersystemer. Den beskæftiger sig med metoder, der gør det muligt for en computer at løse opgaver, der kræver menneskelig intelligens for at løse dem." 

AI og dens mange underdiscipliner har allerede fundet vej til utallige industrielle, tekniske og sociale områder. Delområderne for kunstig intelligens omfatter nu en lang række underområder, hvor antallet er stadigt stigende: Bots, forudsigelig vedligeholdelse (Predictive Maintenance), Data Mining, Process Mining, neurale netværk, maskinlæring, Deep Learning og meget mere. Deep Learning ved hjælp af neurale netværk er i øjeblikket den mest lovende fremgangsmåde inden for kunstig intelligens og også en tilgang inden for maskinlæring 

Inden for næsten alle områder af intralogistikken er der potentielle anvendelsesmuligheder for brug af AI såsom førnævnte Process Mining og Motion Mining. Eksempler er intern transport (gaffeltrucks og andre industritrucks men også sammenhængende transportbånd), procesanalyser med tilsvarende ydelses- og kvalitetsdata samt bevægelsesanalyser under plukning og pakning. Ud over identifikation af kvalitetsmangler og “spild“ er et andet vigtigt aspekt forbedret ergonomisk design af arbejdsprocesserne. Til det formål oprettes normalt en "digital tvilling" - dvs. en virtuel model - af lageret. Ved hjælp af denne virtuelle tvilling kan der udføres simuleringer af arbejdsgange og lagerprocesser for at optimere lagerlokationerne. 

Process Mining (2) består af begreberne processtyring og Data Mining. Det giver mulighed for at undersøge forretnings- og lagerprocesser samt identificere optimeringspotentiale. Algoritmerne til Data Mining bruges til at undersøge store datamængder (big data) for specifikke mønstre. Dvs. ved hjælp af algoritmer analyseres faktiske processer på basis af hændelseslogs fra IT-systemer (information fra hændelseslogfiler). De processer, der kan undersøges og optimeres i en virksomhed ved hjælp af Process Mining, omfatter forarbejdningsprocesser, forsyningskæde og salgsprocesser. Der er tre typer af teknikker inden for Process Mining: Discovery, Conformance og Enhancement. Discovery analyserer og identificerer processerne og skaber digitale modeller af dem. Conformance muliggør en vurdering af eksisterende procesmodellers overensstemmelse med faktiske data. Med andre ord valideres eksisterende procesmodeller og sammenlignes med nye data. Endelig bruges Enhancement til at udvide eksisterende procesmodeller. I modsætning til konventionelle procesanalysemetoder er Process Mining holistisk. Det betyder, at indbyrdes forhold eller afhængigheder i alle forretnings- og lagerprocesserne er indeholdt. Processerne repræsenteres således i hele deres kompleksitet. På grund af den høje automatiseringsgrad adskiller Process Mining sig fra de klassiske teknikker til udarbejdelse af procesmodeller. Procesforløb, omkostninger og leveringstider kan vises detaljeret og transparent ved hjælp af en lang række visualiseringsmuligheder. Fordelen er, at der kan reageres hurtigt og effektivt på ændringer, og eventuelle problemer, som måtte opstå i fremtiden, kan forudses. Kilder til problemer og afvigelser synliggøres også gennem Process Mining. Især i den digitale tidsalder for Industri 4.0 og Logistik 4.0 skal virksomheder konstant foretage fleksibel og optimal procestilpasning for at være konkurrencedygtige. Gennem Process Mining får en virksomhed indsigt i, hvordan forretningsprocesserne fungerer, og hvor der er forbedringspotentiale. Process Mining betragtes som en nøgleteknologi til at generere en digital tvilling af lageret eller hele virksomheden (3). 

Med Motion Mining-teknologien (4) kan data automatisk, effektivt og anonymt registreres, og manuelle arbejdsprocesser kan optimeres, hvad angår ergonomi og effektivitet inden for en lang række områder såsom logistik og forsyningskæder samt intralogistik. For at registrere data benytter lagermedarbejderne kropsbåren teknologi (mobile sensorer) på håndled og bælter. Ved hjælp af integrerede sensorer kan bevægelserne i de enkelte arbejdsprocesser præcist registreres og identificeres. Alle arbejdsprocesser kan udføres uden besvær og som normalt uden gener fra den kropsbårne teknologi. For en mere præcis analyse af den menneskelige/teknologiske interaktion kan hjælpemidler som f.eks. transportudstyr eller gaffeltrucks også udstyres med specielle sensorer. Ved hjælp af ultrasmå radiosendere med integreret strømkilde (beacons) kan medarbejdere og aktiviteter lokaliseres. 

Fordelen ved beacons er, at de hurtigt og nemt kan fastgøres til de respektive procesområder. Måleudstyret registrerer radiosignalerne fra transmitterne og beregner dermed den aktuelle placering på samme måde som en GPS. Da alle målte værdier (aktivitets- og lokaliseringsdata) altid indsamles uden medarbejderreference, overskrides reglerne for GDPR ikke. Den enorme mængde data, der indsamles, analyseres automatisk af kunstig intelligens. Aktiviteter og procestrin tildeles ved hjælp af en specialudviklet mønstergenkendelsesproces baseret på Deep Learning. Den kunstige intelligens genkender automatisk de forskellige arbejdsgange eller proceskomponenter såsom ventetid, gåafstande eller håndteringstid. 

Det integrerede katalog over identificeringer indeholder mange forskellige aktiviteter og kan efter behov suppleres med nye. Takket være ergonomiske analyser kan usunde arbejdsstillinger såsom foroverbøjninger og arbejde over hovedhøjde samt gåafstande også analyseres. Derudover tilbyder teknologien også stedsspecifikke analyser, aktivitetsindikatorer og evaluering af brug af køretøjer og hjælpemidler. Analyserne kan præsenteres som nøgletal eller i mange forskellige formater såsom cirkeldiagrammer, søjlediagrammer, boxplot-diagrammer og Heatmaps. Det er også muligt at foretage statistiske evalueringer over et bestemt tidsrum og således sætte tal på udgifter eller udsving. I kombination med data fra Warehouse Management System (WMS) kan der også etableres en forbindelse til produktionsprogrammet. Generelt kan Motion Mining bruges til optimering af arbejdsgange (ergonomi og effektivitet), indsamling af valide data samt til at udføre målinger uden IT-integration, sikre dataanonymitet og spare tid og omkostninger. 

Litteratur:

1 BITO Ekspertviden, Procesoptimering i produktionslogistikken (tysk artikel), Link 

2 BITO Ekspertviden, Process Mining optimerer forretningsprocesser (tysk artikel), Link 

3 Scurry Maria, How Process Mining Enables the Digital Twin of an Organization (DTO),  Link 

4 Motion-Mining®, Automated and anonymous analysis and optimization of manual processes, Link