KI zur Prozessoptimierung im manuellen Lager

Die Prozessoptimierung hat die Aufgabe, Arbeitsabläufe zu analysieren, diese zu dokumentieren, Schwachstellen aufzudecken und einen verbesserten Arbeitsablauf zu entwickeln. Ziele können neben dem reibungsloseren Ablauf und der Verbesserung der Qualität auch Kosteneinsparungen sein (1). Durch die rasante Entwicklung der Künstlichen Intelligenz (KI) und Cyber-physischen-Systemen erfolgt die Prozessoptimierung zunehmend via KI. 

Im manuellen Lager gibt es vielfältige Anwendungsmöglichkeiten zur Optimierung von Prozessen und Abläufen. Klassische Methoden sind z. B. die Wertstromanalyse, Process Mapping, Total Quality Management, LEAN, Kaizen, Six Sigma, 5S/ 5A und andere Ansätze. Im Rahmen der Digitalisierung setzen sich aber auch verstärkt neue Entwicklungen wie die digitale Wertstromanalyse, Process Mining oder Motion Mining durch. Mit Hilfe dieser Anwendungen werden eine Vielzahl von Daten digital erhoben, sodass sie nicht mehr manuell mit klassischen Methoden ausgewertet und interpretiert werden können. Gelöst wird diese Herausforderung durch KI. Mithilfe von Big Data-Analysen können Strukturen und Abhängigkeiten in den Daten erkannt und identifiziert werden, die dem Planer einerseits aber auch den Betriebsverantwortlichen andererseits eine Vielzahl von gezielten Handlungsoptionen ermöglichen, um die Abläufe zu optimieren. 

Nach dem Gabler Wirtschaftslexikon versteht man unter Künstlicher Intelligenz (KI) „die Erforschung von intelligentem Problemlösungsverhalten sowie die Erstellung intelligenter Computersysteme. Sie beschäftigt sich mit Methoden, die es einem Computer ermöglichen, Aufgaben zu lösen, die vom Menschen zur Lösung Intelligenz erfordern.“ KI ist mit vielen Teildisziplinen bereits in unzählige industrielle, technische und gesellschaftliche Bereiche eingezogen. Zu den Teilgebieten der Künstlichen Intelligenz gehören mittlerweile verschiedenste Teilbereiche, deren Anzahl beständig wächst: Bots, Predictive Maintenance, Data Mining, Process Mining, Neuronale Netze, Machine Learning, Deep Learning, u. v. m. Deep Learning mit Hilfe neuronaler Netze ist der derzeit vielversprechendste Ansatz in der Künstlichen Intelligenz und wiederum ein Ansatz innerhalb des Machine Learning. 

Einsatzmöglichkeiten gibt es für KI-Anwendungen wie dem genannten Process Mining und Motion Mining in nahezu allen Bereichen der Intralogistik. Beispiele sind der innerbetriebliche Transport (Stapler und andere Flurförderzeuge, aber auch Stetigförderer), Prozess-Analysen mit den entsprechenden Leistungs- und Qualitätsdaten sowie Bewegungsanalysen beim Kommissionieren und Verpacken. Ein weiterer wesentlicher Aspekt ist neben der Identifikation von Qualitätsmängeln und „Verschwendung“ auch die verbesserte ergonomische Gestaltung der Arbeitsabläufe. Dazu wird meist ein "Digitaler Zwilling" - also ein virtuelles Modell - des Lagers erstellt. Mithilfe dieses virtuellen Zwillings können Simulationen von Lagerabläufen und -prozessen zur Optimierung von Lagerplätzen durchgeführt werden. 

Das Process Mining (2) setzt sich aus den Begriffen Prozessmanagement und Data Mining zusammen. Es bietet die Möglichkeit, Geschäftsprozesse und Lagerabläufe zu durchleuchten und Potenziale zur Optimierung zu identifizieren. Durch die Algorithmen des Data Minings werden große Datenmengen (Big Data) auf bestimmte Muster hin untersucht. D. h. reale Prozesse werden auf Basis von Ereignisprotokollen aus IT-Systemen (Informationen aus Event-Logs) anhand von Algorithmen analysiert. Zu den Prozessen, die in einem Unternehmen durch Process Mining untersucht und optimiert werden können gehören z. B. Fertigungsprozesse, Supply Chain- und Vertriebsprozesse. Zu den Process Mining-Techniken gehören drei Typen: Discovery (Erkennung), Conformance (Übereinstimmungsprüfung) und Enhancement (Erweiterung). Beim Discovery werden Prozesse analysiert, erkannt und digitale Modelle der Prozesse erstellt. Conformance ermöglicht eine Beurteilung der Konformität bestehender Prozessmodelle zu aktuellen Daten. Sprich schon bestehende Prozessmodelle werden durch neue Daten validiert und abgeglichen. Enhancement schließlich kommt zum Einsatz, um bestehende Prozessmodelle zu erweitern. Process Mining ist im Gegensatz zu herkömmlichen Prozessanalyse-Verfahren holistisch angelegt. D. h. die Zusammenhänge bzw. die Abhängigkeiten aller Geschäfts- und Lagerprozesse wird mit einbezogen. Die Prozesse werden durch Process Mining in ihrer gesamten Komplexität dargestellt. Das Process Mining grenzt sich durch den hohen Grad der Automatisierung von klassischen Techniken zur Erstellung von Prozessmodellen ab. Prozessabläufe, Kosten und Durchlaufzeiten können detailliert und transparent über verschiedenste Visualisierungsmöglichkeiten dargestellt werden. Der Vorteil ist, dass dadurch zudem schnell und effizient auf Veränderungen reagiert werden kann und evtl. entstehende Probleme in der Zukunft vorhergesehen werden können. Auch Problemquellen und Abweichungen werden durch Process Mining sichtbar. Gerade im digitalen Zeitalter von Industrie 4.0 und Logistik 4.0 müssen Betriebe ihre Prozesse immer wieder flexibel und optimal anpassen, um wettbewerbsfähig zu bleiben. Durch Prozess Mining gewinnt ein Unternehmen Einsicht darüber, wie die Geschäftsprozesse funktionieren und wo Potenzial für Verbesserungen liegt. Die Process Mining-Technologie gilt als Schlüsseltechnologie für die Erzeugung eines digitalen Zwillings des Lagers bzw. des ganzen Unternehmens (3). 

Mit der Motion Mining-Technologie (4) können automatisiert, effizient und anonym Daten aufgenommen und manuelle Arbeitsprozesse hinsichtlich ihrer Ergonomie und Effizienz, in einem weiten Feld von Anwendungsbereichen wie Logistik und Supply Chains sowie Intralogistik, optimiert werden. Zur Datenaufnahme tragen Mitarbeiter im Lager Wearables (mobile Sensoren) an den Handgelenken und am Gürtel. Dank der integrierten Sensoren können die Bewegungen bei den einzelnen Arbeitsabläufen exakt erfasst und erkannt werden. Dabei können alle Arbeitsprozesse ohne Behinderung durch die Wearables bequem und wie gewohnt ausgeführt werden. Um die Mensch-Technik-Interaktion genauer zu analysieren, können auch Hilfsmittel - wie z. B. Transportgeräte oder Gabelstapler - zusätzlich mit speziellen Sensoren ausgestattet werden. Mithilfe von Kleinstfunksendern mit integrierter Stromquelle (Beacons) werden die Mitarbeiter und Aktivitäten lokalisiert. Der Vorteil der Beacons ist, dass sie einfach und schnell in den jeweiligen Prozessregionen angebracht werden können. Die Messausrüstung erfasst die Funksignale der Sender und berechnet so, ähnlich wie beim GPS, den aktuellen Standort. Da alle Messwerte (Aktivitäts- und Lokalisierungsdaten) stets ohne Mitarbeiterbezug erhoben werden, wird der Anwendungsbereich der DSGVO nicht beschritten. Die enorme Menge der gewonnenen Daten wird durch eine Künstliche Intelligenz automatisch analysiert. Die Zuordnung der Aktivitäten und Prozessschritte erfolgt über ein eigens entwickeltes, auf Deep-Learning basierendes, Mustererkennungsverfahren. Dabei erkennt die Künstliche Intelligenz die verschiedenen Arbeitsabläufe bzw. Prozessanteile wie beispielsweise Warte-, Weg- oder Handhabungszeit, selbstständig. Der integrierte Erkennungskatalog umfasst viele verschiedene Aktivitäten und kann bei Bedarf um neue Tätigkeiten ergänzt werden. Dank der Ergonomie Analysen können auch ungesunde Bückvorgänge, Überkopfarbeit oder Gehdistanzen analysiert werden. Darüber hinaus bietet die Technologie aber auch ortsspezifische Analysen, Aktivitätskennzahlen sowie die Auswertung von Fahrzeug- und Hilfsmittelnutzung. Die Darstellung der Analysen kann als Kennzahlen oder in vielen verschiedenen Formaten wie z. B. Kreis-, Balken- oder Boxplot-Diagrammen und Heatmaps erfolgen. Es existiert ebenso die Möglichkeit statistische Auswertungen über einen bestimmten Betrachtungszeitraum durchzuführen und so Aufwände bzw. Schwankungen zu quantifizieren. In Kombination mit Daten des Warehouse Management Systems (WMS) lässt sich zudem ein Bezug zum Produktionsprogramm herstellen. Generell lassen sich mit Motion Mining also Arbeitsabläufe optimieren (Ergonomie und Effizienz), valide Daten erheben, ohne IT-Integration Messungen durchführen, die Datenanonymität sichern sowie Zeit und Kosten sparen. 

Literatur:

1 BITO Fachwissen, Prozessoptimierung in der Produktionslogistik, Link 

2 BITO Fachwissen, Process Mining optimiert Geschäftsabläufe, Link 

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

4 Motion-Mining®, Automatisierte und anonymisierte Analyse und Optimierung manueller Prozesse, Link