AI folyamatoptimalizáláshoz a kézi raktárban
![roll of sheet steel, transported by crane at the factory roll of sheet steel, transported by crane at the factory](https://assets.bitocloud.net/Bilder/Ratgeber/Prozessoptimierung_Produktionslogistik/KI-Prozessoptimierung_Titelbild_2500px.jpg?crop=left%2Ctop&fit=crop&fm=jpeg&ixlib=php-2.1.1&q=80&w=290&s=4d8097fcd26fd96bdc12a19690dc0324)
A folyamatoptimalizálás feladata a munkafolyamatok elemzése, dokumentálása, a gyengeségek feltárása és egy jobb munkafolyamat kidolgozása. A gördülékenyebb folyamatok és a jobb minőség mellett a cél költségmegtakarítás is lehet (1). A mesterséges intelligencia (AI) és a kiberfizikai rendszerek rohamos fejlődése miatt a folyamatok optimalizálása egyre inkább mesterséges intelligencia segítségével történik.
Folyamatoptimalizálás Big Data és AI használatával
A kézi raktárban számos lehetséges alkalmazás létezik a folyamatok és munkafolyamatok optimalizálására. A klasszikus módszerek közé tartozik az értékfolyam-leképezés, a folyamatleképezés, a teljes minőségirányítás, a LEAN, a Kaizen, a Six Sigma, az 5S/5A és más megközelítések. A digitalizáció kapcsán azonban egyre nagyobb teret hódítanak az olyan új fejlesztések, mint a digitális értékfolyam-térképezés, a folyamatbányászat vagy a mozgás megfigyelés. Ezen alkalmazások segítségével olyan nagy mennyiségű adatot gyűjtenek össze digitálisan, hogy azok már nem értékelhetők és értelmezhetők manuálisan klasszikus módszerekkel. Ezt a kihívást az AI oldja meg. A big data elemzések segítségével felismerhetők és azonosíthatók az adatokban lévő struktúrák, amelyek elérhetőek egyrészt a tervező, másrészt az operációért felelősök számára is. Lehetővé téve a különféle célzott lehetőségeket annak érdekében, hogy optimalizálják a folyamatokat.
Mi a mesterséges intelligencia?
A Gabler Wirtschafts lexikon szerint a mesterséges intelligencia (AI) "az intelligens problémamegoldó viselkedés tanulmányozása és intelligens számítógépes rendszerek létrehozása. Olyan módszerekkel foglalkozik, amelyek lehetővé teszik a számítógép számára, hogy olyan feladatokat oldjon meg, amelyekhez emberi intelligencia szükséges". A mesterséges intelligencia számos részterülettel már számtalan ipari, műszaki és társadalmi területre belépett. A mesterséges intelligencia részterületei ma már sokféle résztudományt foglalnak magukban, amelyek száma folyamatosan növekszik: botok, prediktív karbantartás, adatbányászat, folyamatbányászat, neurális hálózatok, gépi tanulás, mély tanulás és még sok más. A neurális hálózatok segítségével történő mély tanulás jelenleg a legígéretesebb megközelítés a mesterséges intelligencia területén.
Számos lehetséges felhasználási mód az AI-alkalmazásokhoz
Az AI-alkalmazásoknak, például a fent említett folyamatbányászatnak és mozgás megfigyelésnek, az intralogisztika szinte minden területén vannak felhasználási lehetőségei. Ilyen például az üzemen belüli szállítás (targoncák és egyéb ipari targoncák, de folyamatos szállítószalagok is), a folyamatelemzések a megfelelő teljesítmény- és minőségadatokkal, valamint a komissiózás és csomagolás során végzett mozgáselemzések. A minőségi hibák és a "pazarlás" feltárása mellett további lényeges szempont a munkafolyamatok ergonómikus kialakítása. Erre a célra általában egy "digitális iker" - azaz egy virtuális modell - készül a raktárból. A virtuális iker segítségével a raktári munkafolyamatok és folyamatok szimulációi végezhetők el a tárolási helyek optimalizálása érdekében.
Mi az a folyamatbányászat?
A folyamatbányászat (2) a folyamatmenedzsment és az adatbányászat kifejezések kombinációja. Lehetővé teszi az üzleti folyamatok és a raktári műveletek vizsgálatát, valamint az optimalizálási lehetőségek azonosítását. Az adatbányászati algoritmusok nagy mennyiségű adat (nagy adat) vizsgálatára szolgálnak meghatározott minták keresésére. Azaz, a valós folyamatokat az informatikai rendszerek eseménynaplói (az eseménynaplókból származó információk) alapján elemezzük algoritmusok segítségével. A folyamatbányászattal egy szervezetben vizsgálható és optimalizálható folyamatok közé tartoznak a gyártási folyamatok, az ellátási lánc folyamatai és az értékesítési folyamatok. A folyamatbányászati technikák három típust foglalnak magukban: felfedezés, megfelelőség és javítás. A felfedezés magában foglalja a folyamatok elemzését és felismerését, valamint a folyamatok digitális modelljének létrehozását. A megfelelőség lehetővé teszi a meglévő folyamatmodellek aktuális adatoknak való megfelelőségének értékelését. Más szavakkal, a meglévő folyamatmodelleket validálják és összehasonlítják az új adatokkal. Végül a fejlesztést a meglévő folyamatmodellek kiterjesztésére használják. A hagyományos folyamatelemzési módszerekkel ellentétben a folyamatbányászat holisztikus. Ez azt jelenti, hogy az összes üzleti és raktári folyamat összefüggései és függőségei benne vannak. A folyamatokat teljes komplexitásukban a folyamatbányászat képviseli. A folyamatbányászatot a folyamatmodellek készítésének klasszikus technikáitól az automatizáltság magas foka különbözteti meg. A folyamatok, a költségek és az átfutási idők részletesen és átláthatóan ábrázolhatók a megjelenítési lehetőségek széles skálájával. Ennek előnye, hogy a változásokra gyorsan és hatékonyan lehet reagálni, és az esetlegesen felmerülő problémákat a jövőben előre lehet látni. A folyamatbányászat révén a problémák és eltérések forrásai is láthatóvá válnak. Különösen az Ipar 4.0 és a Logisztika 4.0 digitális korszakában a vállalatoknak újra és újra rugalmasan és optimálisan hozzá kell igazítaniuk folyamataikat ahhoz, hogy versenyképesek maradjanak. A folyamatbányászat révén a vállalat betekintést nyer az üzleti folyamatai működésébe, és abba, hogy hol van még fejlesztési lehetőség. A folyamatbányászatot kulcsfontosságú technológiának tekintik a raktár vagy az egész vállalat digitális ikertestvérének létrehozásához (3).
Mozgás megfigyelés a hatékonyság és az ergonómia érdekében
A Motion Mining (4) az adatok automatikus, hatékony és névtelen rögzítésére szolgáló technológia, mellyel optimalizálhatóak a kézi munkafolyamatok, az ergonómia és hatékonyság szempontjából számos olyan alkalmazási területen, mint a logisztika és az ellátási láncok, valamint az intralogisztika. Az adatok rögzítéséhez a raktári alkalmazottak hordható eszközöket (mobil szenzorokat) viselnek a csuklójukon és az övükön. Az integrált érzékelőknek köszönhetően az egyes munkafolyamatok során bekövetkező mozgások pontosan rögzíthetők és érzékelhetők. Minden munkafolyamat kényelmesen és a megszokott módon elvégezhető anélkül, hogy a hordozható elemek akadályoznák. Az ember-technológia interakció pontosabb elemzése érdekében az eszközöket - például szállítóeszközöket vagy targoncákat - speciális szenzorokkal is fel lehet szerelni. Az integrált áramforrással (beacon) ellátott miniatűr rádióadók segítségével a dolgozók és a tevékenységek lokalizálhatók. A jelzőfények előnye, hogy gyorsan és egyszerűen beépíthetők az adott folyamatterületre. A mérőberendezés érzékeli az adók rádiójeleit, és így a GPS-hez hasonlóan kiszámítja az aktuális helyzetet. Mivel az összes mért értéket (aktivitási és lokalizációs adatok) mindig alkalmazotti hivatkozás nélkül gyűjtik össze, a GDPR hatálya nem kerül terítékre. Az összegyűjtött óriási mennyiségű adatot egy mesterséges intelligencia automatikusan elemzi. A tevékenységek és folyamatlépések hozzárendelése egy speciálisan kifejlesztett, mélytanuláson alapuló minta-felismerési eljárással történik. A folyamat során a mesterséges intelligencia önállóan felismeri a különböző munkafolyamatokat vagy folyamatelemeket, mint például a várakozási időt, az utazási időt vagy a kezelési időt. Az integrált mozgás katalógus számos különböző tevékenységet tartalmaz, és szükség szerint kiegészíthető új tevékenységekkel. Az ergonómiai elemzéseknek köszönhetően az egészségtelen (törzs) hajlás folyamatok, a fej feletti munkavégzés elkerülhetők vagy a gyalogos távolságok is kiértékelhetőek.
A technológia emellett helyspecifikus elemzéseket, aktivitási mutatókat, valamint a jármű- és segédeszközhasználat értékelését is lehetővé teszi. Az elemzések ábrázolhatók számadatok formájában vagy számos különböző formátumban, például kördiagramok, oszlopdiagramok, boxplot-diagramok és hőtérképek formájában. Lehetőség van statisztikai értékelések elvégzésére is egy bizonyos időszakra vonatkozóan, és így a kiadások vagy az ingadozások számszerűsítésére. A raktárkezelő rendszerből (WMS) származó adatokkal kombinálva a termelési programra való hivatkozás is létrehozható. Általánosságban elmondható, hogy a mozgásbányászat felhasználható a munkafolyamatok optimalizálására (ergonómia és hatékonyság), érvényes adatok gyűjtésére, mérések elvégzésére informatikai integráció nélkül, az adatok anonimitásának biztosítására, valamint idő- és költségmegtakarításra.
Irodalom:
1 BITO Expertise, Process Optimization in Production Logistics, Link
2 BITO expertise, Process Mining optimises business processes, 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