AI voor procesoptimalisatie in het manuele magazijn

“Value stream mapping” is een procesverbeteringsinstrument dat wordt gebruikt om elk proces met herhaalbare stappen te analyseren en inefficiënties te elimineren. Naast vlottere processen en betere kwaliteit kunnen ook kostenbesparingen het doel zijn. Door de snelle ontwikkeling van artificiële intelligentie (AI) en cyber-fysieke systemen vindt procesoptimalisatie steeds vaker plaats via AI.

Bij magazijninrichting voorzien van manuele orderpicking, zijn er veel mogelijke toepassingen voor het optimaliseren van logistieke processen en workflows. Klassieke methoden zijn value stream mapping, process mapping, total quality management, LEAN, Kaizen, Six Sigma, 5S/5A en andere benaderingen. In het kader van de digitalisering in het magazijn “winnen” de nieuwe ontwikkelingen zoals digital value stream mapping, process mining of motion mining echter steeds meer terrein. Met behulp van deze toepassingen wordt een grote hoeveelheid gegevens digitaal verzameld. Probleem, ze kunnen niet langer manueel worden geëvalueerd en geïnterpreteerd volgens klassieke methodes. Deze uitdaging wordt opgelost door AI. Met behulp van big data-analyses kunnen structuren en afhankelijkheden in de gegevens worden herkend en geïdentificeerd, waardoor de planner enerzijds, maar ook de Subscribe to DeepL Pro to edit this document. Visit www.DeepL.com/pro for more information. operationeel verantwoordelijken anderzijds, een scala aan gerichte actiemogelijkheden krijgen om de processen te optimaliseren in het magazijn.

AI is de mogelijkheid van een machine om “mensachtige vaardigheden” te vertonen zoals redeneren, leren, plannen en creativiteit. AI maakt het voor technische systemen mogelijk om “hun omgeving” waar te nemen, om te gaan met deze waarnemingen en problemen op te lossen om een specifiek doel te bereiken. De computer ontvangt data, reeds voorbereid en verzameld via eigen sensoren zoals een camera. Verwerkt deze en reageert erop. AI-systemen zijn in staat om hun gedrag in zekere mate aan te passen, door het effect van vorige acties te analyseren en autonoom te werken. AI heeft vele sub-disciplines. De subdisciplines van artificiële intelligentie omvatten een grote verscheidenheid, waarvan het aantal voortdurend toeneemt: bots, voorspellend onderhoud, datamining, procesmining, neurale netwerken, machine learning, deep learning, en nog veel meer. Deep learning met behulp van neurale netwerken is momenteel de meest veelbelovende benadering in AI.

AI-toepassingen zoals “process mining” en “motion mining” kunnen op bijna alle gebieden van de intralogistiek worden gebruikt. Voorbeelden zijn intern transport (vorkheftrucks en andere industriële trucks, maar ook doorlopende transportbanden in magazijnen), procesanalyses met de bijbehorende prestatie- en kwaliteitsgegevens, en bewegingsanalyses tijdens het verzamelen en verpakken. Een ander essentieel aspect, naast de identificatie van kwaliteitsgebreken en "verspilling", is de verbeterde ergonomische vormgeving van werkprocessen. Voor dit doel wordt gewoonlijk een "digitale tweeling" - d.w.z. een virtueel model - van het magazijn gemaakt. Met behulp van deze virtuele tweeling kunnen simulaties van magazijn workflows en magazijnprocessen worden uitgevoerd om de opslaglocaties en voorraadbeheer te optimaliseren.

Voor veel logistieke bedrijven is de „analysefase“ van een verbeterproject een fase waarin ontzettend veel data geanalyseerd moet worden. De ouderwetse manier hiervoor duurt erg lang. Bij deze methode wordt aan het personeel gevraagd om data van een bepaald proces te verzamelen om deze vervolgens te analyseren. Bedrijven kunnen nu veel beter gebruik maken van Process Mining, waarbij de grote hoeveelheid aan big data snel en overzichtelijk wordt geanalyseerd. Process Mining is simpel gezegd een techniek om processen binnen een organisatie of magazijn te analyseren. Met behulp van software wordt data uit de logboeken van een specifiek proces geanalyseerd. Bijna alle logistieke handelingen worden opgeslagen in zo’n logboek. Hierin staat beschreven op welk tijdstip een bepaalde handeling is uitgevoerd en op welke order deze betrekking heeft. Soms wordt ook gelogd wie de handeling heeft uitgevoerd en hoelang de handeling duurde. Via Process Mining wordt deze data automatisch verwerkt en kan er een duidelijk overzicht van het proces worden weergeven. Het wordt meteen visueel duidelijk hoe het proces er nu uitziet en wat de afwijkingen zijn ten opzichte van hoe het proces er eigenlijk uit zou horen te zien. Dit kunnen afwijkingen zijn in termen van tijd, resultaat of de volgorde van handelingen. Je “tekent” het proces dus vanuit de beschikbare data. Voor Process Mining heb je relatief weinig data nodig:  1. Een ID: een uniek identificatienummer van een een order- of klantnummer. 2. Een activity: de naam voor een processtap in het proces. 3. Een tijdstempel (timestamp): Een reeks tekens of gecodeerde informatie die identificeert wanneer een bepaalde gebeurtenis zich voordeed. Het moment dat een activiteit start. Waarbij eventueel ook het tijdstip toegevoegd kan worden dat een activiteit eindigt. Maar één van de belangrijkste eisen voor het slagen van Process Mining is dat de data wel volledig is en overeenkomt met de realiteit… de verwachting versus de werkelijkheid. Voordat een proces wordt ontwikkeld, is er altijd een bepaald “perfect” scenario proces bedacht. Hierbij zijn geen stoorzenders aanwezig. In de realiteit is dit natuurlijk anders. Hier komt Process Mining dan ook goed van pas. Dit laat duidelijk zien waar afwijkingen in het proces zitten. Voor werknemers is dit vaak niet met het blote oog te zien. Afwijkingen die zo opgespoord kunnen worden zijn: - Onnodige wachttijd tussen verschillende activiteiten. - Onnodige werkzaamheden die worden uitgevoerd. - Het niet behalen van de gewenste resultaten. Aan de hand hiervan kan het management eenvoudig zien waar verbetermogelijkheden in het proces zitten.

Motion mining-technologie kan worden gebruikt om automatisch, efficiënt en anoniem gegevens te registreren en handmatige werkprocessen te optimaliseren op het punt van ergonomie en efficiëntie. En dit in een breed scala van toepassingsgebieden zoals logistiek en toeleveringsketens, alsook intralogistiek. Om gegevens te registreren dragen magazijnmedewerkers wearables (mobiele sensoren) aan hun polsen of broeksriem. Dankzij de geïntegreerde sensoren kunnen bewegingen tijdens individuele werkprocessen nauwkeurig worden geregistreerd en gedetecteerd. Alle werkprocessen kunnen comfortabel en zoals gebruikelijk worden uitgevoerd zonder te worden gehinderd door de wearables. Om de interactie tussen mens en technologie nauwkeuriger te kunnen analyseren, kunnen ook gereedschappen - zoals transportapparaten of vorkheftrucks - aanvullend worden uitgerust met speciale sensoren. Met behulp van miniatuur-radiozenders met een geïntegreerde beacons kunnen werknemers en activiteiten worden gelokaliseerd. Het voordeel van de beacons is dat zij snel en eenvoudig in de desbetreffende procesgebieden kunnen worden geïnstalleerd. De meetapparatuur detecteert de radiosignalen van de zenders en berekent zo de huidige locatie, vergelijkbaar met GPS. Aangezien alle meetwaarden (activiteits- en lokalisatiegegevens) altijd zonder referentie van de werknemer worden verzameld, wordt het toepassingsgebied van de GDPR niet betreden. De enorme hoeveelheid verzamelde gegevens wordt automatisch geanalyseerd door een artificiële intelligentie. De toewijzing van activiteiten en processtappen gebeurt via een speciaal ontwikkelde patroonherkenningsprocedure op basis van deep learning. Daarbij herkent de artificiële intelligentie zelfstandig de verschillende workflows of procesonderdelen, zoals wachttijd, reistijd of afhandeltijd. De geïntegreerde databank van herkenningen, omvat veel verschillende activiteiten/bewegingen en kan naar behoefte worden aangevuld met nieuwe. Dankzij de ergonomische analyses kunnen ook ongezonde buigprocessen, werk boven het hoofd of loopafstanden worden herkend en geanalyseerd. Daarnaast biedt de technologie ook locatiespecifieke analyses, activiteitenindicatoren en de evaluatie van het gebruik van voertuigen en hulpmiddelen. De analyses kunnen worden gepresenteerd als kerncijfers of in veel verschillende formaten, zoals cirkeldiagrammen, staafdiagrammen, boxplotdiagrammen en heat maps. Het is ook mogelijk statistische evaluaties over een bepaalde periode uit te voeren en zo uitgaven of schommelingen te kwantificeren. In combinatie met gegevens uit het Warehouse Management System (WMS) kan ook een referentie naar het productieprogramma worden opgesteld. In het algemeen kan motion mining worden gebruikt om goederenstromen te optimaliseren (ergonomie en efficiency), geldige gegevens te verzamelen, metingen uit te voeren zonder IT-integratie, anonimiteit van gegevens te garanderen en tijd en kosten te besparen.

Literatuur:

1. BITO Expertise, Optimale magazijninrichting voorkomt storingen bij inventarisatie, Link 

2. BITO expertise, Artificiële Intelligentie in de logistiek, 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