AI för processoptimering i det manuella lagret

Processoptimering analyserar arbetsflöden, dokumenterar dem, upptäcker svagheter och utvecklar ett förbättrat arbetsflöde. Utöver smidigare processer och förbättrad kvalitet, kan målet också vara kostnadsbesparingar (1). På grund av den snabba utvecklingen av artificiell intelligens (AI) och cyberfysiska system sker processoptimering alltmer med hjälp av AI. 

I det manuella lagret finns många möjliga applikationer för att optimera processer och arbetsflöden. Klassiska metoder inkluderar värdeflödesanalys, processanalys, total kvalitetsledning, LEAN, Kaizen, Six Sigma, 5S/5A med flera. I samband med digitalisering är dock nya utvecklingar som digital värdeflödesanalys, processutvinning eller rörelseutvinning på frammarsch. Med hjälp av dessa applikationer insamlas en så stor mängd data att den inte längre kan utvärderas och tolkas manuellt med klassiska metoder. Denna utmaning löses med hjälp av AI. Genom big data-analyser kan strukturer och samband i datamängden upptäckas och identifieras, vilket gör det möjligt för planeraren och även de som ansvarar för verksamheten, att använda en mängd olika riktade åtgärdsalternativ för att optimera processerna. 

Enligt Gabler Wirtschaftslexikon är artificiell intelligens (AI) ”studien av intelligent problemlösningsbeteende och skapandet av intelligenta datorsystem. Det handlar om metoder som gör det möjligt för en dator att lösa uppgifter som kräver mänsklig intelligens att lösa.” AI, med många underliggande discipliner, har redan gjort sitt intåg på otaliga industriella, tekniska och sociala områden. Artificiell intelligens kan delas upp i många underliggande områden, vars antal ständigt växer: bottar, prediktivt underhåll, datautvinning, processutvinning, neurala nätverk, maskininlärning, djupinlärning och många fler. Djupinlärning med hjälp av neurala nätverk är en metod inom maskininlärning och för närvarande det mest lovande området av artificiell intelligens. 

Det finns möjliga användningsområden för AI-tillämpningar, såsom ovan nämnda processutvinning och rörelseutvinning, inom nästan alla områden av intralogistik. Exempel är interna transporter (gaffeltruckar och andra industritruckar, men även transportband), processanalyser med motsvarande prestanda- och kvalitetsdata samt rörelseanalyser under plockning och packning. En annan viktig aspekt, förutom att identifiera kvalitetsfel och spill, är en förbättrad ergonomisk utformning av arbetsprocesser. För detta ändamål skapas vanligtvis en digital tvilling – det vill säga en virtuell modell – av lagret. Med hjälp av denna tvilling kan simuleringar av lagrets arbetsflöden och processer utföras för att optimera lagringsplatser. 

Processutvinning (2) är en kombination av termerna processhantering och datautvinning. Det ger möjlighet att undersöka affärsprocesser och lagerverksamhet samt identifiera optimeringspotential. Datautvinningsalgoritmer används för att upptäcka specifika mönster i stora datamängder (big data). Det innebär att verkliga processer analyseras utifrån händelseloggar från IT-system med hjälp av algoritmer. Processer som kan undersökas och optimeras i en organisation genom processutvinning omfattar tillverkningsprocesser, processer i leveranskedjan samt försäljningsprocesser. Processutvinningstekniker omfattar tre typer: Upptäckt, överensstämmelse och förbättring. Upptäckt innebär att analysera och känna igen processer och skapa digitala modeller av dem. Överensstämmelse möjliggör en bedömning av överensstämmelsen mellan befintliga processmodeller och aktuella data. Med andra ord valideras befintliga processmodeller och jämförs med nya data. Slutligen används förbättring för att utöka befintliga processmodeller. I motsats till konventionella processanalysmetoder är processutvinning en holistisk metod. Det innebär att inbördes relationer och beroenden för alla affärs- och lagerprocesser ingår. Processerna kan genom processutvinning representeras i hela sin komplexitet. Processutvinning skiljer sig från klassiska tekniker för att skapa processmodeller genom en hög grad av automatisering. Processflöden, kostnader och genomströmningstider kan representeras detaljerat och transparent med användning av en mängd olika visualiseringsalternativ. Fördelen med detta är att man kan reagera snabbt och effektivt på förändringar, och eventuella framtida problem kan förutses. Källor till problem och avvikelser blir också synliga genom processutvinning. Särskilt i vår digitala tidsålder med Industri 4.0 och Logistik 4.0, måste företagen ständigt anpassa sina processer flexibelt och optimalt för att förbli konkurrenskraftiga. Genom processutvinning får ett företag insikt i hur dess affärsprocesser fungerar och var det finns förbättringspotential. Processutvinning anses vara en nyckelteknik för att skapa en digital tvilling av lagret eller hela företaget (3). 

Rörelseutvinningsteknik (4) kan användas för att automatiskt, effektivt och anonymt registrera data och optimera manuella arbetsprocesser med avseende på ergonomi och effektivitet inom ett brett spektrum av tillämpningsområden såsom logistik, leveranskedjor och intralogistik. För att registrera data bär lagermedarbetare sensorer på sina handleder och bälten. Tack vare de integrerade sensorerna kan rörelser under enskilda arbetsprocesser registreras och detekteras exakt. Alla arbetsprocesser kan utföras bekvämt och som vanligt utan att hindras av sensorerna. För att kunna analysera interaktionen mellan människa och teknik mer exakt kan verktyg – som transportutrustning eller gaffeltruckar – också utrustas med speciella sensorer. Med hjälp av miniatyrradiosändare med integrerad strömkälla kan medarbetare och aktiviteter lokaliseras. Fördelen med sändarna är att de kan installeras snabbt och enkelt i respektive processområde. Mätutrustningen detekterar sändarnas radiosignaler och beräknar därmed den aktuella platsen, ungefär som GPS. Eftersom alla uppmätta värden (aktivitets- och lokaliseringsdata) alltid samlas in utan referens till enskilda medarbetare, bryter man inte mot sekretessregler. Den enorma mängd data som samlas in analyseras automatiskt av en artificiell intelligens. Tilldelningen av aktiviteter och processteg utförs via en speciellt utvecklad metod för mönsterigenkänning baserad på djupinlärning. I processen identifierar den artificiella intelligensen oberoende de olika arbetsflödena eller processkomponenterna, såsom väntetid, transporttid eller hanteringstid. Den integrerade igenkänningskatalogen innehåller många olika aktiviteter och kan kompletteras med nya aktiviteter efter behov. Tack vare ergonomiska analyser kan även ohälsosamma böjningsrörelser, arbete över huvudnivå eller gångavstånd analyseras. Dessutom erbjuder tekniken även platsspecifika analyser, aktivitetsindikatorer och utvärdering av användning av fordon och hjälpmedel. Analyserna kan presenteras som nyckeltal eller i många olika format som cirkeldiagram, stapeldiagram, lådagram och färgdiagram. Det är också möjligt att genomföra statistiska utvärderingar under en viss tidsperiod och därmed kvantifiera utgifter eller fluktuationer. I kombination med data från lagerhanteringssystemet (WMS) kan en hänvisning till produktionsprogrammet också fastställas. I allmänhet kan rörelseutvinning användas för att optimera arbetsflöden (ergonomi och effektivitet), samla in relevanta data, utföra mätningar utan IT-integrering, säkerställa dataanonymitet samt spara tid och kostnader. 

Källor:

1 BITO Expertis, Process Optimization in Production Logistics, Link 

2 BITO Expertis, 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