Machine Learning als neuer Baustein einer optimierten Lieferlogistik

von Matthias Berlit
Virtuelles Gehirn
(c) metamorworks - Getty Images

Die enge Zusammenarbeit mit unseren Kunden ist für uns eine wichtige Komponente, um Software zu entwickeln, die nah an den Bedürfnissen und den alltäglichen Prozessen sowie Anforderungen der Anwender ist. Daher initiieren wir häufig Pilotprojekte, in denen wir den Nutzen und die Anwendbarkeit unserer Software überprüfen.

Ein sehr interessantes Projekt, das wir kürzlich abgeschlossen haben, betrifft das Thema Machine Learning in der LKW-Zulaufsteuerung. Wir wollten die Frage beantworten, inwiefern sich die bei unseren Kunden aufgezeichneten Daten nutzen lassen, um sinnvolle Vorhersagen für die Zukunft zu treffen. Generell bietet die Anwendung Künstlicher Intelligenz in Bereichen wie Logistik oder Supply Chain Management großes Potenzial, Prozesse weiter zu optimieren. Und so konnten wir für dieses spannende Thema verschiedene Firmen aus den Bereichen Automotive und Chemie begeistern, uns die Daten für die Untersuchung zur Verfügung zu stellen und mit uns die möglichen Anwendungsfälle zu identifizieren, zu testen und zu bewerten. Als Datenbasis dienten uns die jeweils aufgezeichneten Daten von einem oder zwei Standorten mit einigen Zehntausend bis zu einigen Hunderttausend LKW-Anfahrten im Jahr.

Herauszufinden galt, für welche Anwendungsfälle sich ML-Algorithmen in der LKW-Zulaufsteuerung einsetzen lassen. Konkrete Fragen waren: Sind die vorhandenen Datenmengen groß genug? Stimmt die Vorhersagequalität und welche Vorteile lassen sich damit realisieren?

Diese Fragestellungen wurden dann für die folgenden drei Use Cases untersucht:

  1. Ladedauer an einer Ladestelle

Ziel des ersten Use Case war es, die Ladedauer an einer Ladestelle vorherzusagen. In den heutigen Planungssystemen für die Zulaufsteuerung wird die Ladedauer meist durch Pauschalwerte mit unterschiedlicher Genauigkeit berechnet, wie zum Beispiel „durchschnittliche Ladedauer an Ladestelle“ oder „Lademinuten je Ladeeinheit“.

Bei der Analyse der Daten stellten wir schnell fest, dass die Messung der reinen Ladedauer an einer Ladestelle häufig nicht verlässlich mit zwei Zeitstempeln erfasst wird, da es keinen Anreiz für den Benutzer gibt, insbesondere den Startzeitpunkt präzise zu pflegen. Stattdessen geben die Fahrer oder Ladestellenmitarbeiter oft Start und Ende gemeinsam zum Zeitpunkt des Ladeendes ein und sparen sich somit Zeit. Eine Alternative zur tatsächlichen Dauer an der Ladestelle stellte die Zeit zwischen dem vom System automatisch ausgelösten Abruf des LKW bis zum Ende der Ladetätigkeit dar, die wir dann auch für die weitere Betrachtung dieses Use Case heranzogen.

Die Ergebnisse zeigten, dass schon einfache Statistikverfahren besser sind als die meisten hinterlegten Pauschalzeiten und dass Machine-Learning-Verfahren, die alle Metadaten der Ladevorgänge (Anzahl LKW im Werk, Tageszeit, Spediteur, Relation, Lieferant,..) berücksichtigen, eine deutlich bessere Vorhersage der Ladedauer liefern. Dieser Use Case bietet demnach mit recht einfach zu integrierenden Verfahren deutliches Verbesserungspotential, da die genaueren Planzeiten helfen, die Steuerung der LKW im Werk zu optimieren und so eine insgesamt bessere Auslastung sowie Reduzierung der Standzeiten zu erreichen.

Das dabei tatsächlich zu erreichende Verbesserungspotential muss sich durch weitere Analysen, auch im Echtbetrieb noch erweisen. Des Weiteren wurde im Projekt die Notwendigkeit aufgezeigt, die Datenqualität zu verbessern.

  1. Durchlaufzeit einer Fahrt

Ziel des zweiten Use Case war, die Gesamt-Durchlaufzeit einer Fahrt durch das Werk vorherzusagen, um so die Logistikplanung und die Zeitfensterbuchung in den Werken zu unterstützen sowie bessere Informationen für die Spediteure bereitzustellen. Auch hier zeigte sich in den Daten schnell erhebliches Verbesserungspotential in der Aufnahme von Zeitstempeln. In doch substanziellen Teilen der Daten (bis zu 25%) wurden Zeitstempel nicht sauber erfasst.

Mit den verbliebenen Daten wurden dann verschiedene Machine-Learning-Verfahren zur Vorhersage der Durchlaufzeit angewendet. Eine Regression lieferte Ergebnisse in einer brauchbaren Qualität, allerdings in einer nicht notwendigen Genauigkeit - beispielsweise gab es Vorhersagen wie 89,73 Minuten. Völlig ausreichend ist jedoch für die meisten Anwendungen eine Vorhersage der Durchlaufzeit innerhalb von Kategorien zu ermitteln, wie zum Beispiel „Lieferung wird 30 bis 60 Minuten im Werk sein“.

Hier zeigten verschiedene Klassifikationsverfahren sehr brauchbare Ergebnisse. So konnten beispielsweise Fahrten mit ungewöhnlich langer Durchlaufzeit (hier > 2h) mit einer 80-prozentigen Genauigkeit identifiziert werden (ohne, dass der LKW überhaupt losgefahren war, nur anhand seiner Metadaten).

Im Anschluss wurden verschiedene Anwendungsmöglichkeiten dieser Vorhersagen identifiziert. So können Warnungen für voraussichtlich lange Durchlaufzeiten bereits bei der Zeitfensterplanung angezeigt werden, um Stoßzeiten im Werk zu vermeiden. Oder es wäre möglich, den Spediteuren bei der Buchung der Zeitfenster einen Hinweis zu geben, was die „Best Choice“ eines Zeitfensters ist, um einen möglichst reibungslosen Ablauf im Werk sicherzustellen. Insgesamt sind dies vielversprechende Ergebnisse, die sich durch eine höhere Datenqualität weiter verbessern ließen. Dieser Use Case zeigt das Potential, LKW über den Tag besser zu verteilen sowie Durchlaufzeiten und Standzeiten zu reduzieren.

  1. Ankunftszeit

Die Ankunftszeit bzw. die Pünktlichkeit von LKW-Anfahrten wird von verschiedenen Anbietern von ETA Lösungen (Estimated Time of Arrival) unter Verwendung von erwarteten Verkehrsdaten und vielen anderen Einflussfaktoren bereits recht genau vorhergesagt. Wir haben diesen Use Case trotzdem in unsere Untersuchung mit einbezogen, da die angebotenen Lösungen meist eine GPS-Koordinate verlangen, die aber nicht für alle LKW-Anfahrten auf die Werke unserer Industriepartner zur Verfügung steht. Wir wollten dementsprechend untersuchen, ob wir rein anhand der Vergangenheitsdaten die Pünktlichkeit vorhersagen können, also völlig unabhängig davon, ob der LKW losgefahren ist oder wo er sich gerade befindet. Zur Verfügung standen uns dabei nur die Metadaten der Anfahrt, wie Zeitfenster, Spedition, Wochentag, Feiertag in Woche, Tageszeit der Ankunft, Relation bzw. Lieferant und dergleichen.

Analog zu Use Case 2 haben wir uns hier auf die Vorhersage von Kategorien der Pünktlichkeit konzentriert, also der Vorhersage, ob der LKW zum Beispiel „viel zu früh“, „pünktlich“ oder „zu spät“ ist. Eines der Hauptprobleme bei der Datenqualität lag hier in der Tatsache, dass zu frühe Ankünfte nicht wirklich gemeldet werden, da es dafür keinen Anreiz für den Fahrer gibt.

Ein interessanter Anwendungsfall, der sich aus den Projektergebnissen abgezeichnet hat, ist das frühzeitige Erkennen von Verfrühungen und Verspätungen für die LKW-Zulaufsteuerung. So kann man beispielsweise schon angekommene oder wartende LKW in der Planung vorziehen, damit eine durchgängige, bessere Auslastung der Ladestellen sowie kürzere Durchlauf- und Wartezeiten erreicht werden. Außerdem bieten die Ergebnisse einen Anhaltspunkt für den Disponenten für mögliche Verspätungen von LKW, wodurch eine verlässlichere Planung mit kürzeren Warte- und Durchlaufzeiten ermöglicht wird. Eine zusätzliche Integration von Wetterdaten verspricht hier vielfältiges Potenzial.

Bei den berechneten Ergebnissen war die Abhängigkeit der Qualität der Ergebnisse von den betrachteten Standorten auffällig, was jedoch weiterer Analysen bedarf. Auch einen Vergleich dieser Ergebnisse mit den Ergebnissen von am Markt verfügbaren Lösungen haben wir uns zur nächsten Aufgabe gemacht.

Fazit

Die Use Cases 1 (Ladedauer an einer Ladestelle) und 2 (Durchlaufzeit) bieten eindeutig Potential für eine bessere Vorhersage durch Machine-Learning-Algorithmen und damit Möglichkeiten, insgesamt die Effizienz in der Zulaufsteuerung zu verbessern. Insofern wollen wir in vertiefenden Proof-of-Concepts das Potential im Echtbetrieb verifizieren und insgesamt mit unseren Industriepartnern an einer Verbesserung der Datenqualität arbeiten.

Pilotprojekte zeigen, dass es in den täglichen Prozessen viele Möglichkeiten für eine Zusammenarbeit von Menschen und Künstlicher Intelligenz gibt. Ich freue mich darauf, weitere Einsatzgebiete zu testen und schon bald zu sehen, welche Anwendungen die erfolgreichsten sind. Hier ist die Zusammenarbeit aller Beteiligten gefragt, so dass es möglich wird, möglichst viele Daten und Erfahrungen zu sammeln.

Kennen Sie einen Anwendungsfall in der Logistik, den Sie gerne in der Praxis testen würden?

 

 

 



Diese Beiträge könnten Sie auch interessieren

Transportwelt 2030 – Sind Zeitfenster eigentlich noch zeitgemäß?

Lesen

Management by Exception in der Logistik – keine Regel ohne Ausnahme

Lesen

Intelligente Transportleitsysteme - Warum Transparenz der Anfang einer effizienten innerbetrieblichen Logistik ist

Lesen

Über den Autor

  • Matthias Berlit

    Matthias Berlit ist Leiter des Geschäftsbereichs Industrielogistik / Healthcare Management.

    Alle Beiträge dieses Autors

    Mehr über diesen Autor unter:

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben