Logistics Control Tower

Quick Check

Ausgangssituation

Die LGI-Tochterfirma ITG kümmert sich in München-Schwaig um die logistische Abwicklung der Artikel verschiedener Unternehmen. ITG versorgt dabei stationäre Handelspartner, Online-Plattformen sowie weltweit alle Kund*innen, die im Webshop bestellen. Die jährlich mehr als eine halbe Million Pakete eines Großkunden mit unterschiedlichsten Artikeln werden größtenteils über ein automatisiertes Kleinteilelagersystem (Autostore) abgewickelt. Die Freigabe der Aufträge erfolgt dabei manuell durch den Leitstand. Die Mitarbeitenden müssen priorisiert die Expressaufträge im Blick behalten, die oft direkt verarbeitet werden müssen, um die Cut-Off Zeiten einhalten zu können.

 

Lösungsidee

Die Auftragseinlastung (Batch-Bildung) der offenen Kundenaufträge sowie die Ressourcendisposition an den Kommissionier-Ports (Ausschleusungsstationen) des Autostores basiert aktuell auf der manuellen Freigabe und Zuteilung durch den Leitstand auf Basis bisheriger Erfahrungswerte. Durch den Aufbau eines Logistics Control Towers soll die Auftragssteuerung zukünftig nicht mehr reaktiv, sondern proaktiv gemanagt werden, um das Gesamtsystem gleichmäßiger auszulasten. KI-basierte Vorhersagen der Batchdurchlaufzeiten bei bestimmten Port-Belegungen unterstützen die Auftragssteuerung in der Logistik.

© Fraunhofer IAO
ML-Pipeline Diagramm des Logistics Control Towers

Nutzen

Der Aufbau des Logistics Control Towers beeinflusst die Logistikabwicklung nachhaltig positiv. Folgender Nutzen ergibt sich aus dem Steuerungsassistenzsystem:

  • Proaktive Auftragsteuerung durch einen Batch- und Teamzusammenstellungsassistent für den Leitstand
  • Wirtschaftliche Vorteile durch eine effektivere Ressourcenverteilung und ggf. Einsparung von Logistikpersonal
  • noch bessere Auftragserfüllung

 

Umsetzung der KI-Applikation 

Als Datengrundlage für die Umsetzung der KI-Applikation dienen Auftragsdaten aus dem Lagerorganisationssystem, inklusive Zeitstempel zur Berechnung von Durchlaufzeiten von Aufträgen / Batches. Außerdem werden Auslastungsdaten, An- / Abmeldungen an den Terminals sowie Bearbeitungsdauern in bestimmten Auftragskategorien des Autostore-Systems betrachtet.

Im Rahmen des Quick Checks wurden erweiterte Datenanalysen durchgeführt, die Zielsetzung eingegrenzt, Messkriterien erarbeitet sowie mögliche KI-Ansätze und Verfahren identifiziert. Die Projektidee wird im Rahmen eines Exploring Projects weiter detailliert und prototypisch umgesetzt.