Nutzen Sie mit uns Ihre Daten in der strategischen, taktischen und operativen Planungsphase. Basierend auf unseren weitreichenden Erfahrungen, sowohl mit Datenanalysemethoden (deskriptiv, prädiktiv und präskriptiv) als auch in Methoden des Operation Research und des Maschinellen Lernens, entwickeln wir individuelle Lösungen für die verschiedensten Problemstellungen im Bereich Produktion und Logistik.
Um einen Mehrwert aus den eigenen Prozessdaten ziehen zu können, ist es im ersten Schritt notwendig Maschinen und Prozessdaten strukturiert aufzunehmen. Mit unseren schlanken und kundenspezifischen Softwaremodulen unterstützen wir Sie bei Ihrem nächsten Schritt der Digitalisierung, welcher auch die Basis für die Anwendung von KI-Modellen darstellen kann. Dabei besteht MICA aus den 4 Hauptmodulen: Monitoring, Information, Control und Automation. Schritt für Schritt generieren wir Möglichkeiten zur Prozessüberwachung, Analysen von verknüpften Daten und Entscheidungsunterstützung zur Prozessverbesserung. In manchen Anwendungsfällen bietet sich anschließend auch ein automatisierter Eingriff in den Prozess an.
Steigern Sie die Effizienz Ihrer Prozesse mittels unserer Kompetenz auf dem Gebiet der Künstlichen Intelligenz. Dazu sind keine großen Datenmengen und keine Modellbeschreibung im Voraus notwendig. Gemeinsam mit Ihnen charakterisieren und quantifizieren wir lediglich, was für Sie ein »guter« Prozess ist und welche Einflussfaktoren eine wichtige Rolle spielen. Auf dieser Basis kann mittels Reinforcement Learning Methoden selbständig eine optimale Strategie für Ihren Prozess erlernt werden.
In Lernzyklen, bestehend aus 3 Schritten, erlernt der Agent im Laufe der Zeit, welche Entscheidungen zu einem guten Prozess führen, und welche nicht. Im ersten Schritt wird der aktuelle Zustand der Umwelt bewertet. Darauf basierend wählt der Agent im zweiten Schritt eine Aktion (Reaktion) aus einem definierten Aktionsraum. Dabei ist die richtige Balance zwischen dem Nutzen von bereits vorhandenem Wissen und dem Generieren neuen Wissens essentiell. Im dritten Schritt wird die gewählte Aktion anhand des Systemverhaltens quantitativ bewertet. Auf diese Weise erweitert der Agent Zyklus für Zyklus sein Wissen über das Verhalten Ihres Systems, was schließlich zu einer direkten Verbesserung Ihres Prozesses führt.
Für nichtstandardisierte Güter fehlt in der Planungsphase häufig das Wissen, welche Auftragskombinationen wieviel Laderaum einnehmen. Deswegen greift man auf Schätzungen zurück und plant zur Sicherheit Puffer ein, was zu Leerraum in den Fahrzeugen und unnötig vielen Touren führt. Wir entwickeln Lösungsalgorithmen, die für nichtstandardisierte Güter und individuelle Verlademethoden die Laderaumplanung optimieren. Basierend auf unseren vielfältigen Erfahrungen und unserer stetig wachsenden Toolbox TrueLoad erstellen wir nach Ihrem Anforderungsprofil Ihr ganz individuelles Planungstool, damit Sie schon während der Planung wissen, was auf Ihren LKW passt und wie die Beladung aussieht.
In der Just-in-time-Produktion sind Liefer- und Produktionstermine genau aufeinander abgestimmt. Dadurch sind Produktion, Verladung und Auslieferung eng miteinander verzahnt. Trotzdem erfolgt die Planung dieser drei Schritte meist separat und ohne direkte Abstimmung. In vielen Fällen wird in der zeitlich vorgelagerten Tourenplanung indirekt festlegt, was an welchem Tag zu produzieren ist. In diesem Planungsschritt werden meist nur grobe Kapazitätstöpfe berücksichtigt, nicht aber andere Randbedingungen, die eine reibungslose Produktion gewährleisten sollen (z.B. Produktmix). Somit kommt es häufig zu Störungen des Produktionsablaufes, die sich wiederum auf die Verladung und Auslieferung auswirken. In dem Forschungsprojet OptiCap haben wir die Planungsebenen der Produktions-, Laderaum- und Tourenplanung miteinander verknüpft, um Produktion und Transport besser aufeinander abzustimmen und eine optimale Auslastung der Kapazitäten zu erreichen.
Planungsaufgaben in den Bereichen Produktion, Logistik und Infrastrukturmanagement werden oft auf einer Datenbasis erstellt, die für einen langen Zeitraum konstant ist. Zum Beispiel werden für Produkttypen und Arbeitsschritte einmal erfasste Bearbeitungszeiten als Grundlage verwendet, auch wenn diese deutlichen Schwankungen unterliegen. Daher kommt es in der Praxis häufig zu einer Abweichung zwischen Plan und Realisierung. Das Fraunhofer IVI befasst sich mit der Aufgabe, gemachte Erfahrungen in den Planungsprozess zurückzuführen. Durch das kontinuierliche Vergleichen geplanter Abläufe und ihrer tatsächlichen Durchführung, sowie die Analyse von Zusammenhängen und Integration dieses Wissens in die Datenbasis werden robuste und realitätsnahe Planungen möglich.
Jeder kennt das: wenn man im Berufsverkehr durch die Stadt muss, sollte man etwas mehr Zeit einplanen. Das ist besonders für Spediteure und Transportdienste ein Problem, denn in der Planung werden diese Variationen der Fahrtzeit oft nicht berücksichtigt. Dadurch entstehen Verspätungen und es müssen Zeitpuffer eingeplant werden, um zum Beispiel vertraglich festgelegte Lieferzeiten einzuhalten.
In dem Forschungsprojekt TOTARI haben wir uns genau dieses Problems angenommen. Die meisten Transportfahrzeuge sind mit einem GPS-Gerät ausgestattet, mit dem Fahrdaten, wie Position und Geschwindigkeit, aufgezeichnet werden. Diese Daten werden analysiert und einzelnen Streckenabschnitten zugeordnet, um für jeden Straßenabschnitt ein tageszeitenabhängiges Geschwindigkeitsprofil zu ermitteln. Basierend darauf werden je nach Tageszeit und Streckenabschnitt verschiedene Geschwindigkeiten in der Tourenplanung berücksichtigt.
Fraunhofer-Institut für Verkehrs- und Infrastruktursysteme IVI