Intelligente Transportsysteme
Die zunehmende Komplexität in der Logistik, die sich unter anderem aus veränderten Kundenanforderungen, einer hohen Variantenvielfalt und schnellen Reaktions- und Auslieferungszeiten zusammensetzt erfordert eine hochflexible sowie automatisierte Logistik und Produktion. Durch die große Anzahl an digital vorhandenen Informationen und Ansätzen aus dem Bereich Künstliche Intelligenz lassen sich automatisierte Transportsysteme mithilfe neuartiger Modelle zur Umgebungswahrnehmung intelligenter gestalten und somit die Kosten des intralogistischen Materialflusses reduzieren.
Bedingt durch den wachsenden Kostendruck fordern produzierende Unternehmen immer mehr die Automatisierung nicht-wertschöpfender Tätigkeiten. Hierbei handelt sich mittlerweile um immer komplexere zu automatisierende Prozess, die sich besonders durch sich ändernde Randbedingungen, komplizierte Verkettungen von Ereignissen und erhöhten Sicherheitsanforderungen erkenntlich machen. , Ein Beispiel hierfür ist der innerbetriebliche Materialfluss, der zukünftig mehr und mehr durch autonome Transportsysteme realisiert werden soll. Vielversprechend erscheinen dabei besonders Entwicklungen im Bereich der Künstlichen Intelligenz und Robotik, die den Wandel vom automatisierten hin zum autonomen Transportsystem ermöglichen sollen.
Das Ziel des Dissertationsprojekts ist die Entwicklung eines semantischen Umgebungsmodells für autonome Transportsysteme mittels Künstlicher Intelligenz und maschineller Verarbeitung von Wissen.
Ein Transportsystem in der Intralogistik kann sowohl auf dessen interne Sensoren (bspw. Tiefenkamera oder Laserscanner) als auch auf die im Zuge der Digitalisierung in der Logistikumgebung bereits vorhandenen externen Daten (aus z.B. ERP-System oder Leitsteuerung) zugreifen. Um möglichst optimal auf Änderungen und Ereignisse in der Umgebung reagieren zu können, muss die Umgebung wahrgenommen und verstanden werden. Dazu müssen im ersten Schritt Informationen aus den Sensordaten mittels spezieller Semantik gewonnen werden. Daraufhin lassen sich die entstandenen Informationen zu Wissen verknüpfen. Die Gesamtheit des Wissens über die Umgebung ermöglicht dann ein automatisiertes Ableiten von Entscheidungen. Das Ergebnis dieser Arbeit ermöglicht ein Intelligentes Systemverhalten von Transportsystemen in der Intralogistik durch die Entwicklung eines generischen Modells zur Aufnahme und Verarbeitung von Daten aus der digitalen und realen Umgebung für intelligente, intralogistische Transportsysteme. Weiter ermöglicht das System die Kommunikation der strukturierten Daten aus der Umgebung des Transportsystems zurück in die Cloud. Somit können Flotten von Transportsystemen zusätzlich zum Materialfluss weitere Funktionen, wie bspw. die automatisierte Inventarisierung oder Prozessüberwachung übernehmen.
Das Forschungsprojekt lässt sich in folgende Arbeitspakete untergliedern. Zuerst wird der Stand der Forschung und Technik mittels Literatur- und Marktrecherchen erarbeitet und analysiert. Anschließend folgt die Anforderungsanalyse an das Zielsystem: hierbei werden sowohl die logistikspezifischen Anforderungen durch Expertengespräche und Analyse der Transportprozesse erörtert, sowie technologische Anforderungen an das Modell aufgestellt. Diese Informationen werden daraufhin mit Hilfe eines „Requirement Engineering“ Prozesses in Form eines Lastenheftes geordnet zusammengetragen, evaluiert und vorhandene Fehlstellen nochmals überarbeitet. Mithilfe des vorliegenden Lastenheftes geht es anschließend an die Entwicklung des generischen semantischen Umgebungsmodells. Hierfür wird das V-Modell zu Hilfe gezogen: Zuerst beginnt die Ausarbeitung des Konzepts der Basisarchitektur. Im Anschluss dazu werden die Daten- und Informationsquellen in der innerbetrieblichen Logistik genau analysiert. Hier soll vor allem die Frage geklärt werden, welche internen und externen Daten und Informationen stehen dem Transportsystem in der Logistik generell zur Verfügung? Darauf aufbauend werden entsprechende Module gebildet, die die Informationsextraktion aus chaotischen Daten und somit eine Wahrnehmung der Umgebung ermöglichen. Die Vorhandenen Informationen werden anschließend zeitlich und über mehrere Sensoren hinweg kombiniert. Mittels Methoden der maschinellen Verarbeitung von Wissen werden die Informationen abschließend strukturiert, bevor sich darüber Rückschlüsse ziehen lassen. Zuletzt erfolgt die demonstratorische Umsetzung des entwickelten Systems und die Evaluation an realen Logistikprozessen bei der BMW Group.
- BMW Group
Das Forschungsprojekt wird im Rahmen der Kooperation der BMW Group und der Technischen Universität München (BMW.TUM) durchgeführt.