SeSoGEN

Entwicklung einer selbstlernenden Software zur Generierung intelligenter Einlagerungsstrategien auf Basis neuronaler Netze

Ausgangssituation und Problemstellung

Eine umfassende Studie der Wirtschaftsprüfungs- und Beratungsgesellschaft PricewaterhouseCoopers und des Wirtschaftsforschungsinstituts WifOR in Darmstadt zeigt, dass der Arbeitskräftemangel in den nächsten fünf bis zehn Jahren weiter zunehmen wird, während der Einsatz von neuen Technologien (Robotik, Industrie 4.0, Einsatz von Datenanalyse), die neue Anforderungen an die Mitarbeiter stellen, ansteigen wird. Das bedeutet, dass die Zahl der immer komplexeren Softwaresysteme anwachsen wird, während die Zahl der Mitarbeiter, die theoretisch in der Lage sind, diese komplexen Systeme zu verstehen und optimal zu bedienen, abnehmen wird.

Darüber hinaus müssen die Konfigurationen in der Software dynamischer und flexibler werden, da sich das Umfeld schneller ändert, als es für die Kunden manuell machbar ist. Bestellungen von Endkunden erfolgen immer dynamischer über verschiedenste Kanäle und unter immer größerem Zeitdruck. Außerdem soll die Produktion auf die veränderten Marktbedingungen reagieren können und die Lagerverwaltungssysteme sollen Änderungen in der Produktzusammensetzung oder im Produktionsprozess sowie im Kaufverhalten der produzierten Waren abfangen können. Um eine schnelle Auslieferung der Waren zu gewährleisten, ist eine rasche Versorgung der Produktion wichtig und unerlässlich. Durch die Technologie des maschinellen Lernens kann das System Strategien erkennen, die über den menschlichen Horizont hinausgehen.

Zielsetzung

Ziel des Forschungsprojekts "SeSoGEN" ist es, eine selbstlernende Software zu entwickeln, die auf der Basis neuronaler Netze selbstständig intelligente Lagerstrategien generiert. Damit werden Ein- und Auslagerungsprozesse im Lager logisch zusammengeführt, so dass ein völlig neuer Ansatz zur Prozessoptimierung in der Logistik geschaffen wird. Der derzeitige Stand der Technik ist, dass im Lager anhand bestimmter Artikelparameter wie Höhe, Breite, Haltbarkeit etc. manuell bestimmte Strategien für die Einlagerung ausgewählt und festgelegt werden. Dadurch wird den Artikeln ein teilweise suboptimaler Lagerplatz zugewiesen, was zu einer ineffizienten Auslastung des Lagers und der zugrunde liegenden Prozesse führen kann. In diesem Projekt verfolgen wir einen neuen Ansatz zur Optimierung von Lagerprozessen. Dies erreichen wir, indem wir Ein- und Auslagerungsdaten - z. B. welche Artikel zusammen bestellt werden - im neuronalen Netz zusammenführen. Auf diese Weise entwickelt das Netz selbstständig bisher nicht realisierte Strategien, um kurze Wege und eine optimale Lagerauslastung zu gewährleisten.

Vorgehensweise

Zunächst erfolgt die Analyse und Bewertung von Methoden und Algorithmen sowie der Entwurf der intelligenten Speicherstrategien (Arbeitspakete 1 & 2). Anschließend werden die intelligenten Speicherstrategien entwickelt (AP3) und ein maschinelles Lernmodell für diese Strategien implementiert (AP4). Anschließend werden auf der Grundlage einer Parameterstudie an synthetischen Daten die Hyperparameter des maschinellen Lernmodells optimiert (AP5). In dieser Phase wird das Modell darauf vorbereitet, auf realistischen Daten trainiert zu werden (AP6). Nach Abschluss des Trainings wird das Modul der künstlichen Intelligenz in der Lagerverwaltungssoftware der Firma CIM GmbH im Lager eines Kunden der Firma implementiert (AP7). Schließlich wird die gesamte Software getestet (AP8) und validiert (AP9).

Projektpartner

Das Projekt wird in Zusammenarbeit mit CIM GmbH durchgeführt.

Förderung

Dieses Forschungsprojekt wird unter dem Kennzeichen KK5178901ER0 durch das Bundesministerium für Wirtschaft und Energie (BMWi) aufgrund eines Beschlusses des Deutschen Bundestages im Rahmen des Zentralen Innovationsprogramms Mittelstand (ZIM) gefördert.

Ansprechpartnerin

Giulia Siciliano, M.Sc.