Themen
Einzelansicht

04. 07. 2022
Verfasst von: Lin Xie

Mobile Lagersysteme – intelligent und lernfähig

Die Wissenschaftlerin kontrolliert tellerförmige Roboter, die Laptops tragen. © Leuphana Universität Lüneburg
Die Aufgabe klingt einfach, ist aber schwierig: Ein Kunde bestellt eine Ware, der Roboter soll die Ware im Lager finden und zur Packstation bringen. Prof. Dr. Lin Xie programmiert Roboter für diesen komplexen Logistikprozess.

In einem Warenlager ist die wichtigste und zugleich zeitaufwändigste Aufgabe die Entnahme von Artikeln aus ihren Lagerorten. Im wachsenden E-Commerce-Sektor werden zunehmend robotergestützte mobile Lagersysteme eingesetzt, die Zeit sparen und die Produktivität steigern. Eine Forschungsgruppe der Leuphana Universität Lüneburg arbeitet mithilfe von maschinellem Lernen und Simulationen an Optimierungsmodellen für diese neue Form der Lagerwirtschaft, um die Echtzeitsteuerung zu verbessern und die Effizienz weiter zu erhöhen.

Kombination aus Simulation und Machine Learning

Traditionell werden bei Eingang von Kundenbestellungen Mitarbeitende im Lager ausgesandt, um die Produkte für einen oder mehrere verschiedene Kunden einzusammeln. Diese Methode der Auftragszusammenstellung, das sogenannte Picker-to-Parts-System, ist immer noch weit verbreitet. Sobald alle Teile einer Bestellung vollständig sind, werden sie an die Verpackungsstationen weitergeleitet und in Paketen für den Versand vorbereitet. „In einem solchen manuellen System verbringen die Kommissionierer rund 50 bis 70 Prozent ihrer Arbeitszeit mit dem Zurücklegen von Wegen und Suchen von Waren“, bilanziert Prof. Dr. Lin Xie von der Leuphana Universität Lüneburg. „Der Vorgang der Auftragszusammenstellung macht so etwa 50 bis 65 Prozent der Betriebskosten aus.“ Diesem Bereich kommt daher die höchste Priorität für Produktivitätsverbesserungen zu.

Die Regale kommen zu den Mitarbeitenden

Um die unproduktive Arbeitszeit der Kommissionierer zu reduzieren und die Schwachstellen manueller Systeme auszugleichen, werden in der Praxis zunehmend automatisierte Systeme eingesetzt. In robotergestützten mobilen Fulfillment-Systemen (RMFS) transportieren Roboter bewegliche Regale, sogenannte Pods, aus dem Lagerbereich zu den Kommissionierern. Die Mitarbeiterinnen und Mitarbeiter müssen sich nun nicht mehr selbst durch das Lager bewegen, sondern arbeiten fest an ihren Kommissionierstationen. Hier entnehmen sie die Artikel entsprechend den Bestellungen der Kunden aus den Pods und sortieren diese. Nach der Kommissionierung transportiert der Roboter das Regal zurück in den Lagerbereich. „Doch allein durch Automatisierung und Einsparung von Laufwegen ist das Potenzial zur Effizienzsteigerung noch nicht voll ausgeschöpft“, betont Lin Xie.

Ein Modellroboter hebt eine Transportbox auf Standbeinen über den Boden. © Leuphana, Lin Xie
In automatisierten Lagersystemen gehen die Mitarbeitenden nicht mehr ins Warenlager, sondern ein Roboter, hier im Lego-Modell, bringt bewegliche Regale (Pods) mit den passenden Artikeln zum Mitarbeitenden.

Hoher Durchsatz bei effizientem Robotereinsatz

Ihre Forschungsgruppe am Institut für Wirtschaftsinformatik arbeitet gemeinsam mit Praxispartnern an mathematischen Modellen zur Optimierung von Logistikprozessen. Dabei ist das Hauptziel dieses Projekts, so wenig Geräte wie möglich einzusetzen und trotzdem den Artikeldurchsatz zu bewältigen, ohne die Kommissionierer warten zu lassen. „In einer RMFS-Umgebung müssen verschiedene Optimierungs- und Zuordnungsprobleme durch die zentrale Steuerung in Echtzeit gelöst werden“, nennt Lin Xie die Herausforderung und führt weiter aus: Zunächst wird ein Auftrag einer Station zugewiesen, dann werden dieser Station ein oder mehrere Pods zugeteilt, um den Auftrag zu erfüllen. Den Pods werden Roboter zugewiesen, die die Regale an die Station liefern, während das System die Roboterpfade plant. Nachdem ein Pod an einer Kommissionierstation fertiggestellt wurde, gilt es, die Wiederauffüllung mit Nachschub zu organisieren und zu entscheiden, wo der Pod im Lagerbereich platziert werden soll.

Vier tellerförmige Roboter mit Laptop fahren Gitterlinien auf dem Boden ab. © Leuphana, Lin Xie
Das System muss die Pfade planen, die der Roboter im Lager entlangfährt. Hierbei helfen kombinierte Machine-Learning-Methoden und Optimierungsmodelle.

Methoden optimieren, von Daten lernen

Zur Optimierung all dieser Entscheidungen (einzeln und integriert) entwickelt die Arbeitsgruppe neuartige Modelle und Methoden. Wegen der hohen Komplexität der zu lösenden Online-Probleme kombiniert das Team Optimierungsmethoden mit Machine Learning. So helfen zum Beispiel Machine-Learning-Methoden, ähnliche Bestellanforderungen im Kommissionierungsprozess zu erkennen und gemeinsam als Input für die Optimierungsmodelle zu nutzen. Durch eine solche Vorverarbeitung von Daten lässt sich die Größe des zu lösenden Modells verringern.

Modell-Roboter fahren auf einem mit Gitterlinien markierten Tisch, auf dem Transportboxen mit Spielzeug stehen. © Leuphana, Lin Xie
Das Experimentierfeld mit Modell-Robotern spiegelt die komplexe Entscheidungsfindung in Echtzeit wieder: Wo findet der Roboter die bestellte Ware? An welche Station liefert er sie? Wohin fährt er anschließend?

„Um die Strategien für die Entscheidungsprobleme und die Beziehungen zwischen ihnen zu analysieren, haben wir das Open-Source-Simulations-Framework RAWSim-O entwickelt", berichtet Lin Xie. Die Kernsoftware ist über Schnittstellen sowohl mit einem ERP-System (Enterprise Resource Planning) als auch mit realen Robotern und Stationen verbunden, was Experimente mit den Echtdaten der Praxispartner ermöglicht. So können die Wissenschaftlerinnen und Wissenschaftler die Algorithmen ihrer Methoden anwendungsnah auf ihr Optimierungspotenzial überprüfen.

Simulationen reduzieren Fahrstrecke von Robotern

In Simulationsstudien haben die Forschenden verschiedene, realitätsnahe Layouts mit einer unterschiedlichen Anzahl von Robotern, Etagen, Pods, Stationen und der Größe der Lagerbereiche berücksichtigt sowie die Leistungskennzahlen Durchsatz, Weglänge und Suchzeit überwacht. „Dabei zeigen Simulationsergebnisse für die erarbeiteten Algorithmen beachtliche Erfolge“, fasst Lin Xie zusammen. „Mit einem Algorithmus konnte zum Beispiel die Fahrstrecke von Robotern um 60 Prozent reduziert und der Durchsatz gleichzeitig um 50 Prozent erhöht werden.“ Die erzielten Forschungsergebnisse wendet die Arbeitsgruppe auch für weitere neuartige automatisierte Systeme an.

 

Redaktioneller Hinweis: Dieser Text steht unter der CC BY 3.0 DE-Lizenz.

 

Hier finden Sie weitere Informationen:

Prof. Dr. Lin Xie
Adresse
Institut für Wirtschaftsinformatik
Leuphana Universität Lüneburg
Prof. Dr. Lin Xie
Adresse
Institut für Wirtschaftsinformatik
Leuphana Universität Lüneburg
Leuphana Universität Lüneburg, Wissenstransfer
Adresse
Universitätsallee 1
21335 Lüneburg
Leuphana Universität Lüneburg, Wissenstransfer
Adresse
Universitätsallee 1
21335 Lüneburg