Eine stetig steigende Anzahl an Produktvarianten, kürzer werdende Produktlebenszyklen, sowie sich immer schneller wandelnde Fabriken erhöhen die Anforderungen an die Intralogistik. Damit einhergehend wird eine immer leistungsfähigere Transportlogistik mit hoher Flexibilität und Skalierbarkeit der eingesetzten Transportsysteme notwendig. In der Praxis können heute bereits Kommunikationsprobleme auftreten, deren Folge negative Auswirkungen auf die zu erwartende Logistikleistung sind. Wird zukünftig die Anzahl an teilnehmenden Fahrerlosen Transportfahrzeugen (FTF) erhöht, ergeben sich darüber hinaus starke Skalierbarkeitsprobleme. Neue Konzepte setzen auf Schwärme von FTF, um die Kommunikation von FTF zu verbessern und dadurch die Logistikleistung zu erhöhen.
Funkkommunikation, dezentrale Steuerung, Fahrerlose Transportfahrzeuge, Netzwerkcodierung
Die Relevanz und der Mehrwert von Künstlicher Intelligent (KI) und Machine Learning (ML) sind in den letzten Jahren signifikant gestiegen. Insbesondere im Bereich der Produktion haben sich hierbei weitreichende Potenziale ergeben. Die hohe Komplexität von ML und der fehlende Nachweis über den Mehrwert, der sich hierbei ergibt, führen jedoch häufig dazu, dass sich insbesondere kleine und mittlere Unternehmen (KMU) nicht weiter mit der Einführung und Nutzung von ML beschäftigen. Daher wurde ein holistischer Leitfaden entwickelt, der produzierende KMU von der Identifikation geeigneter Anwendungsfälle über die Reifegraduntersuchung bis hin zur Durchführung von Handlungsmaßnahmen und der Implementierung von kontinuierlichen Verbesserungsprozessen begleitet und die hierzu notwendigen Konzepte zur Verfügung stellt.
Machine Learning, Einführungsstrategie, Leitfaden, Produktion, Reifegrad
Machine Learning findet bereits in vielen Bereichen des alltäglichen Lebens Anwendung und bietet weitreichende Potenziale in der Produktion. Gleichzeitig gewinnt durch die zunehmende Relevanz von ESG der effiziente Einsatz von Ressourcen immer mehr an Bedeutung. Mit der Umsetzung von Machine Learning in der Produktion zur Steigerung der Ressourceneffizienz können Unternehmen effektiver und effizienter werden, wobei sie gleichzeitig ESG-Strategien umsetzen. Insbesondere KMU stellt die Einführung vor eine große Herausforderung. Neben der hohen Komplexität von Machine Learning-Anwendungen fehlt oft die Kenntnis über passende Anwendungsmöglichkeiten sowie die Überzeugung des Nutzens, der sich daraus ergibt. Im folgenden Artikel werden Anwendungen des Maschinellen Lernens zur Steigerung der Ressourceneffizienz entlang der internen Lieferkette sowie deren Potenziale diskutiert.
Machine Learning, Produktion, Ressourceneffizienz
Die Nutzung von Machine Learning hat sich bereits in vielen Bereichen des alltäglichen Lebens etabliert und findet zunehmend Anwendung. Auch im Bereich der Produktion und Logistik gewinnt Machine Learning immer mehr an Bedeutung. Die komplexe Implementierung stellt jedoch vor allem kleine und mittlere Unternehmen (KMU) vor große Herausforderungen. Dies führt dazu, dass viele KMU auf die Nutzung von Machine-Learning-Anwendungen verzichten. Daher befasst sich das IPH – Institut für Integrierte Produktion gemeinsam mit dem IPRI – International Performance Research Institute in dem Forschungsprojekt „MLready“ mit der Entwicklung einer Einführungsstrategie, die KMU dazu befähigen soll, Machine Learning einfach und effizient implementieren und nutzen zu können
Maschinelles Lernen, KMU, Produktion, ML-Einführungsstrategie
