Machine learning in de intralogistiek
(Advertorial)Artificiële intelligentie en machine learning worden ook steeds meer toegepast in de material handling-sector. Doorheen de toeleveringsketen zijn er veel plaatsen die latente informatie met een groot potentieel om processen efficiënter te maken bevatten. Dit heeft zowel betrekking op de prestaties van een volledig systeem als op individuele elementen. Door machine learning te gebruiken, kunnen bedrijven efficiëntere workflows creëren. Zo kunnen bestellingen foutloos en met maximale snelheid worden gepickt en naar klanten worden verzonden.
TGW wil gericht gebruik maken van machine learning en het enkel toepassen waar bedrijven er ook echt voordeel uit kunnen halen. Dat is bijvoorbeeld het geval als patronen in grote databases geïdentificeerd kunnen worden en de workflows geoptimaliseerd kunnen worden. TGW bekijkt machine learning daarom vanuit drie perspectieven: het objectniveau, het materiaalstroomniveau en het machineniveau.
Objecten kunnen bijvoorbeeld worden gepickt door de zelflerende orderpickingrobot Rovolution. Deze robot reageert volledig zelfstandig op onverwachte gebeurtenissen, zoals een artikel dat tijdens het grijpen valt. Doordat de robot zelf een oplossing zoekt, kan de klok rond ononderbroken gewerkt worden. Een zeer complex algoritme analyseert de gegevens om een inzicht van het scenario te ontwikkelen, waardoor het mogelijk wordt de situatie te beoordelen en te classificeren. Op basis van deze analyse kan de Rovolution-robot autonome beslissingen nemen over hoe om te gaan met een artikel dat moet worden gepickt.
Op het gebied van materiaalstroomniveau kan machine learning helpen om het systeem aan te sturen zodat er geen bottlenecks ontstaan en alle werkplekken gelijkmatig bezet zijn. TGW ontwikkelt momenteel voorspellingsmodellen waarmee een systeem nauwkeurig kan worden aangepast om seizoenfluctuaties of veranderingen in het bestelgedrag van klanten op te vangen. De modellen herkennen patronen die niet direct zichtbaar zijn voor het menselijk brein. Dit versnelt het proces van conclusies trekken en het nemen van beslissingen.
Op machineniveau is de belangrijkste taak het analyseren en begrijpen van de toestand van individuele componenten, bijvoorbeeld als onderdeel van condition monitoring. Dat maakt
het mogelijk om downtime te verminderen door in een vroeg stadium data en tijden in te plannen voor onderhoud.
Lees meer op: https://www.tgw-group.com/us/news/press-releases/2020/how-machines-learn-machine-learning-in-intralogistics
