Description: Die juS.TECH AG aus Uelzen ist eine Unternehmensberatung und entwickelt Anwendungen im Feld der künstlichen Intelligenz mit Fokus auf nachhaltiger Digitalisierung. Als Schwerpunkt werden UseCases in kleinen und mittelständischen Unternehmen identifiziert, die mit wenig Mitteln einen großen Nutzen erzielen. Ein Kunde hat das Problem, dass Fahrzeuge aufgrund baulicher Gründe oder zu langer Wegstrecken nur bestimmte Rampen anfahren können. Daher kann es vor einzelnen Rampen zu Staus kommen. Dies ist sehr zeit- und kostenintensiv. Die besondere Herausforderung besteht darin, dass viele komplexe Vorgänge unter vielen verschiedenen Aspekten in einer sehr hohen Geschwindigkeit abgewogen werden müssen. Menschen stoßen hier aufgrund der Komplexität schnell an kognitive Grenzen. Die Planung der LKW muss demnach agil erfolgen, da Umweltfaktoren wie Staus, Pannen und Frachtkontrollen zu permanenten Störungen des geplanten Betriebsablaufes führen. Ein starrer Prozess oder eine lange Planung im Voraus ist deshalb nicht zielführend. Zur Lösung dieser Problemstellung ist ein Modell entwickelt worden, das komplexe Zusammenhänge in den Daten erkennt und Anwendern die Betrachtung spezifischer Zeiträume ermöglicht. Dieses Modell basiert auf den Methoden des Deep Learnings und wird durch erweiterte Zeitreihendaten (engl. „Time Series Data Augmentation“) stetig trainiert. Um auch Bilddaten in die Lösung mit einzubeziehen, werden Computer-Vision-Ansätze genutzt, die unter anderem erzeugende gegnerische Netzwerke (engl. „Generative Adversarial Networks“) verwenden. Im ersten Schritt sind dabei zur Modellerstellung alle möglichen Datenquellen untersucht worden. Dabei werden die verfügbaren Daten zentral auf einem Green-Cloud-Server zusammengeführt. Weitere Daten, die zur Verbesserung der Genauigkeit genutzt werden, sind digitale Frachtpapiere. Hier ist es ausreichend, diese erst bei der Einfahrt des LKWs zu scannen. Dabei werden in einem weiteren Schritt mithilfe der Kameraüberwachung die tatsächlichen Fahrwege, Rangierflächen und Ladevorgänge digital sichtbar gemacht, wodurch die Abgabe der Ladepapiere bei der Einfahrt auf das Gelände wird eine Prognose erstellt, wie lange der LKW eine Rampe blockieren wird. Die Ressourceneinsparung basiert darauf, dass im Prozess auftretende Störungen verringert werden. Die größte Störung für die Verspätung von LKW sind Autobahnstaus. Der entscheidende Datenpunkt im Prozess ist die tatsächliche Freigabe der Rampe für den nächsten LKW. Das heißt, dass der abfahrende LKW bereits die Rangierfläche verlassen hat und auch kein weiteres Fahrzeug die Rangierfläche belegen wird. Mithilfe dieses Wertes können anschließend die nachfolgenden anfahrenden LKW gesteuert werden. Sollte es zu Verzögerungen im tatsächlichen Ablauf kommen, die sich durch den Vergleich zur vorliegenden Planung erkennen lassen, so wird den folgenden Fahrzeugen eine eigens berechnete Durchschnittsgeschwindigkeit empfohlen. Dadurch kann nicht nur der Verbrauch während der Fahrt gesenkt werden, es entfallen auch die Wartezeiten vor dem Logistik-Hub. Besonders bei gekühlter Fracht führen Standzeiten zu einem deutlich erhöhten Ressourcenverbrauch. Mithilfe der aufgezeigten Lösung kann an Tagen mit besonders vielen Störfällen eine Ressourceneinsparung von bis zu 20 % realisiert werden. Da es sich bei Kraftstoff um einen teuren Betriebsstoff handelt, wird nicht nur ein positiver Beitrag zur THG-Bilanz geleistet, sondern es werden auch die Kosten gesenkt. Weitere Ressourceneinsparungen, die sich beiläufig ergeben, sind der verringerte Papierverbrauch, gesunkene Leerfahrten von Bereitstellungsfahrzeugen im Bereich der Container, weniger Rangierschäden an Fahrzeugen sowie ein gesunkener Energieverbrauch der in der Halle befindlichen Logistikfahrzeuge. Durch den Einsatz von Green-Cloud-Lösungen ist auch die THG-Bilanz auch bei steigender Datenmenge konstant.
Types:
Text {
text_type: Editorial,
}
Origin: /Bund/BMUV/VDI-Zentrum Ressourceneffizienz
Tags: Uelzen ? Kraftstoff ? Treibhausgasbilanz ? Papierverbrauch ? Nachhaltige Digitalisierung ? Bilddaten ? Kleine und mittlere Unternehmen ? Transportbehälter ? Daten ? Energieverbrauch ? Künstliche Intelligenz ? Störfall ? Zeitreihe ? Ressourcenverbrauch ? Ökologischer Faktor ? Ressourcennutzung ? Ressourcenschonung ? Leerfahrt ?
License: all-rights-reserved
Language: Deutsch
VDI ZRE (2021): Potenziale der schwachen künstlichen Intelligenz für die betriebliche Ressourceneffizienz [abgerufen am: 05.07.2022], verfügbar unter:
https://www.ressource-deutschland.de/fileadmin/user_upload/1_Themen/h_Publikationen/Studien/VDI-ZRE_Studie_KI-betriebliche-Ressourceneffizienz_Web_bf.pdf (PDF)Accessed 1 times.