Die Zielstellung der Arbeit ist eine Untersuchung der Lagerplatzvergabe auf mögliche Optimierungspotentiale. Das Ziel hierbei ist die Entwicklung neuer Ansätze, wobei Big Data und maschinelles Lernen gemäß der Themenstellung als Werkzeuge fungieren sollen. Die Antwort auf die Frage, ob Big Data und das maschinelle Lernen tatsächlich eine Optimierung mit sich bringen, soll durch eine Potentialanalyse gegeben werden. Hierfür werden zunächst Maßnahmen entwickelt, welche anschließend untersucht, und schließlich evaluiert werden, um abschließend die Erkenntnis zu erlangen, ob und inwiefern es sich bei Big Data und dem maschinellen Lernen um eine Optimierung handelt.
Um die Forschungsfrage möglichst umfassend und genau beantworten zu können, wurde eine Struktur gewählt, die das Themengebiet zunächst allgemein, im Laufe der Arbeit immer spezifischer auf die Fragestellung bezogen, untersucht. Dafür gliedert sich die Arbeit in drei wesentliche Themengebiete. Ausgehend von den wirtschaftlichen Aspekten werden zunächst die Grundlagen der Lagerwirtschaft sowie die Kommissionierung erläutert und in Verbindung mit der Lagerplatzvergabe gebracht. Im weiteren Verlauf der Arbeit werden die technischen Aspekte beleuchtet. Dabei soll ein tiefergreifendes Verständnis gegenüber Big Data und maschinellem Lernen ermöglicht werden.
Auf den wirtschaftlichen und technischen Grundlagen aufbauend wird im dritten Teil die Forschungsfrage untersucht und beantwortet. Es geht hierbei um die Frage, inwiefern sich Big Data und maschinelles Lernen als Werkzeuge für eine optimierte Lagerplatzvergabe eignen. Dies wird durch eine Potentialanalyse, einer Evaluation der Optimierungsmöglichkeiten, umgesetzt, indem die ersten beiden Punkte dieser Arbeit in Verbindung gebracht werden.
Inhaltsverzeichnis
1 Einleitung
1.1 Motivation und Problemfelder
1.2 Zielstellung
1.3 Gliederung der Arbeit
2 Grundlagen der Lagerwirtschaft
2.1 Aufgaben und Funktionen der Lagerhaltung
2.2 Arten von Lagersystemen
2.2.1 Statische Lagersysteme
2.2.1.1 Blocklager
2.2.1.2 Fachbodenregal
2.2.1.3 Palettenregal
2.2.1.4 Kragarmregal
2.2.2 Dynamische Lagersysteme
2.2.2.1 Einschubregal
2.2.2.2 Durchlaufregal
2.2.2.3 Paternosterregal
2.2.3 Automatische Lagersysteme
2.2.3.1 Palettenhochregal mit Regalförderzeug
2.2.3.2 Behälterlager
2.3 Lagerstrategien
3 Lagerplatzvergabe als Teil der Kommissionierung
3.1 Lagerplatzvergabestrategien
3.1.1 Feste Lagerplatzvergabe
3.1.2 Freie Lagerplatzvergabe
3.2 Kommissionierung
3.2.1 Kommissionierprinzip “Person zur Ware“
3.2.2 Kommissionierprinzip “Ware zur Person“
3.3 Manuelle Fördermittel
3.3.1 Frontstapler
3.3.2 Hubwagen
3.3.2.1 Regalförderzeug
3.4 Automatisierte Fördermittel
3.4.1 Roboter
3.4.1.1 Kommissionierroboter
3.4.1.2 Pick-by-Robot
3.4.2 Augmented Reality
3.4.2.1 Vor- und Nachteile von Augmented Reality
3.4.2.2 Einsatzgebiete
3.4.3 Fahrerlose Transportsysteme
3.5 Kommissionierkennzahlen
3.5.1 Kommissionierleistung
3.5.2 Kommissionierfehler
3.5.3 Kommissionierzeit
3.5.4 Kommissionierweg je Position
4 Big Data
4.1 Entwicklung von Big Data
4.2 Datenquellen
4.2.1 Social Media
4.2.2 Suchmaschinen
4.2.3 IoT – Internet of Things
4.3 Big Data Analyse
4.4 Probleme der Big Data Analyse
5 Maschinelles Lernen
5.1 Supervised Learning
5.1.1 Klassifikation
5.1.2 Regression
5.2 Unsupervised Learning
5.2.1 Clustering
5.2.2 k-Means-Algorithmus
5.3 Reinforcement Learning
6 Potentialanalyse optimierter Lagerplatzvergabe unter Anwendung von Big Data und Maschinellem Lernen
6.1 Weg
6.2 Raum
6.3 Zeit
6.4 Evaluierung
7 Zusammenfassung und Ausblick
Zielsetzung & Themen
Das Hauptziel dieser Arbeit besteht darin, das Potenzial von Big Data und Maschinellem Lernen zur Optimierung der Lagerplatzvergabe zu untersuchen. Im Fokus steht dabei die Forschungsfrage, ob und wie diese modernen technologischen Ansätze dazu beitragen können, Lagerhaltungsprozesse effizienter zu gestalten und bisher ungenutzte Optimierungspotenziale in den Dimensionen Weg, Raum und Zeit zu heben.
- Grundlagen der modernen Lagerhaltung und Kommissionierstrategien
- Einsatzmöglichkeiten von Big Data in der Intralogistik
- Methoden des Maschinellen Lernens (Supervised, Unsupervised, Reinforcement Learning)
- Potentialanalyse zur Lagerplatzoptimierung unter Berücksichtigung von festen und chaotischen Lagersystemen
Auszug aus dem Buch
3.4.1.2 Pick-by-Robot
“Pick by Robot“ bezeichnet eine Kommissionierart, bei der das Kommissionieren von Waren von wahrnehmungsgesteuerten Kommissionierrobotern übernommen wird. Das geschieht ohne weiteres Eingreifen des Menschen. Wahrnehmungsgesteuerte Logistikroboter sind eine Entwicklung von autonomen Systemen, die bislang Kisten oder Paletten automatisiert transportierten. Es handelt sich hierbei nicht um starre, fest installierte Systemroboter, weshalb diese auch komplexe manuelle Prozesse innerhalb der Kommissionierung automatisiert bewältigen können.
Diese Art der Kommissionierung gibt es in Deutschland erstmals seit der Einführung des in Abbildung 6 zu sehenden “Toru“ in 2015.
Anstelle eines Kommissionierers, der die Ware manuell entnimmt oder eines halbautomatisirten Systems in Form eines Fördermittels, entnimmt der Kommissionierroboter die Ware komplett automatisiert. Der Roboter ist dabei mittels Wlan mit dem Lagerverwaltungssystem verbunden und bekommt von einem System den Kommissionierauftrag.
Der bereits erwähnte Kommissionierroboter “Toru“ fährt nah an das Regal heran und greift das benötigte Objekt heraus. Dieser Arbeitsschritt wird durch ein herausfahrendes Tablett unterstützt. Die herausgenommene Ware wird anschließend in variablen Lagerfächern innerhalb des “Torus“ untergebracht. Muss er Ware aus einem Mischkarton oder einer Mischpalette entnehmen, wird er von einer 2D- oder 3D-Kamera unterstützt, welche direkt an seinem Greifarm angebracht ist. Diese scannt zunächst die Inhalte und gleicht diese dann mit einer Datenbank ab, um schließlich die gesuchte Ware zu entnehmen. Durch eine drehbare Hubsäule kann der “Toru“ Objekte in einer Höhe von zehn bis 209 Zentimeter erreichen. Nachdem er alle Waren gesammelt hat, bringt er diese zur Ablade- oder Versandstelle. Unterstützt wird der “Toru“ durch zahlreiche Sensoren, sodass parallel zum Menschen gearbeitet werden kann. Gerät der Kommissionierer allerdings in die Sensoren des “Torus“, hält er aus Sicherheitsgründen an.
Zusammenfassung der Kapitel
1 Einleitung: Dieses Kapitel motiviert die Themenstellung, beschreibt die Relevanz der Lagerplatzvergabe im Versandhandel und definiert die Zielstellung sowie den Aufbau der Arbeit.
2 Grundlagen der Lagerwirtschaft: Hier werden die Kernfunktionen der Lagerhaltung, verschiedene statische, dynamische und automatisierte Lagersysteme sowie grundlegende Lagerstrategien erläutert.
3 Lagerplatzvergabe als Teil der Kommissionierung: Das Kapitel analysiert verschiedene Strategien der Lagerplatzvergabe, erläutert Kommissionierprinzipien und gibt einen Überblick über manuelle sowie automatisierte Fördermittel und Kennzahlen.
4 Big Data: Dieser Teil befasst sich mit der Entwicklung und Bedeutung von Big Data, identifiziert Datenquellen wie Social Media oder IoT und diskutiert Analysemethoden sowie Herausforderungen.
5 Maschinelles Lernen: Hier werden die Grundlagen des Maschinellen Lernens dargelegt, wobei insbesondere Supervised, Unsupervised und Reinforcement Learning auf ihre Anwendbarkeit in der Intralogistik geprüft werden.
6 Potentialanalyse optimierter Lagerplatzvergabe unter Anwendung von Big Data und Maschinellem Lernen: Dieses Kapitel bildet den Kern der Arbeit und untersucht durch eine Potentialanalyse, inwiefern Big Data und Maschinelles Lernen in den Dimensionen Weg, Raum und Zeit zur Optimierung beitragen.
7 Zusammenfassung und Ausblick: Das Fazit fasst die Ergebnisse der Arbeit zusammen und gibt einen Ausblick auf die zukünftige Bedeutung dieser Technologien für die Intralogistik.
Schlüsselwörter
Lagerplatzvergabe, Lagerhaltung, Kommissionierung, Big Data, Maschinelles Lernen, Intralogistik, Potentialanalyse, Automatisierung, Supervised Learning, Unsupervised Learning, Reinforcement Learning, Lagerstrategie, RFID, Lagerverwaltung, Prozessoptimierung
Häufig gestellte Fragen
Worum geht es in dieser Bachelorthesis grundsätzlich?
Die Arbeit untersucht, inwiefern moderne technologische Werkzeuge wie Big Data und Maschinelles Lernen genutzt werden können, um die Effizienz der Lagerplatzvergabe in intralogistischen Systemen zu steigern.
Was sind die zentralen Themenfelder der Untersuchung?
Die zentralen Felder umfassen die Grundlagen der Lagerwirtschaft, verschiedene Kommissionierstrategien, die Erfassung und Analyse von großen Datenmengen (Big Data) sowie diverse Verfahren des Maschinellen Lernens.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist die Beantwortung der Frage, ob Big Data und Maschinelles Lernen tatsächlich eine Optimierung der Lagerplatzvergabe ermöglichen, was durch eine detaillierte Potentialanalyse evaluiert wird.
Welche wissenschaftliche Methode verwendet der Autor?
Der Autor führt eine strukturierte Potentialanalyse durch, bei der die Kriterien Notwendigkeit und Umsetzbarkeit herangezogen werden, um den Wert verschiedener technologischer Ansätze in drei Dimensionen (Weg, Raum, Zeit) zu bewerten.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die Darstellung wirtschaftlicher Grundlagen, eine technische Einführung in Big Data und Maschinelles Lernen sowie die spezifische Analyse von Optimierungspotentialen in Lagersystemen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wesentliche Begriffe sind Lagerplatzvergabe, Kommissionierung, Big Data, Maschinelles Lernen, Intralogistik, Potentialanalyse und Automatisierung.
Wie unterscheidet die Arbeit zwischen statischen und dynamischen Lagersystemen?
Statische Lagersysteme weisen Artikeln feste Lagerplätze zu, während bei dynamischen Systemen die Lagerplatzwahl flexibel erfolgt, oft unterstützt durch Lagerverwaltungssoftware, um eine höhere Auslastung zu erreichen.
Welche Bedeutung hat das Reinforcement Learning für die Wegeoptimierung in Lagern?
Reinforcement Learning ermöglicht Robotern und fahrerlosen Transportsystemen, durch Belohnungsmechanismen selbständig zu lernen, ihre Routen kontinuierlich zu verbessern und somit die Kommissionierzeiten zu minimieren.
Warum spielt die chaotische Lagerplatzvergabe eine wichtige Rolle bei der Optimierung?
Bei der chaotischen Lagerplatzvergabe bietet der Einsatz von Big Data durch Echtzeittracking erhebliche Vorteile, da jederzeit transparent ist, wo sich Waren befinden, was unnötige Suchwege verhindert.
- Quote paper
- Dennis Eichhorn (Author), 2020, Wie gelingt eine optimierte Lagerplatzvergabe? Big Data und maschinelles Lernen, Munich, GRIN Verlag, https://www.grin.com/document/940686
