Optimierung der Machine-to-Machine Communication zur gesteigerten Verarbeitung in der Logistik
Unser Kunde – ein großer E Commerce Händler – wollte den Datendurchlauf seines Logistik Systems optimieren. Das System verfügte über autonome Robotik-Subsysteme. Durch eine Analyse des Netzwerktraffics und der Machine to Machine Communication im Lager konnte niologic Optimierungspotenziale feststellen. Darüber hinaus implementierte niologic ein prädiktives System zum Routing von Bestellungen.
Herausforderung
Der Kunde hatte ein Lagermanagementsystem aufgesetzt, in dem Bestellungen automatisch von Robotern aufgenommen und verpackt werden. Allerdings lief dieses System noch nicht in der gewünschten Betriebsgeschwindigkeit. Aus diesem Grund war eine detaillierte Analyse des Traffics im System sowie der elektronischen Kommunikation nötig. Ziel war es, Schritte zu finden, durch deren Optimierung die Geschwindigkeit des Systems erhöht und der Datendurchlauf maximiert werden könnte.
Vorgehen
Niologic führte eine präzise Analyse des Netzwerktraffics im Lagerverwaltungssystem durch, um den Workflow im Detail nachvollziehen zu können. Die Netzwerkdaten zwischen den einzelnen Subsystemen wurde somit automatisch für eine weitere Analyse in Google Cloud Storage exportiert. Die Netzwerkdaten wurden dabei mithilfe von Python und Google Cloud Dataflow umgewandelt. Nach der Verarbeitung wurden die umgewandelten Daten zur Analyse und zum Training des Modells in Google BigQuery abgespeichert. Beim Betrachten der Daten wurde deutlich, dass bei der Kommunikation der Roboter mit dem Lagerverwaltungssystem einige Bugs auftraten. Eine Lösung dieser Kommunikationsprobleme sowie eine optimiertes Fehlermanagement würde somit die Verarbeitungsmenge bedeutend steigern. Darüber hinaus waren einige Waren im Lager (aufgrund äußerer Merkmale und Bilderkennung) für die Roboter als nicht greifbar definiert, sodass sie eine menschliche Bearbeitung erforderten. Niologic trainierte mit großem Erfolg ein Modell mit Google AutoML, Big Query sowie externen Datenbanken. Mittels historischer Daten sagt dieses Modell voraus, wie wahrscheinlich es ist, dass Waren erfolgreich von Robotern aufgenommen werden.
Projektergebnis und Kundennutzen
Durch die von niologic durchgeführten Analysen und Optimierungen, konnte Kunde wichtige Erkenntnisse zu seinem System gewinnen. So konnte der Kunde die Kapazitäten seines Lagermanagementsystems perfekt nachvollziehen und Optimierungspotenziale identifizieren. Basierend auf den neu gewonnenen Erkenntnissen kann die Firma ihr Lagermanagementsystem nun kontinuierlich verbessern und die Verarbeitung von Artikeln steigern. Darüber hinaus ermöglicht die Etablierung eines prädiktiven Systems eine proaktive Planung von Prozessen die menschliche Interaktion erfordern. So entsteht ein Gleichgewicht zwischen den verschiedenen Pick&Place Technologien was zu einer Maximierung der Verarbeitung führt.