Skalierbare KI-basierte Methodik zur Reduzierung der Spielzeit in Shuttlesystemen

Der anhaltende Boom des E-Commerce, der Trend zu individualisierten Produkten mit kleinen Losgrößen sowie volatile Märkte stellen wachsende Anforderungen an Logistikprozesse. Klassische Organisationsformen wie Einzelplatzsysteme oder Linienfertigung sind dafür zu unflexibel und sind daher nur bedingt geeignet, die neuen Herausforderungen zu bewältigen. Daher gewinnen flexible und wandlungsfähige Produktions- und Logistiksysteme zunehmend an Bedeutung.

Shuttlesysteme eignen sich aufgrund ihrer Flexibilität und des hohen Durchsatzes besonders für flexible und wandlungsfähige Produktions- und Logistiksysteme. In Shuttlesystemen übernehmen autonome Fahrzeuge (Shuttles) die Ein- und Auslagerung der Ladungsträger. Die Leistung eines Shuttlesystems wird u. a. durch auftretende Blockaden und der daraus resultierenden Wartezeit reduziert. Da die Fahrwege der Shuttles unmittelbar durch die Auftragsauswahl bestimmt werden, beeinflusst eine optimierte Auftragsreihenfolge die Durchlauf- und Wartezeiten der Shuttlesysteme. Herkömmliche Verfahren, wie Metaheuristiken oder genetische Algorithmen, können zur Optimierung der Auftragsreihenfolge eingesetzt werden. Diese sind jedoch nur eingeschränkt in der Lage auf sich flexibel ändernde Systemzustände, wie die variierende Auftragsanzahl während des Betriebs, zu reagieren.

Ziel dieser Arbeit ist daher die Entwicklung einer skalierbaren KI-basierten Methodik zur Reduzierung der Spielzeit in Shuttlesystemen. Die entwickelte Methodik kombiniert einen PPO-Algorithmus mit einem Transformermodell und beinhaltet alle wichtigen Abläufe zur Kommunikation zwischen dem Agenten und der Umgebung. Diese Methodik ermöglicht es, flexibel mit einer variierenden Anzahl an Auslageraufträgen oder einer geänderten Shuttle- oder Heberanzahl umzugehen und ermöglicht gleichzeitig eine Generalisierbarkeit der trainierten Agenten. So können Agenten, die auf kleineren Systemen mit kürzeren Trainingsdauern trainiert wurden, ebenfalls auf größere Systeme übertragen werden. Durch die Verwendung eines Simulationsmodells als Trainingsumgebung für den Agenten können verschiedene Lagerlayouts sowie unterschiedliche Auftragsverteilungen berücksichtigt werden.

Die entwickelte Methodik wird anhand eines praxisnahen Beispiels validiert. Dabei konnte sowohl die Skalierbarkeit als auch die Generalisierbarkeit der Methodik nachgewiesen werden. Die Methodik wurde shuttlesystemunabhängig konzipiert und kann auf unterschiedliche Shuttlesysteme übertragen werden.