Artificiële intelligentie en machine learning worden ook steeds meer toegepast in de material handling-sector. Doorheen de toeleveringsketen bevatten veel plaatsen latente informatie met een groot potentieel om processen efficiënter te maken. Dit heeft zowel betrekking op de prestaties van een volledig systeem als op individuele elementen. Door het gebruik van machine learning kunnen bedrijven efficiëntere workflows creëren. Zo kunnen bestellingen foutloos en met maximale snelheid worden gepickt en naar klanten worden verzonden.
Lees verder
Machine learning maakt gebruik van empirische waarden. Het systeem analyseert historische data en gebruikt deze om nieuwe, onbekende gegevens te leren verwerken. Het algoritme wordt continu verfijnd. Het blijft leren en kan zich zelfstandig en dynamisch aanpassen aan nieuwe situaties. Dat is de sleutel tot meer efficiëntie in material handling.
TGW maakt gericht gebruik van machine learning en past het enkel toe als en waar bedrijven en hun klanten er ook echt voordeel uit halen. Dat is bijvoorbeeld het geval als er in grote databases patronen kunnen worden geïdentificeerd en de workflows en processen geoptimaliseerd kunnen worden. TGW bekijkt machine learning daarom vanuit drie perspectieven: het objectniveau, het materiaalstroomniveau en het machineniveau.
Objectniveau
Objecten kunnen bijvoorbeeld worden gepickt door de zelflerende orderpickingrobot Rovolution. Deze reageert volledig zelfstandig op onverwachte gebeurtenissen, zoals het vallen van een artikel tijdens een grijphandeling. Doordat de robot zelf een oplossing zoekt, kan de klok rond ononderbroken gewerkt worden. Een zeer complex algoritme analyseert de gegevens om een inzicht in het scenario te krijgen, waardoor het mogelijk wordt de toestand te beoordelen en te classificeren. Op basis hiervan kan de Rovolution-robot autonoom beslissen over hoe om te gaan met een gepickt artikel.
Materiaalstroomniveau
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 het trekken van conclusies en het nemen van beslissingen.
Machineniveau
Op machineniveau is de belangrijkste taak het analyseren en begrijpen van de toestand van individuele componenten, bijvoorbeeld als onderdeel van condition monitoring of predictive maintenance. Dat maakt het mogelijk om downtime te verminderen door in een vroeg stadium data en tijden voor onderhoud in te plannen. Machine learning biedt een antwoord op uitdagingen die niet overwonnen kunnen worden met alleen traditionele automatiseringstechnologie. TGW heeft meer dan 50 jaar automatiseringservaring en koppelt deze aan de nodige expertise in software en digitalisering. Het bedrijf investeert ook in onderzoeksprojecten en werkt nauw samen met internationale universiteiten.
