Künftige Lieferketten sind multimodal und digital organisiert

Der Zeit- und Wettbewerbsdruck in der Logistik steigt rasant. Künstliche Intelligenz (KI) und der intelligente Einsatz von Digitalisierungstechnologien unterstützen die Branche sehr effizient bei Planungs- und Entscheidungsaufgaben. Dies zeigen zahlreiche Forschungsprojekte, an denen auch Wissenschaftlerinnen und Wissenschaftler des Fraunhofer IML beteiligt sind.

KI-Unterstützung entlang der kompletten Supply Chain bietet ein hohes Potenzial zur Effizienzsteigerung, wie zahlreiche Projekte entlang der Lieferkette zeigen. Beispielsweise wurde für die Be- und Entladung im Projekt AutoModal eine Software entwickelt, die das Umfeld rund um den Umschlagkran überwacht und Personen sowie Fahrzeuge erkennt. Dies bildet die Grundlage für den Automatikbetrieb des Krans beim Umschlag von Containern im trimodalen Terminal. Für die politisch gewünschte Wettbewerbsfähigkeit des Binnenwassertransports sorgt das Projekt OKTOPUS (Optimierung der Logistikund Dispositionsprozesse in der maritim basierten Transportkette durch Maschinelles Lernen in der Stahllogistik), in dem ein Prognosesystem auf Basis von Methoden der Künstlichen Intelligenz (KI) entwickelt wurde, welches auf dem Rheinkorridor zwischen Rotterdam und dem Ruhrgebiet Transportzeiten auf dem Wasser bis auf wenige Minuten genau vorhersagen und Kapazitätsbedarfe bei Niedrigwasser ermitteln soll.

Treffen Sendungen dann im Binnenhafen ein, erfolgt die Umladung auf einen LKW, der den Weitertransport in ein Distributionscenter (DC) übernimmt. Für die detaillierte Planung der Ressourcen innerhalb des DC ist eine genaue Vorhersage der Ankunftszeit notwendig. Allerdings hat nicht jedes Unternehmen die Möglichkeiten und Voraussetzungen, entsprechende Technik bei sich zu implementieren und zu nutzen. Innerhalb des BMVI-geförderten Projektes »Silicon Economy« wurde eine quelloffene Lösung (Open Source) zur KI-basierten ETA-Prognose (Estimated Time of Arrival) entwickelt, die ausschließlich auf offenen und frei zugänglichen Datenquellen basiert und auch bei gering digitalisierten Unternehmen eingesetzt werden kann. Bei der Berechnung der ETA nutzt die KI bspw. Wetterprognosen, die sich auf die Fahrgeschwindigkeit auswirken, Stauinformationen aus Gegenwart und Vergangenheit oder notwendige, gesetzlich vorgeschriebene Pausen unter Beachtung freier Stellplätze an Raststätten. 

Sobald eine Sendung im Distributionscenter angekommen ist, muss sie umgeschlagen und für den Nahtransport vorbereitet werden. Dafür sind entsprechende Ressourcen im Lager und auch im Nahverkehr notwendig. Die entsprechende Ressourcenplanung lässt sich durch Predictive Analytics, ein Teilgebiet der KI, stark vereinfachen und genauer prognostizieren. Diese – derzeit oftmals manuell vorgenommene Arbeit – lässt sich fast vollständig automatisieren und trägt zur Arbeitserleichterung und zur Kosteneinsparung bei. Resultat dieses »Predictive Analytics«-Ansatzes sind Prognosen, die das zukünftige Mengenaufkommen deutlich präziser darstellen. 

Ist die Ware per Lieferfahrzeug auf der letzten Meile zum Kunden, dann zählen Transparenz und vor allem Pünktlichkeit der Lieferung. Mittels KI-Methoden können aus bisherigen Touren Fahrzeiten und Standzeiten unter verschiedensten Bedingungen gelernt werden, die zu einer Qualitätssteigerung der Tourenplanung beitragen. Dafür werden auf den gefahrenen Touren die Geokoordinaten und die aktuelle Geschwindigkeit in 30-Sekunden-Abschnitten aufgezeichnet. Auf Basis dieser Daten wird ein lernendes System entwickelt, welches die entsprechende Geschwindigkeit für einzelne Straßenabschnitte zu bestimmten Uhrzeiten dynamisch vorhersagt. Für jeden Fahrtabschnitt entstehen entsprechende Zeitscheiben, die die zu diesem Zeitpunkt mögliche Geschwindigkeit prognostizieren. Für eine optimale Tourenplanung sind zudem die kundenspezifischen Standzeiten, also die Zeit vom Abstellen des Fahrzeuges über die Erfüllung der Dienstleistung bis zur Weiterfahrt, von großem Interesse. Dafür wurde ein KIbasiertes Expertensystem entwickelt, das abhängig von einer Vielzahl unterschiedlicher Faktoren (z. B. Anzahl und Gewicht der Pakete, Jahres- und Uhrzeit, ländliche oder städtische Region) vorhersagt, wie lange ein Fahrer bei einem Stopp voraussichtlich verweilen wird. 

Durch ihre Funktion als Umschlagspunkte spielen LogistikHubs eine wichtige Rolle in Lieferketten. Durch den Einsatz des Internets der Dinge (IoT) und KI-basierter Ansätze können dort ganzheitliche digitale Lösungen geschaffen werden. Das Projekt I2 PANEMA zum Beispiel zeigt mit neun Demonstratoren, wie Abläufe in Häfen und somit in den Lieferketten effizienter und sicherer gestaltet werden können. I2 PANEMA zielt insbesondere darauf ab, die Möglichkeiten des IoT zu nutzen, um den Hafenbetrieb zu verbessern, nachhaltiger zu gestalten und so den Weg zu Netzwerken intelligenter Häfen zu ebnen. Ein Schwerpunkt im Projekt ist das Thema IT-Sicherheit.

Auch untereinander kompatible Versandpapiere für den internationalen Straßengüterverkehr (CMR) sollen künftig elektronisch erstellt werden und damit die Lieferketten stabilisieren. Dafür wurde innerhalb der Open Logistics Foundation Community das Projekt eCMR ins Leben gerufen. Der eCMR verwendet die Ergebnisse des eCMR-Projekts, das am Fraunhofer IML im Rahmen der »Silicon Economy« durchgeführt wurde. Der elektronische Frachtbrief basiert auf der Erzeugung, Speicherung und Übertragung von digitalen Frachtbriefen und maschinenlesbaren digitalen Frachtbriefen unter Berücksichtigung etablierter Vorlagen und internationaler Standards. Als gemeinsame Datenquelle dient der eCMR auch als »Enabler« für weitere digitale Prozesse, wie z. B. die automatische Rechnungsstellung und Zahlung. Alle entwickelten Komponenten werden den Unternehmen im Open Logistics Foundation Repository zur Verfügung gestellt.