KAnIS: Kooperative Autonome Intralogistik Systeme

Das Teilarbeitspaket KoopLogistik widmete sich der zentralen Fragestellung, welche neuen Möglichkeiten sich durch die gezielte Vernetzung und Kooperation der einzelnen Flottenmitglieder für die Optimierung intralogistischer Prozesse eröffnen. Erforscht wurden neuartige Strategien der Auftragsplanung und der Auftragsbearbeitung, der vorausschauenden Wartung sowie des Energie- und Batteriemanagements von Flurförderzeugen. Gemeinsames Merkmal dieser Strategien ist die gezielte Auswertung eines möglichst umfangreichen, kooperativ bereitgestellten und in der Cloud fusionierten Datensatzes. Zum Einsatz kamen hierbei die Methoden der Künstlichen Intelligenz, neuste netzwerktheoretische Ansätze (z.B. aus der Graphentheorie) und ereignisdiskrete Simulationsmethoden.

Wichtige Zielstellungen der Optimierung der intralogistischen Prozesse waren:

• die Erhöhung des innerbetrieblichen Waren- und Materialflusses sowie die Verkürzung der Waren- und Materialdurchlaufzeiten
• die Erfassung des Wartungs- und Verschleißzustandes der einzelnen Flottenmitglieder
• hierauf aufbauend die Realisierung einer intelligenten Auftragsplanung und einer vorausschauenden Wartung der FFZ-Mitglieder (Predictive Maintenance) zur Verhinderung unnötiger Ausfallzeiten
• die Reduzierung der Energiekosten durch die Einbindung innovativer Energiemanagement-systeme in autonome und lernende Logistiksysteme
• die Maximierung der Einsatzzeiten der Flottenmitglieder durch die Realisierung eines intelligenten Batterie-/ Lademanagement-Systems sowie eines innovativen induktiven Batterieladeverfahrens für elektrisch angetriebene FFZ

In diesem Teilarbeitspaket wurde ein neuartiger kooperativer Ansatz zur Automatisierung innerbetrieblicher Flurförderzeug-Flotten erforscht. Hierbei stellten die einzelnen Flurförderzeuge (kurz: FFZ) die Daten ihrer Umfeldsensoren, ihre Positionsinformationen sowie weitere wichtige Fahrzeugdaten über eine Kommunikationsplattform einer zentralen Einheit, der Cloud, zur Verfügung (siehe die Skizze unten). Umgekehrt wurden jedem Mitglied der Flotte zur Ergänzung der Daten der bordeigenen Sensorik zusätzlich wichtige Sensorinformationen und Fahrzeugdaten der anderen FFZ sowie die Informationen weiterer auf dem Betriebsgelände stationär montierter Sensoren per Funkübertragung von der zentralen Einheit übermittelt. Durch eine geeignete Sensordatenfusion standen damit allen FFZ, unabhängig von ihrer individuellen Sensorausstattung, nahezu die gleiche Information über das Fahrzeugumfeld (kooperative Perzeption) und die eigene Position (kooperative Lokalisierung) zur Verfügung.

Ein weiterer Schwerpunkt des Forschungsvorhabens KoopAutonomie war die Methodenentwicklung zur automatischen Spurführung von FFZ. Erforscht wurden innovative Steuerungs- und Regelungsalgorithmen, welche auf Basis der von der kooperativen Perzeption und Lokalisierung bereitgestellten Daten eine gezielte Ansteuerung von Lenkung, Antrieb und Bremse ermöglichen und somit eine hochgenaue Sollbahnfolge (siehe die folgende Skizze) sowie Einhaltung des vorgegebenen Sollgeschwindigkeitsverlaufs gewährleisten.

Ein besonderes Augenmerk lag hierbei auf dem durch die unterschiedlichen FFZ-Varianten und veränderlichen Fahrzeugparameter (z.B. veränderliche Fahrzeugmasse und Schwerpunktlage durch Lastaufnahme) hervorgerufenen stark variierenden Lenkungsverhalten der einzelnen Flottenmitglieder. Letzteres muss bei der Reglerauslegung unbedingt berücksichtigt werden, um ein stabiles Regelkreisverhalten und damit eine sichere Fahrzeugführung zu gewährleisten. Ziel der Forschung war ein für alle FFZ-Varianten universell einsetzbares Steuerungs- und Regelungskonzept, welches sich durch den Einsatz modernster Methoden des Maschinellen Lernens selbständig an die veränderlichen FFZ-Varianten und Fahrzeugparameter adaptiert.

• Prof. Dr.-Ing. Bochtler, Mess- und Schaltungstechnik
• Prof. Dr.-Ing. Doll, Kooperative automatisierte Verkehrssysteme
• Prof. Dr. Eley, Logistik und Optimierung
• Prof. Dr. Hartmann, Energiemanagement
• Prof. Dr.-Ing. Krini, Signal- und Sensorverarbeitung
• Prof. Dr.-Ing. Mann, Energiemanagement
• Prof. Dr. Möckel, Mathematik, Machine Learning, Vorausschauende Instandhaltung
• Prof.Dr.-Ing. Mußenbrock, Energiemanagement und -effizienz
• Prof. Dr. Stark, Mathematik, Signalverarbeitung, Projektkoordinierung
• Prof. Dr.-Ing. Teigelkötter, Elektrische Antriebstechnik, Batteriemanagement
• Prof. Dr.-Ing. Thielemann, Mikrosystemtechnik und Sensoren, Biologische Neuronale Netze
• Prof. Dr.-Ing. Zindler, Automatisierungs- und Steuerungstechnik, Fahrzeugsteuerung