Um unvorhergesehene Ausfälle an Paketsortern zu vermeiden, werden diese im Betrieb überwacht. Eine Machine Learning Software weist frühzeitig auf einen möglichen Ausfall hin. Dadurch können Kosten und Lieferverzögerungen verringert werden.
Firma
Paketzentrum der Schweizerischen Post
Umsetzungspartner
Substring AG
Ausgangslage
Täglich werden rund 700'000 Pakete in den Paketzentren der Schweizerischen Post verarbeitet. Jeder technische Defekt verursacht Kosten und kann dazu führen, dass Pakete mit Verspätung ausgeliefert werden. Die Schweizerische Post beschloss deshalb, für die Optimierung auf Machine Learning zu setzen und hat ein Projekt gestartet, mit dem Ziel Defekte auf den Sortieranlagen in den Paketzentren frühzeitig zu erkennen und damit Ausfälle möglichst vollumfänglich zu vermeiden.
Umsetzung
- Eine geeignete Messinfrastruktur prüft laufend Veränderungen bei den fahrenden Paketsortern.
- Mittels Sensoren werden über Laserscanner, Vibrationsmessungen, Akustik und Wärmemessungen Daten generiert.
- Die Messdaten werden in einer IoT Cloud abgelegt und online ausgewertet. Mit Machine Learning werden Anomalien in Echtzeit detektiert.
- Mögliche Ausfälle der Sorter werden frühzeitig registriert und an eine geeignete Stelle weitergeleitet.
- Problematische Sorter werden rechtzeitig identifiziert und gewartet.
- Weitere Projektpartner: FHS St. Gallen, HSR, Küffer, Neratec und ACS
Nutzen
- Fehlerursachen lassen sich besser ermitteln.
- Instandhaltung erfolgt zustandsorientiert und vorausschauend statt periodisch.
- Erhöhte Verfügbarkeit der Sortieranlagen
- Einhaltung der Liefertreue bei Paketlieferungen
- Senkung der Betriebskosten durch eine optimierte Wartung
- Einsatzmöglichkeit über alle Verteilzentren
- Vereinfachte Schulung des Wartungspersonals
Lessons Learned
- Ein entscheidender Erfolgsfaktor ist die Auswahl der geeigneten Messtechnik.
- Der Algorithmus/das Modell bedarf einer überlegten Datenvor- und -aufbereitung, um nutzbare Ergebnisse zu erzielen.