Übersicht
Ein Logistikzentrum in Thailand wird von zwei Fabriken beliefert. Dieses Logistikzentrum, auch als Warenlager bezeichnet, betreibt automatisierte Lager- und Bereitstellungssysteme (automatisches Hochregallager) sowie manuelle Palettenregale.
Das Lager verfügt über eine Fläche von 2.000 m², die für Kommissionier- und Bereitstellungsvorgänge genutzt wird. An insgesamt zehn Laderampen werden täglich etwa 1.500 Paletten für den Warenein- und -ausgang bewegt.
Problemstellung
Die Arbeitsabläufe in diesem Warenlager sind recht komplex, da die Auslastung im Verlauf eines typischen Arbeitstages kaum vorhersehbar ist. Zudem werden meist teilbefüllte Paletten aus den Fabriken angeliefert, die im Lager mit anderen Paletten zusammengefügt werden müssen.
Ferner sind viele verschiedene Produktkonfigurationen zu berücksichtigen, was zu komplexen Prozessen führt, die schwer zu überwachen sind.
Und schließlich ist es aufgrund der Überbeanspruchung des Lagerplatzes und der unterschiedlichen Auslastung schwierig, im Voraus zu sagen, wie viel Personal täglich erforderlich ist. Infolgedessen sind die Betreiber oftmals unter- bzw. überlastet.
Die beiden Unternehmen Western Digital und DSV, die mit diesem Lagerhaus arbeiten, verfügten über kein geeignetes Werkzeug, um die Eingabe von Prognosen, die Berücksichtigung dieser komplizierten Vorgänge und das Abrufen der Erwartungswerte für bestimmte KPIs zu ermöglichen.
Lösung
EPIC InnoLabs, ein KMU im Bereich der Digitalisierung, wurde damit beauftragt, ein Prognosemodell für Western Digital und DSV zu entwickeln. Es sollte zahlreiche Simulationen, Systemoptimierungen, Was-wäre-wenn-Szenarien, Prognosen und Schätzungen beinhalten, um die Lagerwirtschaft effizienter zu organisieren.
Das Simulationsmodell wurde mit AnyLogic erstellt, weil es die Modellierung mit unterschiedlichen Methoden unterstützt, und ermöglicht, komplexe Geschäftsabläufe zu simulieren – angefangen von kleinen Lagern bis zu gigantischen Logistikzentren. AnyLogic ist zudem äußerst flexibel, da es Java-basiert ist und eine Visualisierung der Lageraktivitäten ermöglicht. Zudem kann das erstellte Modell in die AnyLogic Cloud migriert werden, was eine zukünftige Integration mit Business-Analyse-Tools gestattet.
Das Modell befindet sich derzeit noch in der Entwicklung. Das Basismodell ist jedoch bereits fertig und validiert. Es verfügt über eine datenbasierte Lösung, die das Systemverhalten auf Basis der Eingabedaten vorhersagen kann.
Hierfür werden Excel-Dateien als Eingaben in das Modell verwendet und beinhalten:
- Inventarstatus.
- Wareneingangsdaten, wie Aufzeichnungen über erhaltene Produkte.
- Warenausgangsdaten einschließlich der ausgehenden Lkws.
- Produktmatrix, die die verschiedenen Produkttypen, Palettenkonfigurationen und andere relevante Eigenschaften beschreibt.
Hierbei handelt es sich durchweg um historische Daten. Weitere Parameter können direkt im Modell definiert werden.
Im Folgenden werden die Prozessabläufe der Modellarchitektur im Einzelnen dargestellt.
Das Modell wurde mit der AnyLogic Prozessmodellierungsbibliothek und einer Kombination aus agentenbasierter Modellierung und ereignisdiskreter Simulation erstellt. Zustandsdiagramme wurden verwendet, um Lageraktivitäten wie Kommissionier- und Einlagerungsvorgänge sowie die Ressourcenüberwachung zu koordinieren.
Das Modell verfügt über eine einfach zu bedienende Oberfläche, auf der die Benutzer die Daten eingeben, einige Parameter ändern und dann das Lagerhausmodell aktivieren können. Es sind zahlreiche Ansichten verfügbar, die unterschiedliche Informationen bereitstellen. In der 3D-Ansicht ändern die Paletten etwa ihre Farbe, je nachdem, ob sie voll sind oder nicht. Während der Laufzeit lassen sich KPIs zu Produktstatistiken, Vorlaufzeiten und andere Diagramme verfolgen. Die Daten können zudem in Excel exportiert werden, um sie weiter zu analysieren.
Das Modell erlaubt auch die Durchführung zweier Parametervariationsexperimente. Das erste wird verwendet, um die Auswirkungen einer Änderung der Anzahl der Mitarbeiter auf Durchlaufzeiten, Produktivität und andere KPIs zu verstehen. Im zweiten können die Parameter der ABC-Logik variiert werden (eine Bestandsführungsmethode, bei der die Waren nach ihrem Geschäftswert priorisiert werden). Diese ABC-Logik basiert auf der Anzahl der Bestellungen eines jeden Produkts, für eine Woche oder zwei Wochen usw. Dies wirkt sich auf die Durchlaufzeit aus.
Ergebnisse
Die erste Versuchsreihe wurde bereits durchgeführt und das Modell weiter verbessert. Es umfasst nun eine ABC-Logik im HRL-Logistiksystem und eine detailliertere Ressourcenüberwachung zur Messung spezifischer KPIs im Lagerbetriebsmodell. Genaue Informationen sind derzeit noch nicht verfügbar, da die Entwickler noch an dem Projekt arbeiten.
In Zukunft soll der Zeithorizont des Modells von derzeit 3 Monaten auf 7 Monate erweitert werden. Die zweite Runde der Experimente, die sich auf die Ressourcennutzung und die Effizienz des Lagers konzentriert, wird nachfolgend durchgeführt. Anstelle von historischen Daten werden dann Forecast-Daten herangezogen. Am Ende soll das Modell auf AnyLogic Cloud migriert werden.
Die Fallstudie wurde von Andrea Mácz von EPIC InnoLabs auf der AnyLogic Conference 2022vorgestellt.
Die Präsentation ist als PDF verfügbar.
