Problemstellung
Walmart, der umsatzstärkste Einzelhändler der Welt, suchte nach einer Automatisierungstechnologie, mit der Bestellungen im schnell wachsenden Online-Lebensmittelgeschäft des Unternehmens schneller und kostengünstiger abgewickelt werden können. Sie wollten das Goods-to-Person (GTP)-Konzept von Alert Innovation, Alphabot, ein auf fahrerlosen Transportfahrzeugen (automated guided vehicles, AGVs) oder Robotern basierendes System, evaluieren. Dieses kann den Prozess der Abholung von Lebensmitteln mit Hilfe autonomer, mobiler Wagen automatisieren, die in allen drei Dimensionen in einer mehrstufigen Lagerstruktur betrieben werden können. Alphabot-Roboter oder „Bots“ sind selbstfahrende Fahrzeuge, die Gegenstände in Umgebungs-, Kühl- und Gefriertemperaturzonen in einem Lagersystem mit hoher Dichte sammeln und zu Mitarbeitern bringen können, die einzelne Gegenstände auswählen, um die Bestellung eines Kunden zu erstellen. Diese Technologie sollte den Online-Auftragsabwicklungsprozess effizienter machen.
Der Einzelhändler wollte die Machbarkeit des Alphabot-Konzepts und seine Eignung für Walmart vor großen finanziellen Investition in die Produktentwicklung prüfen. Alert Innovation hatte bereits einige statische Tabellenkalkulationen für das Projekt erstellt. Sowohl Alert Innovation als auch Walmart waren sich jedoch einig, dass auf die Tabellenkalkulationen aufgrund der Komplexität und Variabilität des Systems in Bezug auf Nachfrage und Ausführung nicht vertraut werden kann. Vor Investitionen und dem Einsatz des Systems in Walmart-Filialen wurde beschlossen, MOSIMTEC, eine Simulationsberatungsfirma, mit der Erstellung eines Simulationsmodells für die Materialhandhabung zu beauftragen, um eine unabhängige Bewertung der Technologiemachbarkeit durchzuführen. Die Ziele dieser ersten Modellbewertung waren:
- Bestimmung des Durchsatzes und der Durchlaufzeiten des Alphabot-Systems in Spitzenzeiten der Kundennachfrage und Bewertung des Service-Levels.
- Identifizierung möglicher Leistungsschwächen des Alphabot-Systems mit Hilfe realistischer Anforderungsdaten und Variabilität.
- Bestimmung des besten Designs für das Materialtransportsystem, einschließlich der Regalstruktur, der automatisierten Bots und der einzelnen Kommissionierungsarbeitsplätze, die für eine Vielzahl von Lagerprofilen erforderlich sind.
- Vergleich der vom Modell prognostizierten Investitionsanforderungen mit den Business-Case-Tabellen.
- Verwendung der Ergebnisse des Modelldurchsatzes und der Durchlaufzeit, um die vorgeschlagene Leistung von Alphabot von Alert Innovation mit anderen branchenführenden Technologien für automatisierte Lager- und Abrufsysteme (Automated Storage and Retrieval Systems, ASRS) und Goods-to-Person-Technologien zu vergleichen.
Die Simulation des Materialtransports würde nicht nur helfen, die tatsächlichen Kosten für die Einführung des Systems in der realen Welt zu verstehen, sondern auch die spezifischen Anforderungen für den künftigen Einsatz von Alphabot in den zahlreichen Walmart-Geschäften zu ermitteln.
Lösung
Um das Verhalten und die Abläufe von Alphabot in einer von einem Computer simulierten Umgebung mit realer Komplexität und Variabilität zu modellieren, entschied sich MOSIMTEC für die AnyLogic Materialflusssimulationsfunktionen für das Projekt. Die Fähigkeit von MOSIMTEC und AnyLogic, Anlagenlayouts dynamisch aus Dateneingaben zu erstellen, ohne bei jeder Layoutänderung auf die Entwicklungsumgebung zuzugreifen, verkürzte die Modellentwicklungszeit erheblich und ermöglichte eine schnellere Auswertung mehrerer Alphabot-Konfigurationen. AnyLogic zeichnete sich auch durch eine beispiellose Benutzerfreundlichkeit aus, sodass mehrere Walmart-Ingenieure das Entwurfsmodell für den Materialfluss ausführen konnten, ohne zusätzliche Software zu installieren oder teure Entwicklerlizenzen erwerben zu müssen. AnyLogic wurde auch ausgewählt, weil das Alphabot-System umfangreiche Algorithmen für künstliche Intelligenz und Steuerung erfordern würde. Die Integrationsfähigkeit von AnyLogic mit Java beseitigte die übermäßige Zeit, die für das Hin- und Herübersetzen von Algorithmusideen zwischen einer geeigneten Skriptsprache und einem Format, mit dem sich Programmierer wohl fühlen, aufgewendet wurde.
Phase 1: Animation des Materialflusssimulationsmodells
inklusive AGV-Simulation
Walmarts anfängliches Ziel war es, eine Go/No-Go-Entscheidung bezüglich des Starts des Alphabot-Projekts zu treffen. In sieben Wochen war MOSITMEC in der Lage, das System zu erlernen, erste Steuerungsalgorithmen für die Bot-Entscheidungsfindungen zu entwerfen, das Materialflusssimulationsmodell zu erstellen, die Ergebnisse zu analysieren und die Ergebnisse der Walmart-Führung zu präsentieren.
Im endgültigen Modell konnten Walmart-Manager verschiedene Eingaben wie die Anzahl der Bots, ihre Länge, Breite, Beschleunigung und Geschwindigkeit in verschiedenen Bereichen festlegen. Die Konfigurationen der physischen Regale, wie die Anzahl der Gänge und Ebenen, der Abstand zwischen den Ebenen und die Anzahl der Arbeitsplätze, sowie andere physische Komponenten dieses Systems, konnten alle über Modelleingabeparameter konfiguriert werden. Steuerlogikparameter, einschließlich der Auswahl verschiedener Arbeitszuweisungsansätze oder der Festlegung verschiedener Schwellenwerte, waren ebenfalls zugreifbar und standen Walmart zur Verfügung, um eine eigene Analyse durchzuführen.
Phase 2: Animation des Materialflusssimulationsmodells
inklusive AGV-Simulation
Die Modelleingabestatistiken und -ausgabestatistiken wurden in ein Excel-Front-End integriert, damit die Benutzer das Modell problemlos konfigurieren und ausführen konnten. In dieser Phase der Konzeptevaluierung integrierte MOSIMTEC grundlegende 3D-Modellanimationen, die auf Basis der vom Anwender in Excel definierten Layouts skaliert wurden. Die Ausgabeergebnisse in Excel enthielten einen zusammenfassenden Bericht mit Schlüsselmetriken, Log-Dateien, Szenariovergleichen, Schaubildern und Diagrammen.
Nach Abschluss der unabhängigen Analyse der Systemfähigkeiten übergab MOSIMTEC das AnyLogic Simulationsmodell für den Entwurf des Materialflusses an Alert Innovation, damit langfristig Softwaresteuerungsalgorithmen für einen möglichen späteren Einsatz in der Produktion optimiert werden konnten. Auf der Grundlage des Ergebnisses von Phase 1 investierte Walmart weiterhin in die Alphabot-Produktentwicklung. Die Ingenieure von Alert Innovation verwendeten das Modell aus Phase 1 als Grundlage für Phase 2, indem sie den Detaillierungsgrad erhöhten und verschiedene Steuerungsalgorithmen testeten, um verschiedene Systemdesign-Alternativen zu simulieren. Zu den Modellverbesserungen gehörten:
- Bot-spezifischere Bewegungslogik, einschließlich Bot-Pfaden, Reservierungen, Kollisionsvermeidungslogik und Bewegungsprofilen, unter Verwendung agentenbasierter Modellierung mit AnyLogic und Java-Funktionen.
- Logik für getrennte Temperaturzonen für haltbare, gekühlte und gefrorene Artikel im Lagersystem.
- Inventarverfolgungsfunktionen in den Regalen, um jeden Artikel im System zu verfolgen.
- Logik für Bot-Ablaufplanung zur Simulation von Robotern, die Elemente auf Tischen sortieren.
Mit dem aktualisierten Modell des Materialflusssystems konnten die Ingenieure die ursprünglichen Annahmen zum Systemdesign validieren und den Alphabot-Produktentwicklungsteams Rückmeldung geben.
Das Alphabot-Systemmodell inklusive AGV-Simulation
Ergebnis
Durch die Abschätzung der erforderlichen Ausrüstung, um verschiedene Schwellenwerte für die Durchlaufzeit einzuhalten, wurde anhand der Ergebnisse des anfänglichen Modells für das Materialflussdesign der Business Case für den Einsatz von Alphabot in verschiedenen Filialen des Walmart-Vertriebsnetzwerks ermittelt. Das Simulationsmodell quantifizierte die Leistungsfähigkeit des Systems ohne Nachfragebedingungen, um seine Grenzen zu bestimmen. Das Modell zeigte, dass Alphabot in weniger als acht Minuten 95 % der Bestellungen zusammenstellen kann, bei einer durchschnittlichen Kommissionierungszeit von weniger als fünf Minuten.
Das ursprüngliche Modell wurde später aktualisiert und erweitert, um die Auswirkungen verschiedener detaillierter Entwurfsalternativen zu verstehen. Mit Hilfe des Modells konnte Alert Innovation ermitteln, welche Designalternativen zu der größten Rendite führen würden, und das System für zukünftige Geschäfte besser dimensionieren.
Walmart und Alert Innovation starteten eine Pilotimplementierung von Alphabot in einem Walmart-Supercenter in Salem, New Hampshire, zusammen mit einem Flagship-Store in Bentonville, Arkansas.
Sehen Sie sich das Video von Amy Brown Greer, Dr. Christian Hammel und John Lert an, die diese Fallstudie bei The AnyLogic Conference vorgestellt haben. Sie können auch die Präsentation herunterladen.
