Procesy logistyczne w inteligentnych łańcuchach dostaw są w wysokim stopniu zautomatyzowane, zarówno jeżeli chodzi o transport, jak i operacje magazynowe. Przykładowo, w centrach dystrybucji wykorzystuje się roboty kompletujące zamówienia, których stanowiska są zaopatrywane przez autonomiczne roboty mobilne, zdolne do samodzielnej optymalizacji tras ruchu i zautomatyzowanego pobierania ładunków.
Kolejny wyróżnik inteligentnych łańcuchów dostaw to integracja danych w czasie rzeczywistym. Informacje generowane przez systemy produkcyjne, magazynowe i transportowe są przetwarzane w systemach informatycznych, co pozwala śledzić lokalizacje ładunków, stan zapasów oraz przebieg procesów logistycznych. Dzięki temu można szybko zareagować na wahania popytu, zakłócenia w transporcie czy opóźnienia w produkcji.
Inteligentne łańcuchy logistyczne cechuje również wysoka elastyczność operacyjna. Zaawansowane narzędzia analityczne i algorytmy decyzyjne pozwalają dynamicznie dostosowywać harmonogramy produkcji, wielkość zapasów i trasy transportowe do aktualnej sytuacji rynkowej, bez konieczności wprowadzania długofalowych zmian organizacyjnych. W odróżnieniu od tradycyjnych łańcuchów dostaw, w których decyzje podejmowane są głównie na podstawie archiwalnych danych i ręcznego planowania, te inteligentne bazują na cyfrowej integracji wszystkich podmiotów uczestniczących w łańcuchu dostaw, wymianie danych w czasie rzeczywistym i analizie predykcyjnej. To podejście pozwala przewidywać zakłócenia, optymalizować procesy logistyczne jeszcze przed wystąpieniem problemów oraz zwiększa transparentność działań, w rezultacie skracając czas realizowania zamówień i poprawiając efektywność wykorzystania zasobów logistycznych.
IOT W LOGISTYCE
Internet Rzeczy to podstawa funkcjonowania inteligentnych łańcuchów dostaw. Sieci połączonych urządzeń i sensorów umożliwiają automatyczne zbieranie danych o tym, jak przebiegają procesy logistyczne. Obejmuje to monitorowanie lokalizacji przewożonych ładunków, ich parametrów oraz warunków środowiskowych, stanu środków transportu oraz infrastruktury magazynowej, poziomów zapasów, czasu realizacji zamówień. Przykładowo, w opakowania zbiorcze (kontenery, palety), jak i bezpośrednio w opakowania jednostkowe, wbudowuje się sensory mierzące temperaturę, wibracje i wilgotność w czasie transportu. Wyposaża się je również w moduły GPS i komunikacyjne. Dzięki temu dane o lokalizacji oraz warunkach transportu są przesyłane do centrali w czasie rzeczywistym.
To pozwala na śledzenie towarów na wszystkich etapach, od wysyłki po dostarczenie do odbiorcy końcowego. W razie potrzeby można natychmiast zareagować na potencjalne pogorszenie jakości, np. na skutek nadmiernego wzrostu temperatury w ciężarówce-chłodni, albo interweniować w przypadku wykrycia niespodziewanej zmiany lokalizacji, która może być skutkiem kradzieży. Z kolei opierając się na danych o położeniu i stanie pojazdu z czujników pokładowych, można przewidywać awarie i modyfikować trasę. To może być konieczne ze względu na bezpieczeństwo ładunku albo możliwość realizacji dostawy, np. z powodu złych warunków pogodowych, lub blokady drogi. W monitorowaniu przebiegu procesów logistycznych uzupełnieniem Internetu Rzeczy są znakowanie i identyfikacja oparte na tagach RFID oraz systemy lokalizowania w czasie rzeczywistym RTLS (Real Time Locating System).
Case study 1 – AI w logistyce
Pewna globalna firma logistyczna, z flotą liczoną w tysiącach pojazdów, dostarczających dziennie miliony paczek w kilku krajach, postanowiła zmodernizować nieefektywny system zarządzania dostawami. Do tej pory planowanie tras trwało średnio 2-3 godziny dziennie, co uniemożliwiało wprowadzanie zmian w czasie rzeczywistym. Czas dostawy wynosił typowo 3,5 ±2 dni. Popyt prognozowano, opierając się na uśrednionych danych archiwalnych, co skutkowało błędami rzędu 40% w okresach szczytowego zapotrzebowania. Nie był też dostępny podgląd w czasie rzeczywistym w lokalizacje pojazdów ani status przesyłek. Koszt paliwa rósł średnio o 15% rocznie z powodu nieefektywnie zaplanowanych tras, niskiego wykorzystania pojazdów (typowo 30% ciężarówek było wypełnionych poniżej 60% pojemności) i pustych kursów powrotnych. Problemem był także brak możliwości przewidywania i zapobiegania awariom pojazdów transportowych przed ich wystąpieniem.
W odpowiedzi na te wyzwania opracowano platformę logistyczną opartą na sztucznej inteligencji. Jej kluczową funkcjonalnością jest optymalizacja tras z wykorzystaniem uczenia ze wzmocnieniem z mechanizmem uwagi. Dzięki temu system co 5 minut modyfikuje kursy pojazdów, opierając się na informacjach o aktualnych warunkach. Jeśli np. z powodu wypadku konkretna droga zostaje zamknięta, trasa pojazdów, które miały nią jechać, zostaje odpowiednio zmieniona, żeby utrudnienia wyminąć. Analizowany jest także wpływ pogody, a rozpoznawanie wzorców ruchu drogowego na podstawie obrazu z kamer przydrożnych pozwala uniknąć stania w korkach. W wyborze optymalnej trasy pod uwagę brane jest ponadto przewidywane zużycie paliwa dla dróg alternatywnych.
Kolejna funkcja to prognozowanie popytu. W tym celu opracowano modele predykcyjne szacujące liczbę przesyłek dla danego kodu pocztowego z miesięcznym wyprzedzeniem z dokładnością do 92%. By przewidywać wzrosty popytu, analizują one nie tylko dane archiwalne, ale także trendy sezonowe, informacje o promocjach, prognozy pogody, opinie w mediach społecznościowych. System ponadto optymalizuje załadunek pojazdów i prognozuje wydajność kierowców. Analiza danych z sensorów IoT montowanych na pokładzie ciężarówek umożliwia wdrożenie konserwacji predykcyjnej. Czas dostawy jest prognozowany z dokładnością ±15 minut przez modele uczenia zespołowego. Dzięki wdrożeniu nowego systemu zarządzania dostawami opartego na AI średni czas dostawy skrócił się o 1,5 dnia, a koszty paliwa spadły o 25%, co oznacza oszczędności 15 mln dol. rocznie.
TAGI RFID W MAGAZYNACH
W Logistyce 4.0 rozwiązania automatycznej identyfikacji i lokalizacji stanowią fundament budowy przejrzystych, sterowanych danymi łańcuchów dostaw. Do najważniejszych należy wspomniana już technologia RFID, wykorzystująca fale radiowe do odczytu danych zapisanych w znacznikach, które są przymocowane do przedmiotów. To umożliwia zdalną identyfikację towarów, bez konieczności zapewnienia bezpośredniej widoczności między czytnikiem a tagami. Przewaga tej technologii nad tradycyjnymi kodami kreskowymi wynika przede wszystkim z możliwości jednoczesnego odczytu wielu tagów i ich odporności na trudne warunki i zabrudzenia. Łatwość zautomatyzowania odczytu znaczników RFID eliminuje potrzebę manualnego skanowania. To znacząco go skraca i eliminuje błędy, których źródłem są ludzie.
Przykład wykorzystania identyfikacji RFID stanowi śledzenie przemieszczania się palet między strefami w magazynie. W tym celu te platformy transportowe znakuje się znacznikami, co przypisuje każdej palecie unikalny identyfikator. Tagi są następnie odczytywane przez czytniki stacjonarne, które są rozmieszczone na granicy danej strefy i rejestrują znalezienie się w jej obrębie danej palety lub jej przez nią opuszczenie, albo skanery mobilne. Te drugie np. można zamontować na wózkach widłowych. Wykorzystuje się również kombinację tagów przypisanych do palet oraz tzw. tagów lokalizacyjnych umieszczonych na regałach magazynowych. Wówczas wózki widłowe wyposażone w skaner RFID odczytują jednocześnie identyfikator palety i numer danego regału. To pozwala na automatyczne przypisanie towaru do konkretnego miejsca składowania.
Warto dodać, że znakowanie palet pozwala nie tylko śledzić przemieszczanie się transportowanych na nich ładunków, ale ułatwia też zarządzanie obiegiem samych palet, jak i np. opakowań zbiorczych, takich jak skrzynie czy kontenery. Brak kontroli nad ich przepływem sprawia, że łatwo o ich utratę lub nagromadzenie w nadmiarze. Choć wydają się niepozorne, to nie są oczywiście darmowe. Zatem oznakowanie jednostek transportowych tagami RFID i dzięki temu śledzenie ich lokalizacji, pozwala na spore oszczędności w kosztach operacyjnych.
Case study 2 – RFID i RTLS w magazynie
W pewnym centrum dystrybucyjnym wykorzystano połączenie technologii RFID i RTLS w celu zwiększenia efektywności zarządzania przestrzenią magazynową. Opierając się na tagach RFID i systemie lokalizacji w czasie rzeczywistym, ruch wózków widłowych i położenie produktów w obiekcie są śledzone. Dzięki temu można było wprowadzić losowość składowania. Oznacza to, że produkty w czasie rozładunku są umieszczane w dowolnym aktualnie dostępnym miejscu, a system zarządzania magazynem automatycznie rejestruje ich położenie. Cały czas uaktualniane są także informacje o lokalizacji poszczególnych wózków transportowych. Zgodnie z tymi danymi, uzupełnionymi o informacje dotyczące dostępności wolnych miejsc składowania, system optymalizuje trasy wózków widłowych. Dzięki temu o prawie połowę zmniejszyły się koszty transportu wewnętrznego, a przestrzeń magazynu jest wykorzystywana efektywniej niż dotąd.
LOKALIZACJA RTLS
Systemy oparte na znacznikach RFID mają jednak pewne ograniczenie – dostarczają informacji o lokalizacji obiektu w określonych punktach, np. na bramkach wyznaczających granicę stref, a nie w sposób ciągły. Tę lukę wypełniają systemy RTLS, które umożliwiają bieżące śledzenie położenia obiektów w przestrzeni magazynowej.
Termin RTLS nie odnosi się do konkretnego rozwiązania, a raczej opisuje funkcjonalność systemów opartych na różnych technikach transmisji bezprzewodowej, w tym ultraszerokopasmowej UWB (Ultra Wide Band). Fale radiowe są w systemach RTLS wykorzystywane do transmisji danych między ich sprzętowymi komponentami, jakimi są znaczniki umieszczane na śledzonych obiektach oraz odbiorniki, rozmieszczane w obrębie obszaru objętego zasięgiem systemu, np. na ścianach, słupach.
Wyróżnia się też część programową. Oprogramowanie umożliwia przeliczanie pozyskanych danych na aktualne położenie monitorowanego obiektu. Oprócz analizy odpowiada ono też za gromadzenie i wizualizację tych informacji. Precyzja, z jaką zostaje ustalona lokalizacja obiektu, zależy od wielu czynników, w tym: liczby nadajników i odbiorników, specyfiki techniki transmisji, warunków w otoczeniu, w jakim system RTLS pracuje, obecności przeszkód między nadajnikami i odbiornikami, występowania interferencji z innymi sygnałami.
W przeciwieństwie do systemów lokalizacji opartych na tagach RFID, które rejestrują zdarzenia punktowe, RTLS umożliwia śledzenie ruchu zasobów w czasie rzeczywistym, co jest szczególnie przydatne w dużych centrach logistycznych o wysokiej rotacji towarów. Systemy te pozwalają na natychmiastowe zlokalizowanie konkretnej palety, a nie tylko wskazanie strefy, w której może się ona potencjalnie znajdować. Istotnym obszarem zastosowań lokalizacji RTLS jest także monitorowanie ruchu wózków widłowych i innych środków transportu wewnętrznego. Systemy takie pozwalają na analizę tras przejazdu poszczególnych pojazdów, co umożliwia wykrywanie wąskich gardeł, nieefektywnych tras i optymalizację wykorzystania floty.
Podsumowując, połączenie RFID i RTLS umożliwia realizację kompleksowych systemów zarządzania przepływem towarów. RFID w takim przypadku odpowiada za identyfikację obiektów i rejestrowanie zdarzeń logistycznych (załadunek, rozładunek), natomiast RTLS dostarcza informacji o ich bieżącej lokalizacji i ruchu.
Case study 3 – Wirtualny model magazynu
Globalny producent z branży opakowaniowej zlecił przygotowanie cyfrowego bliźniaka jednego ze swoich głównych centrów dystrybucji. Opracowany model stanowił wirtualną reprezentację rzeczywistej infrastruktury obiektu i realizowanych w nim operacji logistycznych. Cyfrowy bliźniak centrum był zasilany danymi operacyjnymi pochodzącymi z systemów zarządzania magazynem oraz czujników monitorujących przepływy towarów i aktywność pracowników. Dzięki temu menedżerowie mogli analizować działanie magazynu w czasie rzeczywistym, identyfikować potencjalne wąskie gardła i symulować różne scenariusze organizacji pracy. Wirtualny model umożliwił m.in. analizę przepływów materiałowych, planowanie obciążenia pracowników i optymalizację wykorzystania przestrzeni magazynowej.
AI I BLOCKCHAIN
Obróbka rosnącej ilości danych, których źródłem są procesy logistyczne, wymaga zaawansowanych narzędzi analitycznych. W tym zakresie w ostatnim czasie nastąpił znaczny postęp dzięki rozwojowi sztucznej inteligencji. AI umożliwia efektywne przetwarzanie i analizę ogromnych zbiorów danych pod kątem identyfikacji wzorców operacyjnych i zależności między ogniwami łańcuchów dostaw. Przykładowo, algorytmy uczenia maszynowego analizują dane archiwalne i bieżące dotyczące ruchu drogowego, warunków pogodowych czy dostępności pojazdów transportowych w celu wyznaczania tras przewozu, zoptymalizowanych pod kątem skrócenia czasu dostaw, ograniczenia zużycia paliwa i zwiększenia wykorzystania floty transportowej.
AI jest także stosowane w prognozowaniu popytu oraz planowaniu poziomu zapasów. Opierając się na danych sprzedażowych, informacjach o trendach, aktualnych i sezonowych, modele predykcyjne prognozują przyszłe zapotrzebowania na produkty. Na tej podstawie uzupełnia się magazyny i planuje harmonogramy dostaw, unikając równocześnie kosztów wynikających z utrzymywania nadmiernych zapasów, jak i problemów w razie wystąpienia braków w zaopatrzeniu.
W inteligentnych łańcuchach dostaw wykorzystuje się również blockchain, czyli rozproszone bazy, w których dane są zapisywane w postaci powiązanych ze sobą bloków, uporządkowanych w czasie i zabezpieczonych kryptograficznie. W rejestrach tych można bez obaw o nieuprawnioną ingerencję przechowywać informacje udostępniane uczestnikom łańcucha dostaw. Blockchain wykorzystuje się m.in. w śledzeniu pochodzenia produktów.
Przykład stanowi system identyfikowalności żywności, opracowany przez IBM dla amerykańskiej sieci supermarketów Walmart. Miał on rozwiązać problemy z docieraniem do źródeł skażenia produktów spożywczych w globalnych sieciach dostaw. W tradycyjnych systemach logistycznych w przypadku wystąpienia ogniska choroby przenoszonej drogą pokarmową, znalezienie jej źródła może zająć tygodnie. Wynika to stąd, że informacje są rozproszone między wieloma dostawcami i często wciąż przechowywane w formie dokumentacji papierowej.
Ma to poważne konsekwencje. Jeśli nie można wskazać konkretnego gospodarstwa, przetwórcy lub dostawcy, zwykle zaleca się konsumentom, by nie kupowali danego typu produktów w ogóle lub unikali tych pochodzących z określonego terenu. Taka sytuacja miała np. miejsce w 2018 r. w USA, gdzie łącznie w kilkudziesięciu stanach odnotowano kilkadziesiąt przypadków zatruć pokarmowych spowodowanych obecnością bakterii E. coli, wykrytej w sałacie dostarczonej z gospodarstw rolnych w mieście Yuma w Arizonie.
W takich przypadkach często konsumenci całkowicie tracą zaufanie do danego produktu. Zapobiec mogłaby temu lepsza identyfikowalność źródła skażenia, pozwalająca na ograniczenie prewencji do produktów tylko wybranych dostawców. W tym celu w ramach pilotażowego projektu Walmart i IBM wykorzystano bazę blockchain, w której zapisywane są dane o producencie, partii produktu, certyfikatach jakości i parametrach transportu. W pierwszym etapie projektu w tej postaci opisano łańcuch dostaw mango sprzedawanych w amerykańskich supermarketach tej marki, dzięki czemu czas potrzebny na ustalenie pochodzenia konkretnej partii tego owocu został skrócony z ok. siedmiu dni do 2,2 sekundy. Po zakończeniu fazy pilotażowej rozwiązanie rozszerzono na kolejne kategorie produktów.
Case study 4 – Drony w magazynie
W pewnym centrum dystrybucji wdrożono autonomiczny system inwentaryzacji. Jego częścią uczyniono znaczniki RFID, którymi oznakowano wszystkie towary i regały w magazynie, oraz drony wyposażone w czytnik RFID. Te drugie, przemieszczając się po centrum, skanują tagi, dzięki czemu identyfikują poszczególne produkty oraz rejestrują ich lokalizację. Zebrane dane są zapisywane w bazie danych z informacją o aktualnym stanie zapasów. Wykorzystane rozwiązanie znacząco skraca czas inwentaryzacji w porównaniu z tradycyjnymi metodami wymagającymi dotarcia pracownika do każdego produktu. Poza tym drony mogą cały czas na bieżąco śledzić położenie towarów w magazynie, bez wpływu na jego normalne funkcjonowanie.
CYFROWE BLIŹNIAKI
Tytułowe cyfrowe bliźniaki, pozwalające na odwzorowanie fizycznych obiektów, procesów, a nawet całych łańcuchów dostaw w środowisku wirtualnym, stanowią jeden z fundamentów transformacji logistyki. Kluczowe jest to, że nie są to tylko statyczne modele, ale dzięki synchronizacji z realnymi zasobami za pośrednictwem Internetu Rzeczy, zintegrowaniu z systemami WMS (Warehouse Management System) oraz wykorzystaniu algorytmów sztucznej inteligencji, zapewniają ciągłe monitorowanie, zaawansowaną analizę oraz optymalizację operacji logistycznych w czasie rzeczywistym. Jednym z istotnych obszarów ich zastosowania jest symulacja funkcjonowania magazynów.
Cyfrowy bliźniak magazynu stanowi zaawansowane narzędzie wspierające zarządzanie operacjami logistycznymi, wykorzystywane zarówno w przypadku rzeczywistych obiektów, jak i tych dopiero na etapie koncepcji, gdy fizycznie jeszcze nie istnieją. W przypadku planowania nowego magazynu wirtualny bliźniak umożliwia szczegółową weryfikację wszystkich aspektów jego funkcjonowania przed rozpoczęciem budowy, co znacząco zmniejsza ryzyko błędów projektowych i nietrafionych inwestycji.
Cyfrowa reprezentacja magazynu pozwala m.in. na ocenę konstrukcji regałów pod kątem poziomu bezpieczeństwa pracowników. Analiza może obejmować zarówno sytuacje ekstremalne, w rodzaju oddziaływania wstrząsów sejsmicznych, jak i standardowe warunki pracy, w których kluczowe znaczenia ma stabilność konstrukcji regałów. Wirtualne bliźniaki umożliwiają też przeanalizowanie różnych sposobów zagospodarowania przestrzeni magazynowej. Na tej podstawie można wybrać rozmieszczenie regałów i towarów, które maksymalnie wykorzystuje dostępne miejsce, a zarazem jest zoptymalizowane pod kątem skrócenia tras dojścia do produktów. To bezpośrednio przekłada się na redukcję czasu kompletacji zamówień. Symulacja operacji magazynowych umożliwia z kolei identyfikację wąskich gardeł i przetestowanie różnych rozwiązań, mających na celu usprawnianie przepływów logistycznych.
Zaletą cyfrowych bliźniaków jest możliwość wielokrotnego testowania różnych scenariuszy, bez ingerencji w rzeczywiste operacje i zakłócania działalności magazynu. Dodatkową korzyść stanowi opcja wykorzystania wirtualnych replik do szkoleń pracowników.
Monika Jaworowska
