3PL-Anbieter verhindert mit Digital-Twin-Technologie einen ROI-Verlust von $3M+ bei einer Investition in Robotik

Wir haben mit der Modellierung der bestehenden Abläufe im Fulfillment-Center begonnen, indem wir Daten von Scannern, Förderern und Gabelstaplern über AWS IoT Core und AWS Kinesis Data Streams analysierten. Dadurch konnten wir eine aktuelle und genaue Grundlage für die Bewegung der Waren von der Anlieferung bis zur Verpackung erstellen.

Innerhalb von AWS IoT TwinMaker haben unsere Ingenieure jede Station, jede Route und jeden Zeitzyklus detailliert kartiert, um den “als so”-Prozess zu visualisieren. Dies wurde ein digitales Zwilling des Fulfillment-Centers.

Dort stellten wir die erste Verwirrung im aktuellen Arbeitsablauf des Kunden fest:

• Lange Verweilzeiten beim Abholen
• Ungleichmäßige Förderlasten bei Schichtwechseln
• Ab und zu Wartezeiten an den Packlinien in Spitzenzeiten

Anschließend integrierten wir die AMR-Spezifikationen des Anbieters (Geschwindigkeit, Nutzlast, Batteriezyklen und Routing-Logik) in die digitale Doppelkonstruktion.. Mit Amazon SageMaker haben wir reale Bestellmuster simuliert: Mischbestellungen mit unterschiedlichen Artikelnummern, große Bestellungen mit mehreren Artikeln, saisonale Spitzenzeiten und Expressversand für einzelne Artikel.

Die Roboter waren etwa 40% schneller bei der Ernte, aber der Rest des Systems Ich konnte nicht mitziehen. Die Packungsreihen wurden länger, die Förderer füllten sich und die Mitarbeiter mussten auf eine Lücke warten, bevor sie ihre Arbeit ausführen konnten.

Diese Ungleichheit führte dazu, dass die Anlage die versprochene Durchsatzleistung nicht erreichen konnte. Wenn die simulierten Ergebnisse im Vergleich zum ROI-Modell des Herstellers ausgewertet werden, ergibt sich ein Rückgang um etwa 30 Prozent, was dem entspricht: Mehr als $3 Millionen verloren über die Laufzeit des Projekts hinaus. Das bedeutete, dass der Kunde seinen Arbeitsablauf verbessern musste.

Wir haben den Twin genutzt, um einfache Workflow-Änderungen zu testen: Dinge wie das Hinzufügen von kurzfristigen Packungsbuffern, das Anpassen der Roboterrouten und die Anpassung der Übergabezeit zwischen den Zonen.

ML-Modelle innerhalb der Simulation verfolgten die Nutzung, die zurückgelegte Distanz und die Stillstandszeit für jedes Szenario. Sie zeigten, dass die Zugabe von Arbeitskräften oder Hardware kaum eine Verbesserung brachte.

Die beste Lösung erwies sich als einfach: Man fügte vor dem Verpacken einen kleinen Zwischenspeicher hinzu und justierte die Roboterrouten. Dadurch hatten die Roboter etwas Spielraum, um die Waren zu lagern, wenn die Packstationen voll waren, sodass die gesamte Linie weiterlief.

Wir visualisierten das endgültige Design in 3D und entwickelten Dashboards, die die ursprüngliche Konfiguration des Anbieters mit dem optimierten Arbeitsablauf, den wir vorgeschlagen hatten, verglich. Das Modell des Verkäufers prognostizierte einen Gewinn. Unseres zeigte, wie man diesen tatsächlich erzielen kann.

Das Operations-Team begann, den optimierten Arbeitsablauf auf der gesamten Website umzusetzen. Anschließend genehmigte das Führungsteam die Investition, da es sich sicher war, dass das neue Roboter-System den erwarteten ROI bieten würde.