Mobile-Menu

Deep Learning Unterstützung für Hafenterminals durch maschinelles Lernen

Von Julia Bender |

Anbieter zum Thema

Duisburger Hafen AG
Universität Duisburg-Essen
Disy Informationssysteme GmbH
QUNIS GmbH
Xpand Solutions GmbH

Im Umfeld von Hafenterminals müssen Disponenten jegliche Abläufe organisieren und tagtäglich entscheiden, ob gewartet oder gehandelt werden soll. Nun sollen sie bei dieser Entscheidung von einer maschinellen Assistenz unterstützt werden.

Durch den Einsatz von maschinellem Lernen könnten Disponenten im Umfeld von Hafenterminals bei ihren Entscheidungen unterstützt werden.
Durch den Einsatz von maschinellem Lernen könnten Disponenten im Umfeld von Hafenterminals bei ihren Entscheidungen unterstützt werden.
(Bild: gemeinfrei / Unsplash)

Das Softwaretechnik-Institut Paluno der Universität Duisburg-Essen und die Duisburger Hafen AG haben untersucht, wie maschinelles Lernen den Disponenten in Hafenterminals bei Handlungsentscheidungen helfen kann. Durch die Digitalisierung werden am Duisburger Hafen bereits zunehmend Daten über verschiedene Abläufe gesammelt. Die Portalkräne schicken beispielsweise alle fünf Sekunden neue Werte für Variablen wie Position, Energieverbrauch und Fehlerzustände, die als Basis für Prognosen dienen und den Disponenten die Möglichkeit bieten, proaktiv gegenzusteuern, wenn Verspätungen drohen.

Vorhersagemodelle sollen mit dem Einsatz von Deep-Learning-Methoden verbessert werden

Prognosen sind insbesondere dann genau und verlässlich, wenn der Vorhersagezeitraum kurz ist. Die Disponenten brauchen hingegen eine gewisse Vorlaufzeit, um überhaupt in die bestehenden Prozesse eingreifen zu können. Um ihnen in diesem Spannungsfeld unter die Arme zu greifen, setzt die Paluno-Arbeitsgruppe von Prof. Klaus Pohl und die Duisburger Hafen AG auf die Verwendung von maschinellem Lernen. Dafür wurde ein Prototyp für das sogenannte Terminal Productivity Cockpit entwickelt, das nicht nur Prognosen, sondern auch Verlässlichkeitsschätzungen für diese liefert. Die Berechnungen basieren auf einer Kombination von bis zu 100 Vorhersagemodellen zu einem Ensemble, die anhand von historischen Prozessdaten mit Deep-Learning-Verfahren trainiert wurden. Das Team hat sich in diesem Fall für den Weg des Ensemble Deep Learnings entschieden, da die Prognosen der Ensembles genauer sind als die einzelner Prognosemodellen und sich die Verlässlichkeit der Prognosen über die Anzahl übereinstimmender Prognosemodelle berechnen lässt. Eine erste Bewertung des Ansatzes ergab, dass die Produktivität des Hafenterminals mit der entwickelten Entscheidungsassistenz um circa fünf Prozent gesteigert werden könnte.

Dieser Artikel stammt von unserem Partnerportal Industry of Things.

(ID:47040517)

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte