Maschinelles Lernen

Container richtig im Lager zu platzieren, ist eine Kunst für sich. Der Container Terminal Burchardkai setzt deswegen beim Containerstapeln auf die Unterstützung durch künstliche Intelligenz.

Ein gutes Jahr wurde an dem Modul gearbeitet. Für den Einsatz am Burchardkai wurde es in dieser Zeit mit Hilfe von 1.000.000 Datensätzen aus dem Containerumschlag der vergangenen zwei Jahre trainiert.

Die Lastfahrstrecken der Van-Carrier beim Laden eines Feederschiffes verkürzten sich um etwas mehr als 25 Prozent. „Durch solche Einsparungen haben wir die Projektkosten bereits in weniger als einem halben Jahr wieder hereingeholt“, freut sich Christian Greinert, Experte in der Terminalentwicklung für die Lagersteuerung des CTB.

Maschinelles Lernen behält den Durchblick

Am HHLA Container Terminal Burchhardkai (CTB) ist vieles in Bewegung. Auf der 1,4 Quadratkilometer großen Anlage bewegen Containerbrücken die Transportkisten zwischen Schiff und Land, Van-Carrier transportieren sie in das Containerlager oder zum Bahnhof, und dazwischen fahren Lkw mit ihrer Containerladung.

Das wirkt verwirrend, aber alle Abläufe sind perfekt eingespielt. Trotzdem würden die Hafenlogistiker gerne auf manche Bewegung verzichten: „Wir müssen viele Container häufiger als eigentlich notwendig „anfassen“, weil wir keine vollständigen Informationen darüber haben, zu welchem Zeitpunkt und auf welchem Verkehrsträger sie den Terminal verlassen werden“, sagt Christian Greinert. Er betreut als Experte in der Terminalentwicklung die Lagersteuerung des CTB.

„Solche Container nennen wir Umstapler. Sie müssen unter Umständen häufig im Lager bewegt oder über weitere Strecken auf dem Terminal transportiert werden, ergänzt sein Kollege Nico Marks. „Das wäre mit vollständigen Daten nicht erforderlich.“

Nico Marks und Christian Greinert auf dem HHLA Container Terminal Burchardkai.

Der Mehraufwand kostet Zeit und Lagerkapazität - beides ist knapp. Als Lösung des Problems haben Greinert und Marks mit Unterstützung durch externe Experten einen Meilenstein in der Lagerlogistik entwickelt: Am Burchardkai werden die Wissenslücken in den Frachtpapieren mit Hilfe Künstlicher Intelligenz (KI) gefüllt und dadurch das Containerstacking optimiert - mit verblüffend großer Treffsicherheit.

Bei 50 Prozent der auf dem Seeweg angelieferten Boxen ist beim Eintreffen noch unklar, wann sie den Terminal wieder verlassen werden. Bei jedem zehnten Container ist zudem nicht bekannt, ob er auf dem Wasserweg, der Bahn oder einem Truck zu seinem Ziel gebracht werden soll. Doch genau diese Informationen sind für den optimalen Terminalbetrieb entscheidend, denn sie bestimmen über die Wahl des Lagerplatzes bis zum Abtransport.

Was ist Maschinelles Lernen?

Maschinelles Lernen (machine learning), abgekürzt ML, ist ein Teilbereich Künstlicher Intelligenz. IT-Systemen wird dabei durch die Aufnahme von Daten ermöglicht, durch eine Mustererkennung selbst Antworten auf Problemstellungen zu finden und zum Beispiel Daten- oder Zahlenreihen selbständig fortzuführen um am Ende zu einem Ergebnis zu kommen oder eine Entscheidung zu fällen.

Wie kommen Container auf schnellstem Wege zum optimalen Stellplatz?

„Die Lagerlogistik ist darauf ausgerichtet, dass ein Container auf dem schnellsten Weg zu seinem optimalen Stellplatz kommt und diesen auch genauso schnell wieder verlassen kann“, erläutert Greinert. Das Ziel sind möglichst kurze Fahrwege für die insgesamt 133 Van-Carrier und möglichst wenige Umstapelbewegungen in den größtenteils automatisierten Lagerblöcken, in denen bis zu fünf Container übereinander gestapelt werden.

Um dieses Ziel zu erreichen, haben Greinert und Marks ein Modul mit der Fähigkeit zum maschinellen Lernen (ML-Modul) in das Integrierte Terminal-Steuerungssystems (ITS) eingeführt. Ohne den weiteren Weg und die Verweildauer eines Containers zu kennen, konnte ITS diesem Behälter bislang nur auf gut Glück einen Stellplatz zuweisen. Ob es der optimale Platz war, stellte sich erst bei der Abholung des Behälters heraus.

„Unter Umständen war der Container am Ende zwei Mal über eine viel zu lange Strecke transportiert worden“, erläutert Marks. Dank des ML-Moduls hat das Steuerungssystem jetzt an Überblick gewonnen - aus mehr als 30 verschiedenen Datensätzen/Informationen zum Container kann die KI die Art und den Zeitpunkt des voraussichtlichen Abtransportes aus dem Hafen prognostizieren.

Neben der Herkunft, dem Containerreeder und dem bisherigen Transportverlauf gehören unter anderem Angaben über das Gewicht und den Zielort zu den analysierten Daten. Diese Werte vergleicht das System mit einem Informationsstamm, der aus vielen 100.000 früheren Containerbewegungen auf dem Terminal erstellt wurde und sucht nach Übereinstimmungen.

 

KI prognostiziert mit großer Sicherheit

„Weil es binnen kürzester Zeit sehr viele Daten erfassen und analysieren kann, erkennt das System Muster und Zusammenhänge, die wir als Mensch nicht einmal ahnen würden“, weiß Nico Marks. Als fiktives Beispiel wurde hier der Transport von zwei Containern nach Aarhus angeführt. Sind für beide Container der Bestimmungsort und das Gewicht bekannt und gleich, dann ist die KI in der Lage auf Basis aller vorhanden Daten ein Muster abzuleiten, welches die Auslieferung eines Containers mit einem LKW und des anderen mit einem Feeder mit großer Sicherheit prognostiziert. „Früher hätten wir lediglich auf Basis des Bestimmungsortes angenommen, dass beide zusammen auf einem Schiff verladen werden“, sagt Greinert.

Ende 2019 wurde am HHLA-Containerterminal Altenwerder ein Pilotprojekt zur Ermittlung von Lagerverweildauern auf der Grundlage von KI aufgesetzt. Der CTB war beim Start dabei, entschied sich aber aufgrund der Spezifika des Burchardkais für einen eigenen Weg. Die Basis für das CTB-Modell war ein Konzept der HPC Hamburg Port Consulting - ein Tochterunternehmen der HHLA - und des Software-Unternehmens INFORM GmbH aus Aachen.

 

Maschinelles Lernen mit einer Million Datensätze

Ein gutes Jahr wurde an dem Modul gearbeitet. Für den Einsatz am Burchardkai wurde es in dieser Zeit mit Hilfe von 1.000.000 Datensätzen aus dem Containerumschlag der vergangenen zwei Jahre trainiert. Aus drei Vierteln der Informationen konnte das System gewissermaßen sein Wissen saugen - die übrigen 250.000 Datensätze dienten der Validierung, ob dieses Wissen auch richtig angewendet wird.

Der maschinelle Lernprozess war erfolgreich: Für 77,5 Prozent der Container mit fehlenden Informationen erkennt das System jetzt den richtigen Auslieferbereich (Wasserseite oder Hinterland). Entsprechend konnten die Container optimaler auf dem Terminal platziert werden. Die Rate der Umstapelungen - sie lassen sich auch bei vollständigen Informationen nicht vermeiden - verringerte sich um 8 Prozentpunkte. Der Anteil der entsprechend ihres Auslieferzeitpunktes optimal gelagerten Container erhöhte sich von 57 Prozent auf 70 Prozent.

Im Vordergrund das automatisierte Blocklager, dahinter der konventionelle Bereich des Containerlagers.

Auch im Detail zeigte sich die Wirksamkeit: Die Lastfahrstrecken der Van-Carrier beim Laden eines Feederschiffes verkürzten sich um etwas mehr als 25 Prozent. „Durch solche Einsparungen haben wir die Projektkosten bereits in weniger als einem halben Jahr wieder hereingeholt“, freut sich Greinert.

Die Zusammenarbeit mit HPC und der INFORM GmbH sowie den Kollegen vom Containerterminal Altenwerder „war ein wesentlicher Treiber unseres Erfolges“, betont Greinert, „weil unsere Partner ein tiefes Verständnis der operativen Prozesse mitbrachten.“ Zu den herausragenden Ergebnissen des Projektes zählt für Greinert und Marks aber nicht nur die gute Performance des Produktes: „Das ML-Modul konnte ohne große Umbauten direkt in das Terminal-Steuerungssystem integriert werden.“

Maschinellen Lernen als Mittel zur Überzeugung.

Der erzielte Erfolg besitzt Strahlkraft: „Hier hat sich in der Praxis gezeigt, welche Bedeutung Künstliche Intelligenz auch in der Logistik und im Hafenbetrieb haben kann.“ Christian Greinert und Nico Marks werden ihr System weiter verfeinern und entwickeln. Im nächsten Schritt soll die Datenbasis aktualisiert werden, auf der die Entscheidungen des Moduls beruhen.

Zudem können sich Greinert und Marks vorstellen, dass das ML-Modul auch in anderen Bereichen des Terminalsteuerungssystems Entscheidungen übernehmen kann, wo die Datenbasis unübersichtlich oder nicht ausreichend genau vorhanden ist. Als Beispiele nannten Greinert und Marks hier die Auftragssteuerung der automatisierten Blocklagerkräne, die Ankunftsprognose für externe LKW sowie die Möglichkeit der Lagerprognose für die strategische Yardplanung.

Weitere Innovationen zu Künstlicher Intelligenz bei der HHLA

Umdenken. Vorausdenken. Weiterdenken.

Megatrends und unsere neuen Geschäftsfelder Automatisierung, Künstliche Intelligenz, Vernetzte Lieferketten, Drohnentechnologie und Wasserstoff.

Innovationen bei der HHLA