Zwrotne pojemniki na małe ładunki (SLC) stanowią fundament zrównoważonej logistyki, jednak ich cykle obejmujące wiele lokalizacji często charakteryzują się brakiem przejrzystości z powodu niedoboru danych i ograniczeń technologicznych. Dotyczy to przynajmniej pojemników SLC bez etykiety. Nasze najnowsze badania wprowadzają nowatorskie, oparte na czujnikach podejście do gromadzenia, ekstrapolacji i symulacji danych o lokalizacji pojemników SLC – umożliwiając realistyczne symulacje cykli i podejmowanie decyzji w oparciu o dane bez konieczności inwestowania w pełną infrastrukturę.

Większość cykli SLC z nieoznakowanymi komórkami SLC cierpi na:

• Brak możliwości śledzenia w czasie rzeczywistym ze względu na dużą liczbę i niski koszt pojedynczych SLC.

• Niechęć do udostępniania danych między partnerami rowerowymi, co ogranicza dokładność symulacji.

• Luki technologiczne w lokalizacji wewnątrz/na zewnątrz małych, nieoznakowanych pojemników.

Nasz pomysł – zbieranie danych i ekstrapolacja na podstawie czujników

Przetestowaliśmy trzy technologie lokalizacyjne (GSM, BLE/GPS i A-GPS) w rzeczywistych cyklach SLC, aby zidentyfikować najbardziej opłacalne, skalowalne i dokładne rozwiązanie. Zobacz, jak to zrobiliśmy:

1. Porównanie technologii

• Znaczniki GSM (tanie, przeznaczone wyłącznie do użytku na zewnątrz) miały problemy z lokalizacją wewnątrz pomieszczeń i długim czasem pracy baterii.

• Rozwiązanie Apple AirTags (BLE/GPS) zapewniało wysoką precyzję, ale wymagało ręcznego wyodrębniania danych i nie nadawało się do skalowania w skali przemysłowej.

• Przemysłowe znaczniki A-GPS (z funkcją podsłuchu WiFi) umożliwiały płynne przejścia między wnętrzem a zewnętrzem, ale do pełnej funkcjonalności IPS (systemu pozycjonowania wewnątrz pomieszczeń) potrzebna była dodatkowa infrastruktura.

2. Ekstrapolacja danych za pomocą symulacji PERT i Monte Carlo

• Połączono dane z czujników z interfejsami API nawigacji (Google/Apple Maps) w celu oszacowania minimalnego, maksymalnego i najbardziej prawdopodobnego (tryb) czasu przepustowości.

• Zastosowano rozkłady PERT (zamiast rozkładów trójkątnych) w celu zmniejszenia odchyleń od wartości ekstremalnych i zwiększenia dokładności symulacji.

• Przeprowadzono 10 000 symulacji Monte Carlo dziennie w celu zidentyfikowania tras o niskiej wydajności i możliwości optymalizacji.

3. Kluczowe wnioski z symulacji:

• Wykrywanie cykli niedostatecznej i nadmiernej wydajności.

• Możliwa korekta planowania.



Dlaczego to ma znaczenie dla przemysłu i badań

• Dla dostawców usług logistycznych: Nasze podejście umożliwia tanie, skalowalne śledzenie SLC bez konieczności pełnego cyklu wdrażania czujników, co zmniejsza ryzyko i koszty.

• Zrównoważony rozwój: Lepsze dane optymalizują cykle SLC, zwiększają wskaźniki ponownego wykorzystania i zmniejszają ilość odpadów opakowaniowych jednorazowego użytku.

• Dla naukowców: Oferujemy powtarzalną metodologię symulacji cykli SLC w wielu lokalizacjach, łącząc modele teoretyczne z danymi rzeczywistymi.



Co przeanalizujemy dalej:

• W jaki sposób wzorce sezonowe (np. wahania popytu) można uwzględnić w symulacjach?

• Jaka jest optymalna wielkość próbki do śledzenia SLC za pomocą czujników?

• Czy modele AI/ML mogą jeszcze bardziej udoskonalić prognozy czasu przepustowości?



Nasza praca to krok w kierunku inteligentnego zarządzania SLC opartego na danych — udowadniając, że nawet niewielkie próbki danych mogą dostarczyć cennych spostrzeżeń na temat zrównoważonego rozwoju i efektywności.



🔗 Przeczytaj cały artykuł , aby poznać szczegóły techniczne i wyniki:  [Cała treść artykułu]