KI-Kanban-Behälter: Mobile, dezentrale Logistikdatenerfassung mittels Edge-ML

Alexander Rokoss; Lennart Popkes; Kathrin Kramer; Thorben Green; Matthias Schmidt

doi:10.1515/zwf-2023-1004

KI-Kanban-Behälter: Mobile, dezentrale Logistikdatenerfassung mittels Edge-ML

Translated title of the contribution: AI Kanban Containers Mobile, Decentralized Logistic Data Acquisition Using Edge-ML

Leuphana University of Lüneburg

Research output: Journal contributions › Journal articles › Research › peer-review

1 Citation (Scopus)

Abstract

Mit dem Kanban-Verfahren gesteuerte Produktionssysteme nutzen heute elektronische Unterstützung zur Verfolgung einzelner Behälter, um datenbasiert Logistikprozesse zu verbessern. Dieser Beitrag stellt eine alternative technische Auslegung vor. Es finden mit Sensoren ausgestattete Behälter Verwendung, welche über einen KI-fähigen Mikrocontroller ihren Standort im Produktionssystem dezentral ermitteln, um ohne feste Erfassungspunkte eine permanente Nachverfolgbarkeit der Behälter zu gewährleisten.

Translated title of the contribution	AI Kanban Containers Mobile, Decentralized Logistic Data Acquisition Using Edge-ML
Original language	German
Journal	ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb
Volume	118
Issue number	1-2
Pages (from-to)	59-63
Number of pages	5
ISSN	0947-0085
DOIs	https://doi.org/10.1515/zwf-2023-1004
Publication status	Published - 11.02.2023

Bibliographical note

Publisher Copyright:
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany.

Research areas and keywords

Engineering

ASJC Scopus Subject Areas

Strategy and Management
Engineering(all)
Management Science and Operations Research

Access to Document

10.1515/zwf-2023-1004

Future Laboratory Production - Networking, Modeling and Optimization in Industrial Production
Schmidt, M. (Project manager, academic) & Kramer, K. (Project staff)
Ministry of Science and Culture of the state of Lower Saxony in Germany
01.10.19 → 31.03.25
Project: Research

Cite this

@article{00440a634c784bcfb1acff86f0a2d4af,

title = "KI-Kanban-Beh{\"a}lter: Mobile, dezentrale Logistikdatenerfassung mittels Edge-ML",

abstract = "Mit dem Kanban-Verfahren gesteuerte Produktionssysteme nutzen heute elektronische Unterst{\"u}tzung zur Verfolgung einzelner Beh{\"a}lter, um datenbasiert Logistikprozesse zu verbessern. Dieser Beitrag stellt eine alternative technische Auslegung vor. Es finden mit Sensoren ausgestattete Beh{\"a}lter Verwendung, welche {\"u}ber einen KI-f{\"a}higen Mikrocontroller ihren Standort im Produktionssystem dezentral ermitteln, um ohne feste Erfassungspunkte eine permanente Nachverfolgbarkeit der Beh{\"a}lter zu gew{\"a}hrleisten.",

keywords = "Ingenieurwissenschaften, K{\"u}nstliche Intelligenz, Maschinelles Lernen, Kanban, Produktionslogistik, Edge ML",

author = "Alexander Rokoss and Lennart Popkes and Kathrin Kramer and Thorben Green and Matthias Schmidt",

note = "Publisher Copyright: {\textcopyright} 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany.",

year = "2023",

month = feb,

day = "11",

doi = "10.1515/zwf-2023-1004",

language = "Deutsch",

volume = "118",

pages = "59--63",

journal = "ZWF Zeitschrift f{\"u}r wirtschaftlichen Fabrikbetrieb",

issn = "0947-0085",

publisher = "Walter de Gruyter GmbH",

number = "1-2",

}

TY - JOUR

T1 - KI-Kanban-Behälter

T2 - Mobile, dezentrale Logistikdatenerfassung mittels Edge-ML

AU - Rokoss, Alexander

AU - Popkes, Lennart

AU - Kramer, Kathrin

AU - Green, Thorben

AU - Schmidt, Matthias

PY - 2023/2/11

Y1 - 2023/2/11

N2 - Mit dem Kanban-Verfahren gesteuerte Produktionssysteme nutzen heute elektronische Unterstützung zur Verfolgung einzelner Behälter, um datenbasiert Logistikprozesse zu verbessern. Dieser Beitrag stellt eine alternative technische Auslegung vor. Es finden mit Sensoren ausgestattete Behälter Verwendung, welche über einen KI-fähigen Mikrocontroller ihren Standort im Produktionssystem dezentral ermitteln, um ohne feste Erfassungspunkte eine permanente Nachverfolgbarkeit der Behälter zu gewährleisten.

AB - Mit dem Kanban-Verfahren gesteuerte Produktionssysteme nutzen heute elektronische Unterstützung zur Verfolgung einzelner Behälter, um datenbasiert Logistikprozesse zu verbessern. Dieser Beitrag stellt eine alternative technische Auslegung vor. Es finden mit Sensoren ausgestattete Behälter Verwendung, welche über einen KI-fähigen Mikrocontroller ihren Standort im Produktionssystem dezentral ermitteln, um ohne feste Erfassungspunkte eine permanente Nachverfolgbarkeit der Behälter zu gewährleisten.

KW - Ingenieurwissenschaften

KW - Künstliche Intelligenz

KW - Maschinelles Lernen

KW - Kanban

KW - Produktionslogistik

KW - Edge ML

UR - https://www.degruyter.com/document/doi/10.1515/zwf-2023-1004/html

UR - https://www.scopus.com/pages/publications/85148213035

UR - https://www.mendeley.com/catalogue/745516e1-66da-3e61-9b3d-4b4e9d0e6b91/

U2 - 10.1515/zwf-2023-1004

DO - 10.1515/zwf-2023-1004

M3 - Zeitschriftenaufsätze

SN - 0947-0085

VL - 118

SP - 59

EP - 63

JO - ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb

JF - ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb

IS - 1-2

ER -

KI-Kanban-Behälter: Mobile, dezentrale Logistikdatenerfassung mittels Edge-ML

Abstract

Bibliographical note

Research areas and keywords

ASJC Scopus Subject Areas

Access to Document

Projects

Future Laboratory Production - Networking, Modeling and Optimization in Industrial Production

Cite this