You are here: Home Proceedings
Document Actions

Citation and metadata

Recommended citation

Kreutz M, Ait Alla A, Lütjen M, Freitag M (2021). Energieeffizientes eKanban-System mit autonomen Sensormodulen zur Füllstandsmessung und Reinforcement Learning zur Messintervallanpassung. Logistics Journal : Proceedings, Vol. 2021. (urn:nbn:de:0009-14-54245)

Download Citation

Endnote

%0 Journal Article
%T Energieeffizientes eKanban-System mit autonomen Sensormodulen zur Füllstandsmessung und Reinforcement Learning zur Messintervallanpassung
%A Kreutz, Markus
%A Ait Alla, Abderrahim
%A Lütjen, Michael
%A Freitag, Michael
%J Logistics Journal : Proceedings
%D 2021
%V 2021
%N 17
%@ 2192-9084
%F kreutz2021
%X Trotz der Fortschritte der Digitalisierung in der Industrie finden bei der Bestandserfassung immer noch manuelle Trigger Einsatz, da bestehende Lösungen zur Automatisierung des Prozesses mit hohen Kosten und Integrationsaufwand verbunden sind. In diesem Beitrag wird ein Ansatz für die Lösung dieses Problems dargestellt, welcher kostengünstige, autonome Sensormodule für die Füllstandsmessung zur Grundlage hat. Die Messung erfolgt hierbei nicht in festgelegten Intervallen, sondern wird auf Basis der Entnahmeintervalle der zu messenden Ladungsträger sowie der aktuellen Auftragslage von einem Reinforcement Learning Ansatz dynamisch und intelligent getriggert. Die ersten Hardware-Prototypen für die Messung der Entnahmeintervalle sowie für die Sensormodule werden ebenfalls im Beitrag vorgestellt.
%L 620
%K Bestandserfassung
%K Reinforcement Learning
%K Volumenmessung
%K e-Kanban
%K inventory control
%K volume measurement
%R 10.2195/lj_Proc_kreutz_de_202112_01
%U http://nbn-resolving.de/urn:nbn:de:0009-14-54245
%U http://dx.doi.org/10.2195/lj_Proc_kreutz_de_202112_01

Download

Bibtex

@Article{kreutz2021,
  author = 	"Kreutz, Markus
		and Ait Alla, Abderrahim
		and L{\"u}tjen, Michael
		and Freitag, Michael",
  title = 	"Energieeffizientes eKanban-System mit autonomen Sensormodulen zur F{\"u}llstandsmessung und Reinforcement Learning zur Messintervallanpassung",
  journal = 	"Logistics Journal : Proceedings",
  year = 	"2021",
  volume = 	"2021",
  number = 	"17",
  keywords = 	"Bestandserfassung; Reinforcement Learning; Volumenmessung; e-Kanban; inventory control; volume measurement",
  abstract = 	"Trotz der Fortschritte der Digitalisierung in der Industrie finden bei der Bestandserfassung immer noch manuelle Trigger Einsatz, da bestehende L{\"o}sungen zur Automatisierung des Prozesses mit hohen Kosten und Integrationsaufwand verbunden sind. In diesem Beitrag wird ein Ansatz f{\"u}r die L{\"o}sung dieses Problems dargestellt, welcher kosteng{\"u}nstige, autonome Sensormodule f{\"u}r die F{\"u}llstandsmessung zur Grundlage hat. Die Messung erfolgt hierbei nicht in festgelegten Intervallen, sondern wird auf Basis der Entnahmeintervalle der zu messenden Ladungstr{\"a}ger sowie der aktuellen Auftragslage von einem Reinforcement Learning Ansatz dynamisch und intelligent getriggert. Die ersten Hardware-Prototypen f{\"u}r die Messung der Entnahmeintervalle sowie f{\"u}r die Sensormodule werden ebenfalls im Beitrag vorgestellt.",
  issn = 	"2192-9084",
  doi = 	"10.2195/lj_Proc_kreutz_de_202112_01",
  url = 	"http://nbn-resolving.de/urn:nbn:de:0009-14-54245"
}

Download

RIS

TY  - JOUR
AU  - Kreutz, Markus
AU  - Ait Alla, Abderrahim
AU  - Lütjen, Michael
AU  - Freitag, Michael
PY  - 2021
DA  - 2021//
TI  - Energieeffizientes eKanban-System mit autonomen Sensormodulen zur Füllstandsmessung und Reinforcement Learning zur Messintervallanpassung
JO  - Logistics Journal : Proceedings
VL  - 2021
IS  - 17
KW  - Bestandserfassung
KW  - Reinforcement Learning
KW  - Volumenmessung
KW  - e-Kanban
KW  - inventory control
KW  - volume measurement
AB  - Trotz der Fortschritte der Digitalisierung in der Industrie finden bei der Bestandserfassung immer noch manuelle Trigger Einsatz, da bestehende Lösungen zur Automatisierung des Prozesses mit hohen Kosten und Integrationsaufwand verbunden sind. In diesem Beitrag wird ein Ansatz für die Lösung dieses Problems dargestellt, welcher kostengünstige, autonome Sensormodule für die Füllstandsmessung zur Grundlage hat. Die Messung erfolgt hierbei nicht in festgelegten Intervallen, sondern wird auf Basis der Entnahmeintervalle der zu messenden Ladungsträger sowie der aktuellen Auftragslage von einem Reinforcement Learning Ansatz dynamisch und intelligent getriggert. Die ersten Hardware-Prototypen für die Messung der Entnahmeintervalle sowie für die Sensormodule werden ebenfalls im Beitrag vorgestellt.
SN  - 2192-9084
UR  - http://nbn-resolving.de/urn:nbn:de:0009-14-54245
DO  - 10.2195/lj_Proc_kreutz_de_202112_01
ID  - kreutz2021
ER  - 
Download

Wordbib

<?xml version="1.0" encoding="UTF-8"?>
<b:Sources SelectedStyle="" xmlns:b="http://schemas.openxmlformats.org/officeDocument/2006/bibliography"  xmlns="http://schemas.openxmlformats.org/officeDocument/2006/bibliography" >
<b:Source>
<b:Tag>kreutz2021</b:Tag>
<b:SourceType>ArticleInAPeriodical</b:SourceType>
<b:Year>2021</b:Year>
<b:PeriodicalTitle>Logistics Journal : Proceedings</b:PeriodicalTitle>
<b:Volume>2021</b:Volume>
<b:Issue>17</b:Issue>
<b:Url>http://nbn-resolving.de/urn:nbn:de:0009-14-54245</b:Url>
<b:Url>http://dx.doi.org/10.2195/lj_Proc_kreutz_de_202112_01</b:Url>
<b:Author>
<b:Author><b:NameList>
<b:Person><b:Last>Kreutz</b:Last><b:First>Markus</b:First></b:Person>
<b:Person><b:Last>Ait Alla</b:Last><b:First>Abderrahim</b:First></b:Person>
<b:Person><b:Last>Lütjen</b:Last><b:First>Michael</b:First></b:Person>
<b:Person><b:Last>Freitag</b:Last><b:First>Michael</b:First></b:Person>
</b:NameList></b:Author>
</b:Author>
<b:Title>Energieeffizientes eKanban-System mit autonomen Sensormodulen zur Füllstandsmessung und Reinforcement Learning zur Messintervallanpassung</b:Title>
<b:Comments>Trotz der Fortschritte der Digitalisierung in der Industrie finden bei der Bestandserfassung immer noch manuelle Trigger Einsatz, da bestehende Lösungen zur Automatisierung des Prozesses mit hohen Kosten und Integrationsaufwand verbunden sind. In diesem Beitrag wird ein Ansatz für die Lösung dieses Problems dargestellt, welcher kostengünstige, autonome Sensormodule für die Füllstandsmessung zur Grundlage hat. Die Messung erfolgt hierbei nicht in festgelegten Intervallen, sondern wird auf Basis der Entnahmeintervalle der zu messenden Ladungsträger sowie der aktuellen Auftragslage von einem Reinforcement Learning Ansatz dynamisch und intelligent getriggert. Die ersten Hardware-Prototypen für die Messung der Entnahmeintervalle sowie für die Sensormodule werden ebenfalls im Beitrag vorgestellt.</b:Comments>
</b:Source>
</b:Sources>
Download

ISI

PT Journal
AU Kreutz, M
   Ait Alla, A
   Lütjen, M
   Freitag, M
TI Energieeffizientes eKanban-System mit autonomen Sensormodulen zur Füllstandsmessung und Reinforcement Learning zur Messintervallanpassung
SO Logistics Journal : Proceedings
PY 2021
VL 2021
IS 17
DI 10.2195/lj_Proc_kreutz_de_202112_01
DE Bestandserfassung; Reinforcement Learning; Volumenmessung; e-Kanban; inventory control; volume measurement
AB Trotz der Fortschritte der Digitalisierung in der Industrie finden bei der Bestandserfassung immer noch manuelle Trigger Einsatz, da bestehende Lösungen zur Automatisierung des Prozesses mit hohen Kosten und Integrationsaufwand verbunden sind. In diesem Beitrag wird ein Ansatz für die Lösung dieses Problems dargestellt, welcher kostengünstige, autonome Sensormodule für die Füllstandsmessung zur Grundlage hat. Die Messung erfolgt hierbei nicht in festgelegten Intervallen, sondern wird auf Basis der Entnahmeintervalle der zu messenden Ladungsträger sowie der aktuellen Auftragslage von einem Reinforcement Learning Ansatz dynamisch und intelligent getriggert. Die ersten Hardware-Prototypen für die Messung der Entnahmeintervalle sowie für die Sensormodule werden ebenfalls im Beitrag vorgestellt.
ER

Download

Mods

<mods>
  <titleInfo>
    <title>Energieeffizientes eKanban-System mit autonomen Sensormodulen zur Füllstandsmessung und Reinforcement Learning zur Messintervallanpassung</title>
  </titleInfo>
  <name type="personal">
    <namePart type="family">Kreutz</namePart>
    <namePart type="given">Markus</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Ait Alla</namePart>
    <namePart type="given">Abderrahim</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Lütjen</namePart>
    <namePart type="given">Michael</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Freitag</namePart>
    <namePart type="given">Michael</namePart>
  </name>
  <abstract>Trotz der Fortschritte der Digitalisierung in der Industrie finden bei der Bestandserfassung immer noch manuelle Trigger Einsatz, da bestehende Lösungen zur Automatisierung des Prozesses mit hohen Kosten und Integrationsaufwand verbunden sind. In diesem Beitrag wird ein Ansatz für die Lösung dieses Problems dargestellt, welcher kostengünstige, autonome Sensormodule für die Füllstandsmessung zur Grundlage hat. Die Messung erfolgt hierbei nicht in festgelegten Intervallen, sondern wird auf Basis der Entnahmeintervalle der zu messenden Ladungsträger sowie der aktuellen Auftragslage von einem Reinforcement Learning Ansatz dynamisch und intelligent getriggert. Die ersten Hardware-Prototypen für die Messung der Entnahmeintervalle sowie für die Sensormodule werden ebenfalls im Beitrag vorgestellt.</abstract>
  <subject>
    <topic>Bestandserfassung</topic>
    <topic>Reinforcement Learning</topic>
    <topic>Volumenmessung</topic>
    <topic>e-Kanban</topic>
    <topic>inventory control</topic>
    <topic>volume measurement</topic>
  </subject>
  <classification authority="ddc">620</classification>
  <relatedItem type="host">
    <genre authority="marcgt">periodical</genre>
    <genre>academic journal</genre>
    <titleInfo>
      <title>Logistics Journal : Proceedings</title>
    </titleInfo>
    <part>
      <detail type="volume">
        <number>2021</number>
      </detail>
      <detail type="issue">
        <number>17</number>
      </detail>
      <date>2021</date>
    </part>
  </relatedItem>
  <identifier type="issn">2192-9084</identifier>
  <identifier type="urn">urn:nbn:de:0009-14-54245</identifier>
  <identifier type="doi">10.2195/lj_Proc_kreutz_de_202112_01</identifier>
  <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-14-54245</identifier>
  <identifier type="citekey">kreutz2021</identifier>
</mods>
Download

Full Metadata