عندما يسمع الناس الذكاء الاصطناعي في التصنيع، فإنهم غالبًا ما يقفزون إلى رؤى المصانع المستقلة بالكامل والمطفأة الأضواء. وهذا هدف مبهرج، لكنه ليس المكان الذي يتم فيه العمل الحقيقي الشجاع لتعزيز الاستدامة اليوم. أما التأثير الحقيقي فهو أكثر دقة، وغالبا ما يكون مخفيا في العمل اليومي لتحسين استهلاك الطاقة، وخفض هدر المواد، وجعل سلاسل التوريد أقل فوضوية. لا يتعلق الأمر بتولي الروبوتات زمام الأمور بقدر ما يتعلق بالأنظمة الذكية التي توفر الرؤية الدقيقة التي افتقرنا إليها دائمًا لاتخاذ قرارات سليمة اقتصاديًا وبيئيًا. إن العلاقة بين الذكاء الاصطناعي والاستدامة ليست تلقائية؛ فهو يتطلب تحولًا متعمدًا في ما نختار قياسه والتحكم فيه.

ما وراء الضجيج: الطاقة باعتبارها الحدود الأولى

لنبدأ بالطاقة، وهي العنصر الأكثر تكلفة وبصمة كربونية مباشرة. لسنوات عديدة، اعتمدنا على الصيانة المجدولة وتقييمات الكفاءة واسعة النطاق. يقوم مغير اللعبة بدمج أجهزة الاستشعار واستخدام الذكاء الاصطناعي لتحسين الطاقة التنبؤية. أنا لا أتحدث عن مجرد إيقاف تشغيل الآلات. يتعلق الأمر بفهم الحمل الديناميكي لخط الإنتاج بأكمله. على سبيل المثال، يمكن لنموذج الذكاء الاصطناعي أن يتعلم أن مكبس ختم محدد يسحب موجة من الطاقة ليس فقط أثناء التشغيل، ولكن لمدة 15 دقيقة بعد ذلك، أثناء تشغيل أنظمة التبريد. ومن خلال تحليل جداول الإنتاج، يمكن أن يقترح تأخيرات صغيرة بين الدُفعات لتجنب سحب الذروة المتزامن من مكابس متعددة، مما يؤدي إلى تسوية منحنى الطاقة دون التأثير على الإنتاجية. هذا ليس نظريا. لقد رأيته يخفض من 8 إلى 12% من فاتورة الطاقة في منشأة الحدادة، وهي منشأة ضخمة على نطاق واسع.

الجزء الصعب هو جودة البيانات. أنت بحاجة إلى بيانات متسلسلة زمنية دقيقة من الجهاز والمحطة الفرعية وحتى الشبكة إن أمكن. كان أحد المشاريع الفاشلة في وقت مبكر هو محاولة تحسين فرن المعالجة الحرارية بدون أجهزة قياس دقيقة لتدفق الغاز. كان نموذج الذكاء الاصطناعي في الأساس عبارة عن تخمين، وكانت التحسينات تخاطر بالمساس بالخصائص المعدنية للأجزاء. لقد تعلمنا بالطريقة الصعبة: لا يمكنك إدارة ما لا يمكنك قياسه بدقة. إن جودة الذكاء الاصطناعي جيدة بقدر جودة المدخلات الحسية التي يحصل عليها.

يؤدي هذا إلى نقطة دقيقة: غالبًا ما يبرر الذكاء الاصطناعي استخدام أدوات أعمق. ولدعم قضية استدامة الذكاء الاصطناعي، عليك أولاً أن تستثمر في قياس أفضل. إنها دورة حميدة. بمجرد حصولك على تدفق البيانات هذا، يمكنك الانتقال من التنبؤ إلى الإجراء التوجيهي - مثل ضبط نقاط ضبط ضغط الضاغط تلقائيًا بناءً على الطلب في الوقت الفعلي في شبكة تعمل بالهواء المضغوط، وهو أمر تم إعداده دائمًا لسيناريو الحالة الأسوأ، مما يؤدي إلى إهدار كميات هائلة من الطاقة.

الحرب على النفايات: من أكوام الخردة إلى التوائم الرقمية

تعتبر النفايات المادية خسارة مالية وبيئية خالصة. في تصنيع السحابات، كما هو الحال في شركة مثل شركة Handan Zitai Fortener Manufacturing Co. ، Ltd. تقع في قاعدة إنتاج الأجزاء القياسية الرئيسية في الصين، ويتضمن النهج التقليدي فحص ما بعد الإنتاج: يتم تصنيع دفعة، ويتم أخذ عينات من بعضها، وإذا تم العثور على عيوب، فقد يتم إلغاء المجموعة بأكملها أو إعادة صياغتها. هذا إسراف بشكل لا يصدق.

أصبحت الرؤية الحاسوبية للكشف عن العيوب في الوقت الفعلي الآن على طاولة المفاوضات. لكن الاستخدام الأكثر عمقًا للذكاء الاصطناعي يكمن في تحسين معلمات العملية لمنع تكون النفايات في المقام الأول. من خلال إدخال البيانات من عملية المعالجة الباردة - قطر السلك، ودرجة الحرارة، وسرعة الماكينة، وتآكل القالب - في النموذج، يمكننا التنبؤ باحتمالية حدوث تشققات في الرأس أو عدم دقة الأبعاد قبل تصنيع قطعة واحدة. يمكن للنظام بعد ذلك أن يوصي بإجراء تعديلات، على سبيل المثال، زيادة طفيفة في درجة حرارة التلدين أو تقليل معدل التغذية.

أتذكر مشروعًا قمنا فيه ببناء ظل رقمي (نسخة أبسط من التوأم الرقمي الكامل) لخط إنتاج البراغي. كان الهدف هو تقليل فقدان القطع - السلك المتبقي بعد قطع الترباس. من خلال تحليل محافظ الطلبات وقيود الماكينات، يمكن لنظام الجدولة القائم على الذكاء الاصطناعي تسلسل الطلبات لاستخدام ملفات الأسلاك بشكل أكثر اكتمالًا، مما يقلل من هدر القطع من متوسط ​​3.2% إلى أقل من 1.7%. قد يبدو الأمر صغيرًا، ولكن عبر آلاف الأطنان من الفولاذ سنويًا، يكون التوفير في المواد الخام وما يرتبط بها من انبعاثات الكربون الناتجة عن إنتاج الصلب كبيرًا. يمكنك أن ترى كيف يمكن للشركات الموجودة في مراكز مثل مقاطعة يونج نيان، مع حجم إنتاجها الكبير، أن تحقق مكاسب هائلة من مثل هذه التحسينات الدقيقة.

مرونة سلسلة التوريد والبصمة الكربونية

هذا هو المكان الذي يصبح فيه الأمر معقدًا. لا تقتصر سلسلة التوريد المستدامة على اختيار مورد صديق للبيئة فحسب؛ يتعلق الأمر بالكفاءة والمرونة لتجنب الشحن الجوي الطارئ كثيف الكربون. إن التنبؤ بالطلب المعتمد على الذكاء الاصطناعي، عندما يعمل، يعمل على تسهيل الإنتاج، مما يقلل الحاجة إلى العمل الإضافي (وهو ما يعني في كثير من الأحيان عمليات تشغيل أقل كفاءة وتستهلك الكثير من الطاقة) والطلبات المذعورة.

قمنا بدمج تحليل مخاطر سلسلة التوريد متعددة المستويات مع تحسين الخدمات اللوجستية للعميل. قام النظام بمراقبة الطقس، وازدحام الموانئ، وحتى مزيج الطاقة في منطقة الموردين (على سبيل المثال، هل تعمل شبكتهم بالفحم أو مصادر الطاقة المتجددة اليوم؟). واقترحت إعادة توجيه الشحنات إلى شحن بحري أبطأ ولكن منخفض الانبعاثات عندما تسمح الجداول الزمنية بذلك، أو تجميع الأحمال لملء الحاويات بسعة 98٪ بدلاً من 85٪ النموذجية. ال الاستدامة إن المكاسب هنا غير مباشرة ولكنها قوية: فهي تدمج كفاءة الكربون في القرارات اللوجستية اليومية.

وضع الفشل هنا هو الإفراط في التحسين. اقترح أحد النماذج دائمًا استخدام مورد واحد صديق للبيئة للغاية ولكنه محدود القدرات لتقليل انبعاثات النقل. لقد فشلت في الأخذ في الاعتبار خطر الإغلاق، وهو ما حدث في النهاية، مما أدى إلى التدافع إلى موردين متعددين أقل مثالية. وكان الدرس المستفاد هو أن أهداف الاستدامة يجب أن تكون متوازنة مع قيود القوة في الوظيفة الموضوعية للذكاء الاصطناعي. لا يمكنك تقليل الكربون فحسب؛ عليك إدارة المخاطر.

العنصر البشري: اتخاذ القرار المعزز

هذا أمر بالغ الأهمية. الذكاء الاصطناعي لا يدير المصنع؛ الناس يفعلون. أكثر التطبيقات فعالية التي رأيتها هي حيث يعمل الذكاء الاصطناعي كمستشار. يشير هذا إلى وجود حالة شاذة: استهلاك الطاقة لكل وحدة في الخط 3 أعلى بنسبة 18% من المعيار لمزيج المنتجات الحالي. السبب المحتمل: تآكل المحمل في محرك الناقل B-12، خسارة الكفاءة المقدرة بنسبة 22%. فهو يمنح فريق الصيانة مهمة مستهدفة وذات أولوية مع تأثير واضح على الاستدامة والتكلفة.

وهذا يغير الثقافة. لم تعد الاستدامة مؤشر أداء رئيسيًا منفصلاً عن كفاءة الإنتاج. عندما يرى مدير الطابق أن تحسين معدلات الخردة المنخفضة يقلل أيضًا من استخدام الطاقة والمواد الخام لكل جزء جيد، فإن الأهداف تتوافق. تدريب الذكاء الاصطناعي يؤدي أيضًا إلى تدريب الأشخاص. لتسمية البيانات لنموذج اكتشاف العيوب، يتعين على مهندسي الجودة إجراء تحليل عميق لأنماط الفشل. غالبًا ما تؤدي هذه العملية نفسها إلى تحسينات في العملية قبل نشر النموذج.

المقاومة أمر طبيعي. هناك خوف مشروع من توصيات الصندوق الأسود. ولهذا السبب فإن القابلية للتفسير هي المفتاح. إذا قال النظام خفض درجة حرارة الفرن بمقدار 15 درجة مئوية، فيجب عليه أيضًا تقديم السبب: تظهر البيانات التاريخية أن التشغيل مع المعلمتين X وY عند درجة الحرارة المنخفضة هذه أدى إلى صلابة مماثلة مع استهلاك أقل للغاز الطبيعي بنسبة 8%. وهذا يبني الثقة ويحول الذكاء الاصطناعي إلى أداة تعاونية لتحقيق الاستدامة التصنيع.

التطلع إلى المستقبل: تحدي التكامل

المستقبل لا يكمن في تطبيقات الذكاء الاصطناعي المستقلة للطاقة أو الجودة. إنه تحسين العمليات المتكاملة الذي يوازن بين الأهداف المتعددة، والمتنافسة أحيانًا: الإنتاجية، والإنتاجية، واستخدام الطاقة، وتآكل الأدوات، والبصمة الكربونية. هذه مشكلة تحسين متعددة الأهداف تتجاوز الحساب البشري في الوقت الفعلي.

نحن نجرب الأنظمة التي تتلقى طلب العميل وتحدد ديناميكيًا مسار الإنتاج الأكثر استدامة. هل ينبغي تصنيع هذه الدفعة من أدوات التثبيت على الخط الأقدم والأبطأ الذي يتم تشغيله الآن بواسطة مجموعة الطاقة الشمسية الجديدة في المصنع، أم على الخط الأحدث والأسرع الذي يعمل بالشبكة ولكن معدل الخردة أقل؟ يمكن للذكاء الاصطناعي حساب تأثير الكربون الصافي، بما في ذلك الكربون المتجسد في أي خردة محتملة، والتوصية بالمسار الأمثل حقًا. هذا هو التفكير في المستوى التالي.

العقبة الأخيرة هي تكامل تقييم دورة الحياة. الحقيقي دفعة ستأتي الاستدامة عندما يتمكن الذكاء الاصطناعي في التصنيع من الوصول إلى البيانات المتعلقة بتأثير دورة الحياة الكاملة للمواد والعمليات. إن الاختيار بين طلاء الزنك وطلاء البوليمر الجديد لا يعد مجرد قرار يتعلق بالتكلفة؛ إنه قرار يتعلق باستخدام المواد الكيميائية، والمتانة، وإمكانية إعادة التدوير في نهاية العمر. لم نصل إلى هذه المرحلة بعد، ولكن العمل التأسيسي المتمثل في رقمنة العمليات وتجهيزها وإخضاعها للتحكم التكيفي هو ما يجعل هذا المستقبل ممكنًا. إنه طريق طويل وغير ساحر لحل مشكلة صغيرة ومهدرة في كل مرة.