Süni intellekt istehsalda davamlılığı necə artırır? 

İnsanlar istehsalda süni intellekt eşitdikdə, tez-tez tam avtonom, işıqları sönən fabriklərin görüntülərinə tullanırlar. Bu parlaq bir məqsəddir, lakin bu gün davamlılığı artırmaq üçün real, ciddi işin baş verdiyi yer deyil. Əsl təsir daha nüanslıdır, tez-tez enerji istehlakını optimallaşdırmaq, material tullantılarını azaltmaq və tədarük zəncirlərini daha az xaotik etmək kimi gündəlik işlərdə gizlənir. Söhbət robotların ələ keçirməsindən daha az, həm iqtisadi, həm də ekoloji cəhətdən sağlam qərarlar qəbul etmək üçün həmişə çatışmayan zərif görünmə qabiliyyətini təmin edən ağıllı sistemlərdən gedir. AI və davamlılıq arasındakı əlaqə avtomatik deyil; ölçmək və nəzarət etmək üçün seçdiyimiz şeylərin qəsdən dəyişdirilməsini tələb edir.

Şırıngadan kənar: Birinci sərhəd kimi enerji

Enerji, ən birbaşa xərc və karbon izi maddəsi ilə başlayaq. İllər boyu biz planlı texniki xidmətə və geniş vuruşların səmərəlilik reytinqlərinə etibar etdik. Oyun dəyişdiricisi sensorları yerləşdirir və proqnozlaşdırıcı enerji optimallaşdırılması üçün süni intellektdən istifadə edir. Mən sadəcə maşınları söndürməkdən danışmıram. Bu, bütün istehsal xəttinin dinamik yükünü başa düşməkdən ibarətdir. Məsələn, bir süni intellekt modeli öyrənə bilər ki, xüsusi ştamplama presi yalnız əməliyyat zamanı deyil, soyutma sistemləri işlədikcə 15 dəqiqə ərzində güc artımı çəkir. İstehsal cədvəllərini təhlil edərək, bir neçə presdən eyni vaxtda pik çəkilişlərin qarşısını almaq üçün partiyalar arasında mikro gecikmələr təklif edə bilər, ötürmə qabiliyyətinə təsir etmədən enerji əyrisini düzəldə bilər. Bu nəzəri deyil; Mən onun miqyasda böyük olan bir döymə müəssisəsində enerji hesabından 8-12% azaldığını gördüm.

Çətin tərəf məlumat keyfiyyətidir. Sizə maşından, yarımstansiyadan və hətta mümkünsə şəbəkədən dənəvər, zaman seriyalı məlumat lazımdır. Erkən bir uğursuz layihə, dəqiq qaz axını sayğacları olmadan istilik müalicəsi sobasını optimallaşdırmağa çalışırdı. Süni intellekt modeli mahiyyətcə təxmin edirdi və optimallaşdırmalar hissələrin metallurgiya xassələrinə xələl gətirmək riskini daşıyırdı. Biz çətin yoldan öyrəndik: dəqiq ölçə bilmədiyinizi idarə edə bilməzsiniz. Süni intellekt yalnız onun əldə etdiyi sensor girişlər qədər yaxşıdır.

Bu, incə bir nöqtəyə gətirib çıxarır: AI çox vaxt daha dərin cihazlara haqq qazandırır. Süni intellekt üçün davamlılıq iddiası yaratmaq üçün əvvəlcə daha yaxşı ölçməyə sərmayə qoyursunuz. Bu fəzilətli bir dövrdür. Bu məlumat axını əldə etdikdən sonra, siz proqnozlaşdırmadan göstərişli fəaliyyətə keçə bilərsiniz, məsələn, pnevmatik şəbəkədə real vaxt tələbi əsasında kompressor təzyiqinin təyinat nöqtələrini avtomatik tənzimləmək, həmişə ən pis vəziyyət ssenarisi üçün qurulmuş bir şey, böyük miqdarda enerji sərf etmək.

Tullantılara qarşı müharibə: hurda yığınlarından rəqəmsal əkizlərə qədər

Maddi tullantılar təmiz maliyyə və ekoloji itkidir. kimi bir şirkətdə olduğu kimi bərkidici istehsalında Handan Zitai Fastener Manufacturing Co, Ltd. Çinin əsas standart hissələrinin istehsal bazasında yerləşən ənənəvi yanaşma istehsaldan sonrakı yoxlamanı əhatə edir: partiya hazırlanır, bəziləri nümunələr götürülür və qüsurlar aşkar edilərsə, bütün lot hurdaya çıxarıla və ya yenidən işlənə bilər. Bu, inanılmaz dərəcədə israfçılıqdır.

Real vaxt rejimində qüsurların aşkarlanması üçün kompüter görmə indi masanın əsas hissəsidir. Lakin AI-nin daha dərin istifadəsi ilk növbədə tullantıların yaranmasının qarşısını almaq üçün proses parametrlərinin optimallaşdırılmasıdır. Soyuq başlıq prosesindən məlumatları - telin diametri, temperaturu, maşının sürəti, kalıp aşınması - bir modelə daxil etməklə, bir parça hazırlanmazdan əvvəl baş çatlarının və ya ölçülü qeyri-dəqiqliklərin ehtimalını proqnozlaşdıra bilərik. Sistem daha sonra tənzimləmələri tövsiyə edə bilər, məsələn, yumşalma temperaturunda bir qədər artım və ya yem sürətinin azalması.

Bir bolt istehsal xətti üçün rəqəmsal kölgə (tam rəqəmsal əkizin daha sadə versiyası) qurduğumuz bir layihəni xatırlayıram. Məqsəd trim itkisini minimuma endirmək idi - bolt kəsildikdən sonra qalan tel. Sifariş portfellərini və maşın məhdudiyyətlərini təhlil edərək, AI planlaşdırma sistemi tel rulonlardan daha tam istifadə etmək üçün sifarişləri ardıcıllıqla sıralaya bilər, trim tullantılarını orta hesabla 3,2%-dən 1,7%-ə qədər azalda bilər. Bu kiçik səslənir, lakin hər il minlərlə ton poladda xammalda qənaət və polad istehsalından əlaqədar karbon emissiyaları əhəmiyyətlidir. Yongnian Rayonu kimi mərkəzlərdəki şirkətlərin yüksək həcmli məhsuldarlığı ilə bu cür dənəvər optimallaşdırmalardan necə böyük qazanc əldə etdiklərini görə bilərsiniz.

Təchizat Zəncirinin Dayanıqlığı və Karbon İzi

Burada mürəkkəbləşir. Davamlı təchizat zənciri yalnız yaşıl təchizatçı seçməkdən ibarət deyil; fövqəladə, karbon-intensiv hava yüklərinin qarşısını almaq üçün səmərəlilik və dayanıqlıqdan bəhs edir. Süni intellektə əsaslanan tələbin proqnozlaşdırılması, işlədiyi zaman istehsalı hamarlayır, əlavə işə ehtiyacı azaldır (bu, tez-tez daha az səmərəli, enerji tutumlu qaçışlar deməkdir) və çaxnaşma sifarişini azaldır.

Çox səviyyəli təchizat zənciri risk analizini müştəri üçün logistika optimallaşdırması ilə birləşdirdik. Sistem hava, liman tıxacları və hətta təchizatçı regionun enerji qarışığına nəzarət edirdi (məsələn, onların şəbəkəsi bu gün kömür və ya bərpa olunan enerji ilə işləyir?). O, vaxt qrafiklərinə icazə verildikdə daşınmaların daha yavaş, lakin daha az emissiyalı dəniz daşımalarına istiqamətləndirilməsini və ya konteynerləri tipik 85% yerinə 98% tutumla doldurmaq üçün yüklərin birləşdirilməsini təklif etdi. The davamlılıq burada qazanc dolayı, lakin güclüdür: o, gündəlik logistik qərarlara karbon səmərəliliyini daxil edir.

Burada uğursuzluq rejimi həddindən artıq optimallaşdırmadır. Bir model nəqliyyat emissiyalarını minimuma endirmək üçün həmişə tək, çox yaşıl, lakin tutumu məhdud təchizatçıdan istifadə etməyi təklif edirdi. O, bağlanma riskini hesablaya bilmədi, nəticədə baş verdi və birdən çox, daha az optimal təchizatçılarla mübarizə aparmağa məcbur etdi. Dərs ondan ibarət idi ki, davamlılıq məqsədləri AI-nin məqsəd funksiyasında möhkəmlik məhdudiyyətləri ilə balanslaşdırılmalıdır. Siz sadəcə karbonu minimuma endirə bilməzsiniz; riski idarə etməlisən.

İnsan Elementi: Genişləndirilmiş Qərar Qəbuletmə

Bu kritikdir. AI zavodu idarə etmir; insanlar edir. Gördüyüm ən təsirli tətbiqlər AI-nin məsləhətçi kimi çıxış etdiyi yerdir. O, anomaliyanı qeyd edir: 3-cü sətirdə vahidə düşən enerji istehlakı cari məhsul qarışığı üçün etalondan 18% yuxarıdır. Ehtimal olunan səbəb: B-12 konveyer mühərrikində rulmanların aşınması, təxmin edilən səmərəlilik itkisi 22%. O, texniki xidmət komandasına aydın davamlılıq və xərclərə təsir göstərən hədəflənmiş, prioritet tapşırıq verir.

Bu mədəniyyəti dəyişir. Davamlılıq istehsal səmərəliliyindən ayrı bir KPI olmağı dayandırır. Döşəmə meneceri gördükdə ki, daha aşağı hurda qiymətləri üçün optimallaşdırma həm də hər yaxşı hissə üçün enerji və xammal istifadəsini azaldır, məqsədlər üst-üstə düşür. Süni intellektin öyrədilməsi insanları da öyrədir. Bir qüsur aşkarlama modeli üçün məlumatları etiketləmək üçün keyfiyyət mühəndisləri uğursuzluq rejimlərini dərindən təhlil etməlidirlər. Bu prosesin özü çox vaxt model tətbiq olunmazdan əvvəl prosesin təkmilləşdirilməsinə gətirib çıxarır.

Müqavimət təbiidir. Qara qutu tövsiyələrindən etibarlı bir qorxu var. Buna görə izahlılıq əsasdır. Sistem sobanın temperaturunu 15°C azaldın deyirsə, o, həm də əsaslandırmanı təmin etməlidir: Tarixi məlumatlar göstərir ki, bu aşağı temperaturda X və Y parametrləri ilə işləmələr 8% daha az təbii qaz sərfiyyatı ilə eyni sərtliyə səbəb olub. Bu, inam yaradır və AI-ni davamlılıq üçün əməkdaşlıq alətinə çevirir istehsal.

İrəli Baxış: İnteqrasiya Problemi

Gələcək enerji və ya keyfiyyət üçün müstəqil AI tətbiqlərində deyil. Bu, çoxsaylı, bəzən rəqabət aparan məqsədləri tarazlayan inteqrasiya olunmuş prosesin optimallaşdırılmasındadır: məhsuldarlıq, məhsuldarlıq, enerji istifadəsi, alətlərin aşınması və karbon izi. Bu, real vaxtda insan hesablamalarından kənarda olan çoxməqsədli optimallaşdırma problemidir.

Biz müştəri sifarişini qəbul edən və ən davamlı istehsal marşrutunu dinamik şəkildə müəyyən edən sistemləri sınaqdan keçiririk. Bu bərkitmə dəsti fabrikin yeni günəş enerjisi massivi ilə təchiz edilən köhnə, daha yavaş xəttdə, yoxsa şəbəkə ilə işləyən, lakin daha az qırılma dərəcəsinə malik daha yeni, daha sürətli xəttdə hazırlanmalıdır? Süni intellekt istənilən potensial qırıntıda təcəssüm olunmuş karbon daxil olmaqla, xalis karbon təsirini hesablaya bilər və həqiqətən optimal yolu tövsiyə edə bilər. Bu növbəti səviyyəli düşüncədir.

Son maneə həyat dövrünün qiymətləndirilməsi inteqrasiyasıdır. Əsl gücləndirmək davamlılığa o zaman gələcək ki, istehsalda süni intellekt materialların və proseslərin tam həyat dövrü təsiri haqqında məlumat əldə edə bilsin. Sink örtüyü ilə yeni polimer örtük arasında seçim etmək sadəcə xərc qərarı deyil; bu, kimyəvi istifadə, davamlılıq və istifadə müddəti bitən təkrar emalla bağlı qərardır. Biz hələ orada deyilik, lakin təməl iş - prosesləri rəqəmsallaşdırmaq, alətlərlə təchiz etmək və adaptiv nəzarət altında olmaq - bu gələcəyi mümkün edən şeydir. Bu, bir anda kiçik, israfçı bir problemi həll etmək üçün uzun, qeyri-adi bir yoldur.