Kui inimesed kuulevad tootmisprotsessis tehisintellekti, hüppavad nad sageli nägemuseni täielikult autonoomsetest, väljalülitatavatest tehastest. See on toretsev eesmärk, kuid see ei ole see koht, kus täna toimub jätkusuutlikkuse edendamise tõeline ja karm töö. Tegelik mõju on nüansirikkam, sageli peidetud igapäevases energiatarbimise optimeerimise, materjalijäätmete kärpimise ja tarneahelate kaootilisemaks muutmises. See puudutab vähem robotite ülevõtmist, vaid intelligentseid süsteeme, mis tagavad üksikasjaliku nähtavuse, mis meil alati puudu on olnud, et teha nii majanduslikult kui ka keskkonnasäästlikke otsuseid. Seos tehisintellekti ja jätkusuutlikkuse vahel ei ole automaatne; see nõuab tahtlikku muutust selles, mida me otsustame mõõta ja kontrollida.

Beyond the Hype: energia kui esimene piir

Alustame energiast, kõige otsesemast kulust ja süsiniku jalajäljest. Aastaid tuginesime plaanilisele hooldusele ja laia töökäigu efektiivsuse reitingutele. Mängu muutja manustab andureid ja kasutab AI-d ennustavaks energia optimeerimiseks. Ma ei räägi lihtsalt masinate väljalülitamisest. See on kogu tootmisliini dünaamilise koormuse mõistmine. Näiteks tehisintellekti mudel saab teada, et konkreetne stantsimispress tõmbab voolu mitte ainult töötamise ajal, vaid ka 15 minuti jooksul pärast seda, kui jahutussüsteemid töötavad. Tootmisgraafikuid analüüsides võib see soovitada partiide vahelisi mikroviivitusi, et vältida samaaegset tippvoolu mitmest pressimisest, lamendades energiakõverat läbilaskevõimet mõjutamata. See ei ole teoreetiline; Olen näinud, kuidas see sepistamistehases vähendab energiaarvet 8–12%, mis on oma mastaabis tohutu.

Keeruline osa on andmete kvaliteet. Vajate granuleeritud aegridade andmeid masinast, alajaamast ja võimalusel isegi võrgust. Üks ebaõnnestunud projekt alguses oli katse optimeerida kuumtöötlusahju ilma täpsete gaasivoolumõõturiteta. AI-mudel oli sisuliselt oletuslik ja optimeerimine ohustas osade metallurgilisi omadusi. Õppisime raskel teel: te ei saa hallata seda, mida te ei saa täpselt mõõta. Tehisintellekt on täpselt nii hea kui sensoorsed sisendid, mida see saab.

See viib peen punktini: AI õigustab sageli sügavamat mõõtmist. Tehisintellekti jätkusuutlikkuse põhjendamiseks investeerige esmalt paremasse mõõtmisse. See on vooruslik tsükkel. Kui teil on see andmevoog olemas, saate liikuda ennustustelt ettekirjutavatele toimingutele – näiteks kompressori rõhu seadeväärtuste automaatne reguleerimine pneumaatilise võrgu reaalajas nõudluse alusel, mis on alati seatud halvima stsenaariumi jaoks, raiskades tohutult energiat.

Sõda jäätmete vastu: vanarauahunnikutest digitaalsete kaksikuteni

Materiaalsed jäätmed on puhas rahaline ja keskkonnakahju. Kinnitusdetailide valmistamisel nagu sellises ettevõttes nagu Handan Zitai kinnitusdetailide Manufacturing Co., Ltd. Hiina peamises standardosade tootmisbaasis asuvas traditsioonilises lähenemisviisis on tootmisjärgne kontroll: valmistatakse partii, mõnest võetakse proov ja kui avastatakse defekte, võidakse kogu partii vanarauaks või ümber töödelda. See on uskumatult raiskav.

Arvutinägemine reaalajas defektide tuvastamiseks on nüüd mängus. Kuid tehisintellekti põhjalikum kasutamine on protsessiparameetrite optimeerimine, et vältida jäätmete teket. Sisestades mudelisse külma suunamise protsessi andmed – traadi läbimõõt, temperatuur, masina kiirus, stantsi kulumine – saame ennustada pea pragude või mõõtmete ebatäpsuste tõenäosust enne ühe tüki valmistamist. Seejärel võib süsteem soovitada muudatusi, näiteks pisut lõõmutamistemperatuuri tõstmist või etteandekiiruse vähendamist.

Meenub projekt, kus ehitasime poltide tootmisliini jaoks digitaalse varju (täisdigitaalse kaksiku lihtsam versioon). Eesmärk oli minimeerida trimmikadu – pärast poldi lõikamist järelejäänud traat. Tellimuste portfelle ja masinate piiranguid analüüsides saaks AI ajastamissüsteem järjestada tellimusi traadipoolide täielikumaks kasutamiseks, vähendades trimmimise raiskamist keskmiselt 3,2%-lt alla 1,7%-le. See kõlab väikesena, kuid tuhandete tonnide terase kohta aastas on tooraine kokkuhoid ja terase tootmisega seotud süsinikdioksiidi heitkogused märkimisväärsed. Näete, kuidas ettevõtted sellistes keskustes nagu Yongnian District oma suure toodanguga võidavad sellistest üksikasjalikest optimeerimistest tohutult kasu.

Tarneahela vastupidavus ja süsiniku jalajälg

Siin läheb asi keeruliseks. Jätkusuutlik tarneahel ei tähenda ainult rohelise tarnija valimist; see puudutab tõhusust ja vastupidavust, et vältida hädaolukorda, süsinikumahukat õhutransporti. Tehisintellektist juhitud nõudluse prognoosimine, kui see toimib, ühtlustab tootmist, vähendades ületundide (mis sageli tähendab vähem tõhusat ja energiamahukat käitamist) ja paanilise tellimise vajadust.

Integreerisime mitmetasandilise tarneahela riskianalüüsi kliendi jaoks logistika optimeerimisega. Süsteem jälgis ilma, sadamate ummikuid ja isegi tarnijapiirkonna energiaallikaid (nt kas nende võrk töötab täna kivisöel või taastuvatel energiaallikatel?). See soovitas suunata saadetised ümber aeglasemale, kuid väiksema heitega mereveole, kui ajakava seda lubas, või koondada veosed konteinerite täitmiseks 98% mahuni tavapärase 85% asemel. The jätkusuutlikkus kasu siin on kaudne, kuid võimas: see lisab süsinikutõhususe igapäevastesse logistilistesse otsustesse.

Tõrkerežiim on siin üleoptimeerimine. Üks mudel soovitas transpordiheitmete minimeerimiseks alati kasutada ühte väga rohelist, kuid piiratud võimsusega tarnijat. See ei suutnud arvesse võtta seiskamise ohtu, mis lõpuks juhtus, sundides rüselema mitme vähem optimaalse tarnija poole. Õppetund oli see, et jätkusuutlikkuse eesmärgid peavad olema tasakaalustatud tehisintellekti eesmärgifunktsiooni vastupidavuse piirangutega. Sa ei saa lihtsalt süsinikku minimeerida; sa pead riskima.

Inimelement: laiendatud otsuste tegemine

See on kriitiline. AI ei käita tehast; inimesed teevad. Kõige tõhusamad rakendused, mida olen näinud, on need, kus AI toimib nõustajana. See tähistab anomaaliat: 3. liini energiatarbimine ühiku kohta on 18% suurem kui praeguse tootevaliku võrdlusväärtus. Tõenäoline põhjus: konveierimootori B-12 laagrite kulumine, hinnanguline efektiivsuse kadu 22%. See annab hooldusmeeskonnale sihipärase, prioriteetse ülesande, millel on selge jätkusuutlikkuse ja kulumõju.

See muudab kultuuri. Jätkusuutlikkus ei ole enam tootmise efektiivsusest eraldiseisev KPI. Kui korruse haldaja näeb, et optimeerimine madalama praagi määra jaoks vähendab ka energia- ja toorainekasutust hea osa kohta, ühtivad eesmärgid. Tehisintellekti koolitamine koolitab ka inimesi. Defektide tuvastamise mudeli andmete märgistamiseks peavad kvaliteediinsenerid rikkerežiime põhjalikult analüüsima. See protsess ise viib sageli protsessi täiustamiseni enne, kui mudel on isegi kasutusele võetud.

Vastupidavus on loomulik. Musta kasti soovituste ees on põhjendatud hirm. Sellepärast on selgitatavus võtmetähtsusega. Kui süsteem ütleb, et ahju temperatuuri tuleb vähendada 15 °C võrra, peab see esitama ka põhjenduse: Ajaloolised andmed näitavad, et katsed parameetritega X ja Y sellel madalamal temperatuuril andsid identse kõvaduse ja 8% väiksema maagaasi tarbimise. See suurendab usaldust ja muudab tehisintellekti jätkusuutlikuks koostöövahendiks tootmine.

Vaadates tulevikku: integratsiooni väljakutse

Tulevik ei ole eraldiseisvates AI-rakendustes energia või kvaliteedi tagamiseks. See on integreeritud protsesside optimeerimises, mis tasakaalustab mitut, mõnikord konkureerivat eesmärki: läbilaskevõime, tootlikkus, energiakasutus, tööriistade kulumine ja süsiniku jalajälg. See on mitut eesmärki hõlmav optimeerimisprobleem, mis on väljaspool inimese reaalajas arvutamist.

Katsetame süsteeme, mis võtavad vastu kliendi tellimuse ja määravad dünaamiliselt kõige jätkusuutlikuma tootmistee. Kas see kinnitusdetailide partii tuleks teha vanemale, aeglasemale liinile, mida toidab nüüd tehase uus päikesepatarei, või uuemale, kiiremale liinile, mis töötab võrgutoitel, kuid mille praagimäär on väiksem? Tehisintellekt suudab arvutada süsiniku netomõju, sealhulgas võimaliku jäägi süsinikusisalduse, ja soovitada tõeliselt optimaalset teed. See on järgmise taseme mõtlemine.

Viimane takistus on elutsükli hindamise integreerimine. Tõeline hoogustada Jätkusuutlikkus saavutatakse siis, kui tootmise tehisintellektil on juurdepääs andmetele materjalide ja protsesside kogu elutsükli mõju kohta. Tsingimise ja uue polümeerkatte vahel valimine ei ole lihtsalt kuluotsus; see on otsus kemikaalide kasutamise, vastupidavuse ja kasutusea lõppedes taaskasutatavuse kohta. Me ei ole veel seal, kuid põhitöö – protsesside digiteerimine, instrumenteerimine ja adaptiivse kontrolli alla saamine – teeb selle tuleviku võimalikuks. See on pikk, ebaglamuurne tee ühe väikese, raiskava probleemi lahendamiseks korraga.