وقتی مردم درباره هوش مصنوعی و پایداری صحبت می‌کنند، گفتگو اغلب مستقیماً به چشم‌اندازهای آینده‌نگر می‌رود: شبکه‌های مستقل، شهرهای خودبهینه‌سازی. در سنگرهای تولید واقعی، واقعیت سخت تر و افزایشی تر است. تقویت واقعی در مورد جایگزینی انسان با روبات نیست. این در مورد تقویت تصمیم‌گیری در سیستم‌هایی است که به‌طور بدنام ضایع‌کننده و غیرشفاف هستند. تصور غلط این است که پایداری صرفاً مصرف انرژی کمتر است. این موضوع عمیق‌تر است – در مورد هوش منابع سیستمی است، از مواد خام گرفته تا تدارکات، و اینجاست که مدل‌های یادگیری ماشین، نه فقط هوش مصنوعی عمومی، بی‌سر و صدا بازی را تغییر می‌دهند.

بنیاد: وفاداری داده و طبقه تاریک کارخانه

شما نمی توانید آنچه را که نمی توانید اندازه گیری کنید مدیریت کنید، و برای سال ها، پایداری صنعتی حدس و گمان بود. ما قبوض انرژی داشتیم، بله، اما ارتباط افزایش مصرف با یک دسته خاص در خط تولید 3 اغلب غیرممکن بود. اولین مرحله غیر جذاب، تکثیر حسگر و تاریخ‌گذاری داده‌ها است. من کارخانه‌هایی را دیده‌ام که نصب حسگرهای ارتعاشی و حرارتی ساده روی سیستم‌های کمپرسور قدیمی، ناکارآمدی‌های چرخه‌ای را نشان می‌دهد که 15 درصد از مصرف انرژی آنها را هدر می‌دهد. تقویت هوش مصنوعی از اینجا شروع می شود: ایجاد یک دوقلوی دیجیتالی با وفاداری بالا از جریان انرژی و مواد. بدون این پایه، هر ادعای پایداری فقط بازاریابی است.

این پلاگین و بازی نیست. بزرگترین مانع سیلوهای داده است. داده‌های تولید در MES، داده‌های کیفیت در سیستم دیگری، و داده‌های انرژی از دستگاه‌سنج برق قرار دارند. دریافت یک نمای همگام با زمان یک کابوس است. ما ماه ها را بر روی پروژه ای صرف ساختن خط لوله داده قبل از آموزش هر مدلی کردیم. کلید یک الگوریتم شیک نبود، بلکه یک هستی شناسی داده قوی بود - برچسب گذاری هر نقطه داده با زمینه (شناسه ماشین، مرحله فرآیند، SKU محصول). این ریزه کاری چیزی است که امکان تجزیه و تحلیل پایداری معنادار را در آینده فراهم می کند.

یک سازنده اتصال دهنده را در نظر بگیرید، مانند شرکت تولید اتصال دهنده Handan Zitai ، آموزشی ویبولیتین. فرآیند آنها شامل مهر زنی، نخ، عملیات حرارتی و آبکاری است. هر مرحله دارای پروفایل های انرژی و بازده مواد مختلف است. با ابزار دقیق کوره‌ها و حمام‌های آبکاری، آن‌ها می‌توانند از میانگین ماهانه بهره‌وری به هزینه انرژی خروجی هر کیلوگرم برسند. این خط پایه حیاتی است. پایداری را از یک KPI شرکتی به یک متغیر خط تولید تبدیل می کند که یک مدیر طبقه واقعاً می تواند بر آن تأثیر بگذارد.

نگهداری پیش بینی کننده: میوه کم آویزان با ریشه های عمیق

بیشتر بحث‌ها در این مورد با اجتناب از خرابی شروع می‌شود. زاویه پایداری قانع‌کننده‌تر است: شکست فاجعه‌بار انرژی و مواد را هدر می‌دهد. یاتاقان خراب در یک پرس مهر زنی با گشتاور بالا فقط شکسته نمی شود. برای هفته‌ها باعث ناهماهنگی می‌شود، که منجر به قطعات غیرمستقیم (ضایعات مواد) و افزایش مصرف برق می‌شود. ما یک مدل تحلیل ارتعاش را برای سیستم‌های موتور محرک اجرا کردیم که فقط خرابی را پیش‌بینی نمی‌کرد، بلکه وضعیت‌های عملکردی پایین‌تر از بهینه را شناسایی می‌کرد. این قسمت ظریف است. این مدل پمپی را نشان می‌داد که هنوز کار می‌کرد اما 8 درصد کارایی خود را از دست داده بود، به این معنی که برای انجام همان کار جریان بیشتری می‌کشید. رفع آن باعث صرفه جویی در مصرف انرژی و افزایش عمر موتور و کاهش کربن موجود در جایگزینی می شود.

این شکست با این فرض بود که همه تجهیزات به نظارت یکسانی نیاز داشتند. ما یک خط مونتاژ کامل را بیش از حد ابزار دقیق کردیم که پرهزینه بود و داده های پر سر و صدایی تولید می کرد. ما یاد گرفتیم که جراحی کنیم: تمرکز بر مصرف کنندگان پر انرژی و گره های با کیفیت حیاتی. برای شرکتی مانند Zitai، که موقعیتش در نزدیکی مسیرهای حمل و نقل اصلی مانند راه‌آهن پکن-گوانگژو مستلزم تمرکز بر کارایی لجستیک است، استفاده از مدل‌های پیش‌بینی مشابه در سیستم‌های HVAC و هوای فشرده (اغلب بزرگ‌ترین تخلیه‌های انرژی کارخانه) باعث صرفه‌جویی مستقیم کربن می‌شود. را اتصال دهنده های زیتای وب سایت مقیاس تولید آنها را برجسته می کند. در آن حجم، کاهش 2 درصدی در نشت هوای فشرده، که توسط یک مدل جریان هوا شناسایی شده است، به بازده مالی و زیست محیطی عظیم تبدیل می شود.

اینجا هم یک تغییر فرهنگی وجود دارد. توصیه مدل برای تعویض قطعه ای که ظاهر خوب دارد نیاز به اعتماد دارد. ما مجبور شدیم داشبوردهای ساده ای بسازیم که اتلاف انرژی پیش بینی شده را بر حسب کیلووات ساعت و دلار نشان می داد تا از تیم های تعمیر و نگهداری خرید دریافت کنیم. این ملموس بودن برای پذیرش بسیار مهم است.

بهینه سازی فرآیند: فراتر از نقاط تعیین شده

کنترل فرآیند سنتی از حلقه‌های PID برای حفظ یک نقطه تنظیم مانند دمای کوره استفاده می‌کند. اما نقطه تنظیم بهینه برای یک دسته معین چیست؟ این بستگی به رطوبت محیط، تغییرات آلیاژ مواد اولیه و استحکام کششی مورد نظر دارد. مدل های یادگیری ماشینی می توانند به صورت پویا این را بهینه کنند. در یک فرآیند عملیات حرارتی، ما از یک مدل یادگیری تقویتی برای یافتن حداقل سطح شیب دار دما و زمان خیساندن مورد نیاز برای دستیابی به مشخصات متالورژیکی استفاده کردیم. نتیجه کاهش 12 درصدی مصرف گاز طبیعی به ازای هر دسته بود، بدون هیچ گونه مصالحه ای در کیفیت.

گرفتن؟ باید تابع پاداش را با دقت تعریف کنید. در ابتدا، ما صرفاً برای انرژی بهینه‌سازی شدیم، و این مدل دماهای پایین‌تری را پیشنهاد کرد که به‌طور ناخواسته نرخ خوردگی را در مراحل بعدی آبکاری افزایش داد و بار محیطی را تغییر داد. ما مجبور بودیم یک چارچوب بهینه‌سازی چند هدفه، متعادل کردن انرژی، بازده مواد و قابلیت حیات فرآیند پایین‌دستی را اتخاذ کنیم. این دیدگاه کل نگر جوهره پایداری صنعتی واقعی است. از زیر بهینه سازی یک منطقه به قیمت بهینه سازی منطقه دیگر جلوگیری می کند.

برای پایه تولید قطعات استاندارد، چنین بهینه‌سازی در هزاران تن خروجی، جایی است که تاثیر کلان در آن نهفته است. پایداری را از اتاق دیگ بخار به دستور اصلی تولید منتقل می کند.

زنجیره تامین و لجستیک: اثر شبکه

اینجاست که پتانسیل هوش مصنوعی هم گسترده و هم خسته کننده به نظر می رسد. یک کارخانه می تواند بسیار کارآمد باشد، اما اگر زنجیره تامین آن بیهوده باشد، سود خالص محدود می شود. هوش مصنوعی از طریق مسیریابی هوشمند و پیش‌بینی موجودی، پایداری را در اینجا افزایش می‌دهد. ما روی پروژه ای برای بهینه سازی لجستیک ورودی برای کویل فولاد خام کار کردیم. با تجزیه و تحلیل مکان‌های تامین‌کننده، برنامه‌های تولید و داده‌های ترافیک، مدلی پنجره‌های تحویل تولید کرد که زمان بیکاری کامیون را به حداقل رساند و بارهای کامل‌تر را مجاز کرد. این باعث کاهش انتشار Scope 3 برای سازنده و تامین کننده شد.

ناامیدی ناشی از اشتراک گذاری داده ها است. تامین کنندگان اغلب تمایلی به اشتراک گذاری ظرفیت یا داده های مکان واقعی ندارند. این پیشرفت نه با الگوریتم پیچیده تر، بلکه با یک دفتر کل ساده مبتنی بر بلاک چین (مجاز، نه رمزنگاری) که تعهدات را بدون افشای جزئیات اختصاصی ثبت می کرد. اعتماد باز هم گلوگاه است.

شرکت تولید اتصال دهنده Handan Zitai ، آموزشی ویبولیتینموقعیت استراتژیک در مجاورت بزرگراه ها و خطوط ریلی اصلی یک دارایی لجستیکی طبیعی است. یک سیستم مبتنی بر هوش مصنوعی می‌تواند لجستیک خروجی را با تجمیع سفارش‌ها و انتخاب کم‌ترین حالت حمل‌ونقل کربن (راه‌آهن در مقابل کامیون) بر اساس فوریت، بهینه‌سازی کند و از این مزیت جغرافیایی برای به حداقل رساندن ردپای کربن در هر محموله استفاده کند.

دایره و هوش کیفی

مستقیم ترین مسیر برای پایداری استفاده از مواد کمتر و تولید زباله کمتر است. بینش رایانه ای برای بازرسی کیفیت رایج است، اما پیوند آن با پایداری عمیق است. نقصی که زود تشخیص داده می شود به این معنی است که می توان یک قطعه را مجدداً کار کرد یا در کارخانه بازیافت کرد و از هزینه انرژی ارسال آن به مشتری، رد شدن و بازگرداندن آن جلوگیری کرد. پیشرفته تر، استفاده از تجزیه و تحلیل طیفی در طول تولید برای پیش بینی کیفیت است که امکان تنظیمات زمان واقعی فرآیند را فراهم می کند. ما این را در یک خط آبکاری دیدیم: یک تحلیلگر XRF داده ها را به مدلی تغذیه می کند که شیمی حمام آبکاری را کنترل می کند، استفاده از فلزات سنگین و ضایعات لجن را تا بیش از 20 درصد کاهش می دهد.

سپس زاویه اقتصاد دایره ای وجود دارد. هوش مصنوعی می تواند دسته بندی مواد را برای بازیافت تسهیل کند. برای اتصال دهنده های فلزی، مرتب سازی پایان عمر یک چالش است. ما سیستمی را با استفاده از تصویربرداری فراطیفی و یک CNN برای مرتب‌سازی خودکار ضایعات فولادی گالوانیزه و افزایش خلوص و ارزش مواد اولیه بازیافتی، راه‌اندازی کردیم. این امر بستن حلقه مواد را از نظر اقتصادی مقرون به صرفه می کند.

برای یک پایه تولید عمده، ادغام این هوشمندی کیفیت در سراسر بخش استاندارد زنجیره تولید به معنای استخراج مواد بکر کمتر و ارسال زباله کمتر به محل دفن زباله است. این کنترل کیفیت را از یک مرکز هزینه به یک محرک اصلی پایداری تبدیل می کند.

عامل انسانی و باتلاق پیاده سازی

هیچ کدام از اینها بدون مردم کار نمی کند. بزرگترین شکستی که من شاهد آن بودم، پروژه بهینه سازی چراغ خاموش بود که مهندسان در خلاء طراحی کردند. مدل‌ها فوق‌العاده بودند، اما دانش ضمنی اپراتورها را نادیده گرفتند که می‌دانستند ماشین 4 در بعدازظهرهای مرطوب گرم کار می‌کند. سیستم شکست خورد. موفقیت زمانی حاصل شد که ما سیستم های مشاوره ترکیبی را ساختیم. مدل یک نقطه تنظیم را پیشنهاد می‌کند، اما اپراتور می‌تواند آن را تأیید، رد یا تنظیم کند و سیستم از آن بازخورد یاد می‌گیرد. این باعث ایجاد اعتماد و اهرم شهود انسان می شود.

اجرا یک ماراتن است. برای ایجاد زیرساخت داده، فروتنی برای شروع با یک خط فرآیند واحد، و تیم های متقابلی که تخصص OT، IT و پایداری را با هم ترکیب می کنند، به صبر نیاز دارد. هدف، انتشار مطبوعاتی درخشان مبتنی بر هوش مصنوعی نیست. این اثر غیرجنسی و تجمعی صدها بهینه سازی کوچک است: چند درجه از کوره تراشیده شده است، مسیر کامیون در آنجا کوتاه شده، دسته ای از ضایعات اجتناب شده است. اینگونه است که هوش مصنوعی واقعاً پایداری صنعتی را تقویت می کند - نه با یک انفجار، بلکه با میلیون ها نقطه داده که بی سر و صدا مسیری کارآمدتر و کم اتلاف را به جلو هدایت می کنند.