هوش مصنوعی چگونه پایداری در تولید را افزایش می دهد؟ 

وقتی مردم هوش مصنوعی را در تولید می شنوند، اغلب به چشم انداز کارخانه های کاملاً مستقل و خاموش می روند. این یک هدف پر زرق و برق است، اما این جایی نیست که کار واقعی و سنگین تقویت پایداری امروز در حال انجام است. تاثیر واقعی بیشتر است و اغلب در کارهای روزمره بهینه سازی مصرف انرژی، کاهش ضایعات مواد و کاهش هرج و مرج زنجیره تامین پنهان است. این موضوع کمتر به ربات‌ها مربوط می‌شود و بیشتر درباره سیستم‌های هوشمندی است که دید دانه‌ای را فراهم می‌کنند که ما همیشه برای تصمیم‌گیری‌هایی که هم از نظر اقتصادی و هم از نظر زیست‌محیطی مناسب هستند نداشتیم. ارتباط بین هوش مصنوعی و پایداری خودکار نیست. نیاز به تغییری عمدی در آنچه برای اندازه گیری و کنترل انتخاب می کنیم دارد.

فراتر از هیپ: انرژی به عنوان اولین مرز

بیایید با انرژی، مستقیم ترین هزینه و ردپای کربن شروع کنیم. برای سال‌ها، ما به تعمیر و نگهداری برنامه‌ریزی‌شده و رتبه‌بندی‌های راندمان ضربات گسترده متکی بودیم. تغییر دهنده بازی حسگرها را تعبیه کرده و از هوش مصنوعی برای بهینه سازی انرژی پیش بینی شده استفاده می کند. من فقط در مورد خاموش کردن ماشین ها صحبت نمی کنم. این در مورد درک بار دینامیکی کل خط تولید است. به عنوان مثال، یک مدل هوش مصنوعی می‌تواند یاد بگیرد که یک پرس مهر زنی خاص، نه تنها در حین کار، بلکه تا 15 دقیقه پس از آن، با کارکرد سیستم‌های خنک‌کننده، افزایش قدرت می‌گیرد. با تجزیه و تحلیل زمان‌بندی‌های تولید، می‌توان تاخیرهای ریز بین دسته‌ها را برای جلوگیری از اوج گرفتن همزمان از فشارهای متعدد، مسطح کردن منحنی انرژی بدون تأثیر بر توان ارائه کرد. این نظری نیست؛ من دیده ام که 8 تا 12 درصد از قبض انرژی را در یک مرکز آهنگری کاهش می دهد، که در مقیاس عظیم است.

بخش مشکل کیفیت داده است. شما به داده های گرانول سری زمانی از ماشین، پست پست و حتی شبکه در صورت امکان نیاز دارید. یکی از پروژه های شکست خورده در اوایل تلاش برای بهینه سازی یک کوره عملیات حرارتی بدون جریان سنج دقیق گاز بود. مدل هوش مصنوعی اساساً حدس می زد و بهینه سازی ها باعث به خطر افتادن خواص متالورژیکی قطعات می شد. ما راه سختی را یاد گرفتیم: شما نمی توانید آنچه را که نمی توانید دقیق اندازه گیری کنید مدیریت کنید. هوش مصنوعی فقط به اندازه ورودی های حسی خوب است.

این منجر به یک نکته ظریف می شود: هوش مصنوعی اغلب ابزار دقیق تر را توجیه می کند. برای ایجاد یک مورد پایداری برای هوش مصنوعی، ابتدا روی اندازه گیری بهتر سرمایه گذاری می کنید. این یک چرخه با فضیلت است. هنگامی که آن جریان داده را دارید، می‌توانید از پیش‌بینی به عمل تجویزی حرکت کنید - مانند تنظیم خودکار نقاط تنظیم فشار کمپرسور بر اساس تقاضای بلادرنگ در یک شبکه پنوماتیک، چیزی که همیشه برای بدترین سناریو تنظیم می‌شد و مقادیر زیادی انرژی را هدر می‌داد.

جنگ با زباله: از انبوه ضایعات تا دوقلوهای دیجیتال

زباله های مادی ضرر خالص مالی و زیست محیطی است. در تولید بست، مانند شرکتی مانند شرکت تولید اتصال دهنده Handan Zitai ، آموزشی ویبولیتین واقع در پایگاه اصلی تولید قطعات استاندارد چین، رویکرد سنتی شامل بازرسی پس از تولید است: یک دسته ساخته می‌شود، برخی نمونه‌برداری می‌شوند، و اگر نقصی پیدا شود، کل قطعه ممکن است از بین برود یا دوباره کار شود. این فوق العاده اسراف کننده است.

بینایی کامپیوتری برای تشخیص بی‌درنگ عیب‌ها در حال حاضر به شرط جدول است. اما استفاده عمیق تر از هوش مصنوعی در بهینه سازی پارامترهای فرآیند برای جلوگیری از ایجاد زباله در وهله اول است. با وارد کردن داده‌های فرآیند هدینگ سرد - قطر سیم، دما، سرعت ماشین، سایش قالب - به یک مدل، می‌توانیم احتمال ترک‌های سر یا عدم دقت ابعاد را قبل از ساخت یک قطعه پیش‌بینی کنیم. سپس سیستم می تواند تنظیماتی را توصیه کند، مثلاً افزایش جزئی در دمای بازپخت یا کاهش نرخ تغذیه.

پروژه‌ای را به یاد می‌آورم که در آن یک سایه دیجیتال (نسخه ساده‌تر یک دوقلو دیجیتال کامل) برای خط تولید پیچ و مهره ساختیم. هدف به حداقل رساندن تلفات برش بود - سیم باقیمانده پس از بریده شدن یک پیچ. با تجزیه و تحلیل سبد سفارشات و محدودیت‌های ماشین، سیستم برنامه‌ریزی هوش مصنوعی می‌تواند سفارش‌ها را برای استفاده کامل‌تر از سیم‌پیچ‌ها ترتیب دهد و ضایعات اصلاحی را از میانگین 3.2٪ به کمتر از 1.7٪ کاهش دهد. کوچک به نظر می رسد، اما در هزاران تن فولاد سالانه، صرفه جویی در مواد خام و انتشار کربن مرتبط با تولید فولاد قابل توجه است. می‌توانید ببینید که چگونه شرکت‌هایی در مراکزی مانند منطقه Yongnian، با حجم بالای خروجی‌شان، از چنین بهینه‌سازی‌های دانه‌ای سود زیادی می‌برند.

انعطاف پذیری زنجیره تامین و ردپای کربن

اینجاست که پیچیده می شود. یک زنجیره تامین پایدار فقط به انتخاب یک تامین کننده سبز نیست. این در مورد کارایی و انعطاف پذیری برای جلوگیری از حمل و نقل هوایی اضطراری و کربن فشرده است. پیش‌بینی تقاضای مبتنی بر هوش مصنوعی، زمانی که کار می‌کند، تولید را هموار می‌کند، نیاز به اضافه کاری (که اغلب به معنای کارآیی کمتر و پرهزینه‌تر است) و سفارش‌های وحشتناک را کاهش می‌دهد.

ما تجزیه و تحلیل ریسک زنجیره تامین چند لایه را با بهینه سازی لجستیک برای مشتری یکپارچه کردیم. این سیستم آب و هوا، تراکم بندرها و حتی ترکیب انرژی منطقه تامین کننده را کنترل می کرد (به عنوان مثال، آیا امروز شبکه آنها از زغال سنگ کار می کند یا انرژی های تجدید پذیر؟). این پیشنهاد تغییر مسیر محموله‌ها به محموله‌های دریایی کندتر اما کم انتشار را در زمانی که جدول زمانی اجازه می‌دهد، یا تجمیع بارها برای پر کردن کانتینرها تا ظرفیت 98 درصد به جای 85 درصد معمولی را پیشنهاد می‌کند. را پایداری سود در اینجا غیر مستقیم اما قدرتمند است: بهره وری کربن را در تصمیمات لجستیکی روزانه گنجانده است.

حالت شکست در اینجا بهینه سازی بیش از حد است. یک مدل پیشنهاد می کرد همیشه از یک تامین کننده واحد، بسیار سبز اما با ظرفیت محدود برای به حداقل رساندن انتشار گازهای گلخانه ای استفاده شود. نتوانست خطر تعطیلی را به حساب آورد، که در نهایت اتفاق افتاد و باعث شد تا چندین تامین‌کننده کم‌بهینه را به چالش بکشد. درس این بود که اهداف پایداری باید با محدودیت‌های استحکام در عملکرد هدف هوش مصنوعی متعادل شوند. شما نمی توانید فقط کربن را به حداقل برسانید. شما باید ریسک را مدیریت کنید

عنصر انسانی: تصمیم گیری تقویت شده

این مهم است. هوش مصنوعی کارخانه را اداره نمی کند. مردم انجام می دهند. موثرترین پیاده‌سازی‌هایی که من دیده‌ام، جایی است که هوش مصنوعی به عنوان مشاور عمل می‌کند. این یک ناهنجاری را نشان می دهد: مصرف انرژی در هر واحد در خط 3 18 درصد بالاتر از معیار ترکیب محصول فعلی است. علت احتمالی: سایش یاتاقان در نوار نقاله موتور B-12، کاهش بازده تخمینی 22٪. این به تیم تعمیر و نگهداری یک وظیفه هدفمند و اولویت بندی شده با پایداری و تأثیر هزینه روشن می دهد.

این فرهنگ را تغییر می دهد. پایداری یک KPI مجزا از بازده تولید نیست. هنگامی که مدیر طبقه می بیند که بهینه سازی برای نرخ های ضایعات کمتر همچنین مصرف انرژی و مواد خام را در هر قطعه خوب کاهش می دهد، اهداف همسو می شوند. آموزش هوش مصنوعی به مردم نیز آموزش می دهد. برای برچسب گذاری داده ها برای مدل تشخیص عیب، مهندسان کیفیت باید حالت های خرابی را عمیقاً تجزیه و تحلیل کنند. این فرآیند خود اغلب منجر به بهبود فرآیند قبل از استقرار مدل می شود.

مقاومت طبیعی است. ترس معتبری از توصیه های جعبه سیاه وجود دارد. به همین دلیل است که توضیح پذیری کلیدی است. اگر سیستم بگوید دمای کوره را تا 15 درجه سانتیگراد کاهش دهید، باید استدلال را نیز ارائه دهد: داده های تاریخی نشان می دهد اجراهایی با پارامترهای X و Y در این دمای پایین تر منجر به سختی یکسان با مصرف گاز طبیعی 8 درصد کمتر شده است. این اعتماد ایجاد می کند و هوش مصنوعی را به یک ابزار مشارکتی برای پایداری تبدیل می کند تولید.

نگاه به آینده: چالش ادغام

آینده در برنامه های کاربردی هوش مصنوعی مستقل برای انرژی یا کیفیت نیست. این در بهینه‌سازی فرآیند یکپارچه است که اهداف متعدد و گاهی رقابتی را متعادل می‌کند: توان عملیاتی، بازده، مصرف انرژی، سایش ابزار و ردپای کربن. این یک مسئله بهینه سازی چند هدفه است که فراتر از محاسبه انسان در زمان واقعی است.

ما سیستم‌هایی را آزمایش می‌کنیم که سفارش مشتری را می‌پذیرند و به صورت پویا پایدارترین مسیر تولید را تعیین می‌کنند. آیا این دسته از بست‌ها باید روی خط قدیمی‌تر و کندتر که اکنون توسط آرایه خورشیدی جدید کارخانه تغذیه می‌شود، ساخته شود یا روی خط جدیدتر و سریع‌تر که از شبکه تغذیه می‌کند اما نرخ ضایعات کمتری دارد؟ هوش مصنوعی می‌تواند تاثیر خالص کربن، از جمله کربن تجسم یافته در هر ضایعات احتمالی را محاسبه کند و مسیر واقعاً بهینه را توصیه کند. این تفکر سطح بعدی است.

آخرین مانع یکپارچه سازی ارزیابی چرخه عمر است. واقعی تقویت پایداری زمانی حاصل می شود که هوش مصنوعی در تولید به داده هایی در مورد تأثیر چرخه عمر کامل مواد و فرآیندها دسترسی داشته باشد. انتخاب بین یک روکش روی و یک پوشش پلیمری جدید فقط یک تصمیم هزینه نیست. این تصمیم در مورد استفاده از مواد شیمیایی، دوام و قابلیت بازیافت در پایان عمر است. ما هنوز به آنجا نرسیده‌ایم، اما کار اساسی - دیجیتالی کردن فرآیندها، ابزار دقیق و تحت کنترل تطبیقی ​​- چیزی است که آینده را ممکن می‌کند. این یک راه طولانی و غیر جذاب برای حل یک مشکل کوچک و بیهوده در یک زمان است.