هوش مصنوعی چگونه پایداری در تولید را افزایش می دهد؟ 

هنگامی که مردم هوش مصنوعی را در تولید می شنوند، اغلب به چشم انداز کارخانه های کاملاً خودمختار و خاموش می روند - یک ایده آل زرق و برق دار اما تا حدی گمراه کننده. تأثیر واقعی و سنگین بر پایداری، جایگزینی انسان نیست. این در مورد تقویت توانایی ما برای مشاهده و عمل بر روی ناکارآمدی هایی است که به طور سنتی به عنوان هزینه های عملیاتی پذیرفته شده ایم. در جریان دائمی و نامرئی انرژی، مصرف بیش از حد مواد خام و ضایعات قابل پیشگیری است که هوش مصنوعی با ارزش ترین نقش خود را می یابد. دیدگاه خود من، که با قدم زدن طبقات کارخانه شکل گرفته است، این است که تقویت از یک راه حل بزرگ منفرد نیست، بلکه از لایه بندی مداخلات عملی و مبتنی بر داده در فرآیندهای موجود می آید. هدف کمال نیست، بلکه بهبود قابل اندازه گیری و تکرار شونده است که مهم است: نتیجه و ردپای محیطی.

فراتر از هیپ: مشخص کردن جریان های زباله

نقطه شروع، دید است. برای چندین دهه، تلاش‌های پایداری اغلب حدس‌آمیزی بود - تعمیر و نگهداری برنامه‌ریزی شده چه نیاز باشد یا نه، سفارش‌های مواد انبوه بر اساس میانگین‌های تاریخی، مصرف انرژی به عنوان سربار ثابت. من پروژه ای را در یک مرکز تولید اتصال دهنده ها به یاد می آورم، بی شباهت به چیزی که با یک بازیکن بزرگ مانند پیدا می کنید. شرکت تولید اتصال دهنده Handan Zitai ، آموزشی ویبولیتین در Yongnian، قلب تولید قطعات استاندارد چین. چالش آنها یک چالش رایج بود: تفاوت قابل توجهی در مصرف سیم فولادی خام به ازای هر دسته پیچ و مهره با استحکام بالا، که منجر به هزینه و ضایعات فلزات می شود. فرض بر این بود که این دقیقاً همان روشی بود که ماشین‌ها کار می‌کردند.

ما بینایی ماشین و آرایه‌های حسگر نسبتاً ساده‌ای را روی سربرگ‌های آهنگری سرد و غلتک‌های رزوه‌ای مستقر کردیم. وظیفه هوش مصنوعی کنترل دستگاه نبود، بلکه ارتباط هزاران نقطه داده - دمای محیط، سرعت تغذیه سیم، نشانگرهای سایش قالب، فشار روانکاری - با وزن واحد نهایی و کیفیت هر قطعه بود. در عرض چند هفته، این الگو ظاهر شد: یک نوسان خاص و ظریف در مکانیسم تغذیه سیم، که در طول تغییرات شیفت تشدید می‌شد، باعث مصرف بیش از حد ثابت 1.8 درصدی شد. این اشتباهی نبود که کسی ثبت کرده باشد. این یک مالیات پنهان برای هر کیلوگرم مواد بود.

راه حل، هوش مصنوعی نبود. رفع مشکل یک تنظیم مکانیکی و یک تغییر در رویه اپراتور بود. هوش مصنوعی تشخیص را ارائه کرد. این تقویت سطح اول است: تبدیل پایداری از یک هدف فلسفی به یک مشکل مهندسی دقیق و قابل سنجش. این مکالمه را از جایی که ما باید مطالب را ذخیره کنیم به سمتی سوق می دهد که 1.8٪ از مطالب خود را در نقطه X به دلیل Y از دست می دهیم.

انرژی: از هزینه ثابت تا متغیر پویا

مدیریت انرژی یکی دیگر از مناطق مملو از میوه های کم آویزان است. بسیاری از تولیدکنندگان، به ویژه در فرآیندهای پر انرژی مانند عملیات حرارتی یا آبکاری الکتریکی - که در صنعت اتصال دهنده‌ها در اطراف Handan رایج است - قدرت را به عنوان یک صورتحساب یکپارچه در نظر می‌گیرند. آنها ممکن است کمپرسورهای غیر ضروری را اجرا کنند یا چرخه های پیش گرمایش کوره را در برنامه های ثابت و همسو با ارزان ترین پنجره های تعرفه ای اجرا کنند، اما این اغلب محدودیت است.

ما تعادل بار پیش‌بینی‌کننده مبتنی بر هوش مصنوعی را با یک سیستم نظارت بر انرژی در زمان واقعی یکپارچه کردیم. این فقط به برنامه نرخ آب و برق نگاه نمی کرد. اینرسی حرارتی هر کوره، سیگنال‌های تقاضای واقعی از خطوط آبکاری، و حتی شدت کربن شبکه محلی را بر اساس داده‌های ترکیب انرژی منطقه‌ای پیش‌بینی کرد. سپس این سیستم می‌تواند تاخیرهای کوچک یا شتاب‌گیری در فرآیندهای غیر بحرانی را توصیه کند - و بعداً به‌طور مستقل اجرا کند.

به عنوان مثال، ممکن است پیشنهاد شود دسته ای از بست ها را در صف بازپخت پس از فورج برای 20 دقیقه بیشتر نگه دارید تا از یک دوره اوج شبکه که ردپای کربن منطقه ای بالاترین بود، جلوگیری شود، حتی اگر هزینه پولی مشابه باشد. این امر صرفه جویی در هزینه را با کاهش کربن هماهنگ می کند، به گونه ای که برنامه های استاتیک هرگز نمی توانند. صرفه جویی در یک ساعت چشمگیر نبود، اما در طی یک چهارم، کاهش هزینه های اوج تقاضا و ردپای کربن مرتبط قابل توجه بود. مصرف انرژی را به یک متغیر پویا و پاسخگو تبدیل کرد، نه یک پس زمینه.

معضل انسان در حلقه

اینجاست که شما به یک مشکل عملی برخورد می کنید. مدل بهینه ممکن است بگوید یک دسته را به تعویق می اندازد، اما مدیر طبقه یک کامیون دارد که ساعت 4 بعد از ظهر می رسد. بهینه سازی خالص می تواند با واقعیت لجستیک تضاد داشته باشد. موفقیت‌آمیزترین پیاده‌سازی‌هایی که من دیده‌ام در معیار میزان انطباق ایجاد شده‌اند. هوش مصنوعی پیشنهاد می کند، انسان دور می زند و سیستم از نادیده گرفتن ها درس می گیرد. با گذشت زمان، اگر سیستم ببیند که برنامه های حمل و نقل یک محدودیت غیرقابل تغییر است، شروع به فاکتورگیری آن در قبل می کند. این یک همکاری است، نه تصاحب. این تنظیم کثیف و تکراری چیزی است که پروژه های دانشگاهی را از ابزارهای دنیای واقعی جدا می کند.

تعمیر و نگهداری پیش بینی شده: سنگ بنای بهره وری منابع

این شاید بالغ‌ترین کاربرد باشد، اما زاویه پایداری آن گاهی اوقات کمتر مورد توجه قرار می‌گیرد. این فقط برای جلوگیری از خرابی نیست. بلبرینگ معیوب در دستگاه سیم کشی با سرعت بالا فقط می شکند. ابتدا باعث افزایش اصطکاک می شود و باعث افزایش مصرف انرژی برای هفته ها می شود. قالبی که کمی ناهماهنگ است، فقط نمی‌چپد. درصد فزاینده‌ای از عیوب زیرسطحی را ایجاد می‌کند که منجر به شکست قطعاتی می‌شود که پس از صرف انرژی و مواد کامل روی آن‌ها، بررسی‌های کیفیت را انجام نمی‌دهند.

مدل‌های هوش مصنوعی با حرکت از تعمیر و نگهداری برنامه‌ریزی شده به تعمیر و نگهداری مبتنی بر شرایط با استفاده از تحلیل ارتعاشی، صوتی و حرارتی، از تخریب آهسته و بیهوده فرآیندها جلوگیری می‌کنند. من موردی را به یاد می‌آورم که در آن مدل یک کمپرسور را بر اساس یک تغییر ظریف در امضای الکتریکی آن علامت‌گذاری کرد. گزارش تعمیر و نگهداری نشان داد که با همه معیارهای استاندارد خوب است. پس از بررسی، یک سوپاپ کوچک شروع به چسبیدن کرد که باعث شد دستگاه برای حفظ فشار 7 درصد بیشتر کار کند. این یعنی 7 درصد برق بیشتر، در هر ساعت، برای مشکلی که سه ماه دیگر تا سرویس برنامه ریزی شده بعدی از دست می رفت.

سود پایداری در اینجا دو برابر است: انرژی هدر رفته توسط تجهیزات را کاهش می دهد و طول عمر کل دارایی سرمایه خود را افزایش می دهد و هزینه های زیست محیطی تولید و جایگزینی دستگاه را کاهش می دهد. این یک تغییر عمیق از در نظر گرفتن تجهیزات به عنوان چیزی است که تا زمانی که خراب می شود، به آن به عنوان یک سیستم که کارایی آن باید دائماً محافظت شود.

زنجیره تامین و طراحی: اهرم بالادستی

نفوذ فراتر از دروازه کارخانه گسترش می یابد. برای تولیدکننده‌ای مانند Zitai Fasteners که موقعیتش در نزدیکی شریان‌های حمل‌ونقل اصلی مانند راه‌آهن پکن-گوانگژو یک مزیت لجستیکی است، هوش مصنوعی می‌تواند این مزیت را برای پایداری بهینه کند. سیستم‌های برنامه‌ریزی پیشرفته اکنون می‌توانند نه تنها هزینه و زمان، بلکه ردپای کربن در حالت‌ها و مسیرهای مختلف حمل‌ونقل را در نظر بگیرند و سطوح موجودی را در مقابل گزینه‌های حمل و نقل سبزتر اما کندتر متعادل کنند.

به‌طور دقیق‌تر، الگوریتم‌های طراحی مولد، که در همکاری با مشتریان استفاده می‌شوند، می‌توانند بهینه‌سازی بخش را پیشنهاد کنند. اگر تغییر جزئی در طراحی ایجاد شود، آیا براکت می تواند از مواد کمتری استفاده کند؟ اگر پارامترهای تولیدی تنظیم شده باشند، آیا درجه متفاوتی از فولاد، با فرآیند تولید انرژی بر کمتر، کافی است؟ اینجاست که هوش مصنوعی به عنوان یک کاتالیزور برای مکالمات پایدار طراحی برای تولید عمل می کند و به طور بالقوه بار مواد و انرژی را قبل از سفارش تولید کاهش می دهد. پایداری را در زنجیره ارزش به سمت بالا حرکت می کند.

موانع و انتظارات واقع بینانه

همه چیز روان نبوده است. بزرگ‌ترین حالت شکستی که من شاهد آن بوده‌ام، رویکرد جوشاندن اقیانوس است: تلاش برای ساختن یک دوقلوی دیجیتالی کامل و گسترده از روز اول. زیرساخت داده فرو می‌ریزد، مدل‌ها بیش از حد پیچیده می‌شوند و پروژه زیر وزن خودش از بین می‌رود. موفقیت از انتخاب یک جریان زباله دردناک - مانند مثال مصرف بیش از حد مواد - و حل آن حاصل می شود. مقدار را ثابت کنید، سپس مقیاس کنید.

موضوع دیگر کیفیت داده ها است. در خطوط تولید قدیمی، دریافت داده‌های تمیز و هماهنگ با زمان از PLC‌های متفاوت و لاگ‌های دستی یک کار بزرگ است. گاهی اوقات، 80٪ از پروژه اولیه فقط ایجاد یک خط لوله داده قابل اعتماد است. شما همچنین با مقاومت فرهنگی روبرو هستید. اگر پیشنهاد هوش مصنوعی در مصرف انرژی صرفه جویی کند اما یک مرحله برای اپراتور اضافه کند، نادیده گرفته می شود مگر اینکه در درازمدت کار آنها را آسان تر یا سازگارتر کند.

بنابراین، چگونه هوش مصنوعی واقعاً پایداری را تقویت می کند؟ این یک عصای جادویی نیست. این یک ذره بین و یک ماشین حساب بی امان است. به ناکارآمدی‌های پنهان و پرهزینه‌ای که ما یاد گرفته‌ایم زندگی با آن‌ها را بیاموزیم می‌تابد - کیلووات ساعت اضافی، گرم فولاد هدر رفته، پوسیدگی آهسته یک ماشین. این شواهد مورد نیاز برای توجیه سرمایه‌گذاری در فرآیندهای بهتر را ارائه می‌کند و به انسان‌ها قدرت می‌دهد تا تصمیم‌های هوشمندانه‌تر و آگاهانه‌تری اتخاذ کنند که در مجموع ردپای زیست‌محیطی ایجاد کارها را کاهش می‌دهد. تقویت تجمعی، تکراری و عمیقاً عملی است. این جاه طلبی تولید پایدار را از یک گزارش در اتاق هیئت مدیره به یک تمرین روزانه در طبقه مغازه تبدیل می کند.