જ્યારે લોકો AI અને ટકાઉપણું વિશે વાત કરે છે, ત્યારે વાતચીત ઘણીવાર સીધા ભવિષ્યના વિઝન પર જાય છે: સ્વાયત્ત ગ્રીડ, સ્વ-ઑપ્ટિમાઇઝિંગ શહેરો. વાસ્તવિક મેન્યુફેક્ચરિંગના ખાઈમાં, વાસ્તવિકતા વધુ કઠોર અને વધતી જાય છે. વાસ્તવિક પ્રોત્સાહન એ રોબોટ્સ સાથે મનુષ્યોને બદલવા વિશે નથી; તે સિસ્ટમોમાં નિર્ણય લેવાની ક્ષમતાને વધારવા વિશે છે જે નામચીન રીતે નકામા અને અપારદર્શક છે. ગેરસમજ એ છે કે ટકાઉપણું માત્ર ઓછી ઉર્જાનો ઉપયોગ કરવા વિશે છે. તે વધુ ઊંડું છે - તે કાચા માલથી લઈને લોજિસ્ટિક્સ સુધીના પ્રણાલીગત સંસાધન બુદ્ધિ વિશે છે, અને તે તે છે જ્યાં મશીન લર્નિંગ મોડલ્સ, માત્ર સામાન્ય AI જ નહીં, શાંતિથી રમતને બદલી રહ્યા છે.

ફાઉન્ડેશન: ડેટા ફિડેલિટી અને ડાર્ક ફેક્ટરી ફ્લોર

તમે જે માપી શકતા નથી તે તમે મેનેજ કરી શકતા નથી, અને વર્ષોથી, ઔદ્યોગિક ટકાઉપણું અનુમાનિત કાર્ય હતું. અમારી પાસે ઉર્જા બિલો હતા, હા, પરંતુ ઉત્પાદન લાઇન 3 પર ચોક્કસ બેચ સાથે વપરાશમાં વધારો કરવો ઘણીવાર અશક્ય હતું. પ્રથમ, અસ્પષ્ટ પગલું સેન્સર પ્રસાર અને ડેટા હિસ્ટોરાઇઝેશન છે. મેં એવા પ્લાન્ટ્સ જોયા છે કે જ્યાં લેગસી કોમ્પ્રેસર સિસ્ટમ્સ પર સરળ વાઇબ્રેશન અને થર્મલ સેન્સર ઇન્સ્ટોલ કરવાથી ચક્રીય બિનકાર્યક્ષમતા જાહેર થઈ હતી જેણે તેમના પાવર ડ્રોના 15% બરબાદ કર્યા હતા. AI બૂસ્ટ અહીંથી શરૂ થાય છે: ઉર્જા અને સામગ્રીના પ્રવાહનું ઉચ્ચ-વફાદારી ડિજિટલ જોડિયા બનાવવું. આ ફાઉન્ડેશન વિના, કોઈપણ ટકાઉપણું દાવો માત્ર માર્કેટિંગ છે.

આ પ્લગ-એન્ડ-પ્લે નથી. સૌથી મોટી અડચણ ડેટા સિલોસ છે. ઉત્પાદન ડેટા MES માં બેસે છે, અન્ય સિસ્ટમમાં ગુણવત્તા ડેટા અને ઉપયોગિતા મીટરમાંથી ઊર્જા ડેટા. સમય-સમન્વયિત દૃશ્ય મેળવવું એ એક દુઃસ્વપ્ન છે. કોઈપણ મોડેલને પ્રશિક્ષિત કરવામાં આવે તે પહેલાં અમે ડેટા પાઇપલાઇન બનાવવાના પ્રોજેક્ટ પર મહિનાઓ ગાળ્યા. ચાવી એ ફેન્સી અલ્ગોરિધમ ન હતી, પરંતુ એક મજબૂત ડેટા ઓન્ટોલોજી હતી - દરેક ડેટા પોઈન્ટને સંદર્ભ (મશીન આઈડી, પ્રક્રિયા પગલું, ઉત્પાદન SKU) સાથે ટેગ કરવું. આ ગ્રેન્યુલારિટી તે છે જે પછીથી અર્થપૂર્ણ ટકાઉપણું વિશ્લેષણ માટે પરવાનગી આપે છે.

ફાસ્ટનર ઉત્પાદકનો વિચાર કરો, જેમ કે હેન્ડન ઝીતાઇ ફાસ્ટનર મેન્યુફેક્ચરિંગ કું., લિ.. તેમની પ્રક્રિયામાં સ્ટેમ્પિંગ, થ્રેડીંગ, હીટ ટ્રીટમેન્ટ અને પ્લેટિંગનો સમાવેશ થાય છે. દરેક તબક્કામાં વિવિધ ઉર્જા રૂપરેખાઓ અને સામગ્રી ઉપજ હોય ​​છે. તેમની ભઠ્ઠીઓ અને પ્લેટિંગ બાથને ઇન્સ્ટ્રુમેન્ટ કરીને, તેઓ માસિક ઉપયોગિતા સરેરાશથી પ્રતિ-કિલોગ્રામ-ઓફ-આઉટપુટ ઊર્જા ખર્ચમાં આગળ વધી શકે છે. આ આધારરેખા નિર્ણાયક છે. તે કોર્પોરેટ KPI થી ટકાઉતાને પ્રોડક્શન-લાઇન વેરીએબલમાં ફેરવે છે જેને ફ્લોર મેનેજર ખરેખર પ્રભાવિત કરી શકે છે.

અનુમાનિત જાળવણી: ઊંડા મૂળવાળા ઓછા લટકતા ફળ

આ અંગેની મોટાભાગની ચર્ચાઓ ડાઉનટાઇમ ટાળવાથી શરૂ થાય છે. ટકાઉપણું કોણ વધુ આકર્ષક છે: આપત્તિજનક નિષ્ફળતા ઊર્જા અને સામગ્રીનો વ્યય કરે છે. ઉચ્ચ-ટોર્ક સ્ટેમ્પિંગ પ્રેસમાં નિષ્ફળ બેરિંગ માત્ર તૂટી જતું નથી; તે અઠવાડિયા માટે ખોટી ગોઠવણીનું કારણ બને છે, જે અયોગ્ય ભાગો (સામગ્રીનો કચરો) તરફ દોરી જાય છે અને પાવર ડ્રોમાં વધારો કરે છે. અમે મોટર-સંચાલિત સિસ્ટમ્સ માટે કંપન વિશ્લેષણ મોડેલ અમલમાં મૂક્યું છે જે માત્ર નિષ્ફળતાની આગાહી કરતું નથી, પરંતુ ઉપ-શ્રેષ્ઠ પ્રદર્શન સ્થિતિઓને ઓળખે છે. આ સૂક્ષ્મ ભાગ છે. મોડેલે એક પંપને ફ્લેગ કર્યો જે હજુ પણ કાર્યરત હતો પરંતુ 8% કાર્યક્ષમતા ગુમાવી દીધી હતી, એટલે કે તે જ કાર્ય કરવા માટે તે વધુ પ્રવાહ ખેંચી રહ્યો હતો. તેને ઠીક કરવાથી ઊર્જાની બચત થાય છે અને મોટરનું આયુષ્ય વધાર્યું છે, જેનાથી મૂર્ત કાર્બન રિપ્લેસમેન્ટથી ઘટે છે.

નિષ્ફળતા એ ધારી રહી હતી કે તમામ સાધનોને સમાન દેખરેખની જરૂર છે. અમે આખી એસેમ્બલી લાઇનને ઓવર-ઇન્સ્ટ્રુમેન્ટ કર્યું, જે ખર્ચાળ હતી અને ઘોંઘાટીયા ડેટા જનરેટ કરતી હતી. અમે સર્જિકલ બનવાનું શીખ્યા: ઉચ્ચ-ઉર્જા ઉપભોક્તાઓ અને નિર્ણાયક ગુણવત્તાવાળા નોડ્સ પર ધ્યાન કેન્દ્રિત કરો. Zitai જેવી કંપની માટે, જેનું સ્થાન બેઇજિંગ-ગુઆંગઝુ રેલ્વે જેવા મુખ્ય પરિવહન માર્ગોની નજીકનું સ્થાન લોજિસ્ટિક્સ કાર્યક્ષમતા પર ધ્યાન કેન્દ્રિત કરે છે, તેમના HVAC અને કોમ્પ્રેસ્ડ એર સિસ્ટમ્સમાં સમાન અનુમાનિત મોડલ લાગુ કરવાથી - ઘણીવાર પ્લાન્ટની સૌથી મોટી ઉર્જા ડ્રેઇન્સ - સીધી કાર્બન બચત પ્રાપ્ત કરશે. આ ઝીતાઇ ફાસ્ટનર્સ વેબસાઇટ તેમના ઉત્પાદન સ્કેલને પ્રકાશિત કરે છે; તે જથ્થામાં, એરફ્લો મોડલ દ્વારા ઓળખવામાં આવેલ કોમ્પ્રેસ્ડ એર લિકેજમાં 2% ઘટાડો, મોટા નાણાકીય અને પર્યાવરણીય વળતરમાં અનુવાદ કરે છે.

અહીં પણ સાંસ્કૃતિક પરિવર્તન છે. સુંદર દેખાતા ભાગને બદલવાની મોડેલની ભલામણને વિશ્વાસની જરૂર છે. જાળવણી ટીમો પાસેથી ખરીદી મેળવવા માટે અમારે kWh અને ડોલરમાં અંદાજિત ઉર્જાનો કચરો દર્શાવતા સાદા ડેશબોર્ડ બનાવવા પડ્યા હતા. દત્તક લેવા માટે આ મૂર્તતા નિર્ણાયક છે.

પ્રક્રિયા ઑપ્ટિમાઇઝેશન: સેટ પોઈન્ટ્સથી આગળ

પરંપરાગત પ્રક્રિયા નિયંત્રણ ભઠ્ઠીના તાપમાન જેવા સેટ પોઈન્ટ જાળવવા માટે પીઆઈડી લૂપ્સનો ઉપયોગ કરે છે. પરંતુ આપેલ બેચ માટે શ્રેષ્ઠ સેટ પોઈન્ટ શું છે? તે આસપાસની ભેજ, કાચા માલના એલોયની વિવિધતા અને ઇચ્છિત તાણ શક્તિ પર આધાર રાખે છે. મશીન લર્નિંગ મોડલ્સ ગતિશીલ રીતે આને ઑપ્ટિમાઇઝ કરી શકે છે. હીટ ટ્રીટમેન્ટ પ્રક્રિયામાં, અમે ધાતુશાસ્ત્રના સ્પેક્સ હાંસલ કરવા માટે જરૂરી ન્યૂનતમ તાપમાન રેમ્પ અને સૂકવવાના સમયને શોધવા માટે એક મજબૂતીકરણ શિક્ષણ મોડેલનો ઉપયોગ કર્યો. પરિણામ પ્રતિ બેચ કુદરતી ગેસના વપરાશમાં 12% ઘટાડો થયો હતો, જેમાં ગુણવત્તા સાથે કોઈ બાંધછોડ કરવામાં આવી ન હતી.

આ કેચ? તમારે પુરસ્કાર કાર્યને કાળજીપૂર્વક વ્યાખ્યાયિત કરવાની જરૂર છે. શરૂઆતમાં, અમે સંપૂર્ણપણે ઉર્જા માટે ઑપ્ટિમાઇઝ કર્યું, અને મૉડેલે નીચા તાપમાનનું સૂચન કર્યું કે જે પછીના પ્લેટિંગ તબક્કામાં અજાણતાં કાટના દરમાં વધારો કરે છે-પર્યાવરણીય બોજને સ્થાનાંતરિત કરે છે. અમારે બહુ-ઉદ્દેશ્ય ઑપ્ટિમાઇઝેશન ફ્રેમવર્ક, સંતુલિત ઊર્જા, સામગ્રી ઉપજ અને ડાઉનસ્ટ્રીમ પ્રક્રિયાની સદ્ધરતા અપનાવવી પડી. આ સર્વગ્રાહી દૃષ્ટિકોણ સાચી ઔદ્યોગિક સ્થિરતાનો સાર છે; તે એક વિસ્તારને બીજાના ખર્ચે સબ-ઑપ્ટિમાઇઝ કરવાનું ટાળે છે.

સ્ટાન્ડર્ડ પાર્ટ્સ પ્રોડક્શન બેઝ માટે, હજારો ટન આઉટપુટમાં આ પ્રકારનું ઑપ્ટિમાઇઝેશન જ્યાં મેક્રો ઇમ્પેક્ટ રહે છે. તે બોઈલર રૂમમાંથી મેન્યુફેક્ચરિંગની કોર રેસીપીમાં ટકાઉપણું ખસેડે છે.

સપ્લાય ચેઇન અને લોજિસ્ટિક્સ: ધ નેટવર્ક ઇફેક્ટ

આ તે છે જ્યાં AI ની સંભવિતતા વિશાળ અને નિરાશાજનક બંને લાગે છે. ફેક્ટરી અતિ-કાર્યક્ષમ હોઈ શકે છે, પરંતુ જો તેની સપ્લાય ચેઈન નકામી હોય, તો ચોખ્ખો લાભ મર્યાદિત છે. AI અહીં ઇન્ટેલિજન્ટ રૂટીંગ અને ઇન્વેન્ટરી ફોરકાસ્ટિંગ દ્વારા ટકાઉપણું વધારે છે. અમે કાચા સ્ટીલ કોઇલ માટે ઇનબાઉન્ડ લોજિસ્ટિક્સને ઑપ્ટિમાઇઝ કરવાના પ્રોજેક્ટ પર કામ કર્યું. સપ્લાયર સ્થાનો, ઉત્પાદન સમયપત્રક અને ટ્રાફિક ડેટાનું પૃથ્થકરણ કરીને, એક મોડેલે ડિલિવરી વિન્ડો જનરેટ કરી જે ટ્રકનો નિષ્ક્રિય સમય ઘટાડે છે અને સંપૂર્ણ લોડ માટે મંજૂરી આપે છે. આનાથી ઉત્પાદક અને સપ્લાયર બંને માટે સ્કોપ 3 ઉત્સર્જનમાં ઘટાડો થયો.

હતાશા ડેટા શેરિંગથી આવે છે. સપ્લાયર્સ ઘણીવાર રીઅલ-ટાઇમ ક્ષમતા અથવા સ્થાન ડેટા શેર કરવામાં અચકાતા હોય છે. સફળતા વધુ જટિલ અલ્ગોરિધમ સાથે નહીં, પરંતુ એક સરળ બ્લોકચેન-આધારિત ખાતાવહી (પરવાનગી, ક્રિપ્ટો નહીં) સાથે આવી છે જેણે માલિકીની વિગતો જાહેર કર્યા વિના પ્રતિબદ્ધતાઓ લૉગ કરી હતી. ટ્રસ્ટ, ફરીથી, અડચણ છે.

હેન્ડન ઝીતાઇ ફાસ્ટનર મેન્યુફેક્ચરિંગ કું., લિ.મુખ્ય ધોરીમાર્ગો અને રેલ લાઈનોને અડીને આવેલ નું વ્યૂહાત્મક સ્થાન કુદરતી લોજિસ્ટિકલ એસેટ છે. AI-સંચાલિત સિસ્ટમ ઓર્ડરને ગતિશીલ રીતે એકીકૃત કરીને અને શિપમેન્ટ દીઠ તેના કાર્બન ફૂટપ્રિન્ટને ઘટાડવા માટે તે ભૌગોલિક લાભનો લાભ લઈને, તાકીદના આધારે સૌથી નીચો-કાર્બન પરિવહન મોડ (રેલ વિ. ટ્રક) પસંદ કરીને આઉટબાઉન્ડ લોજિસ્ટિક્સને ઑપ્ટિમાઇઝ કરી શકે છે.

પરિપત્ર અને ગુણવત્તા બુદ્ધિ

ટકાઉપણુંનો સૌથી સીધો માર્ગ એ છે કે ઓછી સામગ્રીનો ઉપયોગ કરવો અને ઓછો કચરો પેદા કરવો. ગુણવત્તા નિરીક્ષણ માટે કોમ્પ્યુટર દ્રષ્ટિ સામાન્ય છે, પરંતુ તેની ટકાઉતા સાથેની કડી ગહન છે. વહેલી તકે ખામી શોધી કાઢવાનો અર્થ એ છે કે કોઈ ભાગને પ્લાન્ટમાં પુનઃવર્ક કરી શકાય છે અથવા રિસાયકલ કરી શકાય છે, તેને ગ્રાહકને મોકલવા, નકારવામાં અને પાછા મોકલવાના ઊર્જા ખર્ચને ટાળી શકાય છે. વધુ અદ્યતન ગુણવત્તાની આગાહી કરવા માટે ઉત્પાદન દરમિયાન સ્પેક્ટ્રલ વિશ્લેષણનો ઉપયોગ કરે છે, જે રીઅલ-ટાઇમ પ્રક્રિયા ગોઠવણો માટે પરવાનગી આપે છે. અમે આને પ્લેટિંગ લાઇનમાં જોયું: XRF વિશ્લેષકે એક મોડેલમાં ડેટા મેળવ્યો જે પ્લેટિંગ બાથ કેમિસ્ટ્રીને નિયંત્રિત કરે છે, ભારે ધાતુના વપરાશ અને કાદવના કચરાને 20% થી વધુ ઘટાડે છે.

પછી ગોળ અર્થતંત્ર કોણ છે. AI રિસાયક્લિંગ માટે સામગ્રીના વર્ગીકરણને સરળ બનાવી શકે છે. ધાતુના ફાસ્ટનર્સ માટે, જીવનનો અંત-સૉર્ટિંગ એ એક પડકાર છે. અમે હાઇપરસ્પેક્ટ્રલ ઇમેજિંગ અને CNN નો ઉપયોગ કરીને ગેલ્વેનાઈઝ્ડ સ્ટીલ સ્ક્રેપમાંથી સ્ટેનલેસને આપમેળે સૉર્ટ કરવા માટે એક સિસ્ટમનું સંચાલન કર્યું, રિસાયકલ ફીડસ્ટોકની શુદ્ધતા અને મૂલ્યમાં વધારો કર્યો. આ મટિરિયલ લૂપને બંધ કરવાનું આર્થિક રીતે સધ્ધર બનાવે છે.

મુખ્ય ઉત્પાદન આધાર માટે, સમગ્રમાં આ ગુણવત્તાયુક્ત બુદ્ધિને એકીકૃત કરીને પ્રમાણભૂત ભાગ મેન્યુફેક્ચરિંગ ચેઇન એટલે ઓછી વર્જિન સામગ્રી કાઢવામાં આવે છે અને લેન્ડફિલમાં ઓછો કચરો મોકલવામાં આવે છે. તે કિંમત કેન્દ્રમાંથી ગુણવત્તા નિયંત્રણને કોર સસ્ટેનેબિલિટી ડ્રાઈવરમાં પરિવર્તિત કરે છે.

માનવ પરિબળ અને અમલીકરણ દંગલ

આમાંનું કંઈ લોકો વિના કામ કરતું નથી. મેં જોયેલી સૌથી મોટી નિષ્ફળતા એ લાઇટ-આઉટ ઑપ્ટિમાઇઝેશન પ્રોજેક્ટ હતો જેને એન્જિનિયરોએ વેક્યૂમમાં ડિઝાઇન કર્યો હતો. મોડેલો તેજસ્વી હતા, પરંતુ તેઓએ ઓપરેટરોના સ્પષ્ટ જ્ઞાનની અવગણના કરી જેઓ જાણતા હતા કે મશીન 4 ભેજવાળી બપોરે ગરમ ચાલે છે. સિસ્ટમ નિષ્ફળ ગઈ. જ્યારે અમે હાઇબ્રિડ એડવાઇઝરી સિસ્ટમ્સ બનાવી ત્યારે સફળતા મળી. મોડેલ એક સેટ પોઈન્ટ સૂચવે છે, પરંતુ ઓપરેટર તે પ્રતિસાદમાંથી સિસ્ટમ શીખીને તેને મંજૂર કરી શકે છે, નકારી શકે છે અથવા તેને સમાયોજિત કરી શકે છે. આ વિશ્વાસ બનાવે છે અને માનવ અંતર્જ્ઞાનનો લાભ લે છે.

અમલીકરણ એક મેરેથોન છે. ડેટા ઈન્ફ્રાસ્ટ્રક્ચર બનાવવા માટે ધીરજ, સિંગલ પ્રોસેસ લાઇનથી શરૂ કરવા માટે નમ્રતા અને OT, IT અને ટકાઉપણું કુશળતાને મિશ્રિત કરતી ક્રોસ-ફંક્શનલ ટીમોની જરૂર છે. ધ્યેય એ ચળકતી AI-સંચાલિત પ્રેસ રિલીઝ નથી. તે સેંકડો નાના ઑપ્ટિમાઇઝેશનની અનસેક્સી, સંચિત અસર છે: અહીં ભઠ્ઠીમાંથી થોડીક ડિગ્રી દૂર કરવામાં આવી છે, ત્યાં ટ્રકનો માર્ગ ટૂંકો કરવામાં આવ્યો છે, સ્ક્રેપનો સમૂહ ટાળવામાં આવ્યો છે. આ રીતે AI ખરેખર ઔદ્યોગિક ટકાઉપણાને વેગ આપે છે - ધમાકા સાથે નહીં, પરંતુ એક મિલિયન ડેટા પોઈન્ટ સાથે શાંતિથી વધુ કાર્યક્ષમ, ઓછા નકામા માર્ગને આગળ ધપાવે છે.