AI ઉત્પાદનમાં ટકાઉપણું કેવી રીતે વધારશે? 

જ્યારે લોકો મેન્યુફેક્ચરિંગમાં AI સાંભળે છે, ત્યારે તેઓ ઘણીવાર સંપૂર્ણ સ્વાયત્ત, લાઇટ-આઉટ ફેક્ટરીઓના દ્રષ્ટિકોણ તરફ કૂદી પડે છે. તે એક આછકલું ધ્યેય છે, પરંતુ આજે તે સ્થાને નથી જ્યાં ટકાઉપણું વધારવાનું વાસ્તવિક, કઠોર કાર્ય થઈ રહ્યું છે. સાચી અસર વધુ ઝીણવટભરી હોય છે, જે ઘણી વખત ઉર્જા વપરાશને ઑપ્ટિમાઇઝ કરવા, સામગ્રીનો કચરો ઘટાડવા અને સપ્લાય ચેનને ઓછી અસ્તવ્યસ્ત બનાવવાના દૈનિક ગ્રાઇન્ડમાં છુપાયેલી હોય છે. તે રોબોટ્સને સંભાળવા વિશે ઓછું છે અને બુદ્ધિશાળી સિસ્ટમ્સ વિશે વધુ છે જે દાણાદાર દૃશ્યતા પ્રદાન કરે છે જે આર્થિક અને પર્યાવરણ બંને રીતે યોગ્ય હોય તેવા નિર્ણયો લેવામાં અમારી પાસે હંમેશા અભાવ છે. AI અને ટકાઉપણું વચ્ચેની કડી આપોઆપ નથી; તેને માપવા અને નિયંત્રિત કરવા માટે આપણે જે પસંદ કરીએ છીએ તેમાં ઇરાદાપૂર્વક પરિવર્તનની જરૂર છે.

બિયોન્ડ ધ હાઇપ: એનર્જી એઝ ધ ફર્સ્ટ ફ્રન્ટિયર

ચાલો ઊર્જા, સૌથી સીધી કિંમત અને કાર્બન ફૂટપ્રિન્ટ આઇટમથી શરૂઆત કરીએ. વર્ષો સુધી, અમે સુનિશ્ચિત જાળવણી અને બ્રોડ-સ્ટ્રોક કાર્યક્ષમતા રેટિંગ પર આધાર રાખ્યો હતો. ગેમ-ચેન્જર સેન્સર્સને એમ્બેડ કરી રહ્યું છે અને અનુમાનિત ઊર્જા ઑપ્ટિમાઇઝેશન માટે AI નો ઉપયોગ કરી રહ્યું છે. હું ફક્ત મશીનો બંધ કરવાની વાત નથી કરી રહ્યો. તે સમગ્ર ઉત્પાદન લાઇનના ગતિશીલ લોડને સમજવા વિશે છે. દાખલા તરીકે, AI મૉડલ શીખી શકે છે કે ચોક્કસ સ્ટેમ્પિંગ પ્રેસ માત્ર ઑપરેશન દરમિયાન જ નહીં, પરંતુ 15 મિનિટ પછી, જેમ કે કૂલિંગ સિસ્ટમ્સ ચાલે છે તેમ પાવરમાં વધારો કરે છે. ઉત્પાદન સમયપત્રકનું વિશ્લેષણ કરીને, તે થ્રુપુટને અસર કર્યા વિના ઊર્જા વળાંકને સપાટ કરીને, બહુવિધ પ્રેસમાંથી એક સાથે પીક ડ્રોને ટાળવા માટે બેચ વચ્ચે સૂક્ષ્મ વિલંબ સૂચવી શકે છે. આ સૈદ્ધાંતિક નથી; મેં જોયું છે કે તે ફોર્જિંગ ફેસિલિટીમાં એનર્જી બિલમાંથી 8-12% હજામત કરે છે, જે મોટા પાયે છે.

મુશ્કેલ ભાગ ડેટા ગુણવત્તા છે. તમારે મશીન, સબસ્ટેશન અને જો શક્ય હોય તો ગ્રીડમાંથી પણ દાણાદાર, સમય-શ્રેણી ડેટાની જરૂર છે. એક નિષ્ફળ પ્રોજેક્ટ શરૂઆતમાં ચોક્કસ ગેસ ફ્લો મીટર વિના હીટ ટ્રીટમેન્ટ ફર્નેસને શ્રેષ્ઠ બનાવવાનો પ્રયાસ કરી રહ્યો હતો. AI મોડેલ અનિવાર્યપણે અનુમાન લગાવતું હતું, અને ઑપ્ટિમાઇઝેશનમાં ભાગોના ધાતુશાસ્ત્રના ગુણધર્મો સાથે સમાધાન કરવાનું જોખમ હતું. અમે સખત રીતે શીખ્યા: તમે જે માપી શકતા નથી તેને તમે મેનેજ કરી શકતા નથી. AI સંવેદનાત્મક ઇનપુટ્સ જેટલું જ સારું છે.

આ એક સૂક્ષ્મ બિંદુ તરફ દોરી જાય છે: AI ઘણીવાર ઊંડા ઇન્સ્ટ્રુમેન્ટેશનને યોગ્ય ઠેરવે છે. AI માટે ટકાઉપણું કેસ બનાવવા માટે, તમે પહેલા બહેતર મીટરિંગમાં રોકાણ કરો. તે એક સદ્ગુણી ચક્ર છે. એકવાર તમારી પાસે તે ડેટા સ્ટ્રીમ થઈ જાય, પછી તમે અનુમાનથી પ્રિસ્ક્રિપ્ટિવ એક્શન તરફ આગળ વધી શકો છો-જેમ કે ન્યુમેટિક નેટવર્કમાં રીઅલ-ટાઇમ ડિમાન્ડના આધારે કમ્પ્રેસર પ્રેશર સેટપોઇન્ટને આપમેળે એડજસ્ટ કરવું, કંઈક કે જે હંમેશા સૌથી ખરાબ પરિસ્થિતિ માટે સેટ કરવામાં આવ્યું હતું, મોટી માત્રામાં ઊર્જાનો બગાડ.

ધ વોર ઓન વેસ્ટ: સ્ક્રેપ હીપ્સથી લઈને ડિજિટલ ટ્વિન્સ સુધી

સામગ્રીનો કચરો શુદ્ધ નાણાકીય અને પર્યાવરણીય નુકસાન છે. ફાસ્ટનર મેન્યુફેક્ચરિંગમાં, જેમ કે કંપનીમાં હેન્ડન ઝીતાઇ ફાસ્ટનર મેન્યુફેક્ચરિંગ કું., લિ. ચીનના મુખ્ય સ્ટાન્ડર્ડ પાર્ટ પ્રોડક્શન બેઝમાં સ્થિત છે, પરંપરાગત અભિગમમાં ઉત્પાદન પછીની તપાસનો સમાવેશ થાય છે: એક બેચ બનાવવામાં આવે છે, કેટલાક નમૂના લેવામાં આવે છે અને જો ખામીઓ જોવા મળે છે, તો સમગ્ર લોટને સ્ક્રેપ અથવા ફરીથી કામ કરી શકાય છે. તે અતિ નકામી છે.

રીઅલ-ટાઇમ ડિફેક્ટ ડિટેક્શન માટે કમ્પ્યુટર વિઝન હવે ટેબલ સ્ટેક્સ છે. પરંતુ AI નો વધુ ઊંડો ઉપયોગ એ પ્રક્રિયા પેરામીટર ઓપ્ટિમાઇઝેશનમાં છે જે પ્રથમ સ્થાને કચરો પેદા થતો અટકાવે છે. કોલ્ડ મથાળાની પ્રક્રિયામાંથી ડેટા-વાયરનો વ્યાસ, તાપમાન, મશીનની ગતિ, ડાઇ વેર-ને મોડેલમાં ખવડાવીને, અમે એક ભાગ બને તે પહેલાં માથામાં તિરાડો અથવા પરિમાણીય અચોક્કસતાની સંભાવનાની આગાહી કરી શકીએ છીએ. સિસ્ટમ પછી ગોઠવણોની ભલામણ કરી શકે છે, કહો કે, એનિલિંગ તાપમાનમાં થોડો વધારો અથવા ફીડ રેટમાં ઘટાડો.

મને એક પ્રોજેક્ટ યાદ છે જ્યાં અમે બોલ્ટ પ્રોડક્શન લાઇન માટે ડિજિટલ શેડો (સંપૂર્ણ ડિજિટલ ટ્વિનનું સરળ સંસ્કરણ) બનાવ્યું હતું. ધ્યેય ટ્રીમ નુકસાનને ઘટાડવાનો હતો - બોલ્ટ કાપ્યા પછી બચેલા વાયર. ઓર્ડર પોર્ટફોલિયો અને મશીન અવરોધોનું વિશ્લેષણ કરીને, AI શેડ્યુલિંગ સિસ્ટમ વાયર કોઇલનો વધુ સંપૂર્ણ ઉપયોગ કરવા માટેના ઓર્ડરને અનુક્રમિત કરી શકે છે, જે ટ્રિમ વેસ્ટને સરેરાશ 3.2% થી 1.7% ની નીચે ઘટાડે છે. તે નાનું લાગે છે, પરંતુ વાર્ષિક હજારો ટન સ્ટીલમાં, કાચા માલની બચત અને સ્ટીલ ઉત્પાદનથી સંકળાયેલ કાર્બન ઉત્સર્જન નોંધપાત્ર છે. તમે જોઈ શકો છો કે કેવી રીતે યોંગનિયન ડિસ્ટ્રિક્ટ જેવા હબમાં કંપનીઓ તેમના ઉચ્ચ વોલ્યુમ આઉટપુટ સાથે, આવા દાણાદાર ઑપ્ટિમાઇઝેશનથી પુષ્કળ લાભ મેળવવા માટે ઊભી છે.

સપ્લાય ચેઇન રિસિલિઅન્સ અને કાર્બન ફૂટપ્રિન્ટ

આ તે છે જ્યાં તે જટિલ બને છે. ટકાઉ પુરવઠા શૃંખલા એ માત્ર લીલા સપ્લાયરને પસંદ કરવા વિશે જ નથી; તે કટોકટી, કાર્બન-સઘન હવાઈ નૂરને ટાળવા માટે કાર્યક્ષમતા અને સ્થિતિસ્થાપકતા વિશે છે. AI-સંચાલિત માંગની આગાહી, જ્યારે તે કામ કરે છે, ઉત્પાદનને સરળ બનાવે છે, ઓવરટાઇમની જરૂરિયાત ઘટાડે છે (જેનો અર્થ ઘણીવાર ઓછી કાર્યક્ષમ, ઊર્જા-સઘન રન) અને ગભરાટ ઓર્ડરિંગ.

અમે ક્લાયન્ટ માટે લોજિસ્ટિક્સ ઑપ્ટિમાઇઝેશન સાથે મલ્ટિ-ટાયર સપ્લાય ચેઇન રિસ્ક એનાલિસિસને એકીકૃત કર્યું છે. સિસ્ટમે હવામાન, બંદર ભીડ અને સપ્લાયર ક્ષેત્રના ઉર્જા મિશ્રણનું નિરીક્ષણ કર્યું (દા.ત., શું તેમની ગ્રીડ આજે કોલસા અથવા નવીનીકરણીય પર ચાલી રહી છે?). જ્યારે સમયરેખાની મંજૂરી હોય ત્યારે શિપમેન્ટને ધીમી પરંતુ ઓછા ઉત્સર્જનના દરિયાઈ નૂર પર ફેરવવાનું સૂચન કર્યું હતું અથવા સામાન્ય 85%ને બદલે 98% ક્ષમતા પર કન્ટેનર ભરવા માટે લોડને એકીકૃત કરવાનું સૂચન કર્યું હતું. આ ટકાઉપણું અહીં લાભ પરોક્ષ પરંતુ શક્તિશાળી છે: તે કાર્બન કાર્યક્ષમતાને દૈનિક લોજિસ્ટિકલ નિર્ણયોમાં એમ્બેડ કરે છે.

અહીં નિષ્ફળતા મોડ ઓવર-ઓપ્ટિમાઇઝેશન છે. એક મોડેલે પરિવહન ઉત્સર્જન ઘટાડવા માટે હંમેશા એક જ, અત્યંત લીલા પરંતુ ક્ષમતા-સંબંધિત સપ્લાયરનો ઉપયોગ કરવાનું સૂચન કર્યું હતું. તે શટડાઉનના જોખમને ધ્યાનમાં લેવામાં નિષ્ફળ ગયું, જે આખરે બન્યું, બહુવિધ, ઓછા શ્રેષ્ઠ સપ્લાયરો માટે ઝઘડાની ફરજ પડી. પાઠ એ હતો કે AI ના ઉદ્દેશ્ય કાર્યમાં સ્થિરતાના ઉદ્દેશ્યો મજબૂતાઈના અવરોધો સાથે સંતુલિત હોવા જોઈએ. તમે માત્ર કાર્બનને ઘટાડી શકતા નથી; તમારે જોખમનું સંચાલન કરવું પડશે.

ધ હ્યુમન એલિમેન્ટઃ ઓગમેન્ટેડ ડિસિઝન મેકિંગ

આ જટિલ છે. AI ફેક્ટરી ચલાવતું નથી; લોકો કરે છે. મેં જોયેલા સૌથી અસરકારક અમલીકરણો એ છે કે જ્યાં AI સલાહકાર તરીકે કાર્ય કરે છે. તે વિસંગતતા દર્શાવે છે: લાઇન 3 પર પ્રતિ યુનિટ ઊર્જા વપરાશ વર્તમાન ઉત્પાદન મિશ્રણ માટે બેન્ચમાર્ક કરતાં 18% વધુ છે. સંભવિત કારણ: કન્વેયર મોટર B-12 માં બેરિંગ વસ્ત્રો, અંદાજિત કાર્યક્ષમતામાં 22% નુકશાન. તે જાળવણી ટીમને સ્પષ્ટ ટકાઉપણું અને ખર્ચની અસર સાથે લક્ષ્યાંકિત, પ્રાથમિકતાયુક્ત કાર્ય આપે છે.

આ સંસ્કૃતિને બદલે છે. ટકાઉપણું ઉત્પાદન કાર્યક્ષમતાથી અલગ KPI બનવાનું બંધ કરે છે. જ્યારે ફ્લોર મેનેજર જુએ છે કે નીચા સ્ક્રેપ દરો માટે ઑપ્ટિમાઇઝ કરવાથી સારા ભાગ દીઠ ઊર્જા અને કાચા માલના વપરાશમાં પણ ઘટાડો થાય છે, ત્યારે લક્ષ્યો સંરેખિત થાય છે. AI ની તાલીમ લોકોને પણ તાલીમ આપે છે. ખામી શોધ મોડેલ માટે ડેટાને લેબલ કરવા માટે, ગુણવત્તા ઇજનેરોએ નિષ્ફળતાના મોડનું ઊંડાણપૂર્વક વિશ્લેષણ કરવું પડશે. આ પ્રક્રિયા ઘણીવાર મોડલ પણ જમાવવામાં આવે તે પહેલાં પ્રક્રિયામાં સુધારા તરફ દોરી જાય છે.

પ્રતિકાર સ્વાભાવિક છે. બ્લેક બોક્સની ભલામણોનો માન્ય ભય છે. તેથી જ સમજાવવાની ક્ષમતા ચાવીરૂપ છે. જો સિસ્ટમ કહે છે કે ભઠ્ઠીનું તાપમાન 15 ડિગ્રી સેલ્સિયસ ઓછું કરો, તો તેણે તર્ક પણ પૂરો પાડવો જોઈએ: ઐતિહાસિક ડેટા દર્શાવે છે કે આ નીચા તાપમાને X અને Y પરિમાણો સાથે ચાલે છે પરિણામે 8% ઓછા કુદરતી ગેસ વપરાશ સાથે સમાન કઠિનતા છે. આ વિશ્વાસ બનાવે છે અને AI ને ટકાઉ માટે સહયોગી સાધનમાં ફેરવે છે ઉત્પાદન.

આગળ જોઈએ છીએ: એકીકરણ પડકાર

ભવિષ્ય ઊર્જા અથવા ગુણવત્તા માટે એકલ AI એપ્લિકેશન્સમાં નથી. તે સંકલિત પ્રક્રિયા ઓપ્ટિમાઇઝેશનમાં છે જે બહુવિધ, કેટલીકવાર સ્પર્ધાત્મક, ઉદ્દેશ્યોને સંતુલિત કરે છે: થ્રુપુટ, ઉપજ, ઉર્જાનો ઉપયોગ, સાધન વસ્ત્રો અને કાર્બન ફૂટપ્રિન્ટ. આ એક બહુ-ઉદ્દેશ્ય ઑપ્ટિમાઇઝેશન સમસ્યા છે જે રીઅલ-ટાઇમમાં માનવીય ગણતરીની બહાર છે.

અમે એવી પ્રણાલીઓનું પાઇલોટિંગ કરી રહ્યા છીએ જે ગ્રાહકનો ઓર્ડર લે છે અને ગતિશીલ રીતે સૌથી ટકાઉ ઉત્પાદન માર્ગ નક્કી કરે છે. શું ફાસ્ટનર્સની આ બેચ જૂની, ધીમી લાઇન પર બનાવવી જોઈએ જે હવે ફેક્ટરીના નવા સોલર એરે દ્વારા સંચાલિત છે, અથવા નવી, ઝડપી લાઇન પર કે જે ગ્રીડ સંચાલિત છે પરંતુ તેનો સ્ક્રેપ દર ઓછો છે? AI કોઈપણ સંભવિત સ્ક્રેપમાં મૂર્ત કાર્બન સહિત નેટ કાર્બન પ્રભાવની ગણતરી કરી શકે છે અને ખરેખર શ્રેષ્ઠ માર્ગની ભલામણ કરી શકે છે. આ નેક્સ્ટ લેવલની વિચારસરણી છે.

અંતિમ અવરોધ જીવનચક્ર મૂલ્યાંકન સંકલન છે. વાસ્તવિક વધારો ટકાઉપણું ત્યારે આવશે જ્યારે મેન્યુફેક્ચરિંગમાં AI પાસે સામગ્રી અને પ્રક્રિયાઓની સંપૂર્ણ જીવનચક્રની અસર પરના ડેટાની ઍક્સેસ હશે. ઝિંક પ્લેટિંગ અને નવા પોલિમર કોટિંગ વચ્ચે પસંદગી કરવી એ માત્ર ખર્ચનો નિર્ણય નથી; તે રાસાયણિક ઉપયોગ, ટકાઉપણું અને જીવનના અંતની પુનઃઉપયોગીતા અંગેનો નિર્ણય છે. અમે હજી ત્યાં નથી, પરંતુ પાયાનું કાર્ય—પ્રક્રિયાઓને ડિજિટાઇઝ્ડ, ઇન્સ્ટ્રુમેન્ટેડ અને અનુકૂલનશીલ નિયંત્રણ હેઠળ મેળવવી—તે ભવિષ્યને શક્ય બનાવે છે. તે એક સમયે એક નાની, નકામી સમસ્યાને હલ કરવાનો લાંબો, અસ્પષ્ટ માર્ગ છે.