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 - એક આકર્ષક પરંતુ કંઈક અંશે ભ્રામક આદર્શ. ટકાઉપણું પર વાસ્તવિક, કઠોર અસર મનુષ્યોને બદલવા વિશે નથી; તે બિનકાર્યક્ષમતાને જોવાની અને તેના પર કાર્ય કરવાની અમારી ક્ષમતાને વધારવા વિશે છે જેને અમે પરંપરાગત રીતે ઓપરેશનલ ખર્ચ તરીકે સ્વીકારીએ છીએ. તે ઊર્જાના સતત, અદ્રશ્ય રક્તસ્રાવ, કાચા માલના વધુ પડતા વપરાશ અને અટકાવી શકાય તેવા કચરામાં છે જે AI તેની સૌથી મૂલ્યવાન ભૂમિકા શોધે છે. મારો પોતાનો મત, જે ફેક્ટરીના માળ પર ચાલવાથી આકાર લે છે, તે એ છે કે બુસ્ટ એક ભવ્ય ઉકેલથી નહીં, પરંતુ હાલની પ્રક્રિયાઓમાં વ્યવહારુ, ડેટા-આધારિત હસ્તક્ષેપોને સ્તર આપવાથી આવે છે. ધ્યેય સંપૂર્ણતા નથી, પરંતુ માપી શકાય તેવું, પુનરાવર્તિત સુધારણા છે જ્યાં તેની ગણતરી થાય છે: નીચેની રેખા અને પર્યાવરણીય પદચિહ્ન.

બિયોન્ડ ધ હાઇપ: પિનપોઇન્ટિંગ વેસ્ટ સ્ટ્રીમ્સ

પ્રારંભિક બિંદુ દૃશ્યતા છે. દાયકાઓ સુધી, ટકાઉપણાના પ્રયાસો ઘણીવાર અનુમાનિત કાર્ય હતા-જરૂરી હોય કે ન હોય, સુનિશ્ચિત જાળવણી, ઐતિહાસિક સરેરાશ પર આધારિત બલ્ક મટિરિયલ ઓર્ડર, નિશ્ચિત ઓવરહેડ તરીકે ઊર્જાનો વપરાશ. મને ફાસ્ટનર પ્રોડક્શન ફેસિલિટી પર એક પ્રોજેક્ટ યાદ આવે છે, જે તમે મોટા પ્લેયર સાથે મેળવશો તેનાથી વિપરીત નથી હેન્ડન ઝીતાઇ ફાસ્ટનર મેન્યુફેક્ચરિંગ કું., લિ. યોંગનિયામાં, ચીનના પ્રમાણભૂત ભાગ ઉત્પાદનનું કેન્દ્ર. તેમનો પડકાર સામાન્ય હતો: ઉચ્ચ-શક્તિવાળા બોલ્ટના બેચ દીઠ કાચા સ્ટીલ વાયરના વપરાશમાં નોંધપાત્ર તફાવત, જે કિંમત અને સ્ક્રેપ મેટલ કચરો બંને તરફ દોરી જાય છે. ધારણા એ હતી કે મશીનો જે રીતે દોડે છે તે જ હતું.

અમે કોલ્ડ ફોર્જિંગ હેડરો અને થ્રેડ રોલર્સ પર પ્રમાણમાં સરળ મશીન વિઝન અને સેન્સર એરેનો ઉપયોગ કર્યો છે. AI નું કામ મશીનને નિયંત્રિત કરવાનું નહોતું પરંતુ હજારો ડેટા પોઈન્ટ્સ-એમ્બિયન્ટ ટેમ્પરેચર, વાયર ફીડ સ્પીડ, ડાઈ વેર ઈન્ડિકેટર્સ, લ્યુબ્રિકેશન પ્રેશર-દરેક ટુકડાના અંતિમ એકમ વજન અને ગુણવત્તા સાથે સહસંબંધિત કરવાનું હતું. અઠવાડિયાની અંદર, પેટર્ન ઉભરી આવી: વાયર ફીડ મિકેનિઝમમાં ચોક્કસ, સૂક્ષ્મ વધઘટ, શિફ્ટ ફેરફારો દરમિયાન વધી ગયેલી, સતત 1.8% વધુ વપરાશનું કારણ બની રહી હતી. આ કોઈએ લૉગ ઇન કર્યું હતું તે દોષ ન હતો; તે દરેક કિલોગ્રામ સામગ્રી પર છુપાયેલ કર હતો.

ફિક્સ એઆઈ ન હતું. ફિક્સ એ યાંત્રિક ગોઠવણ અને ઓપરેટરની પ્રક્રિયામાં એક ઝટકો હતો. AI એ નિદાન પૂરું પાડ્યું. આ પ્રથમ-સ્તરનું બુસ્ટ છે: એક ફિલોસોફિકલ ધ્યેયમાંથી ટકાઉપણુંને ચોક્કસ, પરિમાણપાત્ર એન્જિનિયરિંગ સમસ્યામાં ફેરવવું. તે વાર્તાલાપને એ તરફ લઈ જાય છે કે આપણે સામગ્રીને સાચવવી જોઈએ કારણ કે Y ના કારણે આપણે X બિંદુએ અમારી સામગ્રીનો 1.8% ગુમાવી રહ્યા છીએ.

એનર્જી: ફિક્સ્ડ કોસ્ટથી ડાયનેમિક વેરીએબલ સુધી

ઉર્જા વ્યવસ્થાપન એ અન્ય ક્ષેત્ર છે જેમાં ઓછા લટકતા ફળો છે. ઘણા ઉત્પાદકો, ખાસ કરીને ઉર્જા-સઘન પ્રક્રિયાઓમાં જેમ કે હીટ ટ્રીટમેન્ટ અથવા ઇલેક્ટ્રોપ્લેટિંગ-હાંડનની આસપાસના ફાસ્ટનર ઉદ્યોગ ક્લસ્ટરમાં સામાન્ય છે-પાવરને મોનોલિથિક બિલ તરીકે ગણવામાં આવે છે. તેઓ બિન-આવશ્યક કોમ્પ્રેસર અથવા ફર્નેસ પ્રી-હીટ સાયકલને સસ્તી ટેરિફ વિન્ડો સાથે સંરેખિત નિશ્ચિત સમયપત્રક પર ચલાવી શકે છે, પરંતુ તે ઘણીવાર મર્યાદા હોય છે.

અમે રીઅલ-ટાઇમ એનર્જી મોનિટરિંગ સિસ્ટમ સાથે AI-સંચાલિત અનુમાનિત લોડ સંતુલનને એકીકૃત કર્યું છે. તે માત્ર ઉપયોગિતા દર શેડ્યૂલને જોતો નથી. તે દરેક ભઠ્ઠીની થર્મલ જડતા, પ્લેટિંગ લાઇનમાંથી વાસ્તવિક માંગના સંકેતો અને પ્રાદેશિક ઊર્જા મિશ્રણ ડેટાના આધારે સ્થાનિક ગ્રીડ કાર્બન તીવ્રતાની આગાહી પણ શીખી. પછી સિસ્ટમ સૂક્ષ્મ વિલંબ અથવા બિન-જટિલ પ્રક્રિયાઓમાં પ્રવેગકની ભલામણ કરી શકે છે અને પછીથી, સ્વાયત્ત રીતે ચલાવી શકે છે.

દાખલા તરીકે, જ્યારે પ્રાદેશિક કાર્બન ફૂટપ્રિન્ટ સૌથી વધુ હોય ત્યારે પીક ગ્રીડ સમયગાળાને ટાળવા માટે ફોર્જ પછીની એનિલિંગ કતારમાં ફાસ્ટનર્સના બેચને વધારાની 20 મિનિટ માટે રાખવાનું સૂચન કરી શકે છે, ભલે નાણાકીય ખર્ચ સમાન હોય. આ કાર્બન-ઘટાડા સાથે ખર્ચ-બચતને સંરેખિત કરે છે જે રીતે સ્થિર સમયપત્રક ક્યારેય ન કરી શકે. બચત કોઈપણ એક કલાકમાં નાટ્યાત્મક ન હતી, પરંતુ એક ક્વાર્ટરમાં, પીક ડિમાન્ડ ચાર્જિસ અને સંકળાયેલ કાર્બન ફૂટપ્રિન્ટમાં ઘટાડો નોંધપાત્ર હતો. તેણે ઊર્જા વપરાશને ગતિશીલ, પ્રતિભાવશીલ ચલ બનાવ્યો, પૃષ્ઠભૂમિ નહીં.

માનવ-ઇન-ધ-લૂપ દ્વિધા

આ તે છે જ્યાં તમે વ્યવહારિક મુશ્કેલીનો સામનો કરો છો. શ્રેષ્ઠ મોડલ બેચમાં વિલંબ કરવાનું કહી શકે છે, પરંતુ ફ્લોર મેનેજર પાસે એક ટ્રક સાંજે 4 વાગ્યે આવી રહી છે. શુદ્ધ ઓપ્ટિમાઇઝેશન લોજિસ્ટિક્સ વાસ્તવિકતા સાથે અથડામણ કરી શકે છે. અનુપાલન દર મેટ્રિકમાં મેં જોયેલા સૌથી સફળ અમલીકરણો. AI દરખાસ્ત કરે છે, માનવ નિકાલ કરે છે અને સિસ્ટમ ઓવરરાઇડ્સમાંથી શીખે છે. સમય જતાં, જો સિસ્ટમ જુએ છે કે શિપિંગ સમયપત્રક એક અપરિવર્તનશીલ અવરોધ છે, તો તે તેને અગાઉથી ફેક્ટર કરવાનું શરૂ કરે છે. તે એક સહયોગ છે, ટેકઓવર નથી. આ અવ્યવસ્થિત, પુનરાવર્તિત ટ્યુનિંગ એ શૈક્ષણિક પ્રોજેક્ટ્સને વાસ્તવિક-વિશ્વના સાધનોથી અલગ કરે છે.

અનુમાનિત જાળવણી: સંસાધન કાર્યક્ષમતાનો પાયો

આ કદાચ સૌથી પરિપક્વ એપ્લિકેશન છે, પરંતુ તેના ટકાઉપણું કોણ ક્યારેક ઓછું ભજવવામાં આવે છે. તે માત્ર ડાઉનટાઇમ ટાળવા વિશે નથી. હાઇ-સ્પીડ વાયર ડ્રોઇંગ મશીનમાં નિષ્ફળ બેરિંગ માત્ર તૂટી જતું નથી; તે સૌપ્રથમ ઘર્ષણમાં વધારો કરે છે, જે અઠવાડિયા સુધી ઉર્જા ખેંચે છે. સહેજ ખોટી રીતે ગોઠવાયેલ ડાઇ માત્ર ત્વરિત જ નથી થતું; તે પેટા-સપાટી ખામીઓની વધતી જતી ટકાવારી ઉત્પન્ન કરે છે, જે ભાગોમાં સંપૂર્ણ ઊર્જા અને સામગ્રી રોકાણ કર્યા પછી ગુણવત્તા તપાસમાં નિષ્ફળ જાય છે.

વાઇબ્રેશન, એકોસ્ટિક અને થર્મલ વિશ્લેષણનો ઉપયોગ કરીને સુનિશ્ચિતમાંથી સ્થિતિ-આધારિત જાળવણી તરફ આગળ વધીને, AI મોડલ પ્રક્રિયાઓના ધીમા, નકામા અધોગતિને અટકાવે છે. મને એક કેસ યાદ છે જ્યાં મોડેલે તેના વિદ્યુત હસ્તાક્ષરમાં સૂક્ષ્મ ફેરફારના આધારે ધ્યાન માટે કોમ્પ્રેસરને ફ્લેગ કર્યું હતું. જાળવણી લોગ દર્શાવે છે કે તે તમામ પ્રમાણભૂત મેટ્રિક્સ દ્વારા સારું હતું. નિરીક્ષણ પર, એક નાનો વાલ્વ વળગી રહેવા લાગ્યો હતો, જેના કારણે એકમ દબાણ જાળવવા માટે 7% વધુ સખત કામ કરે છે. તે 7% વધુ વીજળી છે, દર કલાકે, એવી સમસ્યા માટે જે આગામી સુનિશ્ચિત સેવા સુધી બીજા ત્રણ મહિના માટે ચૂકી ગઈ હશે.

અહીં ટકાઉપણું લાભ બે ગણો છે: તે ડિગ્રેડીંગ સાધનો દ્વારા વેડફાઇ જતી ઉર્જાને બચાવે છે અને કેપિટલ એસેટની જ કુલ સર્વિસ લાઇફને લંબાવે છે, ઉત્પાદન અને મશીનને બદલવાના પર્યાવરણીય ખર્ચમાં ઘટાડો કરે છે. સાધનસામગ્રીને તે તૂટે ત્યાં સુધી ચાલતી વસ્તુ તરીકે ગણવાથી, તેની કાર્યક્ષમતાનું સતત રક્ષણ કરવું જોઈએ તેવી સિસ્ટમ તરીકે સારવાર કરવી તે એક ગહન પરિવર્તન છે.

સપ્લાય ચેઇન અને ડિઝાઇન: અપસ્ટ્રીમ લીવરેજ

પ્રભાવ ફેક્ટરીના દરવાજાની બહાર વિસ્તરે છે. Zitai ફાસ્ટનર્સ જેવા ઉત્પાદક માટે, જેનું સ્થાન બેઇજિંગ-ગુઆંગઝુ રેલ્વે જેવી મુખ્ય પરિવહન ધમનીઓ પાસે છે તે એક લોજિસ્ટિકલ ફાયદો છે, AI ટકાઉપણું માટે તે ખૂબ જ ફાયદાને શ્રેષ્ઠ બનાવી શકે છે. અદ્યતન પ્લાનિંગ સિસ્ટમ્સ હવે માત્ર ખર્ચ અને સમયને જ નહીં, પરંતુ વિવિધ પરિવહન મોડ્સ અને રૂટ્સના કાર્બન ફૂટપ્રિન્ટને પણ પરિબળ બનાવી શકે છે, જે હરિયાળા પરંતુ ધીમા શિપિંગ વિકલ્પો સામે ઇન્વેન્ટરી સ્તરને સંતુલિત કરે છે.

વધુ સૂક્ષ્મ રીતે, જનરેટિવ ડિઝાઈન અલ્ગોરિધમ્સ, જે ગ્રાહકોના સહયોગમાં ઉપયોગમાં લેવાય છે, તે આંશિક ઑપ્ટિમાઇઝેશન સૂચવી શકે છે. જો ડિઝાઇનમાં થોડો ફેરફાર કરવામાં આવે તો શું કૌંસ ઓછી સામગ્રીનો ઉપયોગ કરી શકે છે? જો ઉત્પાદન માપદંડોને સમાયોજિત કરવામાં આવે તો શું ઓછી ઉર્જા-સઘન ઉત્પાદન પ્રક્રિયા સાથે સ્ટીલનો અલગ ગ્રેડ પૂરતો હોઈ શકે? આ તે છે જ્યાં AI ટકાઉ ડિઝાઇન-ફોર-મેન્યુફેક્ચર વાર્તાલાપ માટે ઉત્પ્રેરક તરીકે કામ કરે છે, ઉત્પાદન ઑર્ડર મૂકવામાં આવે તે પહેલાં સંભવિતપણે સામગ્રી અને ઊર્જાના બોજને ઘટાડે છે. તે મૂલ્ય શૃંખલામાં ટકાઉપણું અપસ્ટ્રીમ ખસેડે છે.

ઠોકર ખાતી બ્લોક્સ અને વાસ્તવિક અપેક્ષાઓ

તે બધું સરળ સફર રહ્યું નથી. સૌથી મોટી નિષ્ફળતાની સ્થિતિ જે મેં જોઈ છે તે છે બોઇલ ધ ઓસન એપ્રોચ: પ્રથમ દિવસથી એક સંપૂર્ણ, પ્લાન્ટ-વ્યાપી ડિજિટલ ટ્વીન બનાવવાનો પ્રયાસ. ડેટા ઈન્ફ્રાસ્ટ્રક્ચર ક્ષીણ થઈ જાય છે, મોડેલ્સ ખૂબ જટિલ બની જાય છે, અને પ્રોજેક્ટ તેના પોતાના વજન હેઠળ મૃત્યુ પામે છે. સફળતા એક જ, પીડાદાયક કચરાના પ્રવાહને ચૂંટવાથી આવે છે - જેમ કે સામગ્રીના વધુ પડતા વપરાશના ઉદાહરણ - અને તેને ઉકેલવા. મૂલ્ય સાબિત કરો, પછી સ્કેલ કરો.

બીજો મુદ્દો ડેટા ગુણવત્તા છે. જૂની પ્રોડક્શન લાઇન પર, અલગ-અલગ પીએલસી અને મેન્યુઅલ લૉગ્સમાંથી સ્વચ્છ, સમય-સમન્વયિત ડેટા મેળવવો એ એક સ્મારક કાર્ય છે. કેટલીકવાર, પ્રારંભિક પ્રોજેક્ટનો 80% માત્ર વિશ્વસનીય ડેટા પાઇપલાઇનનું નિર્માણ કરે છે. તમે સાંસ્કૃતિક પ્રતિકારનો પણ સામનો કરો છો; જો AI નું સૂચન ઊર્જા બચાવે છે પરંતુ ઓપરેટર માટે એક પગલું ઉમેરે છે, તો તેને અવગણવામાં આવશે સિવાય કે તે લાંબા ગાળે તેમનું કામ સરળ અથવા વધુ સુસંગત બનાવે છે.

તો, AI ખરેખર ટકાઉપણું કેવી રીતે વધારશે? તે જાદુઈ લાકડી નથી. તે એક બૃહદદર્શક કાચ અને અવિરત કેલ્ક્યુલેટર છે. તે છુપાયેલી, ખર્ચાળ બિનકાર્યક્ષમતાઓ પર પ્રકાશ પાડે છે જેની સાથે આપણે જીવવાનું શીખ્યા છીએ - વધારાનો કિલોવોટ-કલાક, સ્ટીલનો બગાડ થતો ગ્રામ, મશીનનો ધીમો સડો. તે બહેતર પ્રક્રિયાઓમાં રોકાણને ન્યાયી ઠેરવવા માટે જરૂરી પુરાવા પૂરા પાડે છે અને માણસોને વધુ સ્માર્ટ, વધુ માહિતગાર નિર્ણયો લેવાની શક્તિ આપે છે જે સામૂહિક રીતે વસ્તુઓ બનાવવાના પર્યાવરણીય પદચિહ્નને સંકોચાય છે. બુસ્ટ સંચિત, પુનરાવર્તિત અને ઊંડા વ્યવહારુ છે. તે બોર્ડરૂમના અહેવાલમાંથી ટકાઉ ઉત્પાદનની મહત્વાકાંક્ષાને શોપ ફ્લોર પરની દૈનિક પ્રેક્ટિસમાં ફેરવે છે.