Ինչպե՞ս է AI-ն խթանում կայունությունը արտադրության մեջ: 

Երբ մարդիկ արտադրությունում լսում են արհեստական ինտելեկտը, նրանք հաճախ ցատկում են դեպի լիովին ինքնավար, լույսը անջատող գործարանների տեսլականները՝ վառ, բայց որոշ չափով մոլորեցնող իդեալ: Կայունության վրա իրական, կոպիտ ազդեցությունը մարդկանց փոխարինելը չէ. խոսքը վերաբերում է անարդյունավետությունները տեսնելու և գործելու մեր կարողությունը մեծացնելուն, որոնք ավանդաբար ընդունում ենք որպես գործառնական ծախսեր: Էներգիայի մշտական, անտեսանելի արյունահոսության, հումքի գերսպառման և կանխարգելելի թափոնների մեջ է, որ AI-ն գտնում է իր ամենաարժեքավոր դերը: Իմ սեփական տեսակետը, որը ձևավորվել է քայլող գործարանների հատակներով, այն է, որ խթանումը գալիս է ոչ թե մեկ մեծ լուծումից, այլ առկա գործընթացներում գործնական, տվյալների վրա հիմնված միջամտությունների շերտավորումից: Նպատակը կատարելությունը չէ, այլ չափելի, կրկնվող բարելավումը, որտեղ դա կարևոր է. հիմնականը և շրջակա միջավայրի հետքը:

Հիպից այն կողմ. Թափոնների հոսքերի հայտնաբերում

Մեկնարկային կետը տեսանելիությունն է: Տասնամյակներ շարունակ կայունության ջանքերը հաճախ գուշակություններ էին. պլանավորված սպասարկում, անկախ նրանից՝ անհրաժեշտ է, թե ոչ, նյութական մեծաքանակ պատվերներ՝ հիմնված պատմական միջին ցուցանիշների վրա, էներգիայի սպառումը որպես ֆիքսված ծախս: Ես հիշում եմ մի նախագիծ ամրացումների արտադրության հաստատությունում, որը նման չէ նրան, ինչ դուք կարող եք գտնել այնպիսի խոշոր խաղացողի հետ, ինչպիսին է Handan Zitai Fastener արտադրություն Co., Ltd. Yongnian-ում, Չինաստանի ստանդարտ մասերի արտադրության սիրտը: Նրանց խնդիրն ընդհանուր էր. չմշակված պողպատե մետաղալարերի սպառման զգալի տարբերություններ բարձր ամրության պտուտակների մեկ խմբաքանակի համար, ինչը հանգեցնում է ինչպես ծախսերի, այնպես էլ մետաղի ջարդոնի թափոնների: Ենթադրվում էր, որ դա հենց այնպես էր, ինչպես աշխատում էին մեքենաները:

Մենք տեղադրեցինք համեմատաբար պարզ մեքենայական տեսողություն և սենսորային զանգվածներ սառը դարբնոցային վերնագրերի և թելերի գլանափաթեթների վրա: AI-ի գործը ոչ թե մեքենան կառավարելն էր, այլ հազարավոր տվյալների կետերի փոխկապակցումը՝ շրջակա միջավայրի ջերմաստիճանը, մետաղալարերի սնուցման արագությունը, մաշվածության ցուցիչները, յուղման ճնշումը, յուրաքանչյուր կտորի վերջնական միավորի քաշի և որակի հետ: Շաբաթների ընթացքում ի հայտ եկավ օրինաչափությունը. մետաղալարերի սնուցման մեխանիզմի հատուկ, նուրբ տատանումները, որոնք սրվում էին հերթափոխի ժամանակ, առաջացնում էր 1,8% չափից ավելի սպառում: Սա սխալ չէր, որ որևէ մեկը գրանցել էր. դա թաքնված հարկ էր յուրաքանչյուր կիլոգրամ նյութի վրա։

Ուղղումը արհեստական ինտելեկտը չէր: Ուղղումը մեխանիկական ճշգրտում էր և օպերատորի ընթացակարգի ճշգրտում: ԱԻ-ն տվել է ախտորոշումը։ Սա առաջին մակարդակի խթանումն է՝ կայունությունը փիլիսոփայական նպատակից վերածել ճշգրիտ, քանակական ինժեներական խնդրի: Այն տեղափոխում է խոսակցությունը այն բանից, որ մենք պետք է նյութ խնայենք, որպեսզի մենք կորցնենք մեր նյութի 1,8%-ը X կետում Y-ի պատճառով:

Էներգիա. ֆիքսված արժեքից մինչև դինամիկ փոփոխական

Էներգիայի կառավարումը ցածր պտուղներով հարուստ մեկ այլ տարածք է: Շատ արտադրողներ, հատկապես էներգա ինտենսիվ գործընթացներում, ինչպիսիք են ջերմային մշակումը կամ էլեկտրալվացումը, որոնք տարածված են Handan-ի շուրջ ամրացումների արդյունաբերության մեջ, էներգիան վերաբերվում են որպես մոնոլիտ հաշիվ: Նրանք կարող են գործարկել ոչ էական կոմպրեսորներ կամ վառարանների նախնական տաքացման ցիկլեր ֆիքսված ժամանակացույցով, որոնք համահունչ են ամենաէժան սակագնային պատուհաններին, բայց դա հաճախ սահմանն է:

Մենք ինտեգրել ենք AI-ի վրա հիմնված կանխատեսող բեռի հավասարակշռումը իրական ժամանակի էներգիայի մոնիտորինգի համակարգի հետ: Այն չէր նայում միայն կոմունալ ծառայությունների սակագների ժամանակացույցին: Այն սովորեց յուրաքանչյուր վառարանի ջերմային իներցիան, իրական պահանջարկի ազդանշանները ծածկույթի գծերից և նույնիսկ կանխատեսեց տեղական ցանցի ածխածնի ինտենսիվությունը՝ հիմնված տարածաշրջանային էներգիայի խառնուրդի տվյալների վրա: Այնուհետև համակարգը կարող է առաջարկել, իսկ ավելի ուշ՝ ինքնուրույն իրականացնել, միկրո ուշացումներ կամ արագացումներ ոչ կարևոր գործընթացներում:

Օրինակ՝ կարելի է առաջարկել ամրացումների խմբաքանակ պահել 20 րոպե հետո կռելու հերթում՝ խուսափելու ցանցի գագաթնակետից, երբ տարածաշրջանային ածխածնի հետքը ամենաբարձրն է, նույնիսկ եթե դրամական ծախսերը նման են: Սա հավասարեցնում է ծախսերի խնայողությունը ածխածնի կրճատման հետ այնպես, որ ստատիկ գրաֆիկները երբեք չեն կարող: Խնայողությունները դրամատիկ չէին մեկ ժամվա ընթացքում, բայց մեկ քառորդից ավելի, պիկ պահանջարկի վճարների և դրա հետ կապված ածխածնի հետքի կրճատումը զգալի էր: Այն էներգիայի սպառումը դարձրեց դինամիկ, արձագանքող փոփոխական, այլ ոչ թե ֆոն:

The Human-in-the-Loop երկընտրանքը

Սա այն վայրն է, որտեղ դուք հարվածում եք գործնական խոչընդոտի: Օպտիմալ մոդելը կարող է ասել՝ հետաձգել խմբաքանակը, բայց հարկի կառավարիչը բեռնատար ունի, որը ժամանում է երեկոյան ժամը 4-ին: Մաքուր օպտիմալացումը կարող է բախվել լոգիստիկ իրականության հետ: Ամենահաջող իրականացումները, որոնք ես տեսել եմ, կառուցված են համապատասխանության մակարդակի չափման մեջ: AI-ն առաջարկում է, մարդը՝ տնօրինում, և համակարգը դասեր է քաղում անտեսումներից: Ժամանակի ընթացքում, եթե համակարգը տեսնում է, որ առաքման ժամանակացույցերը անփոփոխ սահմանափակում են, այն սկսում է գործակցել ավելի վաղ: Դա համագործակցություն է, ոչ թե գրավում: Այս խառնաշփոթ, կրկնվող թյունինգն այն է, ինչը տարբերում է ակադեմիական նախագծերը իրական աշխարհի գործիքներից:

Կանխատեսող սպասարկում. ռեսուրսների արդյունավետության հիմնաքարը

Սա, թերևս, ամենահաս կիրառությունն է, բայց դրա կայունության անկյունը երբեմն թերագնահատվում է: Խոսքը միայն պարապուրդից խուսափելու մասին չէ: Բարձր արագությամբ մետաղալարեր գծող մեքենայի անսարք առանցքակալը պարզապես չի կոտրվում. այն սկզբում առաջացնում է շփման ավելացում՝ շաբաթներ շարունակ առաջացնելով էներգիայի սպառումը: Թեթևակի սխալ դասավորված մեռնելը պարզապես չի պատռվում. այն առաջացնում է ենթամակերևույթի թերությունների աճող տոկոս, ինչը հանգեցնում է մասերի, որոնք որակի ստուգում չեն կատարում դրանցում ամբողջ էներգիան և նյութը ներդրելուց հետո:

Թրթռման, ակուստիկ և ջերմային վերլուծության միջոցով պլանավորված սպասարկումից անցնելով պայմանի վրա հիմնված սպասարկմանը՝ AI մոդելները կանխում են գործընթացների դանդաղ, անիմաստ քայքայումը: Ես հիշում եմ մի դեպք, երբ մոդելը ուշադրություն դարձրեց կոմպրեսորին` հիմնվելով նրա էլեկտրական ստորագրության նուրբ փոփոխության վրա: Սպասարկման գրանցամատյանը ցույց տվեց, որ այն լավ է բոլոր ստանդարտ չափանիշներով: Ստուգումից հետո մի փոքր փական սկսեց կպչել, ինչի պատճառով միավորը 7%-ով ավելի ուժեղ աշխատեց ճնշումը պահպանելու համար: Դա 7%-ով ավելի շատ էլեկտրաէներգիա է, ամեն ժամ, մի խնդրի համար, որը բաց կթողներ ևս երեք ամիս մինչև հաջորդ պլանային սպասարկումը:

Այստեղ կայունության շահույթը կրկնակի է. այն խնայում է էներգիան, որը վատնում է քայքայվող սարքավորումների պատճառով և երկարացնում է բուն կապիտալ ակտիվի ծառայության ընդհանուր ժամկետը, նվազեցնելով մեքենայի արտադրության և փոխարինման բնապահպանական ծախսերը: Սարքավորումը որպես մի բան, որն աշխատում է մինչև փչանալը, խորը տեղաշարժ է դեպի այն որպես համակարգ, որի արդյունավետությունը պետք է մշտապես պահպանվի:

Մատակարարման շղթա և դիզայն. վերին հոսքի լծակներ

Ազդեցությունը տարածվում է գործարանի դարպասից այն կողմ: Zitai Fasteners-ի նման արտադրողի համար, որի գտնվելու վայրը Պեկին-Գուանչժոու երկաթուղու նման խոշոր տրանսպորտային զարկերակների մոտ լոգիստիկ առավելություն է, AI-ն կարող է օպտիմալացնել այդ առավելությունը կայունության համար: Պլանավորման առաջադեմ համակարգերն այժմ կարող են հաշվի առնել ոչ միայն ծախսերը և ժամանակը, այլև ածխածնի հետքը տարբեր տրանսպորտային եղանակների և երթուղիների վրա՝ հավասարակշռելով գույքագրման մակարդակները ավելի կանաչ, բայց ավելի դանդաղ առաքման տարբերակների հետ:

Ավելի նուրբ, գեներատիվ դիզայնի ալգորիթմները, որոնք օգտագործվում են հաճախորդների հետ համատեղ, կարող են առաջարկել մասերի օպտիմալացում: Արդյո՞ք փակագիծը կարող է ավելի քիչ նյութ օգտագործել, եթե դիզայնի մի փոքր փոփոխություն կատարվի: Կարո՞ղ է արդյոք պողպատի տարբեր դասի, ավելի ցածր էներգատար արտադրական գործընթացով, բավարար լինել, եթե արտադրական պարամետրերը ճշգրտվեն: Սա այն վայրն է, որտեղ AI-ն հանդես է գալիս որպես կատալիզատոր կայուն դիզայնի արտադրության համար խոսակցությունների համար՝ պոտենցիալ նվազեցնելով նյութական և էներգիայի բեռը մինչև անգամ արտադրության պատվերի տեղադրումը: Այն շարժում է կայունությունը դեպի վերև՝ արժեքային շղթայում:

Գայթակղության քարերը և իրատեսական ակնկալիքները

Ամեն ինչ հարթ նավարկություն չի ունեցել: Ամենամեծ ձախողման ռեժիմը, որին ես ականատես եմ եղել, օվկիանոսի եռալն է. առաջին իսկ օրվանից փորձելով ստեղծել կատարյալ թվային երկվորյակ: Տվյալների ենթակառուցվածքը քանդվում է, մոդելները դառնում են չափազանց բարդ, և նախագիծը մահանում է իր ծանրության տակ: Հաջողությունը գալիս է միայնակ, ցավոտ թափոնների հոսք ընտրելուց, օրինակ՝ նյութի գերսպառման օրինակը, և լուծելով այն: Ապացուցեք արժեքը, ապա չափեք:

Մեկ այլ խնդիր տվյալների որակն է: Հին արտադրական գծերում տարբեր PLC-ներից և ձեռքով տեղեկամատյաններից մաքուր, ժամանակի համաժամեցված տվյալներ ստանալը մոնումենտալ խնդիր է: Երբեմն սկզբնական նախագծի 80%-ը պարզապես հուսալի տվյալների խողովակաշար է ստեղծում: Դուք նաև բախվում եք մշակութային դիմադրության. եթե AI-ի առաջարկը խնայում է էներգիան, բայց մի քայլ ավելացնում է օպերատորի համար, այն անտեսվելու է, քանի դեռ այն չի ձևակերպվում որպես երկարաժամկետ հեռանկարում նրանց աշխատանքը հեշտացնելու կամ ավելի հետևողական դարձնելու համար:

Այսպիսով, ինչպե՞ս է AI-ն իսկապես խթանում կայունությունը: Դա կախարդական փայտիկ չէ: Դա խոշորացույց է և անողոք հաշվիչ: Այն լույս է սփռում թաքնված, թանկարժեք անարդյունավետությունների վրա, որոնց հետ մենք սովորել ենք ապրել՝ հավելյալ կիլովատ/ժամը, վատնված պողպատի գրամը, մեքենայի դանդաղ քայքայումը: Այն ապահովում է ապացույցներ, որոնք անհրաժեշտ են ավելի լավ գործընթացներում ներդրումներն արդարացնելու համար և մարդկանց հնարավորություն է տալիս կայացնել ավելի խելացի, ավելի տեղեկացված որոշումներ, որոնք միասին կրճատում են իրեր կայացնելու շրջակա միջավայրի ազդեցությունը: Զարգացումը կուտակային է, կրկնվող և խորապես գործնական: Այն կայուն արտադրության հավակնությունը նիստերի դահլիճում զեկույցից վերածում է ամենօրյա պրակտիկայի խանութի հատակին: