Երբ մարդիկ արտադրությունում լսում են արհեստական ինտելեկտը, նրանք հաճախ ցատկում են դեպի լիովին ինքնավար, լույսերը անջատող գործարանների տեսլականները: Դա վառ նպատակ է, բայց այստեղ չէ, որ այսօր տեղի է ունենում կայունության խթանման իրական, ծանր աշխատանքը: Իրական ազդեցությունն ավելի նրբերանգ է, հաճախ թաքնված է էներգիայի սպառման օպտիմալացման, նյութական թափոնների կրճատման և մատակարարման շղթաներն ավելի քիչ քաոսային դարձնելու առօրյայի մեջ: Խոսքը գնում է ավելի քիչ ռոբոտների վրա, և ավելի շատ խելացի համակարգերի մասին, որոնք ապահովում են հատիկավոր տեսանելիություն, որը մենք միշտ բացակայում էինք՝ և՛ տնտեսապես, և՛ էկոլոգիապես առողջ որոշումներ կայացնելու համար: AI-ի և կայունության միջև կապը ավտոմատ չէ. այն պահանջում է կանխամտածված փոփոխություն այն ամենի մեջ, ինչ մենք ընտրում ենք չափելու և վերահսկելու համար:

Հիպից այն կողմ. Էներգիան որպես առաջին սահման

Եկեք սկսենք էներգիայից՝ ամենաուղիղ ծախսերից և ածխածնի հետքի տարրից: Տարիներ շարունակ մենք ապավինում էինք պլանային սպասարկման և լայն հարվածների արդյունավետության գնահատականներին: Խաղը փոխող սարքը տեղադրում է սենսորներ և օգտագործում AI-ն կանխատեսող էներգիայի օպտիմալացման համար: Ես չեմ խոսում միայն մեքենաներն անջատելու մասին։ Դա ամբողջ արտադրական գծի դինամիկ բեռը հասկանալու մասին է: Օրինակ, արհեստական ​​ինտելեկտի մոդելը կարող է սովորել, որ հատուկ դրոշմող մամուլը հզորության մեծացում է ստանում ոչ միայն շահագործման ընթացքում, այլև 15 րոպե հետո, երբ աշխատում են հովացման համակարգերը: Վերլուծելով արտադրական գրաֆիկները՝ այն կարող է առաջարկել միկրո-ուշացումներ խմբաքանակների միջև՝ խուսափելու համար միաժամանակյա գագաթնակետային ներգրավումներից մի քանի սեղմումներից՝ հարթեցնելով էներգիայի կորը՝ առանց ազդելու թողունակության վրա: Սա տեսական չէ. Ես տեսել եմ, որ այն 8-12% զեղչում է էներգիայի գնից դարբնոցային գործարանում, որը մասշտաբով մեծ է:

Բարդ մասը տվյալների որակն է: Ձեզ անհրաժեշտ են հատիկավոր, ժամանակային շարքի տվյալներ մեքենայից, ենթակայանից և հնարավորության դեպքում նույնիսկ ցանցից: Առաջին ձախողված նախագիծը փորձում էր օպտիմալացնել ջերմամշակման վառարանը առանց ճշգրիտ գազի հոսքաչափերի: AI մոդելը ըստ էության կռահում էր, և օպտիմալացումները վտանգի տակ էին դնում մասերի մետալուրգիական հատկությունները: Մենք սովորեցինք դժվար ճանապարհը. չես կարող կառավարել այն, ինչը չես կարող ճշգրիտ չափել: Արհեստական ​​ինտելեկտը նույնքան լավն է, որքան այն ստանում է զգայական մուտքերը:

Սա հանգեցնում է մի նուրբ կետի. AI-ն հաճախ արդարացնում է ավելի խորը գործիքավորումը: Արհեստական ​​ինտելեկտի կայունությունը հաստատելու համար նախ դուք ներդրումներ եք կատարում ավելի լավ հաշվառման մեջ: Դա առաքինի շրջան է: Երբ դուք ունեք այդ տվյալների հոսքը, դուք կարող եք կանխատեսումից անցնել հրահանգիչ գործողությունների, օրինակ՝ ավտոմատ կերպով կարգավորելով կոմպրեսորի ճնշման սահմանային կետերը՝ հիմնված օդաճնշական ցանցում իրական ժամանակի պահանջարկի վրա, մի բան, որը միշտ նախատեսված էր վատագույն սցենարի համար՝ հսկայական էներգիա վատնելով:

Պատերազմ թափոնների դեմ. ջարդոններից մինչև թվային երկվորյակներ

Նյութական թափոնները մաքուր ֆինանսական և բնապահպանական կորուստ են: Ամրակների արտադրության մեջ, ինչպես այնպիսի ընկերությունում, ինչպիսին է Handan Zitai Fastener արտադրություն Co., Ltd. տեղակայված Չինաստանի հիմնական ստանդարտ մասերի արտադրության բազայում, ավանդական մոտեցումը ներառում է հետարտադրական ստուգում. խմբաքանակ է պատրաստվում, որոշները նմուշառվում են, և եթե հայտնաբերվեն թերություններ, ամբողջ խմբաքանակը կարող է ջարդոնացվել կամ վերամշակվել: Դա աներևակայելի վատնում է:

Իրական ժամանակի թերությունների հայտնաբերման համակարգչային տեսլականն այժմ սեղանի ցցեր է: Սակայն AI-ի ավելի խորը կիրառումը գործընթացի պարամետրերի օպտիմալացումն է՝ առաջին հերթին թափոնների ստեղծումը կանխելու համար: Սառը վերնագրի գործընթացից ստացված տվյալները՝ մետաղալարերի տրամագիծը, ջերմաստիճանը, մեքենայի արագությունը, մաշվածությունը, մոդելի մեջ ներմուծելով՝ մենք կարող ենք կանխատեսել գլխի ճաքերի կամ չափերի անճշտությունների հավանականությունը մինչև մեկ կտոր պատրաստելը: Այնուհետև համակարգը կարող է առաջարկել ճշգրտումներ, ասենք, եռացման ջերմաստիճանի մի փոքր բարձրացում կամ կերակրման արագության նվազում:

Ես հիշում եմ մի նախագիծ, որտեղ մենք կառուցեցինք թվային ստվեր (ամբողջական թվային երկվորյակի ավելի պարզ տարբերակ) պտուտակների արտադրության գծի համար: Նպատակն էր նվազագույնի հասցնել կտրվածքի կորուստը` պտուտակը կտրելուց հետո մնացած մետաղալարը: Վերլուծելով պատվերների պորտֆելները և մեքենաների սահմանափակումները՝ AI-ի ժամանակացույցի համակարգը կարող է հաջորդականացնել մետաղալարերի պարույրներն ավելի ամբողջական օգտագործելու պատվերները՝ նվազեցնելով կրճատման թափոնները միջինից 3,2%-ից մինչև 1,7%: Թվում է, թե փոքր է, բայց տարեկան հազարավոր տոննա պողպատի դեպքում հումքի խնայողությունները և պողպատի արտադրության հետ կապված ածխածնի արտանետումները զգալի են: Դուք կարող եք տեսնել, թե ինչպես են Յոնգյան թաղամասի նման կենտրոններում գտնվող ընկերությունները, իրենց մեծ ծավալի արտադրանքով, կարող են հսկայական շահույթ ստանալ նման հատիկավոր օպտիմալացումներից:

Մատակարարման շղթայի առաձգականությունը և ածխածնի հետքը

Այստեղ այն բարդանում է: Կայուն մատակարարման շղթան միայն կանաչ մատակարար ընտրելը չէ. դա արդյունավետության և ճկունության մասին է՝ արտակարգ, ածխածնային ինտենսիվ օդային բեռնափոխադրումներից խուսափելու համար: AI-ի վրա հիմնված պահանջարկի կանխատեսումը, երբ այն աշխատում է, հարթեցնում է արտադրությունը՝ նվազեցնելով արտաժամյա աշխատանքի անհրաժեշտությունը (որը հաճախ նշանակում է ավելի քիչ արդյունավետ, էներգատար վազք) և խուճապային պատվերներ:

Մենք ինտեգրված ենք բազմաշերտ մատակարարման շղթայի ռիսկերի վերլուծություն հաճախորդի համար լոգիստիկ օպտիմալացումով: Համակարգը վերահսկում էր եղանակը, նավահանգիստների ծանրաբեռնվածությունը և նույնիսկ մատակարարի տարածաշրջանի էներգետիկ խառնուրդը (օրինակ՝ նրանց ցանցն այսօր աշխատում է ածուխո՞վ, թե՞ վերականգնվող էներգիայով): Այն առաջարկել է փոխադրել բեռնափոխադրումները դեպի ավելի դանդաղ, բայց ավելի ցածր արտանետումներով ծովային բեռնափոխադրումներ, երբ թույլ են տալիս ժամանակացույցը, կամ համախմբել բեռները՝ բեռնարկղերը լցնելու համար մինչև 98% տարողություն՝ սովորական 85%-ի փոխարեն: Այն կայունություն շահույթն այստեղ անուղղակի է, բայց հզոր. այն ներառում է ածխածնի արդյունավետությունը ամենօրյա լոգիստիկ որոշումների մեջ:

Այստեղ ձախողման ռեժիմը չափազանց օպտիմիզացումն է: Մոդելներից մեկն առաջարկում էր միշտ օգտագործել մեկ, շատ կանաչ, բայց հզորությամբ սահմանափակ մատակարար՝ տրանսպորտի արտանետումները նվազագույնի հասցնելու համար: Այն չկարողացավ հաշվի առնել անջատման վտանգը, որը, ի վերջո, տեղի ունեցավ՝ ստիպելով բախվել մի քանի, պակաս օպտիմալ մատակարարների: Դասն այն էր, որ կայունության նպատակները պետք է հավասարակշռված լինեն Արհեստական ​​ինտելեկտի օբյեկտիվ գործառույթում կայունության սահմանափակումներով: Դուք չեք կարող պարզապես նվազագույնի հասցնել ածխածինը. դուք պետք է կառավարեք ռիսկը:

Մարդկային տարր. Ընդլայնված որոշումների կայացում

Սա կրիտիկական է: AI-ն չի ղեկավարում գործարանը. մարդիկ անում են: Ամենաարդյունավետ իրականացումները, որոնք ես տեսել եմ, այն են, որտեղ AI-ն գործում է որպես խորհրդատու: Այն նշում է անոմալիա. 3-րդ տողում մեկ միավորի էներգիայի սպառումը 18%-ով գերազանցում է ընթացիկ արտադրանքի խառնուրդի չափանիշները: Հավանական պատճառ. Կոնվեյեր B-12 շարժիչի առանցքակալների մաշվածություն, արդյունավետության գնահատված կորուստ 22%: Այն տեխնիկական սպասարկման թիմին տալիս է նպատակային, առաջնահերթ առաջադրանք՝ հստակ կայունության և ծախսերի ազդեցությամբ:

Սա փոխում է մշակույթը։ Կայունությունը դադարում է լինել առանձին KPI արտադրության արդյունավետությունից: Երբ հարկի մենեջերը տեսնում է, որ ջարդոնի ավելի ցածր դրույքաչափերի օպտիմալացումը նաև նվազեցնում է էներգիայի և հումքի օգտագործումը լավ մասի համար, նպատակները համընկնում են: AI-ի ուսուցումը նաև մարզում է մարդկանց: Թերությունների հայտնաբերման մոդելի տվյալները պիտակավորելու համար որակյալ ինժեներները պետք է խորապես վերլուծեն խափանումների ռեժիմները: Այս գործընթացն ինքնին հաճախ հանգեցնում է գործընթացի բարելավման, նախքան մոդելը նույնիսկ տեղակայելը:

Դիմադրությունը բնական է. Սև արկղերի առաջարկությունների հիմնավոր վախ կա: Ահա թե ինչու բացատրելիությունը կարևոր է: Եթե ​​համակարգն ասում է, որ վառարանի ջերմաստիճանը նվազեցրե՛ք 15°C-ով, այն պետք է նաև հիմնավորում բերի. Պատմական տվյալները ցույց են տալիս, որ այս ցածր ջերմաստիճանում X և Y պարամետրերով գործարկումները հանգեցրել են նույն կարծրության՝ 8%-ով պակաս բնական գազի սպառմամբ: Սա վստահություն է ձևավորում և AI-ն վերածում է կայունության համագործակցային գործիքի արտադրություն.

Նայելով առաջ. Ինտեգրման մարտահրավեր

Ապագան էներգիայի կամ որակի AI կիրառման մեջ չէ: Դա ինտեգրված գործընթացի օպտիմալացման մեջ է, որը հավասարակշռում է բազմաթիվ, երբեմն մրցակցային նպատակներ՝ թողունակությունը, եկամտաբերությունը, էներգիայի օգտագործումը, գործիքների մաշվածությունը և ածխածնի հետքը: Սա բազմաբնույթ օպտիմալացման խնդիր է, որը իրական ժամանակում մարդկային հաշվարկներից դուրս է:

Մենք փորձնական համակարգեր ենք, որոնք ընդունում են հաճախորդի պատվերը և դինամիկ կերպով որոշում են առավել կայուն արտադրության ուղին: Արդյո՞ք ամրացումների այս խմբաքանակը պետք է պատրաստվի ավելի հին, ավելի դանդաղ գծի վրա, որն այժմ սնուցվում է գործարանի նոր արևային զանգվածով, թե՞ ավելի նոր, ավելի արագ գծի վրա, որը սնուցվում է ցանցից, բայց ունի ավելի ցածր ջարդոնի արագություն: AI-ն կարող է հաշվարկել ածխածնի զուտ ազդեցությունը, ներառյալ մարմնավորված ածխածինը ցանկացած պոտենցիալ ջարդոնի մեջ և խորհուրդ տալ իսկապես օպտիմալ ուղին: Սա հաջորդ մակարդակի մտածողությունն է:

Վերջին խոչընդոտը կյանքի ցիկլի գնահատման ինտեգրումն է: Իրականը խթանել Կայունությունը կգա այն ժամանակ, երբ արտադրական ոլորտում AI-ն հասանելի լինի նյութերի և գործընթացների ողջ կյանքի ցիկլի ազդեցության վերաբերյալ տվյալներին: Ցինկապատման և նոր պոլիմերային ծածկույթի միջև ընտրությունը պարզապես ծախսային որոշում չէ. դա որոշում է քիմիական օգտագործման, երկարակեցության և կյանքի վերջում վերամշակման մասին: Մենք դեռ այնտեղ չենք, բայց հիմնարար աշխատանքը՝ գործընթացների թվայնացումը, գործիքավորումը և հարմարվողական վերահսկողության տակ դնելը, այն է, ինչը հնարավոր է դարձնում այդ ապագան: Սա միաժամանակ մեկ փոքր, վատնող խնդիր լուծելու երկար, անհրապույր ճանապարհ է: