Bagaimana AI meningkatkan keberlanjutan di bidang manufaktur? 

Ketika orang-orang mendengar AI di bidang manufaktur, mereka sering kali langsung membayangkan pabrik yang sepenuhnya otonom dan tidak ada lampunya. Ini adalah tujuan yang cemerlang, namun hal ini bukanlah tujuan nyata dan sulit untuk meningkatkan keberlanjutan saat ini. Dampak sebenarnya lebih beragam, dan sering kali tersembunyi dalam kesibukan sehari-hari dalam mengoptimalkan konsumsi energi, mengurangi limbah material, dan membuat rantai pasokan tidak terlalu semrawut. Ini bukan tentang robot yang mengambil alih, tapi lebih banyak tentang sistem cerdas yang memberikan visibilitas granular yang selama ini tidak kita miliki dalam mengambil keputusan yang berwawasan ekonomi dan lingkungan. Kaitan antara AI dan keberlanjutan tidak terjadi secara otomatis; hal ini membutuhkan perubahan yang disengaja dalam apa yang kita pilih untuk diukur dan dikendalikan.

Beyond the Hype: Energi sebagai Frontier Pertama

Mari kita mulai dengan energi, hal yang paling berdampak langsung dan jejak karbon. Selama bertahun-tahun, kami mengandalkan pemeliharaan terjadwal dan peringkat efisiensi secara luas. Pengubah permainan ini adalah dengan menyematkan sensor dan menggunakan AI untuk optimalisasi energi prediktif. Saya tidak berbicara tentang mematikan mesin saja. Ini tentang memahami beban dinamis dari keseluruhan lini produksi. Misalnya saja, model AI dapat mengetahui bahwa mesin press tertentu menghasilkan lonjakan daya tidak hanya selama pengoperasian, namun juga selama 15 menit setelahnya, saat sistem pendingin bekerja. Dengan menganalisis jadwal produksi, hal ini dapat menyarankan penundaan mikro antar batch untuk menghindari penarikan puncak secara bersamaan dari beberapa pengepresan, sehingga meratakan kurva energi tanpa memengaruhi hasil produksi. Ini bukan teori; Saya pernah melihatnya menghemat 8-12% tagihan energi di fasilitas penempaan, yang skalanya sangat besar.

Bagian yang sulit adalah kualitas data. Anda memerlukan data deret waktu yang terperinci dari mesin, gardu induk, dan bahkan jaringan listrik jika memungkinkan. Salah satu proyek yang gagal pada awalnya adalah mencoba mengoptimalkan tungku perlakuan panas tanpa pengukur aliran gas yang akurat. Model AI pada dasarnya hanya menebak-nebak, dan pengoptimalannya berisiko membahayakan sifat metalurgi bagian-bagian tersebut. Kami belajar dari pengalaman pahit: Anda tidak dapat mengelola apa yang tidak dapat Anda ukur secara akurat. AI hanya akan sebaik masukan sensorik yang didapatnya.

Hal ini mengarah pada satu hal yang halus: AI sering kali membenarkan instrumentasi yang lebih dalam. Untuk mendukung keberlanjutan AI, pertama-tama Anda berinvestasi pada pengukuran yang lebih baik. Ini adalah siklus yang baik. Setelah Anda memiliki aliran data tersebut, Anda dapat beralih dari prediksi ke tindakan preskriptif—seperti menyesuaikan titik setel tekanan kompresor secara otomatis berdasarkan permintaan real-time dalam jaringan pneumatik, sesuatu yang selalu disetel untuk skenario terburuk, sehingga membuang banyak energi.

Perang Melawan Sampah: Dari Scrap Heaps hingga Digital Twins

Limbah material adalah kerugian finansial dan lingkungan murni. Dalam pembuatan pengikat, seperti di perusahaan seperti Handan Zitai Fastener Manufacturing Co, Ltd. berlokasi di basis produksi suku cadang standar utama di Tiongkok, pendekatan tradisionalnya melibatkan inspeksi pascaproduksi: satu batch dibuat, beberapa diambil sampelnya, dan jika ditemukan cacat, keseluruhannya mungkin akan dibuang atau dikerjakan ulang. Itu sungguh sia-sia.

Visi komputer untuk deteksi cacat secara real-time kini menjadi taruhannya. Namun penggunaan AI yang lebih mendalam adalah dalam optimasi parameter proses untuk mencegah terjadinya pemborosan. Dengan memasukkan data dari proses cold pos—diameter kawat, suhu, kecepatan mesin, keausan cetakan—ke dalam model, kita dapat memprediksi kemungkinan terjadinya retakan kepala atau ketidakakuratan dimensi sebelum satu bagian dibuat. Sistem kemudian dapat merekomendasikan penyesuaian, misalnya, sedikit peningkatan suhu anil atau penurunan laju umpan.

Saya ingat sebuah proyek di mana kami membuat bayangan digital (versi sederhana dari kembaran digital penuh) untuk jalur produksi baut. Tujuannya adalah untuk meminimalkan trim loss – sisa kawat setelah baut dipotong. Dengan menganalisis portofolio pesanan dan batasan mesin, sistem penjadwalan AI dapat mengurutkan pesanan agar menggunakan kumparan kawat secara lebih lengkap, sehingga mengurangi limbah trim dari rata-rata 3,2% menjadi di bawah 1,7%. Kedengarannya kecil, namun pada ribuan ton baja setiap tahunnya, penghematan bahan mentah dan emisi karbon yang terkait dari produksi baja sangatlah besar. Anda dapat melihat bagaimana perusahaan-perusahaan di pusat-pusat seperti Distrik Yongnian, dengan output bervolume tinggi, dapat memperoleh manfaat besar dari optimalisasi granular tersebut.

Ketahanan Rantai Pasokan dan Jejak Karbon

Di sinilah segalanya menjadi rumit. Rantai pasokan yang berkelanjutan bukan hanya tentang memilih pemasok ramah lingkungan; ini tentang efisiensi dan ketahanan untuk menghindari angkutan udara darurat yang intensif karbon. Perkiraan permintaan yang digerakkan oleh AI, jika berhasil, akan memperlancar produksi, mengurangi kebutuhan akan kerja lembur (yang seringkali berarti pengoperasian yang kurang efisien dan boros energi) dan pemesanan secara panik.

Kami mengintegrasikan analisis risiko rantai pasokan multi-tingkat dengan optimalisasi logistik untuk klien. Sistem ini memantau cuaca, kemacetan pelabuhan, dan bahkan bauran energi di wilayah pemasok (misalnya, apakah jaringan listrik mereka saat ini menggunakan batu bara atau energi terbarukan?). Mereka menyarankan untuk mengubah rute pengiriman ke angkutan laut yang lebih lambat namun beremisi lebih rendah jika jadwalnya memungkinkan, atau mengkonsolidasikan muatan untuk mengisi kontainer hingga kapasitas 98% dibandingkan kapasitas biasanya 85%. Itu Keberlanjutan Keuntungan yang didapat tidak langsung namun mempunyai dampak besar: hal ini memasukkan efisiensi karbon ke dalam keputusan logistik sehari-hari.

Mode kegagalan di sini adalah optimasi berlebihan. Salah satu model menyarankan untuk selalu menggunakan satu pemasok yang sangat ramah lingkungan namun kapasitasnya terbatas untuk meminimalkan emisi transportasi. Mereka gagal memperhitungkan risiko penutupan, yang pada akhirnya terjadi, sehingga memaksa perebutan pemasok yang lebih banyak dan kurang optimal. Pembelajaran yang dapat diambil adalah bahwa tujuan keberlanjutan harus diimbangi dengan batasan ketahanan fungsi tujuan AI. Anda tidak bisa begitu saja meminimalkan karbon; Anda harus mengelola risiko.

Elemen Manusia: Pengambilan Keputusan yang Ditambah

Ini sangat penting. AI tidak menjalankan pabrik; orang melakukannya. Implementasi paling efektif yang pernah saya lihat adalah AI bertindak sebagai penasihat. Hal ini menandai sebuah anomali: Konsumsi energi per unit pada Jalur 3 adalah 18% di atas patokan bauran produk saat ini. Kemungkinan penyebab: Keausan bantalan pada Motor Konveyor B-12, perkiraan kehilangan efisiensi 22%. Hal ini memberi tim pemeliharaan tugas yang ditargetkan dan diprioritaskan dengan dampak keberlanjutan dan biaya yang jelas.

Ini mengubah budaya. Keberlanjutan tidak lagi menjadi KPI yang terpisah dari efisiensi produksi. Ketika manajer pabrik melihat bahwa mengoptimalkan tingkat sisa yang lebih rendah juga mengurangi penggunaan energi dan bahan mentah per bagian, maka tujuannya menjadi selaras. Melatih AI juga melatih manusianya. Untuk memberi label data pada model deteksi cacat, insinyur kualitas harus menganalisis mode kegagalan secara mendalam. Proses ini sendiri sering kali mengarah pada perbaikan proses bahkan sebelum model diterapkan.

Perlawanan itu wajar. Ada ketakutan yang wajar terhadap rekomendasi kotak hitam. Itu sebabnya penjelasan adalah kuncinya. Jika sistem mengatakan mengurangi suhu tungku sebesar 15°C, sistem tersebut juga harus memberikan alasannya: Data historis menunjukkan pengoperasian dengan parameter X dan Y pada suhu yang lebih rendah ini menghasilkan kekerasan yang identik dengan konsumsi gas alam 8% lebih sedikit. Hal ini membangun kepercayaan dan mengubah AI menjadi alat kolaboratif untuk keberlanjutan manufaktur.

Melihat ke Depan: Tantangan Integrasi

Masa depan tidak terletak pada penerapan AI yang berdiri sendiri dalam hal energi atau kualitas. Hal ini merupakan optimalisasi proses terintegrasi yang menyeimbangkan berbagai tujuan, yang terkadang saling bersaing: hasil, hasil, penggunaan energi, keausan alat, dan jejak karbon. Ini adalah masalah optimasi multi-tujuan yang berada di luar perhitungan manusia secara real-time.

Kami sedang menguji coba sistem yang menerima pesanan pelanggan dan secara dinamis menentukan jalur produksi yang paling berkelanjutan. Apakah kumpulan pengencang ini harus dibuat pada jalur yang lebih lama dan lebih lambat yang kini ditenagai oleh panel tenaga surya baru dari pabrik, atau pada jalur yang lebih baru dan lebih cepat yang ditenagai oleh jaringan listrik namun memiliki tingkat kerusakan yang lebih rendah? AI dapat menghitung dampak bersih karbon, termasuk karbon yang terkandung dalam sisa-sisa potensial, dan merekomendasikan jalur yang benar-benar optimal. Ini adalah pemikiran tingkat berikutnya.

Tantangan terakhir adalah integrasi penilaian siklus hidup. Yang nyata meningkatkan menuju keberlanjutan akan terwujud ketika AI di bidang manufaktur memiliki akses terhadap data mengenai dampak keseluruhan siklus hidup material dan proses. Memilih antara pelapisan seng dan pelapis polimer baru bukan hanya keputusan biaya; ini adalah keputusan tentang penggunaan bahan kimia, daya tahan, dan kemampuan daur ulang di akhir masa pakainya. Kita belum sampai pada tahap tersebut, namun upaya mendasar—menjadikan proses digital, terinstrumentasi, dan berada di bawah kendali adaptif—adalah hal yang memungkinkan masa depan tersebut terwujud. Ini adalah jalan yang panjang dan tidak menarik untuk menyelesaikan satu masalah kecil yang sia-sia.