כיצד בינה מלאכותית מגבירה את הקיימות בייצור? 

כשאנשים שומעים בינה מלאכותית בייצור, הם קופצים לעתים קרובות לחזיונות של מפעלים אוטונומיים לחלוטין, כבויים אור - אידיאל נוצץ אך מעט מטעה. ההשפעה האמיתית והעגומה על קיימות אינה נוגעת להחלפת בני אדם; מדובר על הגדלת היכולת שלנו לראות ולפעול על חוסר יעילות שקיבלנו באופן מסורתי כעלויות תפעוליות. בדימום הבלתי נראה של אנרגיה, צריכת יתר של חומרי גלם ובזבוז שניתן למנוע, AI מוצא את התפקיד היקר ביותר שלו. ההשקפה שלי, שעוצבה על ידי הליכה על רצפות המפעל, היא שהדחיפה לא מגיעה מפתרון גדול אחד, אלא מהתערבויות מעשיות מונעות נתונים לתוך תהליכים קיימים. המטרה היא לא שלמות, אלא שיפור מדיד ואיטרטיבי היכן שזה נחשב: השורה התחתונה וטביעת הרגל הסביבתית.

מעבר להייפ: איתור זרמי פסולת

נקודת המוצא היא הנראות. במשך עשרות שנים, מאמצי הקיימות היו לעתים קרובות ניחושים - תחזוקה מתוזמנת בין אם צריך ובין אם לא, הזמנות חומרים בכמות גדולה המבוססת על ממוצעים היסטוריים, צריכת אנרגיה כתקורה קבועה. אני זוכר פרויקט במתקן לייצור מחברים, לא שונה ממה שתמצא עם שחקן גדול כמו Handan Zitai Fastener Manufacturing Co., בע"מ. ב-Yongnian, הלב של ייצור החלקים הסטנדרטיים של סין. האתגר שלהם היה אתגר שכיח: שונות משמעותית בצריכת חוטי פלדה גולמיים לכל אצווה של ברגים בעלי חוזק גבוה, מה שהוביל הן לעלות והן לפסולת גרוטאות מתכת. ההנחה הייתה שזה בדיוק הדרך שבה פעלו המכונות.

פרסנו מערכי ראיית מכונה וחיישנים פשוטים יחסית על כותרות החישול הקרות ועל גלילי ההברגה. התפקיד של הבינה המלאכותית לא היה לשלוט במכונה אלא לקשר בין אלפי נקודות נתונים - טמפרטורת הסביבה, מהירות הזנת חוט, מחווני בלאי קוביות, לחץ סיכה - למשקל ואיכות היחידה הסופית של כל חלק. בתוך שבועות, הדפוס התגלה: תנודה ספציפית ועדינה במנגנון הזנת החוטים, שהחריפה במהלך חילופי המשמרות, גרמה לצריכת יתר עקבית של 1.8%. זו לא הייתה תקלה שמישהו רשם; זה היה מס נסתר על כל קילוגרם של חומר.

התיקון לא היה AI. התיקון היה התאמה מכנית ותיקון לנוהל המפעיל. ה-AI סיפק את האבחנה. זהו הדחיפה ברמה הראשונה: הפיכת קיימות ממטרה פילוסופית לבעיה הנדסית מדויקת וניתנת לכימות. זה מעביר את השיחה מאת שאנחנו צריכים לשמור חומר לנקודה שאנחנו מאבדים 1.8% מהחומר שלנו בנקודה X בגלל סיבה Y.

אנרגיה: מעלות קבועה למשתנה דינמי

ניהול אנרגיה הוא עוד תחום משופע בפירות בעלי תליה נמוכה. יצרנים רבים, במיוחד בתהליכים עתירי אנרגיה כמו טיפול בחום או ציפוי אלקטרוני - הנפוצים במקבץ תעשיית המהדקים סביב האנדן - מתייחסים להספק כאל חשבון מונוליטי. הם עשויים להפעיל מדחסים לא חיוניים או מחזורי חימום מוקדם של תנורים על פי לוחות זמנים קבועים המתואמים לחלונות התעריפים הזולים ביותר, אבל זה לרוב הגבול.

שילבנו איזון עומסים חזוי מונע בינה מלאכותית עם מערכת ניטור אנרגיה בזמן אמת. זה לא הסתכל רק על לוח התעריפים של השירות. הוא למד את האינרציה התרמית של כל תנור, את אותות הביקוש בפועל מקווי הציפוי, ואפילו חזו את עוצמת הפחמן של הרשת המקומית בהתבסס על נתוני תמהיל אנרגיה אזורי. לאחר מכן, המערכת תוכל להמליץ ​​- ובהמשך, לבצע באופן אוטונומי - עיכובים או האצות מיקרו בתהליכים לא קריטיים.

לדוגמה, זה עשוי להציע להחזיק אצווה של מחברים בתור החישול שלאחר הזיוף למשך 20 דקות נוספות כדי להימנע מתקופת שיא של רשת כאשר טביעת הרגל הפחמנית האזורית הייתה הגבוהה ביותר, גם אם העלות הכספית הייתה דומה. זה מיישר את חיסכון בעלויות עם הפחתת פחמן באופן שלוחות זמנים סטטיים לעולם לא יכולים. החיסכון לא היה דרמטי באף שעה אחת, אבל יותר מרבעון, ההפחתה בתעריפי שיא הביקוש וטביעת הרגל הפחמנית הנלווית לכך הייתה משמעותית. זה הפך את צריכת האנרגיה למשתנה דינמי ומגיב, לא רקע.

דילמת האדם בלולאה

כאן אתה נתקל בבעיה מעשית. הדגם האופטימלי אולי אומר לעכב אצווה, אבל למנהל הרצפה יש משאית שמגיעה ב-16:00. אופטימיזציה טהורה יכולה להתנגש עם המציאות הלוגיסטית. ההטמעות המוצלחות ביותר שראיתי בנויות במדד שיעור ציות. ה-AI מציע, האדם נפטר והמערכת לומדת מעקיפות. עם הזמן, אם המערכת רואה שתזמוני משלוח הם אילוץ בלתי ניתן לשינוי, היא מתחילה לקחת זאת בחשבון מוקדם יותר. זה שיתוף פעולה, לא השתלטות. הכוונון המבולגן והאיטרטיבי הזה הוא מה שמפריד בין פרויקטים אקדמיים לכלים בעולם האמיתי.

תחזוקה חזויה: אבן הפינה של יעילות משאבים

זה אולי היישום הבוגר ביותר, אבל זווית הקיימות שלו לפעמים מועטת. זה לא רק על הימנעות מזמן השבתה. מיסב כושל במכונת שרטוט חוטים במהירות גבוהה לא סתם נשבר; זה גורם תחילה לחיכוך מוגבר, ומגביר את צריכת האנרגיה במשך שבועות. קובייה שגויה במקצת לא נקרעת סתם; הוא מייצר אחוז עולה של פגמים תת-קרקעיים, מה שמוביל לחלקים שנכשלים בבדיקות איכות לאחר שהושקעו בהם מלא אנרגיה וחומר.

על ידי מעבר מתחזוקה מתוזמנת לתחזוקה מבוססת מצב תוך שימוש בניתוח רטט, אקוסטית ותרמי, מודלים של AI מונעים את ההתדרדרות האיטית והבזבזנית של תהליכים. אני זוכר מקרה שבו הדגם סימן מדחס לתשומת לב על סמך שינוי עדין בחתימה החשמלית שלו. יומן התחזוקה הראה שזה בסדר לפי כל המדדים הסטנדרטיים. לאחר בדיקה, שסתום קטן החל להידבק, מה שגרם ליחידה לעבוד קשה יותר ב-7% כדי לשמור על הלחץ. זה 7% יותר חשמל, כל שעה, עבור בעיה שהייתה מחמיצה עוד שלושה חודשים עד השירות המתוכנן הבא.

רווח הקיימות כאן הוא כפול: הוא שומר על האנרגיה שמתבזבזת על ידי השפלה של ציוד ומאריך את חיי השירות הכוללים של נכס ההון עצמו, ומפחית את העלות הסביבתית של ייצור והחלפת המכונה. מדובר במעבר עמוק מלהתייחס לציוד כאל משהו שפועל עד שהוא נשבר, להתייחסות אליו כאל מערכת שיש לשמור כל הזמן על יעילותה.

שרשרת אספקה ועיצוב: המינוף במעלה הזרם

ההשפעה משתרעת מעבר לשער המפעל. עבור יצרן כמו Zitai Fasteners, שמיקומו ליד צירי תחבורה מרכזיים כמו רכבת בייג'ינג-גואנגז'ו מהווה יתרון לוגיסטי, בינה מלאכותית יכולה לייעל את היתרון הזה לקיימות. מערכות תכנון מתקדמות יכולות כעת להביא בחשבון לא רק את העלות והזמן, אלא את טביעת הרגל הפחמנית של מצבי תחבורה ונתיבי תחבורה שונים, ומאזנות את רמות המלאי מול אפשרויות משלוח ירוקות יותר אך איטיות יותר.

באופן עדין יותר, אלגוריתמי עיצוב גנרטיביים, המשמשים בשיתוף עם לקוחות, יכולים להציע אופטימיזציות של חלקים. האם סוגר יכול להשתמש בפחות חומר אם נעשה שינוי עיצובי קל? האם דרגת פלדה אחרת, עם תהליך ייצור עתיר אנרגיה נמוך יותר, יכולה להספיק אם פרמטרי הייצור יותאמו? זה המקום שבו בינה מלאכותית פועלת כזרז לשיחות תכנון לייצור בר קיימא, מה שעלול להפחית את עומסי החומר והאנרגיה עוד לפני שהזמנת הייצור מתבצעת. זה מעביר את הקיימות במעלה הזרם בשרשרת הערך.

אבני הנגף והציפיות הריאליות

לא הכל עבר חלק. מצב הכישלון הגדול ביותר שראיתי הוא גישת הרתיחה של האוקיינוס: ניסיון לבנות תאום דיגיטלי מושלם, לכל אורך המפעל, מהיום הראשון. תשתית הנתונים מתפוררת, המודלים הופכים מורכבים מדי, והפרויקט מת תחת משקלו. ההצלחה נובעת מבחירת זרם פסולת יחיד וכואב - כמו הדוגמה של צריכת יתר של חומרים - ופתרומו. הוכח את הערך, ואז קנה מידה.

בעיה נוספת היא איכות הנתונים. בקווי ייצור ישנים, השגת נתונים נקיים ומסונכרנים בזמן מ-PLC מגוונים ויומנים ידניים היא משימה מונומנטלית. לפעמים, 80% מהפרויקט הראשוני הוא רק בניית צינור נתונים אמין. אתה גם מתמודד עם התנגדות תרבותית; אם ההצעה של ה-AI חוסכת באנרגיה אך מוסיפה שלב עבור מפעיל, היא תתעלם ממנה אלא אם כן היא תוגדר כמקלה על עבודתו או עקבית יותר בטווח הארוך.

אז איך AI באמת מגביר את הקיימות? זה לא שרביט קסמים. זו זכוכית מגדלת ומחשבון בלתי פוסק. זה מאיר אור על חוסר היעילות החבוי והיקר שלמדנו לחיות איתם - הקילווואט-שעה הנוספת, גרם הפלדה המבוזבז, ההתפרקות האיטית של מכונה. הוא מספק את הראיות הדרושות כדי להצדיק השקעות בתהליכים טובים יותר ומעצים בני אדם לקבל החלטות חכמות ומושכלות יותר שמכווצות ביחד את טביעת הרגל הסביבתית של עשיית דברים. החיזוק הוא מצטבר, איטרטיבי ומעשי מאוד. זה הופך את השאיפה של ייצור בר קיימא מדוח בחדר ישיבות לפרקטיקה יומיומית ברצפת החנות.