כשאנשים שומעים בינה מלאכותית בייצור, הם קופצים לעתים קרובות לחזונות של מפעלים אוטונומיים לחלוטין, כבויים. זו מטרה נוצצת, אבל זה לא המקום שבו מתרחשת היום העבודה האמיתית והקודרת של חיזוק הקיימות. ההשפעה האמיתית היא יותר ניואנסית, חבויה לעתים קרובות בטחון היומיומי של אופטימיזציה של צריכת האנרגיה, צמצום בזבוז החומרים והפיכת שרשרת האספקה ​​לפחות כאוטית. זה פחות קשור לרובוטים שמשתלטים יותר ויותר על מערכות חכמות המספקות את הנראות הגרעינית שתמיד חסרה לנו כדי לקבל החלטות שהן כלכליות וסביבתיות. הקשר בין AI וקיימות אינו אוטומטי; זה דורש שינוי מכוון במה שאנו בוחרים למדוד ולשלוט בו.

מעבר להייפ: אנרגיה כגבול הראשון

נתחיל עם אנרגיה, פריט העלות הישיר ביותר וטביעת רגל הפחמן. במשך שנים, הסתמכנו על תחזוקה מתוזמנת ודירוגי יעילות בטווח רחב. מחליף המשחקים מטמיע חיישנים ומשתמש ב-AI לאופטימיזציה של אנרגיה חזויה. אני לא מדבר רק על כיבוי מכונות. מדובר בהבנת העומס הדינמי של קו ייצור שלם. לדוגמה, מודל בינה מלאכותית יכול ללמוד שמכבש החתמה ספציפי מושך גל של כוח לא רק במהלך הפעולה, אלא במשך 15 דקות לאחר מכן, כאשר מערכות הקירור פועלות. על ידי ניתוח לוחות זמנים של ייצור, הוא יכול להציע מיקרו-עיכובים בין אצווה כדי להימנע משיאות שיא בו-זמנית מלחיצות מרובות, ולשטח את עקומת האנרגיה מבלי להשפיע על התפוקה. זה לא תיאורטי; ראיתי את זה מגלח 8-12% הנחה על חשבון האנרגיה במתקן פרזול, שהוא מסיבי בקנה מידה.

החלק המסובך הוא איכות הנתונים. אתה זקוק לנתונים מפורטים בסדרות זמן מהמכונה, מתחנת המשנה ואפילו מהרשת אם אפשר. פרויקט כושל אחד בשלב מוקדם היה ניסיון לייעל תנור טיפול בחום ללא מדי זרימת גז מדויקים. מודל הבינה המלאכותית היה בעצם מנחש, והאופטימיזציות הסתכנו בפגיעה בתכונות המתכות של החלקים. למדנו בדרך הקשה: אתה לא יכול לנהל את מה שאתה לא יכול למדוד במדויק. ה-AI טוב רק כמו התשומות החושיות שהוא מקבל.

זה מוביל לנקודה עדינה: AI לעתים קרובות מצדיק מכשור עמוק יותר. כדי להצביע על קיימות לבינה מלאכותית, תחילה עליך להשקיע במדידה טובה יותר. זה מחזור סגולה. ברגע שיש לך את זרם הנתונים הזה, אתה יכול לעבור מחיזוי לפעולה מחייבת - כמו התאמה אוטומטית של הגדרות לחץ המדחס על סמך ביקוש בזמן אמת ברשת פניאומטית, משהו שתמיד נקבע לתרחיש הגרוע ביותר, בזבוז כמויות עצומות של אנרגיה.

המלחמה בפסולת: מערימות גרוטאות ועד תאומים דיגיטליים

פסולת חומרים היא הפסד פיננסי וסביבתי טהור. בייצור מחברים, כמו בחברה כגון Handan Zitai Fastener Manufacturing Co., בע"מ. הגישה המסורתית, הממוקמת בבסיס ייצור החלקים הסטנדרטיים העיקריים של סין, כוללת בדיקה שלאחר הייצור: נוצרת אצווה, חלקם נדגמים, ואם יתגלו פגמים, ייתכן שהחלק כולו יימחק או יעובד מחדש. זה בזבזני להפליא.

ראייה ממוחשבת לזיהוי פגמים בזמן אמת היא כעת על שולחן העבודה. אבל השימוש המעמיק יותר ב-AI הוא באופטימיזציה של פרמטרי תהליך כדי למנוע יצירת פסולת מלכתחילה. על ידי הזנת נתונים מתהליך הכיוון הקרה - קוטר חוט, טמפרטורה, מהירות מכונה, בלאי תבנית - למודל, נוכל לחזות את הסבירות לסדקים בראש או אי דיוקים במידות לפני יצירת חתיכה אחת. לאחר מכן המערכת יכולה להמליץ ​​על התאמות, למשל, עלייה קלה בטמפרטורת החישול או הפחתה בקצב ההזנה.

אני נזכר בפרויקט שבו בנינו צל דיגיטלי (גרסה פשוטה יותר של תאום דיגיטלי מלא) לקו ייצור בריח. המטרה הייתה למזער את אובדן החיתוך - שאריות החוט לאחר חיתוך בורג. על ידי ניתוח תיקי הזמנות ומגבלות מכונות, מערכת תזמון הבינה המלאכותית יכולה לרצף הזמנות לשימוש בסלילי תיל בצורה מלאה יותר, ולהפחית את בזבוז החיתוך מממוצע של 3.2% מתחת ל-1.7%. זה נשמע קטן, אבל על פני אלפי טונות של פלדה בשנה, החיסכון בחומר הגלם ופליטת הפחמן הנלווית מייצור פלדה הם משמעותיים. אתה יכול לראות כיצד חברות במרכזים כמו Yongnian District, עם תפוקת הנפח הגבוה שלהן, מרוויחות מאוד מאופטימיזציות מפורטות כאלה.

חוסן שרשרת האספקה וטביעת הרגל הפחמנית

כאן זה נהיה מורכב. שרשרת אספקה ​​בת קיימא היא לא רק בחירת ספק ירוק; מדובר ביעילות וחוסן כדי להימנע מהובלה אווירית עתירת פחמן חירום. חיזוי ביקוש מונע בינה מלאכותית, כאשר היא עובדת, מחליקה את הייצור, מפחיתה את הצורך בשעות נוספות (מה שאומר לרוב ריצות פחות יעילות וצריכות אנרגיה) והזמנות בהלה.

שילבנו ניתוח סיכונים מרובת שכבות של שרשרת אספקה עם אופטימיזציה לוגיסטית עבור לקוח. המערכת ניטרה מזג אוויר, עומס בנמל ואפילו תמהיל אנרגיה באזור הספק (למשל, האם הרשת שלהם פועלת על פחם או על אנרגיה מתחדשת כיום?). הוא הציע לשנות את מסלול המשלוחים להובלה ימית אטית יותר אך בעלת פליטות נמוכות יותר כאשר לוחות הזמנים מאפשרים זאת, או לאחד מטענים כדי למלא מכולות לקיבולת של 98% במקום ל-85% הרגילים. ה קיימות הרווח כאן הוא עקיף אך רב עוצמה: הוא מטמיע יעילות פחמן בהחלטות לוגיסטיות יומיומיות.

מצב הכשל כאן הוא אופטימיזציה יתר. מודל אחד הציע להשתמש תמיד בספק יחיד, ירוק מאוד אך מוגבל בקיבולת, כדי למזער פליטות תחבורה. היא לא הצליחה לקחת בחשבון את הסיכון של השבתה, שבסופו של דבר התרחשה, מה שאילץ טרחה למספר ספקים פחות אופטימליים. הלקח היה שיעדי קיימות חייבים להיות מאוזנים עם אילוצי חוסן בתפקוד המטרה של הבינה המלאכותית. אתה לא יכול רק למזער פחמן; אתה צריך לנהל סיכונים.

האלמנט האנושי: קבלת החלטות מוגברת

זה קריטי. AI לא מנהל את המפעל; אנשים עושים. היישומים היעילים ביותר שראיתי הם שבהם AI פועל כיועץ. זה מסמן חריגה: צריכת האנרגיה ליחידה בקו 3 היא 18% מעל רף התמהיל הנוכחי של המוצרים. סיבה אפשרית: בלאי מסבים במנוע מסוע B-12, אובדן יעילות משוער של 22%. זה נותן לצוות התחזוקה משימה ממוקדת ובעדיפות עם השפעה ברורה על קיימות ועלויות.

זה משנה את התרבות. קיימות מפסיקה להיות KPI נפרד מיעילות הייצור. כאשר מנהל הרצפה רואה שאופטימיזציה לשיעורי גרוטאות נמוכים מפחיתה גם את השימוש באנרגיה ובחומרי גלם לכל חלק טוב, המטרות מתאימות. אימון ה-AI גם מאמן את האנשים. כדי לתייג נתונים עבור מודל זיהוי פגמים, מהנדסי איכות צריכים לנתח לעומק את מצבי הכשל. תהליך זה עצמו מוביל לרוב לשיפורי תהליכים עוד לפני פריסת המודל.

התנגדות היא טבעית. יש חשש תקף מהמלצות קופסה שחורה. זו הסיבה שהסברה היא המפתח. אם המערכת אומרת להפחית את טמפרטורת התנור ב-15 מעלות צלזיוס, עליה לספק גם את ההיגיון: נתונים היסטוריים מראים כי ריצות עם פרמטרים X ו-Y בטמפ' נמוכה יותר זו הביאו לקשיות זהה עם 8% פחות צריכת גז טבעי. זה בונה אמון והופך את ה-AI לכלי שיתופי לבר-קיימא ייצור.

מבט קדימה: אתגר האינטגרציה

העתיד הוא לא ביישומי AI עצמאיים לאנרגיה או איכות. זה באופטימיזציית תהליכים משולבת שמאזנת יעדים מרובים, לפעמים מתחרים: תפוקה, תפוקה, שימוש באנרגיה, שחיקת כלי עבודה וטביעת רגל פחמנית. זוהי בעיית אופטימיזציה רב-אובייקטיבית שהיא מעבר לחישוב אנושי בזמן אמת.

אנחנו מבצעים פיילוט של מערכות שמקבלות הזמנת לקוח וקובעות באופן דינמי את נתיב הייצור הבר-קיימא ביותר. האם אצווה זו של מחברים צריכה להיעשות על הקו הישן והאיטי יותר שמופעל כעת על ידי המערך הסולארי החדש של המפעל, או על הקו החדש והמהיר יותר שמופעל ברשת אך בעל קצב גרוטאות נמוך יותר? ה-AI יכול לחשב את השפעת הפחמן נטו, כולל פחמן גלום בכל גרוטאות פוטנציאליות, ולהמליץ ​​על הנתיב האופטימלי באמת. זוהי חשיבה ברמה הבאה.

המכשול האחרון הוא שילוב הערכת מחזור החיים. האמיתי להגביר לקיימות תגיע כאשר ל-AI בייצור תהיה גישה לנתונים על השפעת מחזור החיים המלאה של חומרים ותהליכים. הבחירה בין ציפוי אבץ לציפוי פולימרי חדש היא לא רק החלטת עלות; זו החלטה לגבי שימוש בכימיקלים, עמידות ומיחזור של סוף החיים. אנחנו עדיין לא שם, אבל העבודה הבסיסית - דיגיטציה של תהליכים, מכשירים ותחת שליטה אדפטיבית - היא מה שמאפשר את העתיד הזה. זוהי דרך ארוכה ולא זוהרת של פתרון בעיה קטנה ובזבזנית אחת בכל פעם.