AI は製造業の持続可能性をどのように高めるのでしょうか? 

製造業で AI と聞くと、完全自律型の消灯工場のビジョンが頭に浮かぶことがよくあります。これは派手な目標ですが、今日、持続可能性を高めるという実際の骨の折れる作業が行われているのはそこではありません。本当の影響はもっと微妙で、多くの場合、エネルギー消費の最適化、材料廃棄物の削減、サプライチェーンの混乱の解消といった日々の雑務の中に隠れています。それはロボットが引き継ぐというよりも、経済的にも環境的にも適切な意思決定を行うために、私たちが常に欠けていたきめ細かな可視性を提供するインテリジェント システムについてです。 AI と持続可能性の間の関係は自動的には起こりません。それには、測定および制御する対象を意図的に変更する必要があります。

誇大広告を超えて: 最初のフロンティアとしてのエネルギー

最も直接的なコストと二酸化炭素排出量の項目であるエネルギーから始めましょう。長年にわたり、私たちは計画的なメンテナンスと広範囲にわたる効率評価に依存してきました。変革をもたらすのは、センサーを組み込み、AI を使用してエネルギーを予測的に最適化することです。私は単に機械の電源を切ることについて話しているのではありません。生産ライン全体の動的負荷を理解することが重要です。たとえば、AI モデルは、特定のスタンピング プレスが動作中だけでなく、冷却システムの動作中に 15 分間も電力のサージを消費することを学習できます。生産スケジュールを分析することで、バッチ間の微小な遅延を提案し、複数の印刷機からの同時ピーク引き込みを回避し、スループットに影響を与えることなくエネルギー曲線を平坦化できます。これは理論的なものではありません。鍛造施設のエネルギー代が 8 ～ 12% 削減されるのを見てきましたが、これは大規模なものです。

難しいのはデータの品質です。機械、変電所、さらに可能であれば送電網からの詳細な時系列データが必要です。初期に失敗したプロジェクトの 1 つは、正確なガス流量計を使用せずに熱処理炉を最適化しようとするものでした。 AI モデルは基本的に推測であり、最適化には部品の冶金的特性が損なわれる危険がありました。私たちは、正確に測定できないものは管理できないということを、苦労して学びました。 AI の能力は、AI が取得する感覚入力によって決まります。

これは微妙な点につながります。AI は多くの場合、より深い計測を正当化します。 AI の持続可能性を主張するには、まず、より優れた測定に投資します。それは好循環です。データ ストリームを取得したら、予測から規範的なアクションに移行できます。たとえば、空圧ネットワークのリアルタイムの需要に基づいてコンプレッサーの圧力設定値を自動的に調整するなど、常に最悪のシナリオを想定して設定されており、大量のエネルギーを浪費します。

廃棄物との戦い: スクラップの山からデジタルツインまで

材料の廃棄は純粋に経済的および環境的損失です。ファスナー製造では、次のような会社があります。 Handan Zitai Fastener Manufacturing Co.、Ltd。 中国の主要な標準部品の生産拠点に位置するこの工場では、従来のアプローチには生産後の検査が含まれます。つまり、バッチが作成され、一部がサンプリングされ、欠陥が見つかった場合はロット全体が廃棄されるか、再加工される可能性があります。それはとても無駄なことです。

リアルタイムの欠陥検出のためのコンピューター ビジョンは今や重要です。しかし、AI のより奥深い用途は、そもそも無駄の発生を防ぐためのプロセス パラメーターの最適化です。冷間圧造プロセスのデータ (ワイヤーの直径、温度、機械の速度、金型の摩耗) をモデルに入力することで、単一の部品を製造する前に、ヘッドの亀裂や寸法の不正確さの可能性を予測できます。その後、システムは、アニーリング温度をわずかに上昇させるか、送り速度を下げるなどの調整を推奨します。

ボルト生産ライン用のデジタル シャドウ (フル デジタル ツインの簡易バージョン) を構築したプロジェクトを思い出します。目標は、ボルトを切断した後に残るワイヤであるトリムロスを最小限に抑えることでした。 AI スケジューリング システムは、注文ポートフォリオと機械の制約を分析することで、ワイヤー コイルをより完全に使用するように注文を順序付けし、トリムの無駄を平均 3.2% から 1.7% 未満に削減できます。小さなことのように聞こえますが、年間数千トンの鉄鋼を使用すると、原材料の節約と、鉄鋼生産に伴う炭素排出量が大幅に削減されます。大量生産を行う永年区のような拠点にある企業が、このようなきめ細かな最適化によっていかに大きな利益を得られるかがわかります。

サプライチェーンの回復力と二酸化炭素排出量

ここが複雑になるところです。持続可能なサプライチェーンとは、環境に優しいサプライヤーを選択することだけを意味するものではありません。緊急の二酸化炭素を大量に消費する航空輸送を回避するための効率性と回復力が重要です。 AI 主導の需要予測が機能すると、生産が円滑化され、時間外労働 (多くの場合、効率が低く、エネルギーを大量に消費する作業を意味します) やパニック注文の必要性が軽減されます。

私たちは、多層サプライチェーンのリスク分析とクライアントの物流の最適化を統合しました。このシステムは、天候、港湾の混雑状況、さらには供給地域のエネルギー構成（例えば、現在、送電網は石炭か再生可能エネルギーで稼働しているかなど）を監視しました。スケジュールが許せば、輸送のルートを低速だが排出量の少ない海上輸送に変更するか、コンテナに通常の85％の容量ではなく98％の容量を充填するために荷物を統合することを提案した。の 持続可能性 ここでの利益は間接的ですが強力です。炭素効率を日々の物流上の意思決定に組み込みます。

ここでの失敗モードは過剰最適化です。あるモデルでは、輸送時の排出量を最小限に抑えるために、常に単一の、非常に環境に優しいが生産能力に制約のあるサプライヤーを使用することを提案しました。閉鎖のリスクを考慮していなかったが、最終的に閉鎖が起こり、最適ではない複数のサプライヤーとの争奪戦を強いられた。教訓は、持続可能性の目標は、AI の目的関数における堅牢性の制約とバランスを取る必要があるということでした。二酸化炭素をただ最小限に抑えることはできません。リスクを管理しなければなりません。

人間的要素: 意思決定の強化

これは重要です。 AI は工場を運営しません。人々はそうします。私がこれまでに見た中で最も効果的な実装は、AI がアドバイザーとして機能するものです。異常を示します。ライン 3 のユニットあたりのエネルギー消費量は、現在の製品構成のベンチマークを 18% 上回っています。考えられる原因: コンベヤ モーター B-12 のベアリングの摩耗、推定効率損失 22%。これにより、メンテナンス チームは、明確な持続可能性とコストへの影響を伴う、対象を絞った優先順位の高いタスクを実行できるようになります。

これにより文化が変わります。持続可能性は、生産効率とは別個の KPI ではなくなります。フロアマネージャーが、スクラップ率を下げるために最適化することで、良品部品あたりのエネルギーと原材料の使用量も削減できることを理解すると、目標は一致します。 AIを訓練することは人を訓練することにもなります。欠陥検出モデルのデータにラベルを付けるには、品質エンジニアは故障モードを深く分析する必要があります。このプロセス自体が、モデルがデプロイされる前にプロセスの改善につながることがよくあります。

抵抗するのは自然なことです。ブラックボックスの推奨事項に対する当然の懸念があります。だからこそ、説明可能性が重要なのです。システムが炉の温度を 15°C 下げると言ったら、その理由も提供する必要があります。過去のデータは、この低い温度でパラメーター X と Y を使用して実行すると、天然ガスの消費量が 8% 削減され、同じ硬度が得られたことを示しています。これにより信頼が構築され、AI が持続可能な共同作業ツールに変わります。 製造業.

将来に向けて: 統合の課題

未来は、エネルギーや品質を目的としたスタンドアロンの AI アプリケーションにはありません。それは、スループット、歩留まり、エネルギー使用量、工具の摩耗、二酸化炭素排出量など、複数の、時には競合する目標のバランスをとる統合プロセスの最適化です。これは、人間によるリアルタイムの計算を超えた多目的最適化問題です。

私たちは顧客の注文を受けて、最も持続可能な生産ルートを動的に決定するシステムを試験的に導入しています。このファスナーのバッチは、現在工場の新しい太陽電池アレイによって電力供給されている古い低速ラインで製造されるべきでしょうか、それとも、グリッド電力を利用しているがスクラップ率が低い、より高速な新しいラインで製造されるべきでしょうか? AI は、潜在的なスクラップに含まれる炭素を含む正味の炭素影響を計算し、真に最適な経路を推奨します。これは次のレベルの思考です。

最後のハードルはライフサイクル評価の統合です。本物 ブースト 製造業の AI が材料とプロセスのライフサイクル全体の影響に関するデータにアクセスできるようになると、持続可能性が実現します。亜鉛メッキか新しいポリマーコーティングのどちらを選択するかは、コストだけで決めるわけではありません。それは化学物質の使用、耐久性、耐用年数後のリサイクル可能性についての決定です。私たちはまだそこまで到達していませんが、プロセスをデジタル化し、機器を導入し、適応制御下に置くという基礎的な作業がその未来を可能にするものです。小さくて無駄な問題を 1 つずつ解決していくのは、長くて地味な道のりです。