როგორ აძლიერებს AI მდგრადობას წარმოებაში? 

როდესაც ადამიანები ისმენენ ხელოვნურ ინტელექტს წარმოებაში, ისინი ხშირად გადადიან სრულად ავტონომიური, შუქის ჩამქრალი ქარხნების ხედვამდე - მოციმციმე, მაგრამ გარკვეულწილად შეცდომაში შემყვანი იდეალი. მდგრადობაზე რეალური, მძიმე გავლენა არ არის ადამიანების ჩანაცვლება; ეს არის ჩვენი უნარის გაძლიერება, დავინახოთ და ვიმოქმედოთ არაეფექტურობაზე, რომელსაც ტრადიციულად ვიღებთ საოპერაციო ხარჯებად. ეს არის ენერგიის მუდმივი, უხილავი სისხლდენა, ნედლეულის გადაჭარბებული მოხმარება და თავიდან აცილებული ნარჩენები, რაც AI პოულობს თავის ყველაზე ღირებულ როლს. ჩემი საკუთარი შეხედულება, რომელიც ჩამოყალიბებულია ქარხნის სართულით, არის ის, რომ სტიმული მოდის არა ერთი გრანდიოზული გადაწყვეტილების, არამედ პრაქტიკული, მონაცემების საფუძველზე ჩარევის არსებულ პროცესებში. მიზანი არ არის სრულყოფილება, არამედ გაზომვადი, განმეორებითი გაუმჯობესება, სადაც ეს მნიშვნელოვანია: ბოლო ხაზი და გარემოს კვალი.

აჟიოტაჟის მიღმა: ნარჩენების ნაკადების განსაზღვრა

საწყისი წერტილი არის ხილვადობა. ათწლეულების განმავლობაში, მდგრადობის მცდელობები ხშირად იყო გამოცნობა - დაგეგმილი ტექნიკური მოვლა, საჭირო იყო თუ არა, მასალების შეკვეთები ისტორიულ საშუალოზე დაფუძნებული, ენერგიის მოხმარება, როგორც ფიქსირებული ზედნადები. მახსენდება პროექტი საკინძების წარმოების ქარხანაში, არაფრით არ ჰგავს იმას, რასაც იპოვით მთავარ მოთამაშესთან, როგორიცაა Handan Zitai Fastener წარმოების კომპანია, შპს. იონგნიანში, ჩინეთის სტანდარტული ნაწილების წარმოების ცენტრში. მათი გამოწვევა ჩვეულებრივი იყო: ნედლი ფოლადის მავთულის მოხმარების მნიშვნელოვანი განსხვავება მაღალი სიმტკიცის ჭანჭიკების პარტიაში, რაც იწვევს როგორც ძვირადღირებულ, ასევე ჯართის ნარჩენებს. ვარაუდი იყო, რომ ეს იყო ზუსტად ისე, როგორც მანქანები მუშაობდნენ.

ჩვენ განვათავსეთ შედარებით მარტივი მანქანური ხედვა და სენსორული მასივები ცივი გაყალბების სათაურებზე და ძაფის ლილვაკებზე. ხელოვნური ინტელექტის ამოცანა იყო არა მანქანის კონტროლი, არამედ ათასობით მონაცემთა წერტილის კორელაცია - გარემოს ტემპერატურა, მავთულის მიწოდების სიჩქარე, ცვეთის ინდიკატორები, შეზეთვის წნევა - თითოეული ნაწილის საბოლოო წონასა და ხარისხთან. რამდენიმე კვირაში გამოჩნდა ნიმუში: მავთულის კვების მექანიზმის სპეციფიკური, დახვეწილი რყევა, რომელიც გამწვავდა ცვლის ცვლილებების დროს, იწვევდა თანმიმდევრულ 1,8%-იან ზედმეტ მოხმარებას. ეს არ იყო იმის ბრალი, რომ ვინმემ შესულიყო; ეს იყო ფარული გადასახადი ყოველ კილოგრამ მასალაზე.

გამოსწორება არ იყო AI. გამოსწორება იყო მექანიკური კორექტირება და ოპერატორის პროცედურის შესწორება. AI-მ მიაწოდა დიაგნოზი. ეს არის პირველი დონის სტიმული: მდგრადობის გადაქცევა ფილოსოფიური მიზნიდან ზუსტ, რაოდენობრივ საინჟინრო პრობლემად. ეს გადააქვს საუბარი იქიდან, რომ ჩვენ უნდა დავზოგოთ მასალა, რომ ჩვენ ვკარგავთ მასალის 1.8%-ს X წერტილში Y მიზეზის გამო.

ენერგია: ფიქსირებული ხარჯებიდან დინამიურ ცვლადამდე

ენერგიის მენეჯმენტი კიდევ ერთი სფეროა, რომელიც სავსეა დაბალი დაკიდებული ხილით. ბევრი მწარმოებელი, განსაკუთრებით ენერგო ინტენსიური პროცესების დროს, როგორიცაა თერმული დამუშავება ან ელექტრული დამუშავება - გავრცელებულია საკინძების ინდუსტრიის კლასტერში Handan-ის გარშემო - ენერგომომარაგებას მონოლითურ გადასახადად განიხილავს. მათ შეიძლება აწარმოონ არასასურველი კომპრესორები ან ღუმელის წინასწარ გათბობის ციკლები ფიქსირებული გრაფიკით, რომლებიც შეესაბამება ყველაზე იაფ სატარიფო ფანჯრებს, მაგრამ ეს ხშირად არის ლიმიტი.

ჩვენ გავაერთიანეთ AI-ზე ორიენტირებული პროგნოზირებადი დატვირთვის დაბალანსება რეალურ დროში ენერგიის მონიტორინგის სისტემასთან. ეს არ უყურებდა მხოლოდ კომუნალური განაკვეთის განრიგს. მან შეიტყო თითოეული ღუმელის თერმული ინერცია, ფაქტობრივი მოთხოვნის სიგნალები მოპირკეთების ხაზებიდან და ადგილობრივი ქსელის ნახშირბადის ინტენსივობის პროგნოზირებაც კი, რეგიონული ენერგეტიკული ნარევის მონაცემებზე დაყრდნობით. შემდეგ სისტემას შეუძლია რეკომენდაცია გაუწიოს - და მოგვიანებით, დამოუკიდებლად განახორციელოს - მიკრო-დაყოვნება ან აჩქარება არაკრიტიკულ პროცესებში.

მაგალითად, შეიძლება შემოგვთავაზოს საკინძების ჯგუფის შენახვა შემდგომი გაყალბების რიგში დამატებით 20 წუთის განმავლობაში, რათა თავიდან აიცილოთ პიკური ქსელის პერიოდი, როდესაც რეგიონალური ნახშირბადის ნაკვალევი იყო ყველაზე მაღალი, თუნდაც ფულადი ღირებულება მსგავსი იყოს. ეს აერთიანებს ხარჯების დაზოგვას ნახშირბადის შემცირებასთან ისე, როგორც სტატიკური გრაფიკები ვერასდროს შეძლებს. დანაზოგი არც ერთ საათში არ იყო დრამატული, მაგრამ მეოთხედზე მეტი, პიკური მოთხოვნის გადასახადების შემცირება და ნახშირბადის ნახშირბადის ანაბეჭდის შემცირება მნიშვნელოვანი იყო. მან ენერგიის მოხმარება დინამიურ, პასუხისმგებელ ცვლადად აქცია და არა ფონად.

Human-in-the-Loop დილემა

ეს არის ის, სადაც თქვენ მოხვდებით პრაქტიკულ ნაკლოვანებაში. ოპტიმალურმა მოდელმა შეიძლება თქვას, რომ პარტია გადადება, მაგრამ იატაკის მენეჯერს ჰყავს სატვირთო მანქანა, რომელიც მოდის საღამოს 4 საათზე. სუფთა ოპტიმიზაცია შეიძლება ეწინააღმდეგებოდეს ლოგისტიკური რეალობას. ყველაზე წარმატებული იმპლემენტაციები, რაც მე მინახავს, ​​აგებულია შესაბამისობის სიჩქარის მეტრიკაში. ხელოვნური ინტელექტი გვთავაზობს, ადამიანი განკარგავს და სისტემა სწავლობს გადაჭარბებისგან. დროთა განმავლობაში, თუ სისტემა ხედავს, რომ გადაზიდვის განრიგი უცვლელი შეზღუდვაა, ის იწყებს ამის ფაქტორირებას უფრო ადრე. ეს არის თანამშრომლობა და არა გადაცემა. ეს ბინძური, განმეორებითი რეგულირება არის ის, რაც განასხვავებს აკადემიურ პროექტებს რეალური სამყაროს ინსტრუმენტებისგან.

პროგნოზირებადი მოვლა: რესურსების ეფექტურობის ქვაკუთხედი

ეს, ალბათ, ყველაზე მომწიფებული აპლიკაციაა, მაგრამ მისი მდგრადობის კუთხე ზოგჯერ არასაკმარისია. ეს არ არის მხოლოდ შეფერხების თავიდან აცილება. მაღალსიჩქარიანი მავთულის სახატავი მანქანაში ჩავარდნილი საკისარი უბრალოდ არ იშლება; ის პირველ რიგში იწვევს ხახუნის გაზრდას, რაც იწვევს ენერგიის მოხმარებას კვირის განმავლობაში. ოდნავ არასწორად მოთავსებული სასიძო უბრალოდ არ ჭკნება; ის წარმოქმნის ზედაპირული დეფექტების მზარდ პროცენტს, რაც იწვევს ნაწილებს, რომლებიც ვერ ამოწმებენ ხარისხს მასში სრული ენერგიისა და მასალის ინვესტიციის შემდეგ.

ვიბრაციის, აკუსტიკური და თერმული ანალიზის გამოყენებით დაგეგმილიდან მდგომარეობაზე დაფუძნებულ შენარჩუნებაზე გადასვლით, ხელოვნური ინტელექტის მოდელები ხელს უშლიან პროცესების ნელ, ფუჭ დეგრადაციას. მახსოვს შემთხვევა, როდესაც მოდელმა ყურადღება მიიპყრო კომპრესორზე, მისი ელექტრული ხელმოწერის დახვეწილი ცვლილების საფუძველზე. ტექნიკური ჟურნალი აჩვენა, რომ ის კარგად იყო ყველა სტანდარტული მეტრიკის მიხედვით. შემოწმების შემდეგ, პატარა სარქველი იწყებდა წებოვნებას, რის გამოც მოწყობილობა 7%-ით უფრო ძლიერად მუშაობდა წნევის შესანარჩუნებლად. ეს არის 7%-ით მეტი ელექტროენერგია, ყოველ საათში, იმ პრობლემისთვის, რომელიც გამოტოვებული იქნებოდა მომდევნო დაგეგმილ სერვისამდე კიდევ სამი თვით.

მდგრადობის მატება აქ ორმაგია: ის ინახავს ენერგიის დახარჯვას დეგრადირებული აღჭურვილობის გამო და ახანგრძლივებს თავად კაპიტალური აქტივის მთლიან ექსპლუატაციის ვადას, ამცირებს წარმოების გარემოსდაცვით ღირებულებას და მანქანას შეცვლის. ეს არის ღრმა გადანაცვლება აღჭურვილობის განხილვიდან, როგორც ის, რაც მუშაობს მანამ, სანამ ის არ გაფუჭდება, მის განხილვაზე, როგორც სისტემაზე, რომლის ეფექტურობა მუდმივად უნდა იყოს დაცული.

მიწოდების ჯაჭვი და დიზაინი: ზედა დინების ბერკეტი

გავლენა ვრცელდება ქარხნის კარიბჭის მიღმა. მწარმოებლისთვის, როგორიცაა Zitai Fasteners, რომლის მდებარეობაც მთავარ სატრანსპორტო არტერიებთან, როგორიცაა პეკინი-გუანჯოუს რკინიგზა, ლოგისტიკური უპირატესობაა, AI-ს შეუძლია სწორედ ამ უპირატესობის ოპტიმიზაცია მდგრადობისთვის. მოწინავე დაგეგმვის სისტემებს შეუძლიათ განსაზღვრონ არა მხოლოდ ხარჯები და დრო, არამედ სხვადასხვა სატრანსპორტო რეჟიმისა და მარშრუტების ნახშირბადის ნაკვალევი, რაც დააბალანსებს ინვენტარის დონეს უფრო მწვანე, მაგრამ ნელი გადაზიდვის ვარიანტებთან.

უფრო დახვეწილად, გენერაციული დიზაინის ალგორითმები, რომლებიც გამოიყენება მომხმარებლებთან თანამშრომლობით, შეუძლიათ შემოგთავაზონ ნაწილის ოპტიმიზაცია. შეიძლება თუ არა სამაგრმა გამოიყენოს ნაკლები მასალა, თუ მცირედი დიზაინის ცვლილება განხორციელდა? შეიძლება თუ არა ფოლადის განსხვავებული კლასის, დაბალი ენერგო ინტენსიური წარმოების პროცესით საკმარისი, თუ წარმოების პარამეტრების კორექტირება მოხდება? ეს არის ადგილი, სადაც AI მოქმედებს როგორც კატალიზატორი მდგრადი დიზაინის წარმოებისთვის საუბრებისთვის, პოტენციურად ამცირებს მატერიალურ და ენერგეტიკულ ტვირთს წარმოების შეკვეთის განთავსებამდე. ის გადაადგილებს მდგრადობას ღირებულების ჯაჭვის ზემოთ.

დაბრკოლებები და რეალისტური მოლოდინები

ეს ყველაფერი არ ყოფილა შეუფერხებლად. ყველაზე დიდი წარუმატებლობის რეჟიმი, რომლის მომსწრეც ვყოფილვარ, არის ოკეანის დუღილის მიდგომა: მცდელობა შექმნას სრულყოფილი, მცენარეთა ფართო ციფრული ტყუპი პირველი დღიდან. მონაცემთა ინფრასტრუქტურა იშლება, მოდელები ძალიან რთული ხდება და პროექტი კვდება საკუთარი წონის ქვეშ. წარმატება მოდის ნარჩენების ერთი, მტკივნეული ნაკადის არჩევით, როგორიცაა მასალების გადაჭარბებული მოხმარების მაგალითი, და გადაჭრით. დაამტკიცეთ მნიშვნელობა, შემდეგ მასშტაბი.

კიდევ ერთი პრობლემა არის მონაცემთა ხარისხი. ძველ საწარმოო ხაზებზე სუფთა, დროში სინქრონიზებული მონაცემების მიღება განსხვავებული PLC-დან და მექანიკური ჟურნალებიდან მონუმენტური ამოცანაა. ზოგჯერ, საწყისი პროექტის 80% მხოლოდ საიმედო მონაცემთა მილსადენის აშენებაა. თქვენ ასევე აწყდებით კულტურულ წინააღმდეგობას; თუ ხელოვნური ინტელექტის წინადადება დაზოგავს ენერგიას, მაგრამ დაამატებს ნაბიჯს ოპერატორისთვის, ის იგნორირებული იქნება, თუ ის არ იქნება ჩამოყალიბებული, როგორც გრძელვადიან პერსპექტივაში მათ სამუშაოს უფრო ადვილად ან უფრო თანმიმდევრულს.

მაშ, როგორ აძლიერებს ხელოვნური ინტელექტი მდგრადობას? ეს არ არის ჯადოსნური ჯოხი. ეს გამადიდებელი შუშაა და დაუნდობელი კალკულატორი. ის ანათებს შუქს იმ ფარულ, ძვირადღირებულ არაეფექტურობაზე, რომლებთანაც ვისწავლეთ ცხოვრება - ზედმეტი კილოვატ-საათი, ფოლადის ფუჭად დახარჯული გრამი, მანქანის ნელი დაშლა. ის უზრუნველყოფს მტკიცებულებებს, რომლებიც საჭიროა უკეთეს პროცესებში ინვესტიციების გასამართლებლად და აძლევს ადამიანებს უფლებას მიიღონ უფრო ჭკვიანური, უფრო ინფორმირებული გადაწყვეტილებები, რომლებიც ერთობლივად ამცირებს გარემოსდაცვითი კვალი რამის მიღებისას. სტიმული არის კუმულაციური, განმეორებადი და ღრმად პრაქტიკული. ეს აქცევს მდგრადი წარმოების ამბიციას საკრებულოს დარბაზში მოხსენებიდან ყოველდღიურ პრაქტიკად მაღაზიის იატაკზე.