როდესაც ადამიანები ისმენენ ხელოვნურ ინტელექტს წარმოებაში, ისინი ხშირად გადადიან სრულად ავტონომიური, განათების ქარხნების ხედვაზე. ეს თვალწარმტაცი მიზანია, მაგრამ ეს არ არის ის ადგილი, სადაც დღეს ხდება მდგრადობის გაძლიერების რეალური, მძიმე სამუშაო. ჭეშმარიტი გავლენა უფრო ნიუანსია, ხშირად იმალება ენერგიის მოხმარების ოპტიმიზაციის, მასალის ნარჩენების შემცირების და მიწოდების ჯაჭვების ნაკლებად ქაოტური ყოფაში. საუბარია ნაკლებად რობოტებზე და უფრო მეტად ინტელექტუალურ სისტემებზე, რომლებიც უზრუნველყოფენ მარცვლოვან ხილვადობას, რომელიც ყოველთვის გვაკლდა ეკონომიკურად და ეკოლოგიურად კარგი გადაწყვეტილებების მისაღებად. კავშირი ხელოვნურ ინტელექტსა და მდგრადობას შორის არ არის ავტომატური; ის მოითხოვს მიზანმიმართულ ცვლილებას იმაში, რისი გაზომვა და კონტროლი ვირჩევთ.

აჟიოტაჟის მიღმა: ენერგია, როგორც პირველი საზღვარი

დავიწყოთ ენერგიით, ყველაზე პირდაპირი ღირებულებით და ნახშირბადის ნაკვალევით. წლების განმავლობაში ჩვენ ვეყრდნობოდით დაგეგმილ ტექნიკურ მოვლას და ფართო დარტყმების ეფექტურობის რეიტინგებს. თამაშის შემცვლელი ათავსებს სენსორებს და იყენებს AI-ს ენერგიის პროგნოზირებადი ოპტიმიზაციისთვის. მე არ ვსაუბრობ მხოლოდ მანქანების გამორთვაზე. ეს არის მთელი საწარმოო ხაზის დინამიური დატვირთვის გაგება. მაგალითად, ხელოვნური ინტელექტის მოდელს შეუძლია გაიგოს, რომ სპეციალური შტამპი ატარებს სიმძლავრის მატებას არა მხოლოდ მუშაობის დროს, არამედ 15 წუთის შემდეგ, როდესაც გაგრილების სისტემები მუშაობს. წარმოების განრიგის ანალიზით, მას შეუძლია შემოგვთავაზოს მიკრო შეფერხებები პარტიებს შორის, რათა თავიდან იქნას აცილებული ერთდროული პიკის ამოღება მრავალჯერადი წნეხიდან, რაც გაასწორებს ენერგიის მრუდს გამტარუნარიანობაზე ზემოქმედების გარეშე. ეს არ არის თეორიული; მე მინახავს, ​​რომ მან 8-12% აკლდა ენერგიის გადასახადს სამჭედლო ქარხანაში, რაც მასშტაბურია.

რთული ნაწილი არის მონაცემთა ხარისხი. თქვენ გჭირდებათ მარცვლოვანი, დროის სერიების მონაცემები მანქანიდან, ქვესადგურიდან და თუ შესაძლებელია, ქსელიდანაც კი. ადრეული ერთი წარუმატებელი პროექტი ცდილობდა სითბოს დამუშავების ღუმელის ოპტიმიზაციას ზუსტი გაზის ნაკადის მრიცხველების გარეშე. ხელოვნური ინტელექტის მოდელი არსებითად გამოცნობდა და ოპტიმიზაციებმა ნაწილების მეტალურგიული თვისებების კომპრომეტირება მოახდინა. ჩვენ ვისწავლეთ რთული გზა: თქვენ ვერ მართავთ იმას, რისი გაზომვაც ზუსტად არ შეგიძლიათ. ხელოვნური ინტელექტი ისეთივე კარგია, როგორც მასში მიღებული სენსორული საშუალებები.

ეს იწვევს დახვეწილ წერტილს: AI ხშირად ამართლებს უფრო ღრმა ინსტრუმენტაციას. ხელოვნური ინტელექტის მდგრადობის დასამტკიცებლად, პირველ რიგში ინვესტიციას უკეთებთ გაზომვას. ეს სათნო ციკლია. მას შემდეგ, რაც თქვენ გაქვთ მონაცემთა ნაკადი, შეგიძლიათ გადახვიდეთ წინასწარმეტყველებიდან ინსტრუქციულ მოქმედებაზე - მაგალითად, კომპრესორის წნევის დაყენების წერტილების ავტომატურად რეგულირება პნევმატური ქსელის რეალურ დროში მოთხოვნილების საფუძველზე, რაც ყოველთვის იყო დაყენებული ყველაზე უარესი სცენარისთვის, უზარმაზარი ენერგიის დაკარგვა.

ომი ნარჩენების წინააღმდეგ: ჯართის გროვიდან ციფრულ ტყუპებამდე

მატერიალური ნარჩენები არის სუფთა ფინანსური და გარემოსდაცვითი ზარალი. შესაკრავების წარმოებაში, როგორიცაა ისეთ კომპანიაში, როგორიცაა Handan Zitai Fastener წარმოების კომპანია, შპს. მდებარეობს ჩინეთის ძირითად სტანდარტული ნაწილების წარმოების ბაზაზე, ტრადიციული მიდგომა მოიცავს წარმოების შემდგომ ინსპექტირებას: მზადდება პარტია, ნაწილდება სინჯის აღება და თუ ხარვეზები აღმოჩენილია, მთელი პარტია შეიძლება ჩამოიშალოს ან გადამუშავდეს. ეს წარმოუდგენლად ფუჭია.

კომპიუტერული ხედვა რეალურ დროში დეფექტების გამოვლენისთვის ახლა არის მაგიდის ფსონები. მაგრამ ხელოვნური ინტელექტის უფრო ღრმა გამოყენება არის პროცესის პარამეტრების ოპტიმიზაცია, რათა თავიდან აიცილოს ნარჩენების წარმოქმნა. ცივი სასაქონლო პროცესის მონაცემების - მავთულის დიამეტრი, ტემპერატურა, მანქანის სიჩქარე, ცვეთა - მოდელში მიწოდებით, ჩვენ შეგვიძლია ვიწინასწარმეტყველოთ თავში ბზარების ან განზომილების უზუსტობების ალბათობა ერთი ნაწილის დამზადებამდე. შემდეგ სისტემას შეუძლია რეკომენდაცია გაუწიოს კორექტირებას, მაგალითად, ანეილის ტემპერატურის უმნიშვნელო მატებას ან კვების სიჩქარის შემცირებას.

მახსენდება პროექტი, სადაც ჩვენ ავაშენეთ ციფრული ჩრდილი (სრული ციფრული ტყუპის უფრო მარტივი ვერსია) ჭანჭიკის წარმოების ხაზისთვის. მიზანი იყო შემცირებულიყო დანაკარგი - დარჩენილი მავთული ჭანჭიკის მოჭრის შემდეგ. შეკვეთების პორტფელებისა და მანქანების შეზღუდვების ანალიზით, ხელოვნური ინტელექტის დაგეგმვის სისტემას შეეძლო მავთულის ხვეულების გამოყენების თანმიმდევრობა უფრო სრულყოფილად გამოეყენებინა, რაც შეამცირებს ნარჩენების შემცირებას საშუალოდ 3,2%-დან 1,7%-მდე. ჟღერს მცირედ, მაგრამ ყოველწლიურად ათასობით ტონა ფოლადში, ნედლეულის დანაზოგი და ფოლადის წარმოებიდან ნახშირბადის გამონაბოლქვი არსებითია. თქვენ ხედავთ, თუ როგორ იღებენ კომპანიებს ისეთ ჰაბებში, როგორიცაა Yongnian District, თავიანთი მაღალი მოცულობის გამომუშავებით, უსაზღვროდ სარგებლობენ ასეთი მარცვლოვანი ოპტიმიზაციისგან.

მიწოდების ჯაჭვის გამძლეობა და ნახშირბადის კვალი

აქ ხდება კომპლექსური. მდგრადი მიწოდების ჯაჭვი არ არის მხოლოდ მწვანე მიმწოდებლის არჩევა; ეს ეხება ეფექტურობას და გამძლეობას, რათა თავიდან იქნას აცილებული გადაუდებელი, ნახშირბადის ინტენსიური საჰაერო ტვირთები. ხელოვნური ინტელექტის საფუძველზე მოთხოვნილების პროგნოზირება, როდესაც ის მუშაობს, ანელებს წარმოებას, ამცირებს ზეგანაკვეთური სამუშაოების საჭიროებას (რაც ხშირად ნიშნავს ნაკლებად ეფექტურ, ენერგო ინტენსიური რბენას) და პანიკის შეკვეთას.

ჩვენ გავაერთიანეთ მრავალსაფეხურიანი მიწოდების ჯაჭვის რისკის ანალიზი ლოგისტიკური ოპტიმიზაციით კლიენტისთვის. სისტემა აკონტროლებდა ამინდს, პორტების გადატვირთულობას და მიმწოდებლის რეგიონის ენერგეტიკულ ნარევსაც კი (მაგ., დღეს მათი ქსელი მუშაობს ნახშირზე თუ განახლებად?). იგი გვთავაზობდა გადაზიდვის მარშრუტის შეცვლას უფრო ნელი, მაგრამ დაბალი ემისიის საზღვაო ტვირთზე, როდესაც ვადები დაშვებული იყო, ან ტვირთების კონსოლიდაცია კონტეინერების ტევადობის 98%-მდე შესავსებად, ჩვეულებრივი 85%-ის ნაცვლად. The მდგრადობა აქ მოგება არის არაპირდაპირი, მაგრამ ძლიერი: ის აერთიანებს ნახშირბადის ეფექტურობას ყოველდღიურ ლოჯისტიკურ გადაწყვეტილებებში.

წარუმატებლობის რეჟიმი აქ არის ზედმეტი ოპტიმიზაცია. ერთმა მოდელმა შესთავაზა ყოველთვის გამოიყენოს ერთი, ძალიან მწვანე, მაგრამ შესაძლებლობებით შეზღუდული მიმწოდებელი ტრანსპორტის ემისიების შესამცირებლად. მან ვერ გაითვალისწინა გათიშვის რისკი, რაც საბოლოოდ მოხდა, რამაც აიძულა რამდენიმე, ნაკლებად ოპტიმალური მიმწოდებლის შეჭიდება. გაკვეთილი იყო, რომ მდგრადობის მიზნები უნდა იყოს დაბალანსებული გამძლეობის შეზღუდვებთან AI-ს ობიექტურ ფუნქციაში. თქვენ არ შეგიძლიათ უბრალოდ შეამციროთ ნახშირბადი; თქვენ უნდა მართოთ რისკი.

ადამიანის ელემენტი: გაძლიერებული გადაწყვეტილების მიღება

ეს კრიტიკულია. AI არ მართავს ქარხანას; ხალხი აკეთებს. ყველაზე ეფექტური იმპლემენტაციები, რაც მე მინახავს, ​​არის ის, სადაც AI მოქმედებს როგორც მრჩეველი. იგი მიუთითებს ანომალიაზე: ენერგიის მოხმარება ერთ ერთეულზე მე-3 ხაზზე 18%-ით აღემატება მიმდინარე პროდუქტის მიქსს. სავარაუდო მიზეზი: ტარების ცვეთა კონვეიერის ძრავში B-12, სავარაუდო ეფექტურობის დაკარგვა 22%. ის აძლევს ტექნიკურ გუნდს მიზანმიმართულ, პრიორიტეტულ დავალებას მკაფიო მდგრადობითა და ხარჯებით.

ეს ცვლის კულტურას. მდგრადობა წყვეტს იყოს ცალკე KPI წარმოების ეფექტურობისგან. როდესაც იატაკის მენეჯერი ხედავს, რომ ჯართის დაბალი მაჩვენებლების ოპტიმიზაცია ასევე ამცირებს ენერგიისა და ნედლეულის გამოყენებას კარგ ნაწილზე, მიზნები ემთხვევა. ხელოვნური ინტელექტის სწავლება ასევე ავარჯიშებს ხალხს. დეფექტის გამოვლენის მოდელის მონაცემების ეტიკეტირების მიზნით, ხარისხის ინჟინრებმა ღრმად უნდა გააანალიზონ წარუმატებლობის რეჟიმები. თავად ეს პროცესი ხშირად იწვევს პროცესის გაუმჯობესებას მოდელის დანერგვამდე.

წინააღმდეგობა ბუნებრივია. არსებობს მართებული შიში შავი ყუთის რეკომენდაციების მიმართ. ამიტომ არის ახსნა-განმარტება მთავარი. თუ სისტემა ამბობს, რომ შეამცირეთ ღუმელის ტემპერატურა 15°C-ით, მან ასევე უნდა წარმოადგინოს მსჯელობა: ისტორიული მონაცემები აჩვენებს X და Y პარამეტრებთან მუშაობას ამ დაბალ ტემპერატურაზე, რამაც გამოიწვია იდენტური სიმტკიცე 8%-ით ნაკლები ბუნებრივი აირის მოხმარებით. ეს აყალიბებს ნდობას და აქცევს AI-ს მდგრადობის ერთობლივ ინსტრუმენტად წარმოება.

წინსვლა: ინტეგრაციის გამოწვევა

მომავალი არ არის დამოუკიდებელ AI აპლიკაციებში ენერგიისა და ხარისხისთვის. ეს არის ინტეგრირებული პროცესის ოპტიმიზაცია, რომელიც აბალანსებს მრავალ, ზოგჯერ კონკურენტულ მიზნებს: გამტარუნარიანობას, მოსავლიანობას, ენერგიის მოხმარებას, ხელსაწყოების ცვეთას და ნახშირბადის ანაბეჭდს. ეს არის მრავალმიზნობრივი ოპტიმიზაციის პრობლემა, რომელიც რეალურ დროში ადამიანის გაანგარიშების მიღმაა.

ჩვენ ვატარებთ საპილოტე სისტემებს, რომლებიც იღებენ მომხმარებლის შეკვეთას და დინამიურად განსაზღვრავენ ყველაზე მდგრადი წარმოების მარშრუტს. საკინძების ეს პარტია უნდა დამზადდეს ძველ, ნელ ხაზზე, რომელიც ახლა იკვებება ქარხნის ახალი მზის მასივით, თუ ახალ, უფრო სწრაფ ხაზზე, რომელიც ენერგიით იკვებება, მაგრამ აქვს ჯართის დაბალი მაჩვენებელი? AI-ს შეუძლია გამოთვალოს ნახშირბადის წმინდა ზემოქმედება, მათ შორის ნახშირბადის შემცველობა ნებისმიერ პოტენციურ ჯართში და რეკომენდაცია გაუწიოს ჭეშმარიტად ოპტიმალურ გზას. ეს არის შემდეგი დონის აზროვნება.

საბოლოო დაბრკოლება არის სიცოცხლის ციკლის შეფასების ინტეგრაცია. ნამდვილი გაძლიერება მდგრადობა დადგება მაშინ, როდესაც წარმოებაში AI-ს ექნება წვდომა მასალებისა და პროცესების სრული სასიცოცხლო ციკლის ზემოქმედების შესახებ მონაცემებზე. თუთიის დაფარვასა და ახალ პოლიმერულ საფარს შორის არჩევანი არ არის მხოლოდ ხარჯების გადაწყვეტილება; ეს არის გადაწყვეტილება ქიმიური გამოყენების, გამძლეობისა და სიცოცხლის ბოლომდე გადამუშავების შესახებ. ჩვენ ჯერ არ ვართ იქ, მაგრამ ფუნდამენტური სამუშაო - პროცესების ციფრული, ინსტრუმენტული და ადაპტური კონტროლის ქვეშ მოქცევა - არის ის, რაც შესაძლებელს ხდის ამ მომავალს. ეს გრძელი, არაგლამურული გზაა ერთდროულად ერთი პატარა, ფუჭი პრობლემის გადასაჭრელად.