Kai žmonės kalba apie AI ir tvarumą, pokalbis dažnai peršoka į futuristines vizijas: autonominius tinklus, save optimizuojančius miestus. Faktinės gamybos tranšėjose realybė yra smulkesnė ir didėjanti. Tikras postūmis nėra žmonių pakeitimas robotais; kalbama apie sprendimų priėmimo didinimą sistemose, kurios yra žinomai švaistomos ir neskaidrios. Klaidinga nuomonė, kad tvarumas yra tik mažesnis energijos suvartojimas. Tai giliau – kalbama apie sisteminį išteklių žvalgybą, nuo žaliavų iki logistikos, o štai mašininio mokymosi modeliai, o ne tik bendrasis AI, tyliai keičia žaidimą.

Fondas: duomenų ištikimybė ir tamsios gamyklos grindys

Negalite valdyti to, ko negalite išmatuoti, o daugelį metų pramonės tvarumas buvo spėjimas. Taip, turėjome sąskaitas už energiją, tačiau dažnai buvo neįmanoma susieti suvartojimo padidėjimo su konkrečia partija 3 gamybos linijoje. Pirmasis nespalvingas žingsnis yra jutiklių platinimas ir duomenų istoriškumas. Mačiau gamyklas, kuriose senose kompresorių sistemose įdiegus paprastus vibracijos ir šiluminius jutiklius paaiškėjo ciklinis neefektyvumas, dėl kurio buvo iššvaistoma 15 % energijos. Dirbtinio intelekto skatinimas prasideda čia: sukuriant aukštos kokybės skaitmeninį energijos ir medžiagų srautų dvynį. Be šio pagrindo bet koks tvarumo teiginys yra tik rinkodara.

Tai nėra „plug-and-play“. Didžiausia kliūtis yra duomenų talpyklos. Gamybos duomenys yra ŠMM, kokybės duomenys kitoje sistemoje, o energijos duomenys iš komunalinių paslaugų skaitiklio. Laiko sinchronizuoto vaizdo gavimas yra košmaras. Mėnesius praleidome prie projekto, tik kurdami duomenų vamzdyną, kol bet kuris modelis nebuvo apmokytas. Raktas buvo ne išgalvotas algoritmas, o patikima duomenų ontologija – kiekvienam duomenų taškui žymėjimas kontekstu (mašinos ID, proceso veiksmas, produkto SKU). Šis detalumas leidžia vėliau atlikti prasmingą tvarumo analizę.

Apsvarstykite tvirtinimo detalių gamintoją, pvz „Handan Zitai“ tvirtinimo elementų gamybos Co., Ltd.. Jų procesas apima štampavimą, sriegimą, terminį apdorojimą ir dengimą. Kiekvienas etapas turi skirtingus energijos profilius ir medžiagų išeigas. Įtaisę krosnis ir padengdami vonias, jie galėtų pereiti nuo mėnesio komunalinių paslaugų vidurkio prie kilogramo pagamintos energijos sąnaudų. Ši bazinė linija yra kritinė. Tai paverčia tvarumą iš įmonės KPI į gamybos linijos kintamąjį, kurį aukšto vadovas gali iš tikrųjų paveikti.

Nuspėjamoji priežiūra: žemai kabantys vaisiai su giliomis šaknimis

Dauguma diskusijų šiuo klausimu prasideda vengiant prastovų. Tvarumo kampas įtikinamesnis: dėl katastrofiškų gedimų eikvojama energija ir medžiagos. Sugedęs didelio sukimo momento štampavimo preso guolis ne tik sugenda; tai savaitėms sukelia nesuderinamumą, dėl kurio atsiranda netinkamų dalių (medžiagų atliekų) ir padidėja energijos suvartojimas. Įdiegėme variklių valdomų sistemų vibracijos analizės modelį, kuris ne tik numatė gedimą, bet ir nustatė neoptimalias veikimo būsenas. Tai yra subtilioji dalis. Modelis pažymėjo siurblį, kuris vis dar veikė, bet prarado 8% efektyvumą, o tai reiškia, kad jis naudojo daugiau srovės, kad galėtų atlikti tą patį darbą. Jį pataisius buvo sutaupyta energija ir pailgintas variklio eksploatavimo laikas, sumažinant anglies dioksido kiekį po pakeitimo.

Gedimas atsirado darant prielaidą, kad visai įrangai reikia vienodo stebėjimo. Per daug įtaisėme visą surinkimo liniją, kuri buvo brangi ir generavo triukšmingus duomenis. Išmokome būti chirurginiais: sutelkti dėmesį į daug energijos naudojančius vartotojus ir kritinius kokybės mazgus. Tokiai įmonei, kaip Zitai, kurios vieta netoli pagrindinių transporto maršrutų, tokių kaip Pekinas-Guangdžou geležinkelis, reiškia, kad reikia sutelkti dėmesį į logistikos efektyvumą, panašius prognozuojamus modelius taikant savo ŠVOK ir suspausto oro sistemoms – dažnai didžiausiai jėgainės energijos nutekėjimui – būtų tiesiogiai sutaupyta anglies. The „Zitai“ tvirtinimo detalės svetainė pabrėžia jų gamybos mastą; esant tokiam kiekiui, 2 % sumažintas suspausto oro nuotėkis, nustatytas pagal oro srauto modelį, reiškia didžiulę finansinę ir aplinkosauginę grąžą.

Čia taip pat vyksta kultūrinis poslinkis. Modelio rekomendacija pakeisti gerai atrodančią dalį reikalauja pasitikėjimo. Turėjome sukurti paprastus prietaisų skydelius, rodančius numatomą energijos eikvojimą kWh ir doleriais, kad gautume techninės priežiūros komandų įnašą. Šis apčiuopiamumas yra labai svarbus įvaikinant.

Proceso optimizavimas: už nustatytų taškų ribų

Tradicinis proceso valdymas naudoja PID kilpas, kad išlaikytų nustatytą tašką, pvz., krosnies temperatūrą. Bet koks yra optimalus tam tikros partijos nustatymo taškas? Tai priklauso nuo aplinkos drėgmės, žaliavos lydinio variacijų ir pageidaujamo tempimo stiprumo. Mašininio mokymosi modeliai gali tai dinamiškai optimizuoti. Terminio apdorojimo procese naudojome sutvirtinimo mokymosi modelį, kad surastume minimalią temperatūros rampą ir mirkymo laiką, reikalingą metalurginėms specifikacijoms pasiekti. Rezultatas – 12 % sumažėjo gamtinių dujų suvartojimas vienai partijai, nepažeidžiant kokybės.

Laimikis? Turite atidžiai apibrėžti atlygio funkciją. Iš pradžių optimizavome tik energijai, o modelis pasiūlė žemesnę temperatūrą, kuri netyčia padidino korozijos greitį vėlesniuose dengimo etapuose, perkeliant aplinkos naštą. Turėjome priimti kelių tikslų optimizavimo sistemą, subalansuojančią energiją, medžiagų išeigą ir tolesnio proceso gyvybingumą. Šis holistinis požiūris yra tikrojo pramonės tvarumo esmė; taip išvengiama vienos srities nepakankamo optimizavimo kitos sąskaita.

Standartinės dalių gamybos bazėje toks optimizavimas per tūkstančius tonų produkcijos yra ta vieta, kur makroekonominis poveikis yra. Tai perkelia tvarumą iš katilinės į pagrindinį gamybos receptą.

Tiekimo grandinė ir logistika: tinklo efektas

Čia AI potencialas jaučiasi didžiulis ir varginantis. Gamykla gali būti itin efektyvi, tačiau jei jos tiekimo grandinė yra švaistoma, grynasis pelnas yra ribotas. Dirbtinis intelektas čia padidina tvarumą pasitelkdamas išmanų maršrutą ir atsargų prognozavimą. Dirbome su projektu, skirtu optimizuoti žaliavinio plieno ritinių įvežamąją logistiką. Analizuojant tiekėjų vietas, gamybos grafikus ir eismo duomenis, modelis sugeneravo pristatymo langus, kurie sumažino sunkvežimio prastovos laiką ir leido pakrauti pilnesnius krovinius. Tai sumažino 3 taikymo srities išmetamų teršalų kiekį tiek gamintojui, tiek tiekėjui.

Nusivylimas kyla dėl dalijimosi duomenimis. Tiekėjai dažnai nenori dalytis realaus laiko pajėgumų ar vietos duomenimis. Proveržis įvyko ne naudojant sudėtingesnį algoritmą, o naudojant paprastą blokų grandine pagrįstą knygą (leidžiama, o ne kriptovaliuta), kuri registravo įsipareigojimus neatskleidžiant patentuotos informacijos. Pasitikėjimas vėlgi yra kliūtis.

„Handan Zitai“ tvirtinimo elementų gamybos Co., Ltd.Strateginė vieta šalia pagrindinių greitkelių ir geležinkelio linijų yra natūralus logistikos turtas. Dirbtinio intelekto valdoma sistema galėtų optimizuoti išvykstančią logistiką, dinamiškai konsoliduodama užsakymus ir pasirinkdama mažiausiai anglies dioksido į aplinką išskiriančią transporto rūšį (geležinkeliu ar sunkvežimį), atsižvelgdama į skubumą, taip išnaudodama šį geografinį pranašumą, kad sumažintų anglies pėdsaką vienai siuntai.

Apytikslis ir kokybiškas intelektas

Tiesiausias kelias į tvarumą yra naudoti mažiau medžiagų ir generuoti mažiau atliekų. Kokybės tikrinimo kompiuterinė vizija yra įprasta, tačiau jos ryšys su tvarumu yra gilus. Anksti aptiktas trūkumas reiškia, kad dalis gali būti perdirbta arba perdirbta gamykloje, išvengiant energijos sąnaudų jos pristatymui klientui, atmetimui ir grąžinimui. Pažangesnis yra spektrinės analizės naudojimas gamybos metu, kad būtų galima numatyti kokybę, leidžiantį reguliuoti procesą realiuoju laiku. Tai matėme dengimo linijoje: XRF analizatorius tiekė duomenis į modelį, valdantį dengimo vonios chemiją, sumažindamas sunkiųjų metalų naudojimą ir dumblo atliekas daugiau nei 20%.

Tada yra žiedinės ekonomikos kampas. AI gali palengvinti medžiagų rūšiavimą perdirbimui. Metalinių tvirtinimo detalių rūšiavimas pasibaigus eksploatavimo laikui yra iššūkis. Išbandėme sistemą, naudojančią hiperspektrinį vaizdą ir CNN, kad būtų galima automatiškai rūšiuoti nerūdijantį plieną iš cinkuoto plieno laužo, taip padidinant perdirbtų žaliavų grynumą ir vertę. Dėl to medžiagos kilpos uždarymas yra ekonomiškai perspektyvus.

Norint sukurti pagrindinę gamybos bazę, integruojant šią kokybės informaciją visoje standartinė dalis gamybos grandinė reiškia, kad mažiau išgaunama neapdorotų medžiagų ir mažiau atliekų išvežama į sąvartyną. Tai paverčia kokybės kontrolę iš išlaidų centro į pagrindinį tvarumo veiksnį.

Žmogiškasis faktorius ir įgyvendinimo liūna

Niekas neveikia be žmonių. Didžiausia nesėkmė, kurią mačiau, buvo šviesos išjungimo optimizavimo projektas, kurį inžinieriai sukūrė vakuume. Modeliai buvo puikūs, tačiau jie nepaisė tylių operatorių žinių, žinojusių, kad „Machine 4“ veikia karštomis drėgnomis popietėmis. Sistema nepavyko. Sėkmė atėjo, kai sukūrėme hibridines konsultavimo sistemas. Modelis siūlo nustatytą tašką, tačiau operatorius gali jį patvirtinti, atmesti arba koreguoti, sistemai mokantis iš tų atsiliepimų. Tai ugdo pasitikėjimą ir skatina žmogaus intuiciją.

Įgyvendinimas yra maratonas. Reikia kantrybės kuriant duomenų infrastruktūrą, nuolankumo norint pradėti nuo vienos proceso linijos ir daugiafunkcinių komandų, kurios derina OT, IT ir tvarumo žinias. Tikslas nėra blizgantis AI varomas pranešimas spaudai. Tai neseksualus, kaupiamasis šimtų mažų optimizacijų efektas: čia nuskusti keli laipsniai nuo krosnies, ten sutrumpintas sunkvežimio maršrutas, išvengta laužo partijos. Taip dirbtinis intelektas tikrai padidina pramonės tvarumą – ne su trenksmu, o su milijonu duomenų taškų, kurie tyliai nukreipia efektyvesnį ir mažiau švaistomą kelią.