Kaip AI skatina gamybos tvarumą? 

Kai žmonės išgirsta dirbtinį intelektą gamyboje, jiems dažnai kyla vizijos apie visiškai autonomiškas, apšviestas gamyklas. Tai ryškus tikslas, tačiau šiandien ne tai vyksta tikras, kruopštus tvarumo skatinimo darbas. Tikrasis poveikis yra labiau niuansuotas, dažnai slypintis kasdieniniame energijos suvartojimo optimizavimo, medžiagų atliekų mažinimo ir tiekimo grandinių ne tokia chaotiškumo srityse. Tai mažiau apie robotų perėmimą, o daugiau apie išmaniąsias sistemas, užtikrinančias detalų matomumą, kurio mums visada trūko, kad priimtume ekonomiškai ir aplinkai pagrįstus sprendimus. Ryšys tarp AI ir tvarumo nėra automatinis; tam reikia sąmoningai pakeisti tai, ką pasirenkame matuoti ir kontroliuoti.

Beyond the Hype: Energija kaip pirmoji siena

Pradėkime nuo energijos, tiesioginių sąnaudų ir anglies pėdsako elemento. Daugelį metų pasitikėjome planine priežiūra ir plačių eigų efektyvumo įvertinimais. Žaidimo keitiklis įdeda jutiklius ir naudoja AI nuspėjamai energijos optimizavimui. Aš nekalbu tik apie mašinų išjungimą. Tai yra visos gamybos linijos dinaminės apkrovos supratimas. Pavyzdžiui, dirbtinio intelekto modelis gali sužinoti, kad konkretus štampavimo presas sunaudoja energijos antplūdį ne tik veikimo metu, bet ir 15 minučių po to, kai veikia aušinimo sistemos. Analizuojant gamybos grafikus, galima pasiūlyti mikro vėlavimus tarp partijų, kad būtų išvengta vienu metu didžiausio ištraukimo iš kelių presų, išlyginant energijos kreivę nepažeidžiant našumo. Tai nėra teorinė; Mačiau, kad kalimo įrenginyje, kuris pagal mastą yra didžiulis, nuskuta 8–12% energijos sąskaitų.

Sudėtinga dalis yra duomenų kokybė. Jums reikia smulkių, laiko eilučių duomenų iš mašinos, pastotės ir net tinklo, jei įmanoma. Vienas nesėkmingas projektas pradžioje buvo bandymas optimizuoti terminio apdorojimo krosnį be tikslių dujų srauto matuoklių. AI modelis iš esmės buvo spėliojamas, o optimizuojant kilo pavojus, kad gali pakenkti dalių metalurginėms savybėms. Mes išmokome sunkiu būdu: jūs negalite valdyti to, ko negalite tiksliai išmatuoti. Dirbtinis intelektas yra toks geras, kiek jis gauna jutimo įvestis.

Tai veda prie subtilaus dalyko: AI dažnai pateisina gilesnius instrumentus. Norėdami pagrįsti DI tvarumą, pirmiausia investuokite į geresnį matavimą. Tai geras ciklas. Kai turėsite tą duomenų srautą, galite pereiti nuo numatymo prie įsakmių veiksmų, pvz., automatiškai koreguoti kompresoriaus slėgio nuostatas pagal realiojo laiko poreikį pneumatiniame tinkle, o tai visada buvo nustatyta blogiausiam scenarijui, iššvaistant didžiulius energijos kiekius.

Karas su atliekomis: nuo laužo krūvų iki skaitmeninių dvynių

Materialinės atliekos yra grynas finansinis ir aplinkosauginis nuostolis. Tvirtinimo detalių gamyboje, kaip ir tokioje įmonėje kaip „Handan Zitai“ tvirtinimo elementų gamybos Co., Ltd. Įsikūręs pagrindinėje Kinijos standartinių dalių gamybos bazėje, tradicinis metodas apima patikrinimą po gamybos: pagaminama partija, iš kai kurių paimami mėginiai, o jei randama defektų, visa partija gali būti atiduota į metalo laužą arba perdirbama. Tai neįtikėtinai švaistoma.

Kompiuterinė vizija, skirta defektų aptikimui realiuoju laiku, dabar yra ant stalo. Tačiau gilesnis AI panaudojimas yra proceso parametrų optimizavimas, siekiant išvengti atliekų susidarymo. Į modelį įtraukę šaltojo krypties proceso duomenis – vielos skersmenį, temperatūrą, mašinos greitį, štampo susidėvėjimą – galime numatyti galvos įtrūkimų ar matmenų netikslumų tikimybę prieš pagaminant vieną gabalą. Tada sistema gali rekomenduoti koregavimus, pavyzdžiui, šiek tiek padidinti atkaitinimo temperatūrą arba sumažinti padavimo greitį.

Prisimenu projektą, kai mes pastatėme skaitmeninį šešėlį (paprastesnę visiškai skaitmeninio dvynio versiją) varžtų gamybos linijai. Tikslas buvo sumažinti apdailos nuostolius – vielos likučius nupjovus varžtą. Analizuodama užsakymų portfelius ir mašinų suvaržymus, AI planavimo sistema galėtų sekti užsakymus naudoti vielos ritinius, sumažindama apdailos atliekas nuo vidutiniškai 3,2 % iki mažiau nei 1,7 %. Skamba mažai, bet tūkstančiams tonų plieno kasmet sutaupoma daug žaliavų ir dėl plieno gamybos išmetamas anglies dvideginio kiekis. Galite pamatyti, kaip įmonės, esančios tokiuose centruose kaip Yongnian District, turinčios didelę produkciją, gali gauti daug naudos iš tokio detalaus optimizavimo.

Tiekimo grandinės atsparumas ir anglies pėdsakas

Čia viskas tampa sudėtinga. Tvari tiekimo grandinė – tai ne tik ekologiško tiekėjo pasirinkimas; kalbama apie efektyvumą ir atsparumą, kad būtų išvengta avarinių, daug anglies dioksido išskiriančių krovinių vežimo oro transportu. Dirbtinio intelekto pagrįstas paklausos prognozavimas, kai jis veikia, išlygina gamybą, sumažina viršvalandžių poreikį (tai dažnai reiškia mažiau efektyvų, daug energijos suvartojantį paleidimą) ir panikuojančių užsakymų poreikį.

Integravome kelių pakopų tiekimo grandinės rizikos analizę su logistikos optimizavimu klientui. Sistema stebėjo orą, spūstis uostuose ir net tiekėjo regiono energijos derinį (pvz., ar jų tinklas šiandien veikia anglimi ar atsinaujinančiais energijos šaltiniais?). Jame buvo pasiūlyta nukreipti siuntas į lėtesnį, bet mažiau teršalų išmetantį jūrų krovinių gabenimą, kai leidžia terminai, arba konsoliduoti krovinius, kad konteineriai būtų užpildyti iki 98 %, o ne įprastu 85 %. The tvarumas nauda čia yra netiesioginė, bet galinga: anglies dioksido vartojimo efektyvumą jis įtraukia į kasdienius logistikos sprendimus.

Gedimo režimas čia yra per didelis optimizavimas. Vienas modelis pasiūlė visada naudoti vieną labai ekologišką, bet ribotų pajėgumų tiekėją, kad būtų sumažintas transporto išmetamų teršalų kiekis. Jame nebuvo atsižvelgta į išjungimo riziką, kuri galiausiai atsitiko ir privertė grumtis su keliais, mažiau optimaliais tiekėjais. Pamoka buvo ta, kad tvarumo tikslai turi būti suderinti su AI tikslo funkcijos tvirtumo apribojimais. Jūs negalite tiesiog sumažinti anglies dioksido; jūs turite valdyti riziką.

Žmogaus elementas: išplėstinis sprendimų priėmimas

Tai labai svarbu. AI nevykdo gamyklos; žmonės daro. Veiksmingiausi įgyvendinimai, kuriuos mačiau, yra tai, kai AI veikia kaip patarėjas. Tai žymi anomaliją: energijos suvartojimas vienam vienetui 3 eilutėje yra 18 % didesnis už dabartinio gaminių asortimento etaloną. Galima priežastis: konvejerio variklio B-12 guolių susidėvėjimas, apskaičiuotas efektyvumo sumažėjimas 22%. Tai suteikia techninės priežiūros komandai tikslinę, prioritetinę užduotį, turinčią aiškų tvarumo ir išlaidų poveikį.

Tai keičia kultūrą. Tvarumas nustoja būti atskiras KPI nuo gamybos efektyvumo. Kai grindų vadovas mato, kad optimizuojant mažesnes laužo normas taip pat sumažėja energijos ir žaliavų sunaudojimas vienai gerai daliai, tikslai sutampa. DI mokymas taip pat moko žmones. Norėdami pažymėti defektų aptikimo modelio duomenis, kokybės inžinieriai turi nuodugniai išanalizuoti gedimų režimus. Pats procesas dažnai lemia proceso patobulinimus dar prieš modelio įdiegimą.

Atsparumas yra natūralus. Yra pagrįsta baimė dėl juodosios dėžės rekomendacijų. Štai kodėl paaiškinamumas yra labai svarbus. Jei sistema sako, kad krosnies temperatūrą reikia sumažinti 15°C, ji taip pat turi pateikti motyvus: Istoriniai duomenys rodo, kad paleidimai su X ir Y parametrais esant šiai žemesnei temperatūrai davė identišką kietumą ir sunaudojo 8 % mažiau gamtinių dujų. Tai sukuria pasitikėjimą ir AI paverčia bendradarbiavimo įrankiu siekiant tvarumo gamyba.

Žvilgsnis į ateitį: integracijos iššūkis

Ateitis nėra atskiros AI programos, skirtos energijai ar kokybei užtikrinti. Tai integruotas proceso optimizavimas, kuris subalansuoja kelis, kartais konkuruojančius, tikslus: pralaidumą, derlių, energijos naudojimą, įrankių susidėvėjimą ir anglies pėdsaką. Tai yra kelių tikslų optimizavimo problema, kurios realiuoju laiku žmogus neapskaičiuoja.

Mes bandome sistemas, kurios priima klientų užsakymą ir dinamiškai nustato tvariausią gamybos būdą. Ar ši tvirtinimo detalių partija turėtų būti pagaminta naudojant senesnę, lėtesnę liniją, kurią dabar maitina naujas gamyklos saulės energijos blokas, ar naujesnėje, greitesnėje linijoje, kuri maitinama iš tinklo, bet kurios laužo procentas yra mažesnis? AI gali apskaičiuoti grynąjį anglies poveikį, įskaitant anglies kiekį bet kokiame potencialiame lauže, ir rekomenduoti tikrai optimalų kelią. Tai yra kito lygio mąstymas.

Paskutinė kliūtis yra gyvavimo ciklo vertinimo integravimas. Tikrasis paskatinti tvarumas ateis, kai gamybos AI turės prieigą prie duomenų apie visą medžiagų ir procesų gyvavimo ciklo poveikį. Pasirinkimas tarp cinkavimo ir naujos polimerinės dangos nėra tik išlaidų sprendimas; tai sprendimas dėl cheminio naudojimo, ilgaamžiškumo ir tinkamumo naudoti pasibaigus perdirbimui. Mes dar nesame ten, bet pamatinis darbas – procesų skaitmeninimas, įtaisymas ir adaptyvi valdymas – yra tai, kas daro tokią ateitį įmanoma. Tai ilgas, nespalvingas kelias sprendžiant vieną mažą, tuščią problemą vienu metu.