Kai žmonės išgirsta dirbtinį intelektą gamyboje, jiems dažnai kyla vizijos apie visiškai autonomiškas, nešviečiamas gamyklas – tai ryškus, bet šiek tiek klaidinantis idealas. Tikrasis smėlingas poveikis tvarumui nėra susijęs su žmonių pakeitimu; kalbama apie mūsų gebėjimo pastebėti neefektyvumą, kurį tradiciškai laikome veiklos išlaidomis, ir imtis veiksmų dėl jų gerinimo. Vertingiausias dirbtinio intelekto vaidmuo tenka nuolatiniam, nematomam energijos nutekėjimui, žaliavų pertekliui ir švaistymui, kurio galima išvengti. Mano pačios požiūris, suformuotas vaikščiojant gamyklos grindimis, yra toks, kad postūmį suteikia ne vienas puikus sprendimas, o praktinių, duomenimis pagrįstų intervencijų į esamus procesus įtraukimas. Tikslas yra ne tobulumas, o išmatuojamas, pasikartojantis tobulinimas ten, kur tai svarbu: esmė ir aplinkos pėdsakas.

Beyond the Hype: Nustatyti atliekų srautus

Pradinis taškas yra matomumas. Dešimtmečius tvarumo pastangos dažnai buvo spėlionės – planinė techninė priežiūra, ar reikia, ar ne, masiniai medžiagų užsakymai, pagrįsti istoriniais vidurkiais, energijos suvartojimas kaip fiksuotos pridėtinės išlaidos. Prisimenu projektą tvirtinimo detalių gamybos įmonėje, nepanašią į tai, ką galėtumėte rasti su dideliu žaidėju „Handan Zitai“ tvirtinimo elementų gamybos Co., Ltd. Yongnian mieste, Kinijos standartinių dalių gamybos centre. Jų iššūkis buvo įprastas: didelės neapdorotos plieninės vielos suvartojimo vienai didelio stiprio varžtų partijai skirtumai, dėl kurių sumažėjo ir metalo laužo. Buvo daroma prielaida, kad taip buvo tik mašinos.

Ant šalto kalimo antgalių ir sriegių ritinėlių panaudojome gana paprastas mašinos matymo ir jutiklių matricas. AI užduotis buvo ne valdyti mašiną, o susieti tūkstančius duomenų taškų – aplinkos temperatūrą, vielos padavimo greitį, štampų nusidėvėjimo indikatorius, tepimo slėgį – su galutiniu kiekvienos detalės vieneto svoriu ir kokybe. Per kelias savaites atsirado modelis: specifinis, subtilus vielos padavimo mechanizmo svyravimas, sustiprėjęs keičiant pamainas, lėmė nuolatinį 1,8 % perteklinį suvartojimą. Tai nebuvo klaida, kurią kas nors užsiregistravo; tai buvo paslėptas mokestis už kiekvieną medžiagos kilogramą.

Pataisymas nebuvo AI. Pataisymas buvo mechaninis reguliavimas ir operatoriaus procedūros pakeitimas. AI pateikė diagnozę. Tai yra pirmojo lygio postūmis: tvarumo pavertimas iš filosofinio tikslo tikslia, kiekybiškai įvertinama inžinerine problema. Tai perkelia pokalbį nuo to, kad turėtume išsaugoti medžiagą, taške X prarandame 1,8 % medžiagos dėl Y priežasties.

Energija: nuo fiksuotų sąnaudų iki dinaminio kintamojo

Energijos valdymas yra dar viena sritis, kurioje gausu žemai kabančių vaisių. Daugelis gamintojų, ypač daug energijos sunaudojančių procesų, tokių kaip terminis apdorojimas ar galvanizavimas (dažniausiai naudojami tvirtinimo detalių pramonės grupėje aplink Handaną), elektros energiją laiko monolitine sąskaita. Jie gali paleisti neesminius kompresorius arba krosnies pakaitinimo ciklus pagal fiksuotus grafikus, suderintus su pigiausiais tarifų langais, tačiau tai dažnai yra riba.

Integravome AI valdomą nuspėjamąjį apkrovos balansavimą su realaus laiko energijos stebėjimo sistema. Buvo atsižvelgta ne tik į komunalinių paslaugų tarifų grafiką. Jis sužinojo apie kiekvienos krosnies šiluminę inerciją, faktinius poreikio signalus iš dengimo linijų ir netgi prognozavo vietinio tinklo anglies intensyvumą, remiantis regioniniais energijos mišinio duomenimis. Tada sistema galėtų rekomenduoti, o vėliau ir savarankiškai vykdyti, mikro vėlavimus arba pagreitinimus nekritiniuose procesuose.

Pavyzdžiui, gali būti pasiūlyta laikyti tvirtinimo detalių partiją eilėje po kalimo atkaitinimo dar 20 minučių, kad būtų išvengta didžiausio tinklo laikotarpio, kai regiono anglies pėdsakas buvo didžiausias, net jei piniginės išlaidos buvo panašios. Tai suderina sąnaudų taupymą su anglies išmetimo mažinimu taip, kaip niekada negali statiniai tvarkaraščiai. Sutaupymas nebuvo dramatiškas per vieną valandą, tačiau daugiau nei ketvirtadaliu didžiausios paklausos mokesčiai ir su tuo susijęs anglies pėdsakas sumažėjo. Dėl to energijos suvartojimas tapo dinamišku, reaguojančiu kintamuoju, o ne fonu.

„Žmogaus kilpoje“ dilema

Čia pataikote į praktinę kliūtį. Optimalus modelis gali pasakyti, kad reikia atidėti partiją, tačiau grindų valdytojas turi sunkvežimį, kuris atvyksta 16 val. Grynas optimizavimas gali prieštarauti logistikos realybei. Sėkmingiausi diegimai, kuriuos mačiau, sukurti pagal atitikties rodiklio metriką. AI pasiūlo, žmogus disponuoja, o sistema mokosi iš nepaisymo. Laikui bėgant, jei sistema mato, kad pristatymo tvarkaraščiai yra nekintamas apribojimas, ji pradeda tai atsižvelgti anksčiau. Tai bendradarbiavimas, o ne perėmimas. Šis netvarkingas, kartotinis derinimas atskiria akademinius projektus nuo realių įrankių.

Nuspėjamoji priežiūra: išteklių efektyvumo kertinis akmuo

Galbūt tai yra brandžiausias pritaikymas, tačiau kartais nepakankamai vertinamas jo tvarumo aspektas. Tai ne tik prastovų išvengimas. Sugedęs guolis greitaeigėje vielos tempimo mašinoje ne tik sugenda; tai pirmiausia padidina trintį, o tai savaitėms padidina energijos suvartojimą. Šiek tiek netaisyklingas štampas ne tik spragteli; jis sukuria vis didesnį požeminių defektų procentą, todėl dalys, kurios neatitinka kokybės patikrinimų, kai į jas buvo investuota visa energija ir medžiaga.

Pereinant nuo planinės prie sąlygų pagrįstos priežiūros naudojant vibraciją, akustinę ir šiluminę analizę, AI modeliai užkerta kelią lėtam ir švaistomam procesų blogėjimui. Prisimenu atvejį, kai modelis atkreipė dėmesį į kompresorių, remdamasis subtiliu elektrinio parašo pasikeitimu. Techninės priežiūros žurnalas parodė, kad pagal visus standartinius rodiklius viskas gerai. Patikrinus, mažas vožtuvas pradėjo klijuoti, todėl įrenginys dirbo 7% sunkiau, kad išlaikytų slėgį. Tai yra 7% daugiau elektros energijos kas valandą dėl problemos, kuri būtų praleista dar tris mėnesius iki kitos suplanuotos paslaugos.

Tvarumo nauda čia yra dviguba: taupoma energija, eikvojama prastėjančios įrangos, ir pailgėja bendras paties pagrindinio turto eksploatavimo laikas, sumažinant gamybos ir mašinos pakeitimo aplinkosaugos išlaidas. Tai didžiulis poslinkis nuo to, kad įranga veikia kaip kažkas, kuri veikia tol, kol sugenda, prie jos traktavimo kaip sistemos, kurios efektyvumas turi būti nuolat saugomas.

Tiekimo grandinė ir dizainas: pirminis svertas

Įtaka apima ne tik gamyklos vartus. Tokiam gamintojui kaip Zitai Fasteners, kurio vieta netoli pagrindinių transporto arterijų, tokių kaip Pekinas-Guangdžou geležinkelis, yra logistikos pranašumas, dirbtinis intelektas gali optimizuoti tą pranašumą siekdamas tvarumo. Pažangios planavimo sistemos dabar gali atsižvelgti ne tik į sąnaudas ir laiką, bet ir į skirtingų transporto rūšių ir maršrutų anglies pėdsaką, suderindamos atsargų lygį su ekologiškesnėmis, bet lėtesnėmis siuntimo galimybėmis.

Subtiliau, generatyvūs projektavimo algoritmai, naudojami bendradarbiaujant su klientais, gali pasiūlyti dalių optimizavimą. Ar kronšteinas galėtų naudoti mažiau medžiagos, jei būtų atliktas nedidelis konstrukcijos pakeitimas? Ar gali pakakti kitokios rūšies plieno, kurio gamybos procesas sunaudoja mažiau energijos, jei būtų pakoreguoti gamybos parametrai? Čia dirbtinis intelektas veikia kaip tvaraus dizaino ir gamybos pokalbių katalizatorius, galintis sumažinti medžiagų ir energijos naštą dar prieš pateikiant gamybos užsakymą. Tai perkelia tvarumą vertės grandinėje.

Suklupimo akmenys ir realūs lūkesčiai

Ne viskas vyko sklandžiai. Didžiausias gedimas, kurį mačiau, yra „verda vandenynas“: nuo pat pirmos dienos bandoma sukurti tobulą, visos gamyklos skaitmeninį dvynį. Duomenų infrastruktūra griūva, modeliai tampa pernelyg sudėtingi, o projektas miršta nuo savo svorio. Sėkmė ateina pasirinkus vieną skausmingą atliekų srautą, pavyzdžiui, per didelio medžiagų suvartojimo pavyzdį, ir jį išsprendus. Įrodykite vertę, tada pakeiskite skalę.

Kita problema yra duomenų kokybė. Senose gamybos linijose gauti švarius, pagal laiką sinchronizuotus duomenis iš skirtingų PLC ir rankinių žurnalų yra didžiulė užduotis. Kartais 80 % pradinio projekto sudaro tik patikimo duomenų perdavimo kanalo kūrimą. Jūs taip pat susiduriate su kultūriniu pasipriešinimu; jei dirbtinio intelekto pasiūlymas taupo energiją, bet prideda žingsnį operatoriui, į jį bus nepaisoma, nebent tai būtų suformuluota kaip palengvinanti ar nuoseklesnį jų darbą ilgainiui.

Taigi, kaip AI iš tikrųjų padidina tvarumą? Tai nėra stebuklinga lazdelė. Tai didinamasis stiklas ir negailestingas skaičiuotuvas. Tai atskleidžia paslėptą, brangų neefektyvumą, su kuriuo išmokome gyventi – papildomą kilovatvalandę, švaistomą plieno gramą, lėtą mašinos irimą. Tai suteikia įrodymų, reikalingų investicijoms į geresnius procesus pateisinti, ir įgalina žmones priimti protingesnius, labiau pagrįstus sprendimus, kurie kartu sumažina kūrybos pėdsaką aplinkai. Padidinimas yra kaupiamasis, pasikartojantis ir labai praktiškas. Tai paverčia tvarios gamybos užmojį iš pranešimo posėdžių salėje į kasdienę praktiką parduotuvės aukšte.