Kā AI veicina ražošanas ilgtspējību? 

Dzirdot mākslīgo intelektu ražošanā, cilvēki bieži vien pārņem vīzijas par pilnībā autonomām, izgaismotām rūpnīcām — tas ir spilgts, bet nedaudz maldinošs ideāls. Reālā, graudainā ietekme uz ilgtspējību nav saistīta ar cilvēku aizstāšanu; tas ir par mūsu spēju saskatīt un rīkoties, lai uzlabotu neefektivitāti, ko tradicionāli esam pieņēmuši kā darbības izmaksas. AI visvērtīgākā loma ir pastāvīgā, neredzamā enerģijas aizplūšanā, izejvielu pārmērīgajā patēriņā un novēršamajos atkritumos. Mans viedoklis, ko veido staigājošas rūpnīcas grīdas, ir tāds, ka stimulu sniedz nevis viens lielisks risinājums, bet gan praktisku, uz datiem balstītu iejaukšanās slāņojums esošajos procesos. Mērķis nav pilnība, bet gan izmērāms, iteratīvs uzlabojums tur, kur tas ir svarīgs: rezultāts un ietekme uz vidi.

Ārpus hype: atkritumu plūsmu noteikšana

Sākumpunkts ir redzamība. Gadu desmitiem ilgtspējības centieni bieži vien bija minējumi — plānotā apkope neatkarīgi no tā, vai tā ir nepieciešama, vairums materiālu pasūtījumi, pamatojoties uz vēsturiskiem vidējiem rādītājiem, enerģijas patēriņš kā fiksēta pieskaitāmā izmaksas. Es atceros projektu savienotājelementu ražotnē, kas atšķiras no tā, ko jūs varētu atrast, piemēram, ar lielu spēlētāju Handan Zitai Fstercer Manufacturing Co., Ltd. Yongnian, Ķīnas standarta detaļu ražošanas centrā. Viņu izaicinājums bija kopīgs: būtiskas atšķirības neapstrādātu tērauda stiepļu patēriņā uz vienu augstas stiprības skrūvju partiju, kas izraisīja gan izmaksas, gan metāllūžņu atkritumus. Tika pieņemts, ka tas bija tieši tā, kā mašīnas darbojās.

Mēs izvietojām salīdzinoši vienkāršus mašīnredzes un sensoru blokus uz aukstās kalšanas galvenēm un vītņu veltņiem. AI uzdevums nebija kontrolēt iekārtu, bet gan korelēt tūkstošiem datu punktu — apkārtējās vides temperatūru, stieples padeves ātrumu, presformas nodiluma indikatorus, eļļošanas spiedienu — ar katras detaļas galīgo svaru un kvalitāti. Dažu nedēļu laikā parādījās modelis: īpašas, smalkas stieples padeves mehānisma svārstības, kas saasinājās maiņas maiņas laikā, izraisīja konsekventu 1,8 % pārmērīgu patēriņu. Tā nebija kļūda, ko kāds būtu reģistrējis; tas bija slēpts nodoklis par katru materiāla kilogramu.

Labojums nebija AI. Labojums bija mehāniska regulēšana un operatora procedūras pielāgošana. AI nodrošināja diagnozi. Šis ir pirmā līmeņa stimuls: ilgtspējības pārvēršana no filozofiska mērķa par precīzu, kvantitatīvi nosakāmu inženierijas problēmu. Tas pārceļ sarunu no tā, ka mums vajadzētu saglabāt materiālu, un mēs zaudējam 1,8% no sava materiāla punktā X iemesla Y dēļ.

Enerģija: no fiksētām izmaksām līdz dinamiskam mainīgajam

Enerģijas pārvaldība ir vēl viena joma, kurā ir daudz zemu augļu. Daudzi ražotāji, īpaši energoietilpīgos procesos, piemēram, termiskā apstrāde vai galvanizācija, kas ir izplatīti savienotājelementu ražošanas nozarē ap Handanu, uzskata jaudu par monolītu rēķinu. Viņi var darbināt nebūtiskus kompresorus vai krāsns priekšsildīšanas ciklus pēc fiksētiem grafikiem, kas saskaņoti ar lētākajiem tarifu logiem, taču tas bieži vien ir ierobežojums.

Mēs integrējām AI vadītu prognozējošo slodzes līdzsvarošanu ar reāllaika enerģijas uzraudzības sistēmu. Tas ne tikai aplūkoja komunālo pakalpojumu tarifu grafiku. Tā uzzināja katras krāsns termisko inerci, faktiskos pieprasījuma signālus no apšuvuma līnijām un pat prognozēja vietējā tīkla oglekļa intensitāti, pamatojoties uz reģionālās enerģijas sadalījuma datiem. Pēc tam sistēma varētu ieteikt un vēlāk autonomi izpildīt mikro aizkaves vai paātrinājumus nekritiskos procesos.

Piemēram, tas varētu ieteikt turēt stiprinājumu partiju rindā pēc kalšanas atlaidināšanas papildu 20 minūtes, lai izvairītos no maksimālā tīkla perioda, kad reģionālā oglekļa pēda bija visaugstākā, pat ja naudas izmaksas bija līdzīgas. Tas saskaņo izmaksu ietaupījumu ar oglekļa emisiju samazināšanu tādā veidā, kā statiski grafiki nekad nevar. Ietaupījumi nebija dramatiski nevienā stundā, taču vairāk nekā par ceturtdaļu maksimālā pieprasījuma maksas un ar to saistītais oglekļa pēdas samazinājums bija ievērojams. Tas padarīja enerģijas patēriņu par dinamisku, atsaucīgu mainīgo, nevis fonu.

Cilvēka cilpā dilemma

Šeit jūs saskaraties ar praktisku aizķeršanos. Optimālais modelis varētu likt aizkavēt partiju, bet stāva pārvaldniekam ir kravas automašīna, kas ierodas pulksten 16.00. Tīra optimizācija var saskarties ar loģistikas realitāti. Veiksmīgākās ieviešanas, ko esmu redzējis, ir iekļauta atbilstības līmeņa metrikā. AI ierosina, cilvēks atbrīvo, un sistēma mācās no ignorēšanas. Laika gaitā, ja sistēma redz, ka piegādes grafiki ir nemainīgs ierobežojums, tā sāk to ņemt vērā agrāk. Tā ir sadarbība, nevis pārņemšana. Šī nekārtīgā, iteratīvā regulēšana atdala akadēmiskos projektus no reālajiem rīkiem.

Prognozējošā apkope: resursu efektivitātes stūrakmens

Tas, iespējams, ir visnobriedušākais pielietojums, taču tā ilgtspējības leņķis dažkārt netiek ņemts vērā. Tas nenozīmē tikai izvairīšanos no dīkstāves. Bojāts gultnis ātrgaitas stiepļu vilkšanas mašīnā ne tikai saplīst; vispirms tas izraisa palielinātu berzi, palielinot enerģijas patēriņu nedēļām. Nedaudz nepareizi noregulēta matrica ne tikai nofiksējas; tas rada pieaugošu apakšvirsmas defektu procentuālo daļu, kas noved pie detaļām, kas neiztur kvalitātes pārbaudes pēc tam, kad tajās ir ieguldīta pilna enerģija un materiāli.

Pārejot no plānotās apkopes uz apstākļiem balstītu apkopi, izmantojot vibrācijas, akustisko un termisko analīzi, mākslīgā intelekta modeļi novērš lēnu, izšķērdīgu procesu pasliktināšanos. Es atceros gadījumu, kad modelis atzīmēja kompresoru, lai pievērstu uzmanību, pamatojoties uz smalkām izmaiņām tā elektriskajā parakstā. Tehniskās apkopes žurnāls parādīja, ka ar visiem standarta rādītājiem tas ir kārtībā. Pārbaudot, neliels vārsts sāka pielipt, liekot iekārtai strādāt par 7% vairāk, lai uzturētu spiedienu. Tas ir par 7% vairāk elektrības katru stundu problēmai, kas būtu nokavēta vēl trīs mēnešus līdz nākamajam plānotajam pakalpojumam.

Ilgtspējības ieguvums šeit ir divkāršs: tas ietaupa enerģiju, kas tiek izšķērdēta, pasliktinoties aprīkojumam, un pagarina pašu pamatlīdzekļu kopējo kalpošanas laiku, samazinot ražošanas un iekārtas nomaiņas vides izmaksas. Tā ir būtiska pāreja no tā, ka aprīkojums tiek uzskatīts par tādu, kas darbojas, līdz tas sabojājas, uz to, ka tas tiek uzskatīts par sistēmu, kuras efektivitāte ir pastāvīgi jāsargā.

Piegādes ķēde un dizains: augšupējais sviras efekts

Ietekme sniedzas ārpus rūpnīcas vārtiem. Tādam ražotājam kā Zitai Fasteners, kura atrašanās vieta netālu no galvenajām transporta artērijām, piemēram, Pekinas-Guandžou dzelzceļam, ir loģistikas priekšrocība, mākslīgais intelekts var optimizēt šo priekšrocību ilgtspējības nodrošināšanai. Uzlabotās plānošanas sistēmas tagad var ņemt vērā ne tikai izmaksas un laiku, bet arī dažādu transporta veidu un maršrutu oglekļa pēdas nospiedumu, līdzsvarojot krājumu līmeni ar zaļākām, bet lēnākām piegādes iespējām.

Smalkāk, ģeneratīvie projektēšanas algoritmi, ko izmanto sadarbībā ar klientiem, var ieteikt daļu optimizāciju. Vai kronšteins varētu izmantot mazāk materiāla, ja tiktu veiktas nelielas konstrukcijas izmaiņas? Vai varētu pietikt ar citas markas tēraudu ar mazāku energoietilpīgu ražošanas procesu, ja ražošanas parametri tiktu pielāgoti? Šeit mākslīgais intelekts darbojas kā katalizators ilgtspējīgām projektēšanas un ražošanas sarunām, potenciāli samazinot materiālu un enerģijas slogu, pirms tiek veikts ražošanas pasūtījums. Tas virza ilgtspējību vērtību ķēdē uz augšu.

Klupšanas akmeņi un reālistiskas cerības

Ne viss noritēja gludi. Lielākais neveiksmju veids, ko esmu pieredzējis, ir pieeja okeānam: mēģinājums izveidot perfektu, visas rūpnīcas digitālo dvīņu no pirmās dienas. Datu infrastruktūra sabrūk, modeļi kļūst pārāk sarežģīti, un projekts nomirst zem sava svara. Panākumi rodas, izvēloties vienu, sāpīgu atkritumu plūsmu, piemēram, materiāla pārmērīga patēriņa piemēru, un to atrisinot. Pierādiet vērtību, pēc tam mērogojiet.

Vēl viena problēma ir datu kvalitāte. Vecajās ražošanas līnijās tīru, laikā sinhronizētu datu iegūšana no dažādiem PLC un manuāliem žurnāliem ir milzīgs uzdevums. Dažreiz 80% no sākotnējā projekta ir tikai uzticama datu cauruļvada izveide. Jūs saskaraties arī ar kultūras pretestību; ja mākslīgā intelekta ieteikums ietaupa enerģiju, bet pievieno operatoram soli, tas tiks ignorēts, ja vien tas netiks veidots tā, ka tas ilgtermiņā atvieglo vai konsekventu darbu.

Tātad, kā AI patiesi veicina ilgtspējību? Tā nav burvju nūjiņa. Tas ir palielināmais stikls un nerimstošs kalkulators. Tas parāda slēptās, dārgās neefektivitātes, ar kurām esam iemācījušies sadzīvot, — papildu kilovatstundu, izniekoto tērauda gramu, mašīnas lēno sabrukšanu. Tas sniedz pierādījumus, kas nepieciešami, lai attaisnotu ieguldījumus labākos procesos, un dod cilvēkiem iespēju pieņemt gudrākus, apzinātākus lēmumus, kas kopīgi samazina ražošanas radīto ietekmi uz vidi. Paaugstinājums ir kumulatīvs, iteratīvs un ļoti praktisks. Tas pārvērš ilgtspējīgas ražošanas ambīcijas no ziņojuma sēžu zālē par ikdienas praksi cehā.