Кога луѓето слушаат вештачка интелигенција во производството, тие честопати скокаат до визиите за целосно автономни фабрики со исклучување на светлата. Тоа е светкава цел, но не е местото каде што се случува вистинската, тешка работа за зајакнување на одржливоста денес. Вистинското влијание е поизразено, често се крие во секојдневното работење на оптимизирање на потрошувачката на енергија, намалување на материјалниот отпад и правење на синџирите на снабдување помалку хаотични. Станува збор помалку за преземање на роботи, а повеќе за интелигентни системи кои обезбедуваат грануларна видливост што ни недостигаше секогаш за да донесуваме одлуки кои се економски и еколошки здрави. Врската помеѓу вештачката интелигенција и одржливоста не е автоматска; тоа бара намерно менување на она што го избираме да го мериме и контролираме.

Надвор од возбудата: Енергијата како прва граница

Да почнеме со енергијата, најдиректната цена и ставката за јаглерод. Со години се потпиравме на закажано одржување и оценки за ефикасност со широки удари. Менувачот на играта вградува сензори и користи вештачка интелигенција за предвидлива енергетска оптимизација. Не зборувам само за исклучување на машините. Станува збор за разбирање на динамичкото оптоварување на цела производна линија. На пример, модел со вештачка интелигенција може да научи дека специфична преса за печат привлекува наплив на моќ не само за време на работата, туку и 15 минути потоа, додека работат системите за ладење. Со анализа на распоредот на производството, може да се предложи микро-одложувања помеѓу сериите за да се избегнат симултани максимални извлекувања од повеќекратни преси, израмнувајќи ја енергетската крива без да влијае на пропусната моќ. Ова не е теоретски; Сум видел како бричи 8-12% од сметката за енергија во фабрика за фалсификување, што е масовно во обем.

Тешкиот дел е квалитетот на податоците. Потребни ви се грануларни податоци од временски серии од машината, трафостаницата, па дури и од мрежата ако е можно. Еден неуспешен проект на почетокот се обидуваше да ја оптимизира печката за термичка обработка без точни мерачи на проток на гас. Моделот со вештачка интелигенција во суштина погодуваше, а оптимизациите ризикуваа да ги загрозат металуршките својства на деловите. Научивме на потешкиот начин: не можете да управувате со она што не можете точно да го измерите. ВИ е добра само како и сензорните влезови што ги добива.

Ова води до една суптилна точка: вештачката интелигенција често ја оправдува подлабоката инструментација. За да направите случај за одржливост за вештачката интелигенција, прво инвестирате во подобро мерење. Тоа е доблесен циклус. Откако ќе го имате тој проток на податоци, можете да преминете од предвидување на прописно дејство - како автоматско прилагодување на подесените точки на притисокот на компресорот врз основа на побарувачката во реално време во пневматска мрежа, нешто што секогаш беше поставено за најлошото сценарио, трошејќи огромни количини на енергија.

Војната против отпадот: од отпадоци до дигитални близнаци

Материјалниот отпад е чиста финансиска и еколошка загуба. Во производството на сврзувачки елементи, како во компанија како што е Компанија за производство на прицврстувачи на Handan Zitai, Ltd. лоциран во главната кинеска база за производство на стандардни делови, традиционалниот пристап вклучува инспекција после производството: се прави серија, некои се земаат мостри и ако се најдат дефекти, целата парцела може да се отфрли или преработи. Тоа е неверојатно расипничко.

Компјутерската визија за откривање дефекти во реално време сега е табела. Но, подлабоката употреба на вештачката интелигенција е во оптимизацијата на параметрите на процесот за да се спречи создавање на отпад на прво место. Со внесување на податоци од процесот на студена насока - дијаметар на жицата, температура, брзина на машината, абење на матрицата - во модел, можеме да ја предвидиме веројатноста за пукнатини на главата или димензионални неточности пред да се направи едно парче. Системот потоа може да препорача прилагодувања, да речеме, мало зголемување на температурата на жарење или намалување на стапката на напојување.

Се сеќавам на еден проект каде што изградивме дигитална сенка (поедноставна верзија на целосен дигитален близнак) за производствена линија за завртки. Целта беше да се минимизира загубата на дотерување - преостанатата жица по сечењето на завртката. Со анализа на портфолијата на нарачки и машинските ограничувања, системот за распоред на вештачка интелигенција може да ги редоследува нарачките за поцелосно користење на жичани намотки, намалувајќи го отпадот од просечно 3,2% на под 1,7%. Звучи мало, но кај илјадници тони челик годишно, заштедите во суровини и поврзаните емисии на јаглерод од производството на челик се значителни. Можете да видите како компаниите во центрите како што е округот Јонгниан, со нивниот висок волумен, добиваат неизмерно добивка од таквите грануларни оптимизации.

Отпорност на синџирот на снабдување и јаглеродниот отпечаток

Ова е местото каде што станува сложено. Одржливиот синџир на снабдување не е само избор на зелен снабдувач; се работи за ефикасност и еластичност за да се избегне итен воздушен товар со јаглерод интензивен. Прогнозата на побарувачката водена од вештачката интелигенција, кога функционира, го измазнува производството, намалувајќи ја потребата за прекувремена работа (што често значи помалку ефикасни, енергетски интензивни трчања) и нарачување во паника.

Интегриравме повеќеслојна анализа на ризик од синџирот на снабдување со логистичка оптимизација за клиент. Системот ги следеше временските услови, застојот на пристаништата, па дури и енергетскиот микс на регионот добавувач (на пример, дали нивната мрежа работи на јаглен или обновливи извори денес?). Тој предложи пренасочување на пратките кон побавен морски товар, но со помала емисија на штетни гасови кога дозволуваат временските рокови, или консолидирање на товарите за полнење на контејнерите до капацитет од 98%, наместо вообичаените 85%. На одржливост добивката овде е индиректна, но моќна: ја вградува ефикасноста на јаглеродот во секојдневните логистички одлуки.

Режимот на неуспех овде е прекумерна оптимизација. Еден модел сугерираше секогаш да се користи единствен, многу зелен но снабдувач со ограничен капацитет за да се минимизираат емисиите од транспортот. Не успеа да го земе предвид ризикот од исклучување, што на крајот се случи, принудувајќи да се препукуваат повеќе, помалку оптимални добавувачи. Лекцијата беше дека целите за одржливост мора да бидат избалансирани со ограничувањата на робусноста во целната функција на вештачката интелигенција. Не можете само да го минимизирате јаглеродот; треба да управувате со ризикот.

Човечки елемент: Зголемено донесување одлуки

Ова е критично. ВИ не ја води фабриката; луѓето прават. Најефективните имплементации што сум ги видел се таму каде што вештачката интелигенција делува како советник. Означува аномалија: потрошувачката на енергија по единица на линија 3 е 18% над репер за тековната мешавина на производи. Веројатна причина: Абење на лежиштето во транспортниот мотор B-12, проценета загуба на ефикасност 22%. Тоа му дава на тимот за одржување насочена, приоритетна задача со јасна одржливост и влијание врз трошоците.

Ова ја менува културата. Одржливоста престанува да биде посебен KPI од ефикасноста на производството. Кога менаџерот на подот ќе види дека оптимизирањето за пониски стапки на отпад, исто така, ја намалува употребата на енергија и суровини по добар дел, целите се усогласуваат. Тренирањето на вештачката интелигенција ги обучува и луѓето. За да ги означат податоците за модел за откривање дефекти, квалитетните инженери треба длабоко да ги анализираат режимите на дефект. Овој процес сам по себе често води до подобрувања на процесот уште пред моделот да биде имплементиран.

Отпорот е природен. Постои валиден страв од препораките за црната кутија. Затоа објаснувањето е клучно. Ако системот вели дека намалете ја температурата на печката за 15°C, тој исто така мора да го даде образложението: Историските податоци покажуваат дека работи со параметрите X и Y на оваа пониска температура резултирале со идентична цврстина со 8% помала потрошувачка на природен гас. Ова ја гради довербата и ја претвора вештачката интелигенција во колаборативна алатка за одржливост производство.

Гледајќи напред: Предизвикот за интеграција

Иднината не е во самостојните апликации за вештачка интелигенција за енергија или квалитет. Тоа е во интегрираната оптимизација на процесите што балансира повеќекратни, понекогаш и конкурентни цели: пропусната моќ, приносот, употребата на енергија, абењето на алатот и јаглеродот. Ова е повеќецелен проблем за оптимизација кој е надвор од човечката пресметка во реално време.

Пилотираме системи кои земаат нарачка од клиент и динамично ја одредуваат најодржливата рута на производство. Дали оваа серија на сврзувачки елементи треба да се направи на постарата, побавна линија што сега се напојува со новата соларна низа на фабриката или на поновата, побрза линија што се напојува на мрежа, но има помала стапка на отпад? Вештачката интелигенција може да го пресмета нето влијанието на јаглеродот, вклучително и отелотворениот јаглерод во секој потенцијален отпад и да препорача вистински оптимален пат. Ова е размислување на следното ниво.

Последната пречка е интеграцијата на проценката на животниот циклус. Вистинскиот поттик одржливоста ќе дојде кога вештачката интелигенција во производството ќе има пристап до податоците за целосниот животен циклус влијание на материјалите и процесите. Изборот помеѓу цинк и нов полимерен слој не е само одлука за трошоците; тоа е одлука за употреба на хемикалии, издржливост и рециклирање на крајот на животот. Сè уште не сме таму, но основната работа - дигитализирање на процесите, инструментирани и под адаптивна контрола - е она што ја прави таа иднина можна. Тоа е долг, негламурозен пат за решавање на еден мал, расипнички проблем во исто време.