AI ਉਦਯੋਗਿਕ ਸਥਿਰਤਾ ਨੂੰ ਕਿਵੇਂ ਹੁਲਾਰਾ ਦਿੰਦਾ ਹੈ? 

ਜਦੋਂ ਲੋਕ AI ਅਤੇ ਸਥਿਰਤਾ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਨ, ਤਾਂ ਗੱਲਬਾਤ ਅਕਸਰ ਭਵਿੱਖ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ 'ਤੇ ਪਹੁੰਚ ਜਾਂਦੀ ਹੈ: ਆਟੋਨੋਮਸ ਗਰਿੱਡ, ਸਵੈ-ਅਨੁਕੂਲ ਸ਼ਹਿਰ। ਅਸਲ ਨਿਰਮਾਣ ਦੀਆਂ ਖਾਈਵਾਂ ਵਿੱਚ, ਅਸਲੀਅਤ ਵਧੇਰੇ ਭਿਆਨਕ ਅਤੇ ਵਧਦੀ ਹੈ. ਅਸਲ ਹੁਲਾਰਾ ਮਨੁੱਖਾਂ ਨੂੰ ਰੋਬੋਟ ਨਾਲ ਬਦਲਣ ਬਾਰੇ ਨਹੀਂ ਹੈ; ਇਹ ਉਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਫੈਸਲੇ ਲੈਣ ਨੂੰ ਵਧਾਉਣ ਬਾਰੇ ਹੈ ਜੋ ਬਦਨਾਮ ਫਾਲਤੂ ਅਤੇ ਅਪਾਰਦਰਸ਼ੀ ਹਨ। ਗਲਤ ਧਾਰਨਾ ਇਹ ਹੈ ਕਿ ਸਥਿਰਤਾ ਸਿਰਫ ਘੱਟ ਊਰਜਾ ਦੀ ਵਰਤੋਂ ਕਰਨ ਬਾਰੇ ਹੈ। ਇਹ ਡੂੰਘਾ ਹੈ—ਇਹ ਕੱਚੇ ਮਾਲ ਤੋਂ ਲੈ ਕੇ ਲੌਜਿਸਟਿਕਸ ਤੱਕ ਸਿਸਟਮਿਕ ਸਰੋਤ ਬੁੱਧੀ ਬਾਰੇ ਹੈ, ਅਤੇ ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲ, ਨਾ ਸਿਰਫ਼ ਆਮ AI, ਚੁੱਪਚਾਪ ਗੇਮ ਨੂੰ ਬਦਲ ਰਹੇ ਹਨ।

ਫਾਊਂਡੇਸ਼ਨ: ਡੇਟਾ ਫਿਡੇਲਿਟੀ ਅਤੇ ਡਾਰਕ ਫੈਕਟਰੀ ਫਲੋਰ

ਤੁਸੀਂ ਉਸ ਦਾ ਪ੍ਰਬੰਧਨ ਨਹੀਂ ਕਰ ਸਕਦੇ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਮਾਪ ਨਹੀਂ ਸਕਦੇ, ਅਤੇ ਸਾਲਾਂ ਤੋਂ, ਉਦਯੋਗਿਕ ਸਥਿਰਤਾ ਅੰਦਾਜ਼ਾ ਸੀ। ਸਾਡੇ ਕੋਲ ਊਰਜਾ ਦੇ ਬਿੱਲ ਸਨ, ਹਾਂ, ਪਰ ਉਤਪਾਦਨ ਲਾਈਨ 3 'ਤੇ ਇੱਕ ਖਾਸ ਬੈਚ ਨਾਲ ਖਪਤ ਵਿੱਚ ਵਾਧੇ ਨੂੰ ਜੋੜਨਾ ਅਕਸਰ ਅਸੰਭਵ ਸੀ। ਪਹਿਲਾ, ਬੇਮਿਸਾਲ ਕਦਮ ਹੈ ਸੈਂਸਰ ਪ੍ਰਸਾਰ ਅਤੇ ਡੇਟਾ ਇਤਿਹਾਸੀਕਰਨ। ਮੈਂ ਅਜਿਹੇ ਪੌਦੇ ਦੇਖੇ ਹਨ ਜਿੱਥੇ ਪੁਰਾਤਨ ਕੰਪ੍ਰੈਸਰ ਪ੍ਰਣਾਲੀਆਂ 'ਤੇ ਸਧਾਰਨ ਵਾਈਬ੍ਰੇਸ਼ਨ ਅਤੇ ਥਰਮਲ ਸੈਂਸਰ ਸਥਾਪਤ ਕਰਨ ਨਾਲ ਸਾਈਕਲਿਕ ਅਕੁਸ਼ਲਤਾਵਾਂ ਦਾ ਖੁਲਾਸਾ ਹੋਇਆ ਹੈ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਪਾਵਰ ਡਰਾਅ ਦਾ 15% ਬਰਬਾਦ ਕਰਦੇ ਹਨ। AI ਬੂਸਟ ਇੱਥੇ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ: ਊਰਜਾ ਅਤੇ ਸਮੱਗਰੀ ਦੇ ਪ੍ਰਵਾਹ ਦਾ ਇੱਕ ਉੱਚ-ਵਫ਼ਾਦਾਰੀ ਵਾਲਾ ਡਿਜੀਟਲ ਜੁੜਵਾਂ ਬਣਾਉਣਾ। ਇਸ ਬੁਨਿਆਦ ਤੋਂ ਬਿਨਾਂ, ਕੋਈ ਵੀ ਸਥਿਰਤਾ ਦਾ ਦਾਅਵਾ ਸਿਰਫ਼ ਮਾਰਕੀਟਿੰਗ ਹੈ।

ਇਹ ਪਲੱਗ-ਐਂਡ-ਪਲੇ ਨਹੀਂ ਹੈ। ਸਭ ਤੋਂ ਵੱਡੀ ਰੁਕਾਵਟ ਡੇਟਾ ਸਿਲੋਜ਼ ਹੈ। ਉਤਪਾਦਨ ਡੇਟਾ MES ਵਿੱਚ ਬੈਠਦਾ ਹੈ, ਕਿਸੇ ਹੋਰ ਸਿਸਟਮ ਵਿੱਚ ਗੁਣਵੱਤਾ ਡੇਟਾ, ਅਤੇ ਉਪਯੋਗਤਾ ਮੀਟਰ ਤੋਂ ਊਰਜਾ ਡੇਟਾ। ਸਮਾਂ-ਸਮਕਾਲੀ ਦ੍ਰਿਸ਼ ਪ੍ਰਾਪਤ ਕਰਨਾ ਇੱਕ ਡਰਾਉਣਾ ਸੁਪਨਾ ਹੈ। ਅਸੀਂ ਕਿਸੇ ਵੀ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਸਿਰਫ਼ ਡੇਟਾ ਪਾਈਪਲਾਈਨ ਬਣਾਉਣ ਲਈ ਇੱਕ ਪ੍ਰੋਜੈਕਟ 'ਤੇ ਮਹੀਨੇ ਬਿਤਾਏ। ਕੁੰਜੀ ਇੱਕ ਫੈਨਸੀ ਐਲਗੋਰਿਦਮ ਨਹੀਂ ਸੀ, ਪਰ ਇੱਕ ਮਜਬੂਤ ਡੇਟਾ ਔਨਟੋਲੋਜੀ ਸੀ - ਹਰ ਡੇਟਾ ਪੁਆਇੰਟ ਨੂੰ ਸੰਦਰਭ (ਮਸ਼ੀਨ ਆਈਡੀ, ਪ੍ਰਕਿਰਿਆ ਸਟੈਪ, ਉਤਪਾਦ SKU) ਨਾਲ ਟੈਗ ਕਰਨਾ। ਇਹ ਗ੍ਰੈਨਿਊਲੈਰਿਟੀ ਉਹ ਹੈ ਜੋ ਬਾਅਦ ਵਿੱਚ ਅਰਥਪੂਰਨ ਸਥਿਰਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।

ਇੱਕ ਫਾਸਟਨਰ ਨਿਰਮਾਤਾ 'ਤੇ ਵਿਚਾਰ ਕਰੋ, ਜਿਵੇਂ ਹੈਂਡਨ ਜ਼ੀਟਾਈ ਫਾਸਟੇਨਰ ਨਿਰਮਾਣ ਕੰਪਨੀ, ਲਿਮਟਿਡ. ਉਹਨਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸਟੈਂਪਿੰਗ, ਥਰਿੱਡਿੰਗ, ਗਰਮੀ ਦਾ ਇਲਾਜ ਅਤੇ ਪਲੇਟਿੰਗ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ। ਹਰੇਕ ਪੜਾਅ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਊਰਜਾ ਪ੍ਰੋਫਾਈਲਾਂ ਅਤੇ ਸਮੱਗਰੀ ਦੀ ਪੈਦਾਵਾਰ ਹੁੰਦੀ ਹੈ। ਆਪਣੀਆਂ ਭੱਠੀਆਂ ਅਤੇ ਪਲੇਟਿੰਗ ਬਾਥਾਂ ਨੂੰ ਸਾਧਨ ਬਣਾ ਕੇ, ਉਹ ਮਾਸਿਕ ਉਪਯੋਗਤਾ ਔਸਤ ਤੋਂ ਪ੍ਰਤੀ-ਕਿਲੋਗ੍ਰਾਮ-ਆਉਟਪੁੱਟ ਊਰਜਾ ਲਾਗਤ ਤੱਕ ਜਾ ਸਕਦੇ ਹਨ। ਇਹ ਬੇਸਲਾਈਨ ਨਾਜ਼ੁਕ ਹੈ। ਇਹ ਇੱਕ ਕਾਰਪੋਰੇਟ KPI ਤੋਂ ਸਥਿਰਤਾ ਨੂੰ ਇੱਕ ਉਤਪਾਦਨ-ਲਾਈਨ ਵੇਰੀਏਬਲ ਵਿੱਚ ਬਦਲਦਾ ਹੈ ਜਿਸਨੂੰ ਇੱਕ ਫਲੋਰ ਮੈਨੇਜਰ ਅਸਲ ਵਿੱਚ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ।

ਭਵਿੱਖਬਾਣੀ ਰੱਖ-ਰਖਾਅ: ਡੂੰਘੀਆਂ ਜੜ੍ਹਾਂ ਵਾਲੇ ਘੱਟ ਲਟਕਣ ਵਾਲੇ ਫਲ

ਇਸ 'ਤੇ ਜ਼ਿਆਦਾਤਰ ਚਰਚਾਵਾਂ ਡਾਊਨਟਾਈਮ ਤੋਂ ਬਚਣ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀਆਂ ਹਨ। ਸਥਿਰਤਾ ਕੋਣ ਵਧੇਰੇ ਮਜਬੂਰ ਕਰਦਾ ਹੈ: ਵਿਨਾਸ਼ਕਾਰੀ ਅਸਫਲਤਾ ਊਰਜਾ ਅਤੇ ਸਮੱਗਰੀ ਨੂੰ ਬਰਬਾਦ ਕਰਦੀ ਹੈ। ਉੱਚ-ਟਾਰਕ ਸਟੈਂਪਿੰਗ ਪ੍ਰੈਸ ਵਿੱਚ ਇੱਕ ਅਸਫਲ ਬੇਅਰਿੰਗ ਸਿਰਫ ਟੁੱਟਦੀ ਨਹੀਂ ਹੈ; ਇਹ ਹਫ਼ਤਿਆਂ ਲਈ ਗਲਤ ਅਲਾਈਨਮੈਂਟ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਔਫ-ਸਪੈਕ ਪਾਰਟਸ (ਮਟੀਰੀਅਲ ਵੇਸਟ) ਅਤੇ ਪਾਵਰ ਡਰਾਅ ਵਧਦਾ ਹੈ। ਅਸੀਂ ਮੋਟਰ-ਸੰਚਾਲਿਤ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਇੱਕ ਵਾਈਬ੍ਰੇਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਮਾਡਲ ਲਾਗੂ ਕੀਤਾ ਹੈ ਜੋ ਨਾ ਸਿਰਫ਼ ਅਸਫਲਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਪਰ ਉਪ-ਅਨੁਕੂਲ ਪ੍ਰਦਰਸ਼ਨ ਸਥਿਤੀਆਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ। ਇਹ ਸੂਖਮ ਹਿੱਸਾ ਹੈ. ਮਾਡਲ ਨੇ ਇੱਕ ਪੰਪ ਨੂੰ ਫਲੈਗ ਕੀਤਾ ਜੋ ਅਜੇ ਵੀ ਚਾਲੂ ਸੀ ਪਰ 8% ਕੁਸ਼ਲਤਾ ਗੁਆ ਚੁੱਕੀ ਸੀ, ਮਤਲਬ ਕਿ ਇਹ ਉਹੀ ਕੰਮ ਕਰਨ ਲਈ ਵਧੇਰੇ ਕਰੰਟ ਖਿੱਚ ਰਿਹਾ ਸੀ। ਇਸ ਨੂੰ ਠੀਕ ਕਰਨ ਨਾਲ ਊਰਜਾ ਦੀ ਬਚਤ ਹੁੰਦੀ ਹੈ ਅਤੇ ਮੋਟਰ ਦੀ ਉਮਰ ਵਧ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਮੂਰਤ ਕਾਰਬਨ ਨੂੰ ਬਦਲਣ ਤੋਂ ਘਟਾਇਆ ਜਾਂਦਾ ਹੈ।

ਅਸਫਲਤਾ ਇਹ ਮੰਨ ਰਹੀ ਸੀ ਕਿ ਸਾਰੇ ਉਪਕਰਣਾਂ ਨੂੰ ਉਸੇ ਨਿਗਰਾਨੀ ਦੀ ਜ਼ਰੂਰਤ ਹੈ. ਅਸੀਂ ਇੱਕ ਪੂਰੀ ਅਸੈਂਬਲੀ ਲਾਈਨ ਨੂੰ ਓਵਰ-ਇੰਸਟ੍ਰੂਮੈਂਟ ਕੀਤਾ, ਜੋ ਕਿ ਮਹਿੰਗਾ ਸੀ ਅਤੇ ਰੌਲੇ-ਰੱਪੇ ਵਾਲਾ ਡੇਟਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਅਸੀਂ ਸਰਜੀਕਲ ਹੋਣਾ ਸਿੱਖਿਆ: ਉੱਚ-ਊਰਜਾ ਖਪਤਕਾਰਾਂ ਅਤੇ ਨਾਜ਼ੁਕ ਗੁਣਵੱਤਾ ਵਾਲੇ ਨੋਡਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰੋ। Zitai ਵਰਗੀ ਕੰਪਨੀ ਲਈ, ਜਿਸਦਾ ਸਥਾਨ ਬੀਜਿੰਗ-ਗੁਆਂਗਜ਼ੂ ਰੇਲਵੇ ਵਰਗੇ ਪ੍ਰਮੁੱਖ ਆਵਾਜਾਈ ਮਾਰਗਾਂ ਦੇ ਨੇੜੇ ਹੈ, ਲੌਜਿਸਟਿਕ ਕੁਸ਼ਲਤਾ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ, ਉਨ੍ਹਾਂ ਦੇ HVAC ਅਤੇ ਕੰਪਰੈੱਸਡ ਏਅਰ ਸਿਸਟਮਾਂ-ਅਕਸਰ ਪਲਾਂਟ ਦੇ ਸਭ ਤੋਂ ਵੱਡੇ ਊਰਜਾ ਡਰੇਨਾਂ ਲਈ ਸਮਾਨ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਨਾਲ ਸਿੱਧੀ ਕਾਰਬਨ ਬਚਤ ਹੋਵੇਗੀ। ਦ ਜ਼ਿਤਾਈ ਫਾਸਟੇਨਰਜ਼ ਵੈਬਸਾਈਟ ਉਹਨਾਂ ਦੇ ਉਤਪਾਦਨ ਦੇ ਪੈਮਾਨੇ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ; ਉਸ ਵੌਲਯੂਮ 'ਤੇ, ਕੰਪਰੈੱਸਡ ਏਅਰ ਲੀਕੇਜ ਵਿੱਚ 2% ਦੀ ਕਮੀ, ਇੱਕ ਏਅਰਫਲੋ ਮਾਡਲ ਦੁਆਰਾ ਪਛਾਣੀ ਗਈ, ਵਿਸ਼ਾਲ ਵਿੱਤੀ ਅਤੇ ਵਾਤਾਵਰਣਕ ਰਿਟਰਨ ਦਾ ਅਨੁਵਾਦ ਕਰਦੀ ਹੈ।

ਇੱਥੇ ਇੱਕ ਸੱਭਿਆਚਾਰਕ ਤਬਦੀਲੀ ਵੀ ਹੈ। ਵਧੀਆ ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਹਿੱਸੇ ਨੂੰ ਬਦਲਣ ਲਈ ਮਾਡਲ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਲਈ ਭਰੋਸੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਸਾਨੂੰ ਰੱਖ-ਰਖਾਅ ਟੀਮਾਂ ਤੋਂ ਖਰੀਦਦਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ kWh ਅਤੇ ਡਾਲਰਾਂ ਵਿੱਚ ਅਨੁਮਾਨਿਤ ਊਰਜਾ ਦੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਸਧਾਰਨ ਡੈਸ਼ਬੋਰਡ ਬਣਾਉਣੇ ਪਏ। ਗੋਦ ਲੈਣ ਲਈ ਇਹ ਠੋਸਤਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਪ੍ਰਕਿਰਿਆ ਓਪਟੀਮਾਈਜੇਸ਼ਨ: ਸੈੱਟ ਪੁਆਇੰਟਾਂ ਤੋਂ ਪਰੇ

ਰਵਾਇਤੀ ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਇੱਕ ਸੈੱਟ ਪੁਆਇੰਟ, ਜਿਵੇਂ ਕਿ ਭੱਠੀ ਦੇ ਤਾਪਮਾਨ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਲਈ PID ਲੂਪਸ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਪਰ ਦਿੱਤੇ ਬੈਚ ਲਈ ਅਨੁਕੂਲ ਸੈੱਟ ਪੁਆਇੰਟ ਕੀ ਹੈ? ਇਹ ਚੌਗਿਰਦੇ ਦੀ ਨਮੀ, ਕੱਚੇ ਮਾਲ ਦੇ ਮਿਸ਼ਰਤ ਭਿੰਨਤਾਵਾਂ, ਅਤੇ ਲੋੜੀਂਦੀ ਤਨਾਅ ਦੀ ਤਾਕਤ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ ਇਸ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਸਕਦੇ ਹਨ। ਗਰਮੀ ਦੇ ਇਲਾਜ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ, ਅਸੀਂ ਘੱਟੋ-ਘੱਟ ਤਾਪਮਾਨ ਰੈਂਪ ਅਤੇ ਧਾਤੂ ਸੰਬੰਧੀ ਚਸ਼ਮਾਵਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਸਮੇਂ ਨੂੰ ਲੱਭਣ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਨਤੀਜਾ ਪ੍ਰਤੀ ਬੈਚ ਕੁਦਰਤੀ ਗੈਸ ਦੀ ਖਪਤ ਵਿੱਚ 12% ਦੀ ਕਮੀ ਸੀ, ਗੁਣਵੱਤਾ ਨਾਲ ਕੋਈ ਸਮਝੌਤਾ ਨਹੀਂ ਕੀਤਾ ਗਿਆ।

ਕੈਚ? ਤੁਹਾਨੂੰ ਇਨਾਮ ਫੰਕਸ਼ਨ ਨੂੰ ਧਿਆਨ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਸ਼ੁਰੂ ਵਿੱਚ, ਅਸੀਂ ਊਰਜਾ ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਨੁਕੂਲ ਬਣਾਇਆ, ਅਤੇ ਮਾਡਲ ਨੇ ਘੱਟ ਤਾਪਮਾਨਾਂ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ ਜੋ ਬਾਅਦ ਵਿੱਚ ਪਲੇਟਿੰਗ ਪੜਾਵਾਂ ਵਿੱਚ ਅਣਜਾਣੇ ਵਿੱਚ ਖੋਰ ਦਰਾਂ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ - ਵਾਤਾਵਰਣ ਦੇ ਬੋਝ ਨੂੰ ਬਦਲਦੇ ਹੋਏ। ਸਾਨੂੰ ਇੱਕ ਬਹੁ-ਉਦੇਸ਼ ਵਾਲਾ ਅਨੁਕੂਲਨ ਫਰੇਮਵਰਕ, ਸੰਤੁਲਨ ਊਰਜਾ, ਸਮੱਗਰੀ ਉਪਜ, ਅਤੇ ਡਾਊਨਸਟ੍ਰੀਮ ਪ੍ਰਕਿਰਿਆ ਵਿਹਾਰਕਤਾ ਨੂੰ ਅਪਣਾਉਣਾ ਪਿਆ। ਇਹ ਸੰਪੂਰਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਅਸਲ ਉਦਯੋਗਿਕ ਸਥਿਰਤਾ ਦਾ ਸਾਰ ਹੈ; ਇਹ ਇੱਕ ਖੇਤਰ ਨੂੰ ਦੂਜੇ ਦੀ ਕੀਮਤ 'ਤੇ ਉਪ-ਅਨੁਕੂਲ ਬਣਾਉਣ ਤੋਂ ਬਚਦਾ ਹੈ।

ਇੱਕ ਸਟੈਂਡਰਡ ਪਾਰਟਸ ਪ੍ਰੋਡਕਸ਼ਨ ਬੇਸ ਲਈ, ਹਜ਼ਾਰਾਂ ਟਨ ਆਉਟਪੁੱਟ ਵਿੱਚ ਅਜਿਹਾ ਅਨੁਕੂਲਨ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਮੈਕਰੋ ਪ੍ਰਭਾਵ ਹੁੰਦਾ ਹੈ। ਇਹ ਬੋਇਲਰ ਰੂਮ ਤੋਂ ਟਿਕਾਊਤਾ ਨੂੰ ਨਿਰਮਾਣ ਦੇ ਮੁੱਖ ਵਿਅੰਜਨ ਵਿੱਚ ਲੈ ਜਾਂਦਾ ਹੈ।

ਸਪਲਾਈ ਚੇਨ ਅਤੇ ਲੌਜਿਸਟਿਕਸ: ਨੈੱਟਵਰਕ ਪ੍ਰਭਾਵ

ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ AI ਦੀ ਸੰਭਾਵਨਾ ਵਿਸ਼ਾਲ ਅਤੇ ਨਿਰਾਸ਼ਾਜਨਕ ਮਹਿਸੂਸ ਕਰਦੀ ਹੈ। ਇੱਕ ਫੈਕਟਰੀ ਹਾਈਪਰ-ਕੁਸ਼ਲ ਹੋ ਸਕਦੀ ਹੈ, ਪਰ ਜੇਕਰ ਇਸਦੀ ਸਪਲਾਈ ਲੜੀ ਬੇਕਾਰ ਹੈ, ਤਾਂ ਸ਼ੁੱਧ ਲਾਭ ਸੀਮਤ ਹੈ। AI ਇੱਥੇ ਬੁੱਧੀਮਾਨ ਰੂਟਿੰਗ ਅਤੇ ਵਸਤੂ ਪੂਰਵ ਅਨੁਮਾਨ ਦੁਆਰਾ ਸਥਿਰਤਾ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਅਸੀਂ ਕੱਚੇ ਸਟੀਲ ਕੋਇਲ ਲਈ ਅੰਦਰ ਵੱਲ ਲੌਜਿਸਟਿਕਸ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਇੱਕ ਪ੍ਰੋਜੈਕਟ 'ਤੇ ਕੰਮ ਕੀਤਾ। ਸਪਲਾਇਰ ਟਿਕਾਣਿਆਂ, ਉਤਪਾਦਨ ਅਨੁਸੂਚੀ, ਅਤੇ ਟ੍ਰੈਫਿਕ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ, ਇੱਕ ਮਾਡਲ ਨੇ ਡਿਲੀਵਰੀ ਵਿੰਡੋਜ਼ ਤਿਆਰ ਕੀਤੀਆਂ ਜੋ ਟਰੱਕ ਦੇ ਵਿਹਲੇ ਸਮੇਂ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਪੂਰੇ ਲੋਡ ਲਈ ਆਗਿਆ ਦਿੰਦੀਆਂ ਹਨ। ਇਸ ਨੇ ਨਿਰਮਾਤਾ ਅਤੇ ਸਪਲਾਇਰ ਦੋਵਾਂ ਲਈ ਸਕੋਪ 3 ਦੇ ਨਿਕਾਸ ਨੂੰ ਘਟਾ ਦਿੱਤਾ।

ਨਿਰਾਸ਼ਾ ਡੇਟਾ ਸ਼ੇਅਰਿੰਗ ਤੋਂ ਆਉਂਦੀ ਹੈ. ਸਪਲਾਇਰ ਅਕਸਰ ਅਸਲ-ਸਮੇਂ ਦੀ ਸਮਰੱਥਾ ਜਾਂ ਸਥਾਨ ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਤੋਂ ਝਿਜਕਦੇ ਹਨ। ਸਫਲਤਾ ਇੱਕ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਐਲਗੋਰਿਦਮ ਨਾਲ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ ਸਧਾਰਨ ਬਲਾਕਚੈਨ-ਅਧਾਰਿਤ ਲੇਜ਼ਰ (ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਗਈ, ਕ੍ਰਿਪਟੋ ਨਹੀਂ) ਨਾਲ ਆਈ ਹੈ ਜੋ ਮਲਕੀਅਤ ਦੇ ਵੇਰਵਿਆਂ ਦਾ ਖੁਲਾਸਾ ਕੀਤੇ ਬਿਨਾਂ ਵਚਨਬੱਧਤਾਵਾਂ ਨੂੰ ਲੌਗ ਕਰਦਾ ਹੈ। ਭਰੋਸਾ, ਦੁਬਾਰਾ, ਰੁਕਾਵਟ ਹੈ.

ਹੈਂਡਨ ਜ਼ੀਟਾਈ ਫਾਸਟੇਨਰ ਨਿਰਮਾਣ ਕੰਪਨੀ, ਲਿਮਟਿਡਪ੍ਰਮੁੱਖ ਹਾਈਵੇਅ ਅਤੇ ਰੇਲ ਲਾਈਨਾਂ ਦੇ ਨਾਲ ਲੱਗਦੀ ਰਣਨੀਤਕ ਸਥਿਤੀ ਇੱਕ ਕੁਦਰਤੀ ਮਾਲ ਅਸਬਾਬ ਹੈ। ਇੱਕ AI-ਸੰਚਾਲਿਤ ਸਿਸਟਮ ਆਰਡਰਾਂ ਨੂੰ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ ਮਜ਼ਬੂਤ ​​ਕਰਕੇ ਅਤੇ ਸਭ ਤੋਂ ਘੱਟ-ਕਾਰਬਨ ਟ੍ਰਾਂਸਪੋਰਟ ਮੋਡ (ਰੇਲ ਬਨਾਮ ਟਰੱਕ) ਦੀ ਚੋਣ ਕਰਕੇ, ਪ੍ਰਤੀ ਸ਼ਿਪਮੈਂਟ ਦੇ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਨੂੰ ਘੱਟ ਕਰਨ ਲਈ ਉਸ ਭੂਗੋਲਿਕ ਫਾਇਦੇ ਦਾ ਲਾਭ ਉਠਾ ਕੇ, ਆਊਟਬਾਊਂਡ ਲੌਜਿਸਟਿਕਸ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਸਕਦਾ ਹੈ।

ਸਰਕੂਲਰਿਟੀ ਅਤੇ ਕੁਆਲਿਟੀ ਇੰਟੈਲੀਜੈਂਸ

ਸਥਿਰਤਾ ਦਾ ਸਭ ਤੋਂ ਸਿੱਧਾ ਰਸਤਾ ਘੱਟ ਸਮੱਗਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਅਤੇ ਘੱਟ ਰਹਿੰਦ-ਖੂੰਹਦ ਪੈਦਾ ਕਰਨਾ ਹੈ। ਗੁਣਵੱਤਾ ਨਿਰੀਖਣ ਲਈ ਕੰਪਿਊਟਰ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਆਮ ਹੈ, ਪਰ ਸਥਿਰਤਾ ਨਾਲ ਇਸ ਦਾ ਸਬੰਧ ਡੂੰਘਾ ਹੈ। ਇੱਕ ਨੁਕਸ ਦਾ ਛੇਤੀ ਪਤਾ ਲੱਗਣ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇੱਕ ਹਿੱਸੇ ਨੂੰ ਦੁਬਾਰਾ ਕੰਮ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ ਪਲਾਂਟ ਵਿੱਚ ਰੀਸਾਈਕਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਇਸਨੂੰ ਗਾਹਕ ਨੂੰ ਭੇਜਣ, ਰੱਦ ਕੀਤੇ ਜਾਣ ਅਤੇ ਵਾਪਸ ਭੇਜਣ ਦੀ ਊਰਜਾ ਲਾਗਤ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਵਧੇਰੇ ਉੱਨਤ ਗੁਣਵੱਤਾ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਉਤਪਾਦਨ ਦੇ ਦੌਰਾਨ ਸਪੈਕਟ੍ਰਲ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ, ਅਸਲ-ਸਮੇਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਸਮਾਯੋਜਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ. ਅਸੀਂ ਇਸਨੂੰ ਇੱਕ ਪਲੇਟਿੰਗ ਲਾਈਨ ਵਿੱਚ ਦੇਖਿਆ: ਇੱਕ XRF ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਇੱਕ ਮਾਡਲ ਵਿੱਚ ਡੇਟਾ ਫੀਡ ਕੀਤਾ ਜੋ ਪਲੇਟਿੰਗ ਬਾਥ ਕੈਮਿਸਟਰੀ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ, ਭਾਰੀ ਧਾਤੂ ਦੀ ਵਰਤੋਂ ਅਤੇ ਸਲੱਜ ਦੀ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ 20% ਤੋਂ ਵੱਧ ਘਟਾਉਂਦਾ ਹੈ।

ਫਿਰ ਸਰਕੂਲਰ ਆਰਥਿਕ ਕੋਣ ਹੈ। AI ਰੀਸਾਈਕਲਿੰਗ ਲਈ ਸਮੱਗਰੀ ਦੀ ਛਾਂਟੀ ਦੀ ਸਹੂਲਤ ਦੇ ਸਕਦਾ ਹੈ। ਮੈਟਲ ਫਾਸਟਨਰਾਂ ਲਈ, ਜੀਵਨ ਦੇ ਅੰਤ ਵਿੱਚ ਛਾਂਟੀ ਕਰਨਾ ਇੱਕ ਚੁਣੌਤੀ ਹੈ। ਅਸੀਂ ਰੀਸਾਈਕਲ ਕੀਤੇ ਫੀਡਸਟਾਕ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਮੁੱਲ ਨੂੰ ਵਧਾਉਂਦੇ ਹੋਏ, ਗੈਲਵੇਨਾਈਜ਼ਡ ਸਟੀਲ ਸਕ੍ਰੈਪ ਤੋਂ ਸਟੇਨਲੈੱਸ ਨੂੰ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਛਾਂਟਣ ਲਈ ਹਾਈਪਰਸਪੈਕਟਰਲ ਇਮੇਜਿੰਗ ਅਤੇ CNN ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਸਿਸਟਮ ਨੂੰ ਪਾਇਲਟ ਕੀਤਾ। ਇਹ ਸਮੱਗਰੀ ਲੂਪ ਨੂੰ ਬੰਦ ਕਰਨਾ ਆਰਥਿਕ ਤੌਰ 'ਤੇ ਵਿਵਹਾਰਕ ਬਣਾਉਂਦਾ ਹੈ।

ਇੱਕ ਪ੍ਰਮੁੱਖ ਉਤਪਾਦਨ ਅਧਾਰ ਲਈ, ਇਸ ਗੁਣਵੱਤਾ ਦੀ ਖੁਫੀਆ ਜਾਣਕਾਰੀ ਨੂੰ ਭਰ ਵਿੱਚ ਜੋੜਨਾ ਮਿਆਰੀ ਹਿੱਸਾ ਮੈਨੂਫੈਕਚਰਿੰਗ ਚੇਨ ਦਾ ਮਤਲਬ ਹੈ ਘੱਟ ਕੁਆਰੀ ਸਮੱਗਰੀ ਕੱਢੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਘੱਟ ਕੂੜਾ ਲੈਂਡਫਿਲ ਵਿੱਚ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਨੂੰ ਲਾਗਤ ਕੇਂਦਰ ਤੋਂ ਇੱਕ ਮੁੱਖ ਸਥਿਰਤਾ ਡਰਾਈਵਰ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।

ਮਨੁੱਖੀ ਕਾਰਕ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦੀ ਦਲਦਲ

ਲੋਕਾਂ ਤੋਂ ਬਿਨਾਂ ਇਹ ਕੋਈ ਕੰਮ ਨਹੀਂ ਕਰਦਾ। ਸਭ ਤੋਂ ਵੱਡੀ ਅਸਫਲਤਾ ਜੋ ਮੈਂ ਵੇਖੀ ਹੈ ਉਹ ਇੱਕ ਲਾਈਟ-ਆਊਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਪ੍ਰੋਜੈਕਟ ਸੀ ਜਿਸਨੂੰ ਇੰਜੀਨੀਅਰਾਂ ਨੇ ਵੈਕਿਊਮ ਵਿੱਚ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਸੀ। ਮਾਡਲ ਹੁਸ਼ਿਆਰ ਸਨ, ਪਰ ਉਹਨਾਂ ਨੇ ਓਪਰੇਟਰਾਂ ਦੇ ਸੰਖੇਪ ਗਿਆਨ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜੋ ਜਾਣਦੇ ਸਨ ਕਿ ਮਸ਼ੀਨ 4 ਨਮੀ ਵਾਲੀ ਦੁਪਹਿਰ ਨੂੰ ਗਰਮ ਚੱਲਦੀ ਹੈ। ਸਿਸਟਮ ਅਸਫਲ ਰਿਹਾ। ਸਫਲਤਾ ਉਦੋਂ ਆਈ ਜਦੋਂ ਅਸੀਂ ਹਾਈਬ੍ਰਿਡ ਸਲਾਹਕਾਰੀ ਪ੍ਰਣਾਲੀਆਂ ਬਣਾਈਆਂ। ਮਾਡਲ ਇੱਕ ਸੈੱਟ ਪੁਆਇੰਟ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ, ਪਰ ਓਪਰੇਟਰ ਉਸ ਫੀਡਬੈਕ ਤੋਂ ਸਿਸਟਮ ਸਿੱਖਣ ਦੇ ਨਾਲ, ਇਸਨੂੰ ਮਨਜ਼ੂਰ, ਅਸਵੀਕਾਰ ਜਾਂ ਅਨੁਕੂਲ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਵਿਸ਼ਵਾਸ ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ ਮਨੁੱਖੀ ਅਨੁਭਵ ਦਾ ਲਾਭ ਉਠਾਉਂਦਾ ਹੈ।

ਲਾਗੂ ਕਰਨਾ ਇੱਕ ਮੈਰਾਥਨ ਹੈ। ਇਸ ਨੂੰ ਡਾਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਬਣਾਉਣ ਲਈ ਧੀਰਜ, ਇੱਕ ਸਿੰਗਲ ਪ੍ਰਕਿਰਿਆ ਲਾਈਨ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਨਿਮਰਤਾ, ਅਤੇ OT, IT, ਅਤੇ ਸਥਿਰਤਾ ਮਹਾਰਤ ਨੂੰ ਮਿਲਾਉਣ ਵਾਲੀਆਂ ਕਰਾਸ-ਫੰਕਸ਼ਨਲ ਟੀਮਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਟੀਚਾ ਇੱਕ ਚਮਕਦਾਰ AI-ਸੰਚਾਲਿਤ ਪ੍ਰੈਸ ਰਿਲੀਜ਼ ਨਹੀਂ ਹੈ। ਇਹ ਸੈਂਕੜੇ ਛੋਟੇ ਅਨੁਕੂਲਤਾਵਾਂ ਦਾ ਗੈਰ-ਸੈਕਸੀ, ਸੰਚਤ ਪ੍ਰਭਾਵ ਹੈ: ਇੱਥੇ ਇੱਕ ਭੱਠੀ ਨੂੰ ਕੁਝ ਡਿਗਰੀਆਂ ਨੇ ਮੁੰਨ ਦਿੱਤਾ, ਉੱਥੇ ਇੱਕ ਟਰੱਕ ਦਾ ਰਸਤਾ ਛੋਟਾ ਹੋ ਗਿਆ, ਸਕ੍ਰੈਪ ਦਾ ਇੱਕ ਸਮੂਹ ਬਚਿਆ। ਇਸ ਤਰ੍ਹਾਂ AI ਵਾਸਤਵਿਕ ਤੌਰ 'ਤੇ ਉਦਯੋਗਿਕ ਸਥਿਰਤਾ ਨੂੰ ਹੁਲਾਰਾ ਦਿੰਦਾ ਹੈ - ਇੱਕ ਧਮਾਕੇ ਨਾਲ ਨਹੀਂ, ਪਰ ਇੱਕ ਮਿਲੀਅਨ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਦੇ ਨਾਲ ਚੁੱਪਚਾਪ ਇੱਕ ਵਧੇਰੇ ਕੁਸ਼ਲ, ਘੱਟ ਫਾਲਤੂ ਮਾਰਗ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦਾ ਹੈ।