Kiedy ludzie mówią o sztucznej inteligencji i zrównoważonym rozwoju, rozmowa często przechodzi od razu do futurystycznych wizji: autonomicznych sieci, samooptymalizujących się miast. W okopach rzeczywistej produkcji rzeczywistość jest bardziej szorstka i stopniowa. Prawdziwy impuls nie polega na zastąpieniu ludzi robotami; chodzi o usprawnienie procesu decyzyjnego w systemach, które są notorycznie marnotrawne i nieprzejrzyste. Błędne jest przekonanie, że zrównoważony rozwój polega po prostu na zużywaniu mniejszej ilości energii. Sprawa jest głębsza — dotyczy systemowej analizy zasobów, od surowców po logistykę, i właśnie w tym miejscu modele uczenia maszynowego, a nie tylko ogólna sztuczna inteligencja, po cichu zmieniają grę.

Fundament: wierność danych i ciemna fabryka

Nie można zarządzać tym, czego nie można zmierzyć, a przez lata zrównoważony rozwój w przemyśle był kwestią domysłów. To prawda, mieliśmy rachunki za energię, ale powiązanie wzrostu zużycia z konkretną partią na linii produkcyjnej nr 3 często było niemożliwe. Pierwszym, niezbyt efektownym krokiem jest rozprzestrzenianie się czujników i historyzacja danych. Widziałem zakłady, w których instalacja prostych czujników wibracji i czujników termicznych w starszych układach sprężarek ujawniła cykliczne nieefektywności, które powodowały marnowanie 15% poboru mocy. Wzmocnienie sztucznej inteligencji zaczyna się tutaj: utworzenie wysokiej jakości cyfrowego bliźniaka przepływów energii i materiałów. Bez tej podstawy wszelkie twierdzenia o zrównoważonym rozwoju są jedynie marketingiem.

To nie jest rozwiązanie typu plug-and-play. Największą przeszkodą są silosy danych. Dane produkcyjne znajdują się w MES, dane dotyczące jakości w innym systemie, a dane dotyczące energii z licznika mediów. Uzyskanie widoku zsynchronizowanego w czasie to koszmar. Spędziliśmy miesiące nad projektem, budując potok danych, zanim można było wytrenować jakikolwiek model. Kluczem nie był wymyślny algorytm, ale solidna ontologia danych — oznaczanie każdego punktu danych kontekstem (identyfikator maszyny, etap procesu, kod SKU produktu). Ta szczegółowość pozwala później na znaczącą analizę zrównoważonego rozwoju.

Weź pod uwagę producenta elementów złącznych, np Handan Zitai Fastener Manufacturing Co., Ltd.. Ich proces obejmuje tłoczenie, gwintowanie, obróbkę cieplną i galwanizację. Każdy etap ma inny profil energetyczny i wydajność materiałową. Dzięki oprzyrządowaniu swoich pieców i kąpieli galwanicznych mogliby przejść od średniego miesięcznego kosztu energii do kosztu energii na kilogram wyprodukowanej energii. Ta wartość bazowa jest krytyczna. Zmienia zrównoważony rozwój z korporacyjnego KPI w zmienną linii produkcyjnej, na którą kierownik piętra może faktycznie wpływać.

Konserwacja predykcyjna: nisko wiszący owoc z głębokimi korzeniami

Większość dyskusji na ten temat rozpoczyna się od uniknięcia przestojów. Perspektywa zrównoważonego rozwoju jest bardziej przekonująca: katastrofalna awaria powoduje marnowanie energii i materiałów. Awaria łożyska w prasie tłoczącej o wysokim momencie obrotowym nie tylko pęka; powoduje to utrzymujące się tygodniami niewspółosiowość, co prowadzi do powstawania części niezgodnych ze specyfikacją (marnotrawstwo materiału) i zwiększonego poboru mocy. Wdrożyliśmy model analizy drgań dla systemów napędzanych silnikiem, który nie tylko przewidywał awarie, ale także identyfikował nieoptymalne stany wydajności. To jest ta subtelna część. Model oznaczył pompę, która nadal działała, ale straciła wydajność o 8%, co oznacza, że ​​pobierała więcej prądu, aby wykonać tę samą pracę. Naprawa pozwoliła zaoszczędzić energię i przedłużyła żywotność silnika, redukując emisję dwutlenku węgla powstającą podczas wymiany.

Awaria zakładała, że cały sprzęt wymaga tego samego monitorowania. Przesadziliśmy z oprzyrządowaniem całej linii montażowej, co było kosztowne i generowało zaszumione dane. Nauczyliśmy się działać chirurgicznie: skupiać się na konsumentach o dużej energii i węzłach o krytycznej jakości. Dla firmy takiej jak Zitai, której lokalizacja w pobliżu głównych szlaków transportowych, takich jak kolej Pekin-Kanton, oznacza skupienie się na efektywności logistyki, zastosowanie podobnych modeli predykcyjnych do systemów HVAC i systemów sprężonego powietrza – które często są największymi poborami energii w zakładzie – przyniosłoby bezpośrednie oszczędności w zakresie emisji dwutlenku węgla. The Zitai Flenerzy strona internetowa podkreśla skalę produkcji; przy tej objętości 2% redukcja wycieków sprężonego powietrza, zidentyfikowana za pomocą modelu przepływu powietrza, przekłada się na ogromne korzyści finansowe i środowiskowe.

Tutaj także następuje zmiana kulturowa. Zalecenie modela dotyczące wymiany części, która wygląda dobrze, wymaga zaufania. Musieliśmy zbudować proste pulpity nawigacyjne pokazujące przewidywane straty energii w kWh i dolarach, aby uzyskać poparcie zespołów konserwacyjnych. Ta namacalność jest kluczowa dla adopcji.

Optymalizacja procesu: powyżej ustalonych wartości

Tradycyjne sterowanie procesem wykorzystuje pętle PID w celu utrzymania wartości zadanej, takiej jak temperatura pieca. Ale jaka jest optymalna nastawa dla danej partii? Zależy to od wilgotności otoczenia, odmian stopów surowców i pożądanej wytrzymałości na rozciąganie. Modele uczenia maszynowego mogą to dynamicznie optymalizować. W procesie obróbki cieplnej zastosowaliśmy model uczenia się przez wzmacnianie, aby znaleźć minimalną rampę temperatury i czas wygrzewania potrzebne do osiągnięcia specyfikacji metalurgicznych. Rezultatem było 12% zmniejszenie zużycia gazu ziemnego na partię, bez kompromisów w zakresie jakości.

Haczyk? Musisz dokładnie zdefiniować funkcję nagrody. Początkowo optymalizowaliśmy wyłącznie pod kątem energii, a model sugerował niższe temperatury, które w sposób niezamierzony zwiększały szybkość korozji na późniejszych etapach galwanizacji, przenosząc obciążenie dla środowiska. Musieliśmy przyjąć wielozadaniowe ramy optymalizacji, równoważąc energię, wydajność materiałową i rentowność dalszych procesów. To całościowe spojrzenie stanowi esencję prawdziwego zrównoważonego rozwoju przemysłu; pozwala uniknąć suboptymalizacji jednego obszaru kosztem innego.

W przypadku standardowej bazy produkcyjnej części wpływ makro ma taka optymalizacja obejmująca tysiące ton produkcji. Przenosi zrównoważony rozwój z kotłowni do podstawowej receptury produkcji.

Łańcuch dostaw i logistyka: efekt sieciowy

W tym miejscu potencjał sztucznej inteligencji wydaje się zarówno ogromny, jak i frustrujący. Fabryka może być hiperwydajna, ale jeśli jej łańcuch dostaw powoduje marnotrawstwo, zysk netto jest ograniczony. Sztuczna inteligencja zwiększa w tym zakresie zrównoważony rozwój dzięki inteligentnemu wyznaczaniu tras i prognozowaniu zapasów. Pracowaliśmy nad projektem optymalizacji logistyki przychodzącej kręgów stali surowej. Analizując lokalizacje dostawców, harmonogramy produkcji i dane o ruchu, model wygenerował okna dostaw, które minimalizowały czas przestoju ciężarówek i umożliwiały pełniejsze ładunki. Zmniejszyło to emisję w zakresie 3 zarówno dla producenta, jak i dostawcy.

Frustracja wynika z udostępniania danych. Dostawcy często niechętnie udostępniają dane dotyczące wydajności lub lokalizacji w czasie rzeczywistym. Przełom nie nastąpił wraz z bardziej złożonym algorytmem, ale z prostą księgą opartą na blockchainie (dozwoloną, a nie kryptograficzną), która rejestrowała zobowiązania bez ujawniania zastrzeżonych szczegółów. Zaufanie, znowu, jest wąskim gardłem.

Handan Zitai Fastener Manufacturing Co., Ltd.Strategiczna lokalizacja firmy w sąsiedztwie głównych autostrad i linii kolejowych jest naturalnym atutem logistycznym. System oparty na sztucznej inteligencji mógłby zoptymalizować logistykę wychodzącą poprzez dynamiczną konsolidację zamówień i wybór środka transportu o najniższej emisji dwutlenku węgla (kolej czy ciężarówka) w zależności od pilności, wykorzystując przewagę geograficzną w celu zminimalizowania śladu węglowego przypadającego na przesyłkę.

Inteligencja o obiegu zamkniętym i jakości

Najbardziej bezpośrednią drogą do zrównoważonego rozwoju jest użycie mniejszej ilości materiałów i wytwarzanie mniejszej ilości odpadów. Wizja komputerowa w kontroli jakości jest powszechna, ale jej związek ze zrównoważonym rozwojem jest głęboki. Wcześnie wykryta wada oznacza, że ​​część można przerobić lub poddać recyklingowi w zakładzie, co pozwala uniknąć kosztów energii związanych z wysyłką do klienta, odrzuceniem i wysyłką z powrotem. Bardziej zaawansowane jest wykorzystanie analizy spektralnej podczas produkcji do przewidywania jakości, co pozwala na dostosowanie procesu w czasie rzeczywistym. Widzieliśmy to na linii galwanicznej: analizator XRF wprowadził dane do modelu, który kontrolował skład chemiczny kąpieli galwanicznej, redukując zużycie metali ciężkich i odpady osadu o ponad 20%.

Następnie mamy do czynienia z perspektywą gospodarki o obiegu zamkniętym. Sztuczna inteligencja może ułatwić sortowanie materiałów w celu recyklingu. W przypadku metalowych elementów złącznych sortowanie po zużyciu jest wyzwaniem. Przeprowadziliśmy pilotaż systemu wykorzystującego obrazowanie hiperspektralne i CNN do automatycznego sortowania złomu stali nierdzewnej od złomu stali ocynkowanej, zwiększając czystość i wartość surowca pochodzącego z recyklingu. Dzięki temu zamykanie obiegu materiału jest ekonomicznie opłacalne.

W przypadku dużej bazy produkcyjnej zintegrowanie tej wiedzy dotyczącej jakości w całym przedsiębiorstwie część standardowa łańcuch produkcyjny oznacza mniej wydobywanego materiału pierwotnego i mniej odpadów wysyłanych na składowiska. Przekształca kontrolę jakości z centrum kosztów w główny czynnik zrównoważonego rozwoju.

Czynnik ludzki i bagno wdrożeniowe

Nic z tego nie działa bez ludzi. Największą porażką, jaką widziałem, był projekt optymalizacji wyłączania świateł, który inżynierowie zaprojektowali w próżni. Modele były genialne, ale zignorowały cichą wiedzę operatorów, którzy wiedzieli, że Maszyna 4 nagrzewa się w wilgotne popołudnia. System zawiódł. Sukces przyszedł, gdy zbudowaliśmy hybrydowe systemy doradcze. Model sugeruje wartość zadaną, ale operator może ją zatwierdzić, odrzucić lub dostosować, a system uczy się na podstawie tej informacji zwrotnej. To buduje zaufanie i wykorzystuje ludzką intuicję.

Wdrożenie to maraton. Budowa infrastruktury danych wymaga cierpliwości, pokory na początku od pojedynczej linii technologicznej i zespołów interdyscyplinarnych, które łączą wiedzę specjalistyczną z zakresu OT, IT i zrównoważonego rozwoju. Celem nie jest błyszcząca informacja prasowa oparta na sztucznej inteligencji. To nieseksowny, skumulowany efekt setek drobnych optymalizacji: tutaj skrócono piec o kilka stopni, tam skrócono trasę ciężarówki, uniknięto partii złomu. W ten sposób sztuczna inteligencja rzeczywiście zwiększa zrównoważony rozwój przemysłu — nie z hukiem, ale za pomocą miliona punktów danych, które cicho wyznaczają bardziej wydajną i mniej marnotrawną ścieżkę naprzód.