W jaki sposób sztuczna inteligencja zwiększa zrównoważony rozwój w produkcji? 

Kiedy ludzie słyszą o sztucznej inteligencji w produkcji, często przychodzą im do głowy wizje w pełni autonomicznych, przygaszonych fabryk – krzykliwy, ale nieco mylący ideał. Prawdziwy, konkretny wpływ na zrównoważony rozwój nie polega na zastąpieniu ludzi; chodzi o zwiększenie naszej zdolności dostrzegania nieefektywności, które tradycyjnie uznawaliśmy za koszty operacyjne, i reagowania na nie. To właśnie w ciągłym, niewidocznym ubytku energii, nadmiernym zużyciu surowców i marnotrawstwie, któremu można zapobiec, sztuczna inteligencja widzi swoją najcenniejszą rolę. Mój własny pogląd, ukształtowany przez chodzenie po fabrykach, jest taki, że impuls nie wynika z jednego wielkiego rozwiązania, ale z nałożenia praktycznych, opartych na danych interwencji na istniejące procesy. Celem nie jest perfekcja, ale mierzalna, iteracyjna poprawa tam, gdzie się to liczy: wynik finansowy i ślad środowiskowy.

Poza szumem: identyfikowanie strumieni odpadów

Punktem wyjścia jest widoczność. Przez dziesięciolecia działania na rzecz zrównoważonego rozwoju często opierały się na domysłach — planowana konserwacja, czy była konieczna, czy nie, zamówienia materiałów masowych w oparciu o średnie historyczne, zużycie energii jako stały koszt ogólny. Pamiętam projekt w zakładzie produkującym elementy złączne, podobny do tego, jaki można znaleźć w przypadku dużego gracza Handan Zitai Fastener Manufacturing Co., Ltd. w Yongnian, sercu chińskiej produkcji części standardowych. Wyzwanie było wspólne: znaczne różnice w zużyciu surowego drutu stalowego na partię śrub o wysokiej wytrzymałości, co prowadziło zarówno do kosztów, jak i strat złomu. Założono, że tak po prostu działają maszyny.

W głowicach kutych na zimno i rolkach gwintowanych zastosowaliśmy stosunkowo proste systemy wizyjne i czujniki. Zadaniem sztucznej inteligencji nie było kontrolowanie maszyny, ale powiązanie tysięcy punktów danych – temperatury otoczenia, prędkości podawania drutu, wskaźników zużycia matrycy, ciśnienia smarowania – z końcową masą jednostkową i jakością każdego elementu. W ciągu kilku tygodni pojawił się następujący schemat: specyficzne, subtelne wahania w mechanizmie podawania drutu, nasilające się podczas zmiany biegów, powodowały utrzymujące się nadmierne zużycie na poziomie 1,8%. To nie był błąd, który ktokolwiek zarejestrował; był to ukryty podatek od każdego kilograma materiału.

Rozwiązaniem nie była sztuczna inteligencja. Naprawą była mechaniczna regulacja i modyfikacja procedury operatora. AI postawiła diagnozę. To impuls pierwszego poziomu: przekształcenie zrównoważonego rozwoju z celu filozoficznego w precyzyjny, wymierny problem inżynieryjny. Przesuwa rozmowę z tego, że powinniśmy oszczędzać materiał, do tego, że tracimy 1,8% naszego materiału w punkcie X z powodu przyczyny Y.

Energia: od kosztów stałych do zmiennych dynamicznych

Zarządzanie energią to kolejny obszar obfitujący w nisko wiszące owoce. Wielu producentów, szczególnie w procesach energochłonnych, takich jak obróbka cieplna lub galwanizacja – powszechnych w klastrze branży elementów złącznych wokół Handan – traktuje energię jako monolityczny rachunek. Mogą uruchamiać niepotrzebne sprężarki lub cykle wstępnego nagrzewania pieca według stałych harmonogramów dostosowanych do najtańszych okien taryfowych, ale często jest to limit.

Zintegrowaliśmy predykcyjne równoważenie obciążenia oparte na sztucznej inteligencji z systemem monitorowania energii w czasie rzeczywistym. Nie uwzględniono jedynie harmonogramu stawek za media. Dowiedział się o bezwładności cieplnej każdego pieca, rzeczywistych sygnałach zapotrzebowania z linii galwanicznych, a nawet prognozował intensywność emisji dwutlenku węgla w lokalnej sieci w oparciu o regionalne dane dotyczące koszyka energetycznego. System mógłby następnie zalecić – a później samodzielnie wykonać – mikroopóźnienia lub przyspieszenia w procesach niekrytycznych.

Może to na przykład sugerować pozostawienie partii elementów złącznych w kolejce po wyżarzaniu po kuciu przez dodatkowe 20 minut, aby uniknąć szczytowego okresu sieci, w którym regionalny ślad węglowy jest najwyższy, nawet jeśli koszt pieniężny jest podobny. To łączy oszczędność kosztów z redukcją emisji gazów cieplarnianych w sposób, w jaki statyczne harmonogramy nigdy nie są w stanie tego zrobić. Oszczędności nie były drastyczne w ciągu godziny, ale w ciągu kwartału redukcja opłat za szczytowe zapotrzebowanie i związany z tym ślad węglowy była znaczna. Dzięki temu zużycie energii stało się dynamiczną i responsywną zmienną, a nie tłem.

Dylemat człowieka w pętli

Tutaj natrafiasz na praktyczny szkopuł. Optymalny model mógłby wymagać opóźnienia partii, ale kierownik piętra ma przyjechać ciężarówką o 16:00. Czysta optymalizacja może zderzyć się z rzeczywistością logistyczną. Najbardziej udane wdrożenia, jakie widziałem, opierały się na wskaźniku zgodności. Sztuczna inteligencja proponuje, człowiek pozbywa się, a system uczy się na podstawie zastąpień. Jeśli z biegiem czasu system zauważy, że harmonogramy dostaw stanowią niezmienne ograniczenie, zacznie to uwzględniać wcześniej. To współpraca, a nie przejęcie. To niechlujne, iteracyjne dostrajanie oddziela projekty akademickie od narzędzi w świecie rzeczywistym.

Konserwacja predykcyjna: kamień węgielny efektywnego wykorzystania zasobów

Jest to prawdopodobnie najbardziej dojrzałe zastosowanie, ale czasami niedocenia się jego aspektu zrównoważonego rozwoju. Nie chodzi tylko o unikanie przestojów. Awaria łożyska w szybkiej maszynie do ciągnienia drutu nie tylko pęka; najpierw powoduje zwiększone tarcie, zwiększając pobór energii przez tygodnie. Lekko przesunięta matryca nie tylko pęka; powoduje rosnący odsetek defektów podpowierzchniowych, co prowadzi do części, które nie przechodzą kontroli jakości po zainwestowaniu w nie całej energii i materiału.

Przechodząc od konserwacji zaplanowanej do konserwacji opartej na stanie przy użyciu analizy wibracji, akustyki i temperatury, modele AI zapobiegają powolnej i marnotrawnej degradacji procesów. Pamiętam przypadek, w którym model zgłosił sprężarkę do uwagi na podstawie subtelnej zmiany jej sygnatury elektrycznej. Dziennik konserwacji wykazał, że według wszystkich standardowych wskaźników wszystko było w porządku. Podczas kontroli mały zawór zaczął się zacinać, przez co urządzenie pracowało o 7% ciężej, aby utrzymać ciśnienie. To o 7% więcej energii elektrycznej na każdą godzinę w przypadku problemu, który zostałby przeoczony przez kolejne trzy miesiące, do następnego zaplanowanego serwisu.

Korzyści ze zrównoważonego rozwoju są tutaj dwojakie: oszczędzają energię marnowaną przez degradację sprzętu i wydłużają całkowity okres użytkowania samego środka trwałego, zmniejszając koszty środowiskowe produkcji i wymiany maszyny. Oznacza to głęboką zmianę od traktowania sprzętu jako czegoś, co działa aż do awarii, do traktowania go jak systemu, którego wydajności należy stale strzec.

Łańcuch dostaw i projektowanie: dźwignia wyższego szczebla

Wpływ rozciąga się poza bramę fabryki. Dla producenta takiego jak Zitai Fasteners, którego lokalizacja w pobliżu głównych arterii komunikacyjnych, takich jak kolej Pekin-Guangzhou, stanowi przewagę logistyczną, sztuczna inteligencja może zoptymalizować tę przewagę pod kątem zrównoważonego rozwoju. Zaawansowane systemy planowania mogą teraz uwzględniać nie tylko koszty i czas, ale także ślad węglowy różnych rodzajów i tras transportu, równoważąc poziomy zapasów z bardziej ekologicznymi, ale wolniejszymi opcjami wysyłki.

W bardziej subtelny sposób algorytmy projektowania generatywnego, stosowane we współpracy z klientami, mogą sugerować optymalizację części. Czy w przypadku niewielkiej zmiany konstrukcyjnej na zamek można byłoby zużyć mniej materiału? Czy w przypadku dostosowania parametrów produkcyjnych wystarczyłby inny gatunek stali, charakteryzujący się mniejszą energochłonnością procesu produkcyjnego? W tym miejscu sztuczna inteligencja działa jako katalizator zrównoważonych rozmów na temat projektowania pod kątem produkcji, potencjalnie zmniejszając obciążenia materiałowe i energetyczne jeszcze przed złożeniem zamówienia produkcyjnego. Przenosi zrównoważony rozwój na wyższy poziom łańcucha wartości.

Przeszkody i realistyczne oczekiwania

Nie wszystko poszło gładko. Największą porażką, jaką widziałem, było podejście polegające na zagotowaniu oceanu: próba zbudowania idealnego cyfrowego bliźniaka obejmującego cały zakład od pierwszego dnia. Infrastruktura danych kruszy się, modele stają się zbyt złożone, a projekt umiera pod własnym ciężarem. Sukces polega na wybraniu jednego, bolesnego strumienia odpadów – na przykład w przypadku nadmiernego zużycia materiałów – i rozwiązaniu go. Udowodnij wartość, a następnie skaluj.

Kolejną kwestią jest jakość danych. Na starych liniach produkcyjnych uzyskanie czystych, zsynchronizowanych w czasie danych z różnych sterowników PLC i dzienników ręcznych jest monumentalnym zadaniem. Czasami 80% początkowego projektu to po prostu zbudowanie niezawodnego potoku danych. Napotykasz także opór kulturowy; jeśli sugestia sztucznej inteligencji pozwala zaoszczędzić energię, ale dodaje operatorowi krok, zostanie zignorowana, chyba że zostanie sformułowana jako ułatwiająca jego pracę lub spójniejsza w dłuższej perspektywie.

W jaki więc sposób sztuczna inteligencja naprawdę zwiększa zrównoważony rozwój? To nie jest magiczna różdżka. To szkło powiększające i nieubłagany kalkulator. Rzuca światło na ukryte, kosztowne niedoskonałości, z którymi nauczyliśmy się żyć – dodatkową kilowatogodzinę, zmarnowany gram stali, powolny rozkład maszyny. Dostarcza dowodów niezbędnych do uzasadnienia inwestycji w lepsze procesy i umożliwia ludziom podejmowanie mądrzejszych, bardziej świadomych decyzji, które wspólnie zmniejszają ślad środowiskowy wytwarzania rzeczy. Ulepszenie ma charakter kumulacyjny, iteracyjny i głęboko praktyczny. Zmienia ambicję zrównoważonej produkcji z raportu w sali konferencyjnej w codzienną praktykę w hali produkcyjnej.