Kiedy ludzie słyszą sztuczną inteligencję w produkcji, często od razu na myśl przychodzą wizje w pełni autonomicznych fabryk przy wyłączonych światłach. To olśniewający cel, ale nie tam ma miejsce dzisiaj prawdziwa, żmudna praca na rzecz wspierania zrównoważonego rozwoju. Prawdziwy wpływ jest bardziej złożony i często ukryty w codziennej pracy związanej z optymalizacją zużycia energii, ograniczaniem marnotrawstwa materiałów i zmniejszaniem chaosu łańcuchów dostaw. Mniej chodzi o przejęcie kontroli przez roboty, a bardziej o inteligentne systemy zapewniające szczegółową widoczność, której zawsze brakowało, aby podejmować decyzje rozsądne zarówno pod względem ekonomicznym, jak i środowiskowym. Związek między sztuczną inteligencją a zrównoważonym rozwojem nie jest automatyczny; wymaga celowej zmiany tego, co zdecydujemy się mierzyć i kontrolować.

Poza szumem: energia jako pierwsza granica

Zacznijmy od energii, najbardziej bezpośredniego elementu kosztów i śladu węglowego. Przez lata polegaliśmy na planowych konserwacjach i wskaźnikach wydajności przy szerokich skokach. Rewolucją jest osadzanie czujników i wykorzystywanie sztucznej inteligencji do predykcyjnej optymalizacji zużycia energii. Nie mówię o wyłączeniu maszyn. Chodzi o zrozumienie obciążenia dynamicznego całej linii produkcyjnej. Na przykład model sztucznej inteligencji może dowiedzieć się, że konkretna prasa do tłoczenia pobiera gwałtowny wzrost mocy nie tylko podczas pracy, ale przez 15 minut później, gdy działają systemy chłodzenia. Analizując harmonogramy produkcji, może sugerować mikroopóźnienia między partiami, aby uniknąć jednoczesnego szczytowego poboru z wielu pras, spłaszczając krzywą energii bez wpływu na przepustowość. To nie jest teoria; Widziałem, jak obniżono w ten sposób rachunki za energię w kuźni o 8–12%, która jest na ogromną skalę.

Trudną częścią jest jakość danych. Potrzebujesz szczegółowych danych w postaci szeregów czasowych z maszyny, podstacji, a nawet sieci, jeśli to możliwe. Jednym z nieudanych projektów na początku była próba optymalizacji pieca do obróbki cieplnej bez dokładnych przepływomierzy gazu. Model sztucznej inteligencji zasadniczo opierał się na domysłach, a optymalizacje groziły pogorszeniem właściwości metalurgicznych części. Przekonaliśmy się na własnej skórze: nie można zarządzać tym, czego nie można dokładnie zmierzyć. Sztuczna inteligencja jest tak dobra, jak odbierane przez nią bodźce zmysłowe.

Prowadzi to do subtelnego punktu: sztuczna inteligencja często uzasadnia głębsze instrumentarium. Aby uzasadnić zrównoważony rozwój sztucznej inteligencji, najpierw inwestuj w lepsze pomiary. To pozytywny cykl. Gdy już uzyskasz strumień danych, możesz przejść od przewidywania do działań nakazowych, takich jak automatyczne dostosowywanie wartości zadanych ciśnienia sprężarki na podstawie zapotrzebowania w czasie rzeczywistym w sieci pneumatycznej, co zawsze było ustawione na najgorszy scenariusz i marnowanie ogromnych ilości energii.

Wojna z odpadami: od stert złomu do cyfrowych bliźniaków

Odpady materiałowe to czysta strata finansowa i środowiskowa. W produkcji elementów złącznych, jak w firmie takiej jak Handan Zitai Fastener Manufacturing Co., Ltd. Tradycyjne podejście, zlokalizowane w głównej chińskiej bazie produkcyjnej części standardowych, obejmuje kontrolę poprodukcyjną: wytwarzana jest partia, pobierane są próbki, a w przypadku wykrycia wad cała partia może zostać złomowana lub przerobiona. To niesamowicie marnotrawstwo.

Wizja komputerowa do wykrywania defektów w czasie rzeczywistym to obecnie stawka. Jednak głębsze zastosowanie sztucznej inteligencji polega przede wszystkim na optymalizacji parametrów procesu, aby zapobiec tworzeniu się odpadów. Wprowadzając dane z procesu gnicia na zimno – średnicę drutu, temperaturę, prędkość maszyny, zużycie matrycy – do modelu, możemy przewidzieć prawdopodobieństwo pęknięć łba lub niedokładności wymiarowych przed wykonaniem pojedynczego elementu. System może następnie zalecić korekty, na przykład nieznaczny wzrost temperatury wyżarzania lub zmniejszenie szybkości posuwu.

Pamiętam projekt, w którym zbudowaliśmy cyfrowy cień (prostsza wersja w pełni cyfrowego bliźniaka) dla linii produkcyjnej śrub. Celem było zminimalizowanie utraty wykończenia – drutu pozostałego po przecięciu śruby. Analizując portfele zamówień i ograniczenia maszyn, system planowania AI może sekwencjonować zamówienia w celu pełniejszego wykorzystania zwojów drutu, redukując odpady po okrawaniu ze średnio 3,2% do poniżej 1,7%. Wydaje się to niewielkie, ale w przypadku tysięcy ton stali rocznie oszczędności w surowcach i związana z nimi emisja dwutlenku węgla z produkcji stali są znaczne. Możesz zobaczyć, jak firmy w takich ośrodkach jak Yongnian District, dzięki dużej produkcji, mogą ogromnie zyskać na takich szczegółowych optymalizacjach.

Odporność łańcucha dostaw i ślad węglowy

Tutaj sprawa się komplikuje. Zrównoważony łańcuch dostaw to nie tylko wybór ekologicznego dostawcy; chodzi o wydajność i odporność, aby uniknąć awaryjnego, wysokoemisyjnego transportu lotniczego. Prognozowanie popytu oparte na sztucznej inteligencji, jeśli się sprawdza, wygładza produkcję, ograniczając potrzebę pracy w nadgodzinach (co często oznacza mniej wydajne i energochłonne przebiegi) oraz panikę przy zamawianiu.

Zintegrowaliśmy analizę ryzyka wielopoziomowego łańcucha dostaw z optymalizacją logistyki dla klienta. System monitorował pogodę, zatłoczenie portów, a nawet koszyk energetyczny regionu dostawcy (np. czy obecnie ich sieć opiera się na węglu czy na odnawialnych źródłach energii?). Zasugerowano przekierowanie przesyłek do wolniejszego, ale mniej emisyjnego transportu morskiego, jeśli pozwalają na to ramy czasowe, lub konsolidację ładunków w celu zapełnienia kontenerów do 98% pojemności zamiast typowych 85%. The zrównoważony rozwój zysk jest tutaj pośredni, ale potężny: uwzględnia efektywność emisyjną w codziennych decyzjach logistycznych.

Trybem awaryjnym jest tutaj nadmierna optymalizacja. Jeden z modeli sugerował, aby w celu zminimalizowania emisji pochodzących z transportu zawsze korzystać z jednego, bardzo ekologicznego, ale ograniczonego dostawcy. Nie uwzględniono ryzyka przestoju, które w końcu nastąpiło, zmuszając do poszukiwania wielu, mniej optymalnych dostawców. Wyciągnięto wniosek, że cele zrównoważonego rozwoju muszą być zrównoważone ograniczeniami dotyczącymi odporności w funkcji celu sztucznej inteligencji. Nie można po prostu zminimalizować emisji dwutlenku węgla; musisz zarządzać ryzykiem.

Element ludzki: rozszerzone podejmowanie decyzji

To jest krytyczne. AI nie zarządza fabryką; ludzie tak robią. Najbardziej efektywne wdrożenia, jakie widziałem, to te, w których sztuczna inteligencja pełni rolę doradcy. Wskazuje to na anomalię: zużycie energii na jednostkę na linii 3 jest o 18% wyższe od wartości odniesienia dla obecnego asortymentu produktów. Prawdopodobna przyczyna: zużycie łożyska w silniku przenośnika B-12, szacowany spadek wydajności 22%. Daje zespołowi konserwacyjnemu ukierunkowane, priorytetowe zadanie z wyraźnym wpływem na zrównoważony rozwój i koszty.

To zmienia kulturę. Zrównoważony rozwój przestaje być odrębnym KPI od efektywności produkcji. Kiedy kierownik piętra zauważy, że optymalizacja pod kątem niższych wskaźników złomowania zmniejsza również zużycie energii i surowców w przeliczeniu na dobrą część, cele są zbieżne. Szkolenie sztucznej inteligencji szkoli także ludzi. Aby oznaczyć dane na potrzeby modelu wykrywania defektów, inżynierowie jakości muszą dogłębnie przeanalizować tryby awarii. Sam ten proces często prowadzi do udoskonaleń procesów jeszcze przed wdrożeniem modelu.

Opór jest naturalny. Istnieje uzasadniona obawa przed zaleceniami czarnej skrzynki. Dlatego kluczową rolę odgrywa wyjaśnialność. Jeśli system mówi o obniżeniu temperatury pieca o 15°C, musi również podać uzasadnienie: Dane historyczne pokazują, że przebiegi z parametrami X i Y w tej niższej temperaturze dały identyczną twardość przy o 8% mniejszym zużyciu gazu ziemnego. Buduje to zaufanie i przekształca sztuczną inteligencję w narzędzie współpracy na rzecz zrównoważonego rozwoju produkcja.

Patrząc w przyszłość: wyzwanie integracyjne

Przyszłość nie leży w samodzielnych zastosowaniach sztucznej inteligencji w zakresie energii i jakości. To zintegrowana optymalizacja procesu, która równoważy wiele, czasem sprzecznych celów: przepustowość, wydajność, zużycie energii, zużycie narzędzi i ślad węglowy. Jest to wielocelowy problem optymalizacyjny, którego nie da się obliczyć w czasie rzeczywistym.

Pilotujemy systemy, które przyjmują zamówienie klienta i dynamicznie określają najbardziej zrównoważoną trasę produkcji. Czy tę partię elementów złącznych należy wykonać na starszej, wolniejszej linii, która jest teraz zasilana przez nowy fabryczny panel fotowoltaiczny, czy na nowszej, szybszej linii, która jest zasilana z sieci, ale charakteryzuje się niższym współczynnikiem złomowania? Sztuczna inteligencja może obliczyć wpływ netto na emisję dwutlenku węgla, w tym węgiel zawarty w każdym potencjalnym złomie, i zalecić naprawdę optymalną ścieżkę. To jest myślenie na wyższym poziomie.

Ostatnią przeszkodą jest integracja oceny cyklu życia. Prawdziwy wzmocnienie zrównoważony rozwój nastąpi, gdy sztuczna inteligencja w produkcji będzie miała dostęp do danych na temat wpływu materiałów i procesów na cały cykl życia. Wybór pomiędzy cynkowaniem a nową powłoką polimerową to nie tylko decyzja dotycząca kosztów; jest to decyzja dotycząca użycia środków chemicznych, trwałości i możliwości recyklingu po zakończeniu cyklu życia. Jeszcze tego nie osiągnęliśmy, ale podstawowa praca — cyfryzacja procesów, instrumentacja i kontrola adaptacyjna — sprawia, że ​​taka przyszłość jest możliwa. To długa i nieestetyczna droga do rozwiązania jednego małego, marnotrawnego problemu na raz.