Как ИИ повышает устойчивость промышленности? 

Когда люди говорят об искусственном интеллекте и устойчивом развитии, разговор часто переходит прямо к футуристическим видениям: автономные сети, самооптимизирующиеся города. В условиях реального производства реальность более сурова и постепенна. Настоящий стимул заключается не в замене людей роботами; речь идет о расширении процесса принятия решений в системах, которые общеизвестно расточительны и непрозрачны. Заблуждение состоит в том, что устойчивое развитие – это всего лишь использование меньшего количества энергии. Это глубже — речь идет о системном анализе ресурсов, от сырья до логистики, и именно здесь модели машинного обучения, а не только общий ИИ, незаметно меняют правила игры.

Основа: точность данных и темный заводской цех

Невозможно управлять тем, что нельзя измерить, и в течение многих лет промышленная устойчивость оставалась лишь догадкой. Да, у нас были счета за электроэнергию, но связать скачок потребления с конкретной партией на производственной линии 3 часто было невозможно. Первый, непривлекательный шаг — это распространение датчиков и историзация данных. Я видел заводы, на которых установка простых датчиков вибрации и температуры на устаревшие компрессорные системы обнаруживала циклическую неэффективность, из-за которой тратилось 15% потребляемой мощности. Развитие искусственного интеллекта начинается здесь: создание высокоточного цифрового двойника энергетических и материальных потоков. Без этого фундамента любые заявления об устойчивом развитии являются просто маркетингом.

Это не plug-and-play. Самым большим препятствием являются хранилища данных. Данные о производстве хранятся в MES, данные о качестве – в другой системе, а данные об энергии – от счетчика коммунальных услуг. Получение синхронизированного по времени представления — кошмар. Мы потратили месяцы на проект, просто создавая конвейер данных, прежде чем можно было обучить какую-либо модель. Ключевым моментом был не причудливый алгоритм, а надежная онтология данных, маркирующая каждую точку данных контекстом (идентификатор машины, этап процесса, артикул продукта). Именно эта степень детализации позволяет впоследствии провести содержательный анализ устойчивости.

Рассмотрим производителя крепежа, например Хандан Зитай Фастинер Производство Ко., ООО. Их процесс включает штамповку, нарезание резьбы, термообработку и покрытие. Каждая стадия имеет разные энергетические профили и выходы материалов. Оборудовав свои печи и гальванические ванны, они смогли перейти от среднемесячной стоимости электроэнергии к стоимости энергии на килограмм произведенной продукции. Этот базовый уровень имеет решающее значение. Это превращает устойчивость из корпоративного ключевого показателя эффективности в переменную производственной линии, на которую фактически может влиять руководитель цеха.

Прогностическое обслуживание: низко висящие плоды с глубокими корнями

Большинство дискуссий по этому поводу начинаются с предотвращения простоев. Вопрос устойчивости более убедителен: катастрофический отказ приводит к потере энергии и материалов. Выход из строя подшипника штамповочного пресса с высоким крутящим моментом не просто ломается; это вызывает несоосность на несколько недель, что приводит к образованию некондиционных деталей (отходам материала) и увеличению энергопотребления. Мы внедрили модель анализа вибрации для систем с приводом от двигателя, которая не просто предсказывала отказы, но и выявляла неоптимальные состояния производительности. Это тонкая часть. Модель отметила насос, который все еще работал, но потерял 8% эффективности, что означает, что для выполнения той же работы он потреблял больше тока. Его исправление сэкономило энергию и продлило срок службы двигателя, уменьшив количество углерода, образующегося при замене.

Ошибка заключалась в том, что все оборудование нуждалось в одинаковом мониторинге. Мы переоборудовали всю сборочную линию, что было дорогостоящим и приводило к получению зашумленных данных. Мы научились действовать хирургически: концентрироваться на потребителях высокой энергии и узлах критического качества. Для такой компании, как Zitai, чье расположение рядом с основными транспортными маршрутами, такими как железная дорога Пекин-Гуанчжоу, предполагает сосредоточение внимания на эффективности логистики, применение аналогичных прогнозных моделей к их системам отопления, вентиляции и кондиционирования воздуха (часто это самые большие потери энергии на заводе) приведет к прямой экономии выбросов углекислого газа. Зитайские крепежи веб-сайт освещает масштабы их производства; при этом объеме сокращение утечек сжатого воздуха на 2%, определяемое с помощью модели воздушного потока, приводит к огромным финансовым и экологическим выгодам.

Здесь тоже есть культурный сдвиг. Рекомендация модели заменить деталь, которая выглядит нормально, требует доверия. Нам пришлось создать простые информационные панели, показывающие прогнозируемые потери энергии в кВтч и долларах, чтобы заручиться поддержкой групп технического обслуживания. Эта осязаемость имеет решающее значение для принятия.

Оптимизация процесса: за пределами заданных значений

Традиционное управление процессом использует контуры ПИД для поддержания заданного значения, например температуры печи. Но какова оптимальная заданная температура для данной партии? Это зависит от влажности окружающей среды, вариаций исходного сплава и желаемой прочности на разрыв. Модели машинного обучения могут динамически оптимизировать это. В процессе термообработки мы использовали модель обучения с подкреплением, чтобы найти минимальное изменение температуры и время выдержки, необходимые для достижения металлургических характеристик. Результатом стало сокращение потребления природного газа на партию на 12% без ущерба для качества.

Подвох? Вам необходимо тщательно определить функцию вознаграждения. Первоначально мы оптимизировали исключительно энергопотребление, и модель предполагала более низкие температуры, которые непреднамеренно увеличивали скорость коррозии на более поздних стадиях нанесения покрытия, что переносило нагрузку на окружающую среду. Нам пришлось принять многоцелевую систему оптимизации, балансирующую между энергией, выходом материала и жизнеспособностью последующих процессов. Этот целостный подход является сутью истинной промышленной устойчивости; это позволяет избежать субоптимизации одной области за счет другой.

Для базы по производству стандартных деталей такая оптимизация при выпуске тысяч тонн продукции является именно тем, в чем заключается макроэффект. Это переносит устойчивое развитие из котельной в основной рецепт производства.

Цепочка поставок и логистика: сетевой эффект

Именно здесь потенциал ИИ кажется одновременно огромным и разочаровывающим. Фабрика может быть сверхэффективной, но если ее цепочка поставок расточительна, чистая прибыль будет ограничена. ИИ повышает устойчивость здесь благодаря интеллектуальной маршрутизации и прогнозированию запасов. Мы работали над проектом по оптимизации входящей логистики рулонной стали. Анализируя расположение поставщиков, графики производства и данные о трафике, модель генерировала окна доставки, которые минимизировали время простоя грузовиков и позволяли загружать более полные грузы. Это снизило выбросы категории 3 как для производителя, так и для поставщика.

Разочарование возникает из-за обмена данными. Поставщики часто неохотно делятся данными о мощностях или местоположении в режиме реального времени. Прорыв произошел не благодаря более сложному алгоритму, а благодаря простому реестру на основе блокчейна (разрешенному, а не криптографическому), в котором фиксируются обязательства без раскрытия конфиденциальных данных. Доверие, опять же, является узким местом.

Хандан Зитай Фастинер Производство Ко., ОООСтратегическое расположение рядом с основными автомагистралями и железнодорожными линиями является естественным логистическим преимуществом. Система, управляемая искусственным интеллектом, может оптимизировать исходящую логистику за счет динамической консолидации заказов и выбора режима транспортировки с самым низким уровнем выбросов углерода (железнодорожный или грузовой) в зависимости от срочности, используя это географическое преимущество для минимизации выбросов углекислого газа в расчете на одну отправку.

Циркулярность и качественный интеллект

Самый прямой путь к устойчивому развитию — использовать меньше материалов и производить меньше отходов. Компьютерное зрение для контроля качества широко распространено, но его связь с устойчивым развитием глубока. Дефект, обнаруженный на ранней стадии, означает, что деталь может быть переработана или переработана на заводе, избегая затрат энергии на ее доставку клиенту, браковку и отправку обратно. Более продвинутым является использование спектрального анализа во время производства для прогнозирования качества, что позволяет корректировать процесс в режиме реального времени. Мы видели это на линии гальванического покрытия: XRF-анализатор вводил данные в модель, которая контролировала химический состав гальванической ванны, сокращая использование тяжелых металлов и отходы осадка более чем на 20%.

Еще есть аспект экономики замкнутого цикла. ИИ может облегчить сортировку материалов для переработки. Для металлических крепежных изделий сортировка по окончании срока службы является непростой задачей. Мы опробовали систему, использующую гиперспектральную визуализацию и CNN, для автоматической сортировки лома нержавеющей стали от оцинкованного, повышая чистоту и ценность переработанного сырья. Это делает закрытие материального цикла экономически выгодным.

Для крупной производственной базы интеграция этой информации о качестве по всему стандартная часть Производственная цепочка означает, что извлекается меньше первичного материала и меньше отходов отправляется на свалку. Это превращает контроль качества из центра затрат в основной фактор устойчивого развития.

Человеческий фактор и трясина реализации

Ничего из этого не работает без людей. Самым большим провалом, свидетелем которого я стал, был проект оптимизации освещения, который инженеры разработали в вакууме. Модели были блестящими, но они игнорировали молчаливое знание операторов, которые знали, что Машина 4 сильно нагревается во влажные дни. Система потерпела неудачу. Успех пришел, когда мы создали гибридные консультативные системы. Модель предлагает заданное значение, но оператор может утвердить, отклонить или скорректировать его, а система учится на основе этой обратной связи. Это укрепляет доверие и усиливает человеческую интуицию.

Реализация — это марафон. Требуется терпение для создания инфраструктуры данных, скромность, чтобы начать с единой технологической линии, а также межфункциональные команды, сочетающие опыт ОТ, ИТ и устойчивого развития. Цель — не блестящий пресс-релиз на базе искусственного интеллекта. Это непривлекательный совокупный эффект сотен небольших оптимизаций: здесь срезана печь на несколько градусов, там сокращен маршрут грузовика, исключена партия металлолома. Именно так ИИ действительно повышает устойчивость промышленности – не с взрывом, а с помощью миллиона точек данных, незаметно направляющих более эффективный и менее расточительный путь вперед.