Kako umetna inteligenca povečuje trajnost v proizvodnji? 

Ko ljudje slišijo AI v proizvodnji, pogosto preskočijo na vizije popolnoma avtonomnih tovarn z ugasnjenimi lučmi – bleščeč, a nekoliko zavajajoč ideal. Pravi, močan vpliv na trajnost ni zamenjava ljudi; gre za povečanje naše sposobnosti, da vidimo in ukrepamo glede neučinkovitosti, ki smo jo tradicionalno sprejeli kot operativne stroške. Umetna inteligenca najde svojo najdragocenejšo vlogo v nenehnem, nevidnem črpanju energije, prekomerni porabi surovin in odpadkih, ki jih je mogoče preprečiti. Moje lastno mnenje, oblikovano s sprehajajočimi se tovarniškimi podi, je, da spodbuda ne prihaja iz ene same velike rešitve, temveč iz plastenja praktičnih, na podatkih vodenih posegov v obstoječe procese. Cilj ni popolnost, ampak merljiva, ponavljajoča se izboljšava tam, kjer šteje: bistvo in okoljski odtis.

Beyond the Hype: natančno določanje tokov odpadkov

Izhodišče je vidnost. Desetletja so bila prizadevanja za trajnost pogosto ugibanja – načrtovano vzdrževanje, če je bilo potrebno ali ne, naročila za razsuti material na podlagi preteklih povprečij, poraba energije kot stalni režijski stroški. Spominjam se projekta v obratu za proizvodnjo pritrdilnih elementov, ki ni drugačen od tega, kar bi našli pri pomembnem igralcu, kot je Handan Zitai Fastener Manufacturing Co., Ltd. v Yongnianu, srcu kitajske proizvodnje standardnih delov. Njihov izziv je bil skupen: velika razlika v porabi surove jeklene žice na serijo vijakov visoke trdnosti, kar je povzročilo stroške in odpadno železo. Predpostavka je bila, da tako delujejo stroji.

Na glavah za hladno kovanje in navojnih valjih smo namestili razmeroma preprost strojni vid in nize senzorjev. Naloga umetne inteligence ni bila nadzor nad strojem, temveč povezovanje na tisoče podatkovnih točk – temperatura okolja, hitrost podajanja žice, indikatorji obrabe matrice, tlak mazanja – s končno težo enote in kakovostjo vsakega kosa. V nekaj tednih se je pojavil vzorec: specifično, subtilno nihanje v mehanizmu podajanja žice, ki se je poslabšalo med menjavo izmene, je povzročalo dosledno 1,8-odstotno prekomerno porabo. To ni bila napaka, ki bi jo kdo prijavil; šlo je za skriti davek na vsak kilogram materiala.

Popravek ni bil AI. Popravek je bil mehanska prilagoditev in popravek operaterjevega postopka. AI je postavil diagnozo. To je spodbuda na prvi stopnji: spreminjanje trajnosti iz filozofskega cilja v natančen, merljiv inženirski problem. Pogovor premakne od tega, da bi morali shraniti material, do tega, da izgubimo 1,8 % našega materiala na točki X zaradi vzroka Y.

Energija: od fiksnih stroškov do dinamičnih spremenljivk

Upravljanje z energijo je še eno področje, polno nizko visečih sadov. Številni proizvajalci, zlasti pri energetsko intenzivnih procesih, kot sta toplotna obdelava ali galvanizacija, kar je običajno v grozdu industrije pritrdilnih elementov okoli Handana, obravnavajo moč kot monoliten račun. Lahko izvajajo nebistvene kompresorje ali cikle predgretja peči po fiksnih urnikih, usklajenih z najcenejšimi tarifnimi okni, vendar je to pogosto meja.

Prediktivno uravnoteženje obremenitve, ki ga poganja AI, smo integrirali s sistemom za spremljanje energije v realnem času. Ni se oziral samo na razpored komunalnih storitev. Naučil se je toplotne vztrajnosti vsake peči, dejanskih signalov povpraševanja iz linij za galvanizacijo in celo napovedal lokalno intenzivnost ogljika v omrežju na podlagi regionalnih podatkov o mešanici energije. Sistem bi lahko nato priporočil - in kasneje, avtonomno izvedel - mikro zakasnitve ali pospeške v nekritičnih procesih.

Na primer, lahko predlaga, da se serija pritrdilnih elementov zadrži v čakalni vrsti za žarjenje po kovanju dodatnih 20 minut, da se izognemo najvišjemu obdobju mreže, ko je bil regionalni ogljični odtis najvišji, tudi če so bili denarni stroški podobni. To usklajuje prihranek stroškov z zmanjšanjem ogljika na način, ki ga statični urniki nikoli ne morejo. Prihranki niso bili dramatični v nobeni uri, vendar je bilo v več kot četrtini znižanje stroškov največjega povpraševanja in s tem povezanega ogljičnega odtisa znatno. Poraba energije je postala dinamična, odzivna spremenljivka in ne ozadje.

Dilema človeka v zanki

Tukaj naletite na praktično zanko. Optimalen model bi lahko rekel, da odložite serijo, vendar ima vodja etaže tovornjak, ki prispe ob 16.00. Čista optimizacija je lahko v nasprotju z logistično realnostjo. Najuspešnejše izvedbe, ki sem jih videl, so vgrajene v meritev stopnje skladnosti. AI predlaga, človek razpolaga, sistem pa se uči iz preglasitev. Sčasoma, če sistem vidi, da so razporedi pošiljanja nespremenljiva omejitev, začne to upoštevati prej. Gre za sodelovanje, ne za prevzem. To neurejeno, ponavljajoče se prilagajanje je tisto, kar ločuje akademske projekte od orodij iz resničnega sveta.

Predvideno vzdrževanje: temelj učinkovitosti virov

To je morda najbolj zrela aplikacija, vendar je njen vidik trajnosti včasih podcenjen. Ne gre samo za izogibanje izpadom. Odpovedan ležaj v hitrem stroju za vlečenje žice se ne samo zlomi; najprej povzroči povečano trenje, kar tedne poveča črpanje energije. Nekoliko napačno poravnana matrica ne zaskoči kar tako; proizvaja naraščajoči odstotek podpovršinskih napak, kar vodi do delov, ki ne prestanejo preverjanja kakovosti, potem ko je bila vanje vložena vsa energija in material.

S prehodom z načrtovanega vzdrževanja na vzdrževanje, ki temelji na stanju, z uporabo vibracijske, akustične in toplotne analize modeli AI preprečujejo počasno, potratno propadanje procesov. Spominjam se primera, ko je model označil kompresor za pozornost na podlagi subtilne spremembe v njegovem električnem podpisu. Dnevnik vzdrževanja je pokazal, da je po vseh standardnih meritvah v redu. Po pregledu se je majhen ventil začel zatikati, kar je povzročilo, da je enota delovala 7 % težje, da bi vzdrževala pritisk. To je 7 % več električne energije, vsako uro, za težavo, ki bi jo zamudili še tri mesece do naslednjega načrtovanega servisa.

Trajnostni dobiček je tukaj dvojen: prihrani energijo, ki se potrati zaradi razgradnje opreme, in podaljša skupno življenjsko dobo samega osnovnega sredstva, s čimer se zmanjšajo okoljski stroški izdelave in zamenjave stroja. Gre za velik premik od obravnavanja opreme kot nečesa, kar deluje, dokler se ne pokvari, do obravnavanja kot sistema, katerega učinkovitost je treba nenehno varovati.

Dobavna veriga in oblikovanje: vzvod navzgor v verigi

Vpliv sega preko tovarniških vrat. Za proizvajalca, kot je Zitai Fasteners, katerega lokacija v bližini glavnih prometnih arterij, kot je železnica Peking-Guangzhou, predstavlja logistično prednost, lahko umetna inteligenca optimizira prav to prednost za trajnost. Napredni sistemi načrtovanja lahko zdaj upoštevajo ne le stroške in čas, temveč tudi ogljični odtis različnih načinov prevoza in poti, s čimer uravnotežijo ravni zalog z okolju prijaznejšimi, a počasnejšimi možnostmi pošiljanja.

Bolj subtilno, generativni načrtovalski algoritmi, ki se uporabljajo v sodelovanju s strankami, lahko predlagajo optimizacije delov. Ali bi nosilec lahko porabil manj materiala, če bi bila narejena majhna sprememba dizajna? Ali bi lahko drugačna kakovost jekla z manj energetsko intenzivnim proizvodnim procesom zadostovala, če bi prilagodili proizvodne parametre? Tu umetna inteligenca deluje kot katalizator za pogovore o trajnostnem oblikovanju za proizvodnjo, kar lahko zmanjša obremenitve materiala in energije, še preden je naročilo za proizvodnjo sploh oddano. Trajnost premika navzgor v vrednostni verigi.

Kamni spotike in realna pričakovanja

Ni šlo vse gladko. Največji neuspeh, ki sem mu bil priča, je pristop kuhanja oceana: poskušati zgraditi popolnega digitalnega dvojčka za celotno tovarno že od prvega dne. Podatkovna infrastruktura se sesuje, modeli postanejo preveč zapleteni in projekt umre pod lastno težo. Uspeh izhaja iz izbire enega samega, bolečega toka odpadkov – kot je primer prekomerne porabe materiala – in njegove rešitve. Dokažite vrednost in nato merilo.

Drugo vprašanje je kakovost podatkov. Na starih proizvodnih linijah je pridobivanje čistih, časovno sinhroniziranih podatkov iz različnih PLC-jev in ročnih dnevnikov velikanska naloga. Včasih je 80 % začetnega projekta samo izgradnja zanesljivega podatkovnega cevovoda. Soočate se tudi s kulturnim odporom; če predlog umetne inteligence prihrani energijo, vendar doda korak za operaterja, bo prezrt, razen če je uokvirjen tako, da dolgoročno olajša ali postane bolj dosleden.

Torej, kako AI resnično poveča trajnost? To ni čarobna paličica. Je povečevalno steklo in neizprosen kalkulator. Osvetljuje skrite, drage neučinkovitosti, s katerimi smo se naučili živeti – dodatna kilovatna ura, zapravljen gram jekla, počasno propadanje stroja. Zagotavlja dokaze, potrebne za utemeljitev naložb v boljše postopke, in daje ljudem moč, da sprejemajo pametnejše in premišljene odločitve, ki skupaj zmanjšujejo okoljski odtis ustvarjanja stvari. Pospeševanje je kumulativno, ponavljajoče se in zelo praktično. Ambicijo trajnostne proizvodnje spremeni iz poročila v sejni sobi v vsakodnevno prakso v delavnici.