Ko ljudje slišijo AI v proizvodnji, pogosto preskočijo na vizije popolnoma avtonomnih tovarn brez luči. To je bleščeč cilj, vendar to ni kraj, kjer se danes dogaja pravo, grobo delo spodbujanja trajnosti. Resnični vpliv je bolj niansiran, pogosto skrit v vsakodnevni obremenitvi optimizacije porabe energije, zmanjšanja materialnih odpadkov in manj kaotičnih dobavnih verig. Manj gre za robote, ki prevzemajo oblast, in bolj za inteligentne sisteme, ki zagotavljajo natančno preglednost, ki nam je vedno primanjkovalo za sprejemanje odločitev, ki so tako ekonomsko kot okoljsko sprejemljive. Povezava med umetno inteligenco in trajnostjo ni samodejna; zahteva namerno spremembo tega, kar se odločimo za merjenje in nadzor.

Onkraj pompa: energija kot prva meja

Začnimo z energijo, najbolj neposrednimi stroški in postavko ogljičnega odtisa. Dolga leta smo se zanašali na načrtovano vzdrževanje in splošne ocene učinkovitosti. Sprememba iger je vdelava senzorjev in uporaba umetne inteligence za napovedno optimizacijo energije. Ne govorim samo o izklopu strojev. Gre za razumevanje dinamične obremenitve celotne proizvodne linije. Na primer, model z umetno inteligenco se lahko nauči, da določena stiskalnica za žigosanje ne poveča moči le med delovanjem, ampak še 15 minut po tem, ko delujejo hladilni sistemi. Z analizo proizvodnih urnikov lahko predlaga mikro zamike med serijami, da se izogne ​​hkratnim največjim črpanjem iz več stiskalnic, s čimer izravna energijsko krivuljo brez vpliva na pretok. To ni teoretično; Videl sem, da je zmanjšal račun za energijo za 8-12 % v kovaški tovarni, ki je v obsegu velika.

Težaven del je kakovost podatkov. Potrebujete natančne podatke v časovnem nizu iz stroja, transformatorske postaje in celo omrežja, če je to mogoče. Eden od zgodnjih neuspelih projektov je poskušal optimizirati peč za toplotno obdelavo brez natančnih merilnikov pretoka plina. Model AI je v bistvu ugibal, optimizacije pa so ogrozile metalurške lastnosti delov. Naučili smo se na težji način: ne morete upravljati tistega, česar ne morete natančno izmeriti. Umetna inteligenca je dobra le toliko, kolikor jih dobi senzorični vnos.

To vodi do subtilne točke: AI pogosto upravičuje globljo instrumentacijo. Če želite utemeljiti trajnostni razvoj, morate najprej investirati v boljše merjenje. To je dober cikel. Ko imate ta tok podatkov, se lahko premaknete od predvidevanja k predpisujočim ukrepom, kot je samodejno prilagajanje nastavljenih vrednosti tlaka kompresorja na podlagi povpraševanja v realnem času v pnevmatskem omrežju, nekaj, kar je bilo vedno nastavljeno za najslabši možni scenarij, zapravljanje ogromnih količin energije.

Vojna z odpadki: od odpadkov do digitalnih dvojčkov

Materialni odpadki so čista finančna in okoljska izguba. V proizvodnji pritrdilnih elementov, tako kot v podjetju, kot je npr Handan Zitai Fastener Manufacturing Co., Ltd. ki se nahaja v glavni kitajski bazi za proizvodnjo standardnih delov, tradicionalni pristop vključuje pregled po proizvodnji: izdela se serija, nekaj se vzorči in če se odkrijejo napake, se lahko celotna serija zavrže ali predela. To je neverjetno potratno.

Računalniški vid za odkrivanje napak v realnem času je zdaj na mizi. Toda globlja uporaba umetne inteligence je optimizacija procesnih parametrov, da se prepreči nastajanje odpadkov. Z vnašanjem podatkov iz postopka hladnega tiskanja – premer žice, temperatura, hitrost stroja, obraba matrice – v model, lahko napovemo verjetnost razpok glave ali dimenzijskih netočnosti, preden je izdelan en kos. Sistem lahko nato priporoči prilagoditve, na primer rahlo zvišanje temperature žarjenja ali zmanjšanje hitrosti podajanja.

Spomnim se projekta, kjer smo zgradili digitalno senco (enostavnejšo različico polnega digitalnega dvojčka) za proizvodno linijo vijakov. Cilj je bil čim bolj zmanjšati izgubo trima – ostanke žice po rezanju vijaka. Z analizo portfeljev naročil in omejitev strojev bi sistem za razporejanje z umetno inteligenco lahko razvrstil naročila za popolnejšo uporabo žičnih tuljav, s čimer bi zmanjšal odpadke obrezovanja s povprečnih 3,2 % na manj kot 1,7 %. Sliši se malo, a na tisoče ton jekla letno so prihranki pri surovinah in s tem povezane emisije ogljika pri proizvodnji jekla znatni. Vidite lahko, kako lahko podjetja v središčih, kot je okrožje Yongnian, s svojim velikim obsegom proizvodnje izjemno pridobijo s tako podrobnimi optimizacijami.

Odpornost dobavne verige in ogljični odtis

Tukaj postane zapleteno. Trajnostna dobavna veriga ne pomeni le izbire zelenega dobavitelja; gre za učinkovitost in odpornost, da bi se izognili nujnemu, ogljično intenzivnemu letalskemu tovoru. Napovedovanje povpraševanja na podlagi umetne inteligence, ko deluje, zgladi proizvodnjo, zmanjša potrebo po nadurah (kar pogosto pomeni manj učinkovite, energetsko intenzivne vožnje) in panično naročanje.

Za naročnika smo integrirali večplastno analizo tveganja dobavne verige z logistično optimizacijo. Sistem je spremljal vreme, zastoje v pristaniščih in celo energetsko mešanico regije dobavitelja (npr. ali njihovo omrežje danes deluje na premog ali obnovljive vire?). Predlagal je preusmeritev pošiljk na počasnejši, vendar z nižjimi emisijami pomorski tovorni promet, ko so časovni okviri to omogočali, ali konsolidacijo tovora za polnjenje zabojnikov do 98 % zmogljivosti namesto običajnih 85 %. The trajnost pridobitev je posredna, a močna: ogljično učinkovitost vključuje v vsakodnevne logistične odločitve.

Način napake je tukaj pretirana optimizacija. En model je predlagal vedno uporabo enega samega, zelo zelenega dobavitelja, vendar z omejenimi zmogljivostmi, da bi zmanjšali emisije iz prometa. Ni upošteval tveganja zaustavitve, ki se je sčasoma zgodila, zaradi česar se je morala obrniti na več, manj optimalnih dobaviteljev. Nauk je bil, da morajo biti cilji trajnosti uravnoteženi z omejitvami glede robustnosti v ciljni funkciji umetne inteligence. Ne morete kar zmanjšati ogljika; moraš obvladovati tveganje.

Človeški element: razširjeno odločanje

To je kritično. AI ne vodi tovarne; ljudje delajo. Najučinkovitejše izvedbe, ki sem jih videl, so tiste, kjer AI deluje kot svetovalec. Označuje anomalijo: poraba energije na enoto na liniji 3 je 18 % nad referenčno vrednostjo za trenutno mešanico izdelkov. Verjeten vzrok: Obraba ležaja v motorju transportnega traku B-12, ocenjena izguba učinkovitosti 22 %. Vzdrževalni ekipi daje ciljno usmerjeno, prednostno nalogo z jasnim vplivom na trajnost in stroške.

To spreminja kulturo. Trajnost ni več KPI, ločen od učinkovitosti proizvodnje. Ko vodja etaže vidi, da optimizacija za nižje stopnje odpadkov zmanjša tudi porabo energije in surovin na dober del, se cilji uskladijo. Usposabljanje umetne inteligence usposablja tudi ljudi. Da bi označili podatke za model odkrivanja napak, morajo inženirji kakovosti temeljito analizirati načine napak. Ta proces sam po sebi pogosto vodi do izboljšav procesa, še preden je model sploh uveden.

Odpornost je naravna. Obstaja utemeljen strah pred priporočili črne skrinjice. Zato je razložljivost ključna. Če sistem reče znižanje temperature peči za 15 °C, mora navesti tudi utemeljitev: zgodovinski podatki kažejo, da so postopki s parametri X in Y pri tej nižji temperaturi povzročili enako trdoto z 8 % manjšo porabo zemeljskega plina. To gradi zaupanje in spreminja AI v sodelovalno orodje za trajnostno naravo proizvodnja.

Pogled v prihodnost: integracijski izziv

Prihodnost ni v samostojnih aplikacijah AI za energijo ali kakovost. Integrirana optimizacija procesov je tista, ki uravnoteži več, včasih konkurenčnih ciljev: pretok, donos, porabo energije, obrabo orodij in ogljični odtis. To je optimizacijski problem z več cilji, ki presega človeške izračune v realnem času.

Preizkušamo sisteme, ki sprejemajo naročilo stranke in dinamično določajo najbolj trajnostno proizvodno pot. Ali naj bo ta serija pritrdilnih elementov izdelana na starejši, počasnejši liniji, ki jo zdaj napaja nova tovarniška sončna elektrarna, ali na novejši, hitrejši liniji, ki se napaja iz omrežja, vendar ima nižjo stopnjo odpadkov? Umetna inteligenca lahko izračuna neto vpliv ogljika, vključno z utelešenim ogljikom v katerem koli potencialnem odpadku, in priporoči resnično optimalno pot. To je razmišljanje naslednje stopnje.

Zadnja ovira je integracija ocene življenjskega cikla. Pravi povečati do trajnosti bo prišlo, ko bo imela umetna inteligenca v proizvodnji dostop do podatkov o vplivu celotnega življenjskega cikla materialov in procesov. Izbira med pocinkano prevleko in novim polimernim premazom ni le stroškovna odločitev; to je odločitev o uporabi kemikalij, trajnosti in možnosti recikliranja ob koncu življenjske dobe. Nismo še tam, vendar je temeljno delo – digitalizacija procesov, instrumentacija in prilagodljiv nadzor – tisto, kar omogoča to prihodnost. To je dolga, neglamurozna pot reševanja ene majhne, ​​potratne težave naenkrat.