Si e rrit AI qëndrueshmërinë në prodhim? 

Kur njerëzit dëgjojnë AI në prodhim, ata shpesh hidhen drejt vizioneve të fabrikave plotësisht autonome, me drita. Ky është një objektiv fantastik, por nuk është vendi ku po ndodh sot puna e vërtetë dhe e rëndë për të rritur qëndrueshmërinë. Ndikimi i vërtetë është më i nuancuar, shpesh i fshehur në përditshmërinë e optimizimit të konsumit të energjisë, uljes së mbetjeve materiale dhe bërjes së zinxhirëve të furnizimit më pak kaotik. Bëhet fjalë më pak për robotët që marrin përsipër dhe më shumë për sistemet inteligjente që ofrojnë dukshmërinë e grimcuar që na ka munguar gjithmonë për të marrë vendime që janë të shëndosha ekonomikisht dhe mjedisore. Lidhja midis AI dhe qëndrueshmërisë nuk është automatike; ajo kërkon një ndryshim të qëllimshëm në atë që ne zgjedhim të masim dhe kontrollojmë.

Përtej Hipe: Energjia si kufiri i parë

Le të fillojmë me energjinë, koston më të drejtpërdrejtë dhe artikullin e gjurmës së karbonit. Për vite, ne u mbështetëm në mirëmbajtjen e planifikuar dhe vlerësimet e efikasitetit të goditjeve të gjera. Ndryshuesi i lojës është duke futur sensorë dhe duke përdorur AI për optimizimin parashikues të energjisë. Nuk po flas vetëm për fikjen e makinerive. Ka të bëjë me të kuptuarit e ngarkesës dinamike të një linje të tërë prodhimi. Për shembull, një model i AI mund të mësojë se një shtypje specifike stampuese tërheq një rritje të fuqisë jo vetëm gjatë funksionimit, por për 15 minuta pas, ndërsa funksionojnë sistemet e ftohjes. Duke analizuar oraret e prodhimit, ai mund të sugjerojë mikro-vonesa midis grupeve për të shmangur tërheqjet e njëkohshme të pikut nga shtypjet e shumta, duke rrafshuar kurbën e energjisë pa ndikuar në xhiros. Kjo nuk është teorike; E kam parë të rrojë 8-12% nga fatura e energjisë në një fabrikë falsifikuese, e cila është masive në shkallë.

Pjesa e ndërlikuar është cilësia e të dhënave. Ju nevojiten të dhëna të grimcuara, të serive kohore nga makina, nënstacioni dhe madje edhe rrjeti nëse është e mundur. Një projekt i dështuar në fillim ishte duke u përpjekur për të optimizuar një furre të trajtimit të nxehtësisë pa matës të saktë të rrjedhës së gazit. Modeli i AI ishte në thelb hamendësues dhe optimizimet rrezikuan të rrezikonin vetitë metalurgjike të pjesëve. Mësuam rrugën e vështirë: nuk mund të menaxhosh atë që nuk mund të matësh saktë. Inteligjenca artificiale është po aq e mirë sa edhe inputet ndijore që merr.

Kjo çon në një pikë delikate: AI shpesh justifikon instrumente më të thella. Për të krijuar një rast të qëndrueshmërisë për AI, së pari investoni në matje më të mirë. Është një cikël i virtytshëm. Pasi të keni atë rrymë të dhënash, mund të kaloni nga parashikimi në veprimin urdhërues - si rregullimi automatik i pikave të vendosjes së presionit të kompresorit bazuar në kërkesën në kohë reale në një rrjet pneumatik, diçka që ishte vendosur gjithmonë për skenarin më të keq, duke humbur sasi të mëdha energjie.

Lufta kundër mbeturinave: Nga grumbullimet e mbeturinave te binjakët dixhitalë

Mbetjet materiale janë humbje e pastër financiare dhe mjedisore. Në prodhimin e fiksuesve, si në një kompani si p.sh Handan Zitai Fastener Prodhim Co, Ltd. e vendosur në bazën kryesore të prodhimit të pjesëve standarde të Kinës, qasja tradicionale përfshin inspektimin pas prodhimit: bëhet një grup, disa merren kampione dhe nëse gjenden defekte, i gjithë pjesa mund të fshihet ose ripunohet. Kjo është tepër e kotë.

Vizioni kompjuterik për zbulimin e defekteve në kohë reale tani është aksione tavoline. Por përdorimi më i thellë i AI është në optimizimin e parametrave të procesit për të parandaluar krijimin e mbetjeve në radhë të parë. Duke futur të dhëna nga procesi i drejtimit të ftohtë - diametri i telit, temperatura, shpejtësia e makinës, konsumimi i makines - në një model, ne mund të parashikojmë mundësinë e çarjeve të kokës ose pasaktësive dimensionale përpara se të bëhet një pjesë e vetme. Sistemi më pas mund të rekomandojë rregullime, të themi, një rritje të lehtë në temperaturën e pjekjes ose një ulje të shpejtësisë së ushqimit.

Më kujtohet një projekt ku ndërtuam një hije dixhitale (një version më i thjeshtë i një binjaku të plotë dixhital) për një linjë prodhimi bulonash. Qëllimi ishte të minimizohej humbja e prerjes - tela e mbetur pas prerjes së një rrufe në qiell. Duke analizuar portofolet e porosive dhe kufizimet e makinerive, sistemi i planifikimit të AI mund të rendit porositë për të përdorur mbështjellje teli më plotësisht, duke reduktuar mbetjet e shkurtimit nga një mesatare prej 3.2% në nën 1.7%. Duket e vogël, por në mijëra tonë çeliku në vit, kursimet në lëndën e parë dhe emetimet e karbonit të lidhura me prodhimin e çelikut janë të konsiderueshme. Ju mund të shihni se si kompanitë në qendrat si Distrikti Yongnian, me prodhimin e tyre të volumit të lartë, mund të përfitojnë jashtëzakonisht shumë nga optimizime të tilla granulare.

Rezistenca e zinxhirit të furnizimit dhe gjurma e karbonit

Këtu bëhet komplekse. Një zinxhir furnizimi i qëndrueshëm nuk ka të bëjë vetëm me zgjedhjen e një furnizuesi të gjelbër; ka të bëjë me efikasitetin dhe qëndrueshmërinë për të shmangur urgjencën dhe transportin ajror me intensitet karboni. Parashikimi i kërkesës i drejtuar nga inteligjenca artificiale, kur funksionon, zbut prodhimin, duke reduktuar nevojën për punë jashtë orarit (që shpesh do të thotë vrapime më pak efikase dhe me energji intensive) dhe porositje paniku.

Ne kemi integruar analizën e rrezikut të zinxhirit të furnizimit me shumë nivele me optimizimin e logjistikës për një klient. Sistemi monitoroi motin, mbipopullimin e porteve dhe madje edhe përzierjen e energjisë së rajonit furnizues (p.sh., a funksionon rrjeti i tyre me qymyr apo burime të rinovueshme sot?). Ai sugjeroi ridrejtimin e dërgesave drejt mallrave detare më të ngadalta por me emetim më të ulët kur afatet kohore lejuan, ose konsolidimin e ngarkesave për të mbushur kontejnerët në kapacitetin 98% në vend të 85% tipik. Të qëndrueshmëri fitimi këtu është indirekt, por i fuqishëm: ai përfshin efikasitetin e karbonit në vendimet e përditshme logjistike.

Mënyra e dështimit këtu është mbi-optimizimi. Një model sugjeronte gjithmonë përdorimin e një furnizuesi të vetëm, shumë të gjelbër, por me kapacitet të kufizuar për të minimizuar emetimet e transportit. Nuk arriti të llogariste rrezikun e një mbylljeje, gjë që ndodhi përfundimisht, duke detyruar një përleshje për furnizues të shumtë, më pak optimalë. Mësimi ishte se objektivat e qëndrueshmërisë duhet të balancohen me kufizimet e qëndrueshmërisë në funksionin objektiv të AI. Ju nuk mund të minimizoni vetëm karbonin; ju duhet të menaxhoni rrezikun.

Elementi njerëzor: Vendimmarrja e shtuar

Kjo është kritike. AI nuk e drejton fabrikën; njerëzit bëjnë. Zbatimet më efektive që kam parë janë ato ku AI vepron si këshilltar. Ai tregon një anomali: Konsumi i energjisë për njësi në linjën 3 është 18% mbi standardin për përzierjen aktuale të produktit. Shkaku i mundshëm: konsumimi i kushinetave në motorin transportues B-12, humbje e vlerësuar e efikasitetit 22%. Ai i jep ekipit të mirëmbajtjes një detyrë të synuar, të prioritizuar me një qëndrueshmëri të qartë dhe ndikim në kosto.

Kjo ndryshon kulturën. Qëndrueshmëria pushon së qeni një KPI i veçantë nga efikasiteti i prodhimit. Kur menaxheri i dyshemesë sheh se optimizimi për norma më të ulëta të skrapit gjithashtu redukton përdorimin e energjisë dhe lëndëve të para për një pjesë të mirë, qëllimet përputhen. Trajnimi i AI gjithashtu trajnon njerëzit. Për të etiketuar të dhënat për një model të zbulimit të defektit, inxhinierët cilësorë duhet të analizojnë thellësisht mënyrat e dështimit. Ky proces në vetvete shpesh çon në përmirësime të procesit përpara se modeli të vendoset.

Rezistenca është e natyrshme. Ekziston një frikë e vlefshme nga rekomandimet e kutisë së zezë. Kjo është arsyeja pse shpjegueshmëria është thelbësore. Nëse sistemi thotë zvogëlo temperaturën e furrës me 15°C, ai duhet të japë edhe arsyetimin: Të dhënat historike tregojnë drejtimet me parametrat X dhe Y në këtë temperaturë më të ulët rezultuan në fortësi identike me 8% më pak konsum të gazit natyror. Kjo ndërton besimin dhe e kthen AI në një mjet bashkëpunues për të qëndrueshme prodhimit.

Shikimi Përpara: Sfida e Integrimit

E ardhmja nuk është në aplikacionet e pavarura të AI për energji ose cilësi. Është në optimizimin e integruar të procesit që balancon objektiva të shumëfishta, ndonjëherë konkurruese: xhiros, rendimentin, përdorimin e energjisë, konsumimin e veglave dhe gjurmën e karbonit. Ky është një problem optimizimi me shumë objektiva që është përtej llogaritjes njerëzore në kohë reale.

Ne po pilotojmë sisteme që marrin një porosi nga klienti dhe përcaktojnë në mënyrë dinamike rrugën më të qëndrueshme të prodhimit. A duhet të bëhet kjo grup fiksuesish në linjën më të vjetër dhe më të ngadaltë që tani mundësohet nga grupi i ri diellor i fabrikës, apo në linjën më të re, më të shpejtë që punon nga rrjeti, por që ka një shkallë më të ulët të skrapit? AI mund të llogarisë ndikimin neto të karbonit, duke përfshirë karbonin e mishëruar në çdo skrap të mundshëm dhe të rekomandojë rrugën vërtet optimale. Ky është të menduarit e nivelit tjetër.

Pengesa e fundit është integrimi i vlerësimit të ciklit jetësor. E vërteta nxitje Qëndrueshmëria do të vijë kur IA në prodhim të ketë akses në të dhëna mbi ndikimin e plotë të ciklit jetësor të materialeve dhe proceseve. Zgjedhja midis një veshjeje me zink dhe një shtrese të re polimer nuk është vetëm një vendim kostoje; është një vendim për përdorimin e kimikateve, qëndrueshmërinë dhe riciklueshmërinë në fund të jetës. Ne nuk jemi ende atje, por puna themelore - dixhitalizimi i proceseve, instrumentet dhe nën kontroll përshtatës - është ajo që e bën të mundur këtë të ardhme. Është një rrugë e gjatë dhe jo magjepsëse për të zgjidhur një problem të vogël e të kotë në një kohë.