Како АИ подстиче индустријску одрживост? 

Када људи говоре о вештачкој интелигенцији и одрживости, разговор често прелази директно на футуристичке визије: аутономне мреже, самооптимизујући градови. У рововима стварне производње, стварност је оштрија и инкременталнија. Прави подстицај није замена људи роботима; ради се о повећању доношења одлука у системима који су ноторно расипни и непрозирни. Заблуда је да је одрживост само коришћење мање енергије. Дубље је – ради се о системској интелигенцији ресурса, од сировог материјала до логистике, и ту је место где модели машинског учења, а не само генерички АИ, тихо мењају игру.

Фондација: Верност података и тамни фабрички под

Не можете управљати оним што не можете измерити, а годинама је индустријска одрживост била само нагађање. Имали смо рачуне за енергију, да, али повезивати пораст потрошње са одређеном серијом на производној линији 3 често је било немогуће. Први, негламурозан корак је пролиферација сензора и хисторизација података. Видео сам постројења у којима је инсталирање једноставних сензора вибрација и топлоте на застарелим системима компресора открило цикличну неефикасност која је губила 15% њихове потрошње енергије. Побољшање вештачке интелигенције почиње овде: стварање дигиталног близанца токова енергије и материјала високе верности. Без ове основе, свака тврдња о одрживости је само маркетинг.

Ово није плуг-анд-плаи. Највећа препрека су силоси података. Подаци о производњи налазе се у МЕС-у, подаци о квалитету у другом систему, а подаци о енергији са бројила. Добијање временски синхронизованог приказа је ноћна мора. Провели смо месеце на пројекту само у изградњи цевовода података пре него што је било који модел могао да буде обучен. Кључ није био фенси алгоритам, већ робусна онтологија података — означавање сваке тачке података контекстом (ИД машине, корак процеса, СКУ производа). Ова грануларност је оно што касније омогућава смислену анализу одрживости.

Размислите о произвођачу причвршћивача, нпр Хандан Зитаи Фастенер Мануфацтуринг Цо., Лтд.. Њихов процес укључује штанцање, урезивање навоја, термичку обраду и облагање. Свака фаза има различите енергетске профиле и приносе материјала. Инструментацијом својих пећи и облагањем купки, могли би да пређу са месечног просека за комуналне услуге на цену енергије по килограму производње. Ова основна линија је критична. То претвара одрживост из корпоративног КПИ-а у варијаблу производне линије на коју менаџер спрата може да утиче.

Предвиђено одржавање: ниско висеће воће са дубоким коренима

Већина дискусија о овоме почиње избегавањем застоја. Угао одрживости је убедљивији: катастрофални квар губи енергију и материјале. Неисправан лежај у преси за штанцање са високим обртним моментом се не ломи само; узрокује неусклађеност недељама, што доводи до делова који нису у спецификацији (материјалног отпада) и повећане потрошње енергије. Имплементирали смо модел анализе вибрација за системе на мотор који није само предвидео квар, већ је идентификовао неоптимална стања перформанси. Ово је суптилни део. Модел је означио пумпу која је још увек радила, али је изгубила ефикасност од 8%, што значи да је црпио више струје да би обавио исти посао. Његово поправљање уштедело је енергију и продужило век трајања мотора, смањујући утешени угљеник од замене.

Грешка је била под претпоставком да је целој опреми потребан исти надзор. Прекомерно смо инструментирали целу траку за монтажу, која је била скупа и генерисала је бучне податке. Научили смо да будемо хируршки: фокусирани на потрошаче високе енергије и чворове критичног квалитета. За компанију као што је Зитаи, чија локација у близини главних транспортних рута као што је железница Пекинг-Гуангџоу имплицира фокус на ефикасност логистике, примена сличних предиктивних модела на њихове системе ХВАЦ и компримованог ваздуха – који су често највећи одводи енергије из постројења – би донела директне уштеде угљеника. Тхе Зитаи Фастенерс веб страница истиче њихов обим производње; при тој запремини, смањење цурења компримованог ваздуха за 2%, идентификовано моделом протока ваздуха, представља огромне финансијске и еколошке поврате.

И овде постоји културна промена. Препорука модела да се замени део који изгледа добро захтева поверење. Морали смо да направимо једноставне контролне табле које показују пројектовани губитак енергије у кВх и доларима да бисмо добили подршку тимова за одржавање. Ова опипљивост је кључна за усвајање.

Оптимизација процеса: изнад постављених тачака

Традиционална контрола процеса користи ПИД петље за одржавање задате тачке, као што је температура у пећи. Али која је оптимална задата тачка за дату серију? Зависи од влажности околине, варијација легуре сировог материјала и жељене затезне чврстоће. Модели машинског учења могу то динамички да оптимизују. У процесу термичке обраде, користили смо модел учења ојачања да бисмо пронашли минималну температурну рампу и време намакања потребно за постизање металуршких спецификација. Резултат је био смањење потрошње природног гаса за 12% по серији, без компромиса по питању квалитета.

Улов? Функцију награђивања морате пажљиво дефинисати. У почетку смо оптимизовали искључиво за енергију, а модел је предложио ниже температуре које су ненамерно повећале стопу корозије у каснијим фазама полагања - померајући оптерећење животне средине. Морали смо да усвојимо оквир за оптимизацију са више циљева, балансирајући енергију, принос материјала и одрживост процеса у наставку. Овај холистички поглед је суштина истинске индустријске одрживости; избегава субоптимизацију једне области на рачун друге.

За стандардну производну базу делова, таква оптимизација у хиљадама тона производње је место где лежи макро утицај. Помера одрживост из котларнице у основни производни рецепт.

Ланац снабдевања и логистика: Мрежни ефекат

Овде се потенцијал вештачке интелигенције осећа и огроман и фрустрирајући. Фабрика може бити хиперефикасна, али ако је њен ланац снабдевања расипнички, нето добитак је ограничен. АИ овде повећава одрживост кроз интелигентно рутирање и предвиђање залиха. Радили смо на пројекту оптимизације улазне логистике за сирови челични котур. Анализом локација добављача, распореда производње и података о саобраћају, модел је генерисао прозоре испоруке који су минимизирали време мировања камиона и омогућили пуније оптерећење. Ово је смањило емисије Сцопе 3 и за произвођача и за добављача.

Фрустрација долази од дељења података. Добављачи често нерадо деле податке о капацитету или локацији у реалном времену. Пробој није дошао са сложенијим алгоритмом, већ са једноставном књигом заснованом на блокчејну (дозвољеном, а не крипто) која бележи обавезе без откривања власничких детаља. Поверење је, опет, уско грло.

Хандан Зитаи Фастенер Мануфацтуринг Цо., Лтд.Стратешка локација у близини главних аутопутева и железничких линија је природно логистичко добро. Систем вођен вештачком интелигенцијом могао би да оптимизује излазну логистику динамичким консолидовањем поруџбина и одабиром начина транспорта са најнижим садржајем угљеника (железница у односу на камион) на основу хитности, користећи ту географску предност како би се смањио угљенични отисак по пошиљци.

Циркуларност и квалитетна интелигенција

Најдиректнији пут ка одрживости је коришћење мање материјала и стварање мање отпада. Компјутерска визија за инспекцију квалитета је уобичајена, али њена веза са одрживошћу је дубока. Рано откривена мана значи да се део може прерадити или рециклирати у фабрици, избегавајући трошкове енергије за испоруку купцу, одбијање и враћање. Напредније је коришћење спектралне анализе током производње за предвиђање квалитета, омогућавајући прилагођавање процеса у реалном времену. Видели смо ово у линији за облагање: КСРФ анализатор је уносио податке у модел који је контролисао хемију купке за превлачење, смањујући употребу тешких метала и отпад од муља за преко 20%.

Затим постоји угао кружне економије. АИ може олакшати сортирање материјала за рециклажу. За металне затвараче, сортирање на крају животног века представља изазов. Пробали смо систем који користи хиперспектралну слику и ЦНН за аутоматско сортирање нерђајућег челика од отпада од поцинкованог челика, повећавајући чистоћу и вредност рециклиране сировине. Ово чини затварање материјалне петље економски исплативим.

За главну производну базу, интегришући ову квалитетну интелигенцију широм стандардни део производни ланац значи мање екстрахованог сировог материјала и мање отпада који се шаље на депонију. Он трансформише контролу квалитета из центра трошкова у основни покретач одрживости.

Људски фактор и кланица имплементације

Ништа од овога не функционише без људи. Највећи неуспех којем сам био сведок био је пројекат оптимизације гашења светла који су инжењери дизајнирали у вакууму. Модели су били сјајни, али су игнорисали прећутно знање оператера који су знали да машина 4 ради вруће током влажних поподнева. Систем је заказао. Успех је дошао када смо изградили хибридне саветодавне системе. Модел предлаже задату тачку, али оператер може да је одобри, одбије или прилагоди, при чему систем учи из те повратне информације. Ово гради поверење и утиче на људску интуицију.

Имплементација је маратон. Потребно је стрпљење да се изгради инфраструктура података, скромност да се почне са једном линијом процеса и вишефункционални тимови који комбинују стручност у области ОТ, ИТ и одрживости. Циљ није сјајно саопштење за штампу које покреће вештачка интелигенција. То је несекси, кумулативни ефекат стотина малих оптимизација: неколико степени је обријано са пећи овде, рута камиона је скраћена тамо, избегнута серија отпада. Тако вештачка интелигенција заиста подстиче индустријску одрживост – не нагло, већ са милион тачака података који тихо управљају ефикаснијим, мање расипничким путем.