Je, AI inakuzaje uendelevu katika utengenezaji? 

Wakati watu wanasikia AI katika utengenezaji, mara nyingi wanaruka kwenye maono ya viwanda vinavyojiendesha kikamilifu, visivyo na taa. Hilo ni lengo la kuvutia, lakini si pale ambapo kazi ya kweli na isiyo na maana ya kuimarisha uendelevu inafanyika leo. Athari ya kweli ni ya upendeleo zaidi, mara nyingi hufichwa katika hali ya kila siku ya kuboresha matumizi ya nishati, kufyeka taka ya nyenzo, na kufanya minyororo ya usambazaji kuwa ya mkanganyiko. Ni kidogo kuhusu roboti kuchukua nafasi na zaidi kuhusu mifumo mahiri inayotoa mwonekano wa punjepunje ambao tumekuwa tukikosa kufanya maamuzi ambayo ni sawa kiuchumi na kimazingira. Kiungo kati ya AI na uendelevu sio moja kwa moja; inahitaji mabadiliko ya makusudi katika kile tunachochagua kupima na kudhibiti.

Zaidi ya Hype: Nishati kama Frontier ya Kwanza

Wacha tuanze na nishati, gharama ya moja kwa moja na kipengee cha kaboni. Kwa miaka mingi, tulitegemea urekebishaji ulioratibiwa na ukadiriaji wa ufanisi wa njia pana. Kibadilisha mchezo kinapachika vitambuzi na kutumia AI kwa uboreshaji wa nishati unaotabiriwa. Sizungumzii tu kuzima mashine. Inahusu kuelewa mzigo unaobadilika wa mstari mzima wa uzalishaji. Kwa mfano, mfano wa AI unaweza kujifunza kwamba vyombo vya habari maalum vya kukanyaga huchota nguvu nyingi sio tu wakati wa operesheni, lakini kwa dakika 15 baadaye, kama mifumo ya kupoeza inavyoendesha. Kwa kuchanganua ratiba za uzalishaji, inaweza kupendekeza ucheleweshaji mdogo kati ya bechi ili kuepusha kilele cha wakati mmoja kutoka kwa mibofyo mingi, kurefusha mkondo wa nishati bila kuathiri upitishaji. Hii si ya kinadharia; Nimeona ikinyoa 8-12% ya bili ya nishati katika kituo cha kughushi, ambacho ni kikubwa kwa kiwango.

Sehemu ngumu ni ubora wa data. Unahitaji data ya punjepunje, ya mfululizo wa saa kutoka kwa mashine, kituo kidogo, na hata gridi ya taifa ikiwezekana. Mradi mmoja uliofeli mapema ulikuwa unajaribu kuboresha tanuru ya matibabu ya joto bila mita sahihi za mtiririko wa gesi. Muundo wa AI kimsingi ulikuwa wa kubahatisha, na uboreshaji ulihatarisha kuhatarisha sifa za metallurgiska za sehemu. Tulijifunza kwa njia ngumu: huwezi kudhibiti kile ambacho huwezi kupima kwa usahihi. AI ni nzuri tu kama pembejeo za hisia inazopata.

Hii inaongoza kwa hoja hila: AI mara nyingi huhalalisha utumiaji wa kina zaidi. Ili kutengeneza hali endelevu kwa AI, kwanza unawekeza katika upimaji bora zaidi. Ni mzunguko mzuri. Ukishapata mtiririko huo wa data, unaweza kuhama kutoka kwa utabiri hadi kwa hatua ya maagizo-kama vile kurekebisha kiotomatiki vipimo vya shinikizo la compressor kulingana na mahitaji ya wakati halisi katika mtandao wa nyumatiki, kitu ambacho kiliwekwa kila wakati kwa hali mbaya zaidi, na kupoteza kiasi kikubwa cha nishati.

Vita dhidi ya Taka: Kutoka Lundo Takatifu hadi Mapacha Dijitali

Uharibifu wa nyenzo ni upotezaji wa kifedha na mazingira. Katika utengenezaji wa kufunga, kama kwenye kampuni kama vile Handan Zitai Fastener Viwanda Co, Ltd. ziko katika msingi mkuu wa uzalishaji wa sehemu ya kawaida ya Uchina, mbinu ya jadi inahusisha ukaguzi wa baada ya uzalishaji: kundi linatengenezwa, baadhi huchukuliwa sampuli, na ikiwa kasoro zitapatikana, sehemu nzima inaweza kufutwa au kufanyiwa kazi upya. Huo ni ubadhirifu wa ajabu.

Mwono wa kompyuta wa kutambua kasoro katika wakati halisi sasa ni vigingi vya mezani. Lakini matumizi makubwa zaidi ya AI ni katika uboreshaji wa parameta ya mchakato ili kuzuia taka kutoka kuunda hapo kwanza. Kwa kulisha data kutoka kwa mchakato wa kichwa baridi—kipenyo cha waya, halijoto, kasi ya mashine, uvaaji wa kufa—katika kielelezo, tunaweza kutabiri uwezekano wa nyufa za kichwa au dosari za ukubwa kabla ya kipande kimoja kutengenezwa. Mfumo unaweza kisha kupendekeza marekebisho, tuseme, ongezeko kidogo la joto la annealing au kupunguza kiwango cha malisho.

Ninakumbuka mradi ambapo tulijenga kivuli cha dijiti (toleo rahisi zaidi la pacha kamili ya dijiti) kwa laini ya uzalishaji wa bolt. Lengo lilikuwa kupunguza hasara ya trim - waya iliyobaki baada ya bolt kukatwa. Kwa kuchanganua jalada la mpangilio na vizuizi vya mashine, mfumo wa kuratibu wa AI unaweza kupanga maagizo ya kutumia coil za waya kikamilifu zaidi, kupunguza taka za trim kutoka wastani wa 3.2% hadi chini ya 1.7%. Inaonekana ni ndogo, lakini katika maelfu ya tani za chuma kila mwaka, akiba katika malighafi na uzalishaji wa kaboni unaohusishwa kutokana na uzalishaji wa chuma ni mkubwa. Unaweza kuona jinsi kampuni zilizo katika vitovu kama Wilaya ya Yongnian, zenye pato lao la juu, zinavyoweza kupata faida kubwa kutokana na uboreshaji wa punjepunje.

Ustahimilivu wa Msururu wa Ugavi na Alama ya Carbon

Hapa ndipo inakuwa ngumu. Mlolongo wa ugavi endelevu sio tu kuhusu kuchagua muuzaji wa kijani; ni kuhusu ufanisi na uthabiti ili kuepuka dharura, mizigo ya hewa ya kaboni. Utabiri wa mahitaji unaoendeshwa na AI, inapofanya kazi, hulainisha uzalishaji, kupunguza hitaji la muda wa ziada (ambayo mara nyingi humaanisha ufanisi mdogo, uendeshaji unaotumia nishati nyingi) na kuagiza kwa hofu.

Tuliunganisha uchanganuzi wa hatari wa mnyororo wa ugavi wa viwango vingi na uboreshaji wa vifaa kwa mteja. Mfumo ulifuatilia hali ya hewa, msongamano wa bandari, na hata mchanganyiko wa nishati wa eneo la wasambazaji (k.m. je, gridi yao inaendeshwa kwa kutumia makaa ya mawe au vinavyoweza kutumika upya leo?). Ilipendekeza kusafirisha tena njia kwa usafirishaji wa polepole lakini wa chini wa baharini wakati ratiba zinaruhusu, au kuunganisha mizigo ya kujaza makontena hadi 98% ya ujazo badala ya 85% ya kawaida. The uendelevu faida hapa si ya moja kwa moja lakini yenye nguvu: inapachika ufanisi wa kaboni katika maamuzi ya kila siku ya vifaa.

Hali ya kutofaulu hapa ni uboreshaji kupita kiasi. Muundo mmoja ulipendekeza kila mara utumie msambazaji mmoja, wa kijani kibichi sana lakini aliyebanwa na uwezo ili kupunguza uzalishaji wa usafiri. Ilishindwa kuhesabu hatari ya kuzima, ambayo hatimaye ilitokea, na kulazimisha mgongano kwa wasambazaji wengi, ambao hawakuwa bora. Somo lilikuwa kwamba malengo ya uendelevu lazima yasawazishwe na vikwazo vya uthabiti katika utendakazi wa lengo la AI. Huwezi tu kupunguza kaboni; unapaswa kudhibiti hatari.

Kipengele cha Binadamu: Ufanyaji Maamuzi Ulioboreshwa

Hii ni muhimu. AI haiendeshi kiwanda; watu kufanya. Utekelezaji bora zaidi ambao nimeona ni pale AI hufanya kama mshauri. Inaashiria hitilafu: Matumizi ya nishati kwa kila kitengo kwenye Mstari wa 3 ni 18% juu ya kipimo cha mchanganyiko wa sasa wa bidhaa. Sababu inayowezekana: Kuvaa kwa fani katika Conveyor Motor B-12, inakadiriwa hasara ya ufanisi 22%. Huipa timu ya matengenezo kazi inayolengwa, iliyopewa kipaumbele na uendelevu wazi na athari ya gharama.

Hii inabadilisha utamaduni. Uendelevu huacha kuwa KPI tofauti na ufanisi wa uzalishaji. Wakati msimamizi wa sakafu anaona kuwa uboreshaji kwa viwango vya chini vya chakavu pia hupunguza matumizi ya nishati na malighafi kwa kila sehemu nzuri, malengo yanalingana. Mafunzo ya AI pia hufunza watu. Ili kuweka data lebo kwa muundo wa kugundua kasoro, wahandisi wa ubora wanapaswa kuchanganua kwa kina hali za kutofaulu. Utaratibu huu wenyewe mara nyingi husababisha uboreshaji wa mchakato kabla ya muundo hata kutumwa.

Upinzani ni wa asili. Kuna hofu halali ya mapendekezo ya sanduku nyeusi. Ndio maana ufafanuzi ni muhimu. Iwapo mfumo unasema punguza halijoto ya tanuru kwa 15°C, lazima pia utoe sababu: Maonyesho ya data ya kihistoria yanaendeshwa na vigezo X na Y katika halijoto hii ya chini ilisababisha ugumu sawa na matumizi ya gesi asilia kwa 8%. Hii hujenga uaminifu na kubadilisha AI kuwa chombo shirikishi kwa ajili ya uendelevu viwanda.

Kuangalia Mbele: Changamoto ya Ujumuishaji

Wakati ujao hauko katika maombi ya pekee ya AI ya nishati au ubora. Ni katika uboreshaji wa mchakato uliojumuishwa ambao husawazisha malengo mengi, wakati mwingine kushindana: upitishaji, mavuno, matumizi ya nishati, uvaaji wa zana na alama ya kaboni. Hili ni tatizo la uboreshaji wa malengo mengi ambalo haliwezi kuhesabika kwa wakati halisi.

Tunafanyia majaribio mifumo ambayo huchukua agizo la mteja na kubainisha kwa uthabiti njia endelevu zaidi ya uzalishaji. Je, kundi hili la viambatanisho linapaswa kutengenezwa kwenye laini ya zamani, ya polepole ambayo sasa inaendeshwa na safu mpya ya jua ya kiwanda, au kwenye laini mpya zaidi, yenye kasi zaidi inayoendeshwa na gridi ya taifa lakini ina kasi ya chini ya chakavu? AI inaweza kukokotoa athari ya kaboni, ikiwa ni pamoja na kaboni iliyojumuishwa katika chakavu chochote, na kupendekeza njia bora kabisa. Haya ni mawazo ya ngazi ya pili.

Kikwazo cha mwisho ni ujumuishaji wa tathmini ya mzunguko wa maisha. Ya kweli kuongeza uendelevu utakuja wakati AI katika utengenezaji itapata data juu ya athari kamili ya mzunguko wa maisha ya nyenzo na michakato. Kuchagua kati ya mchoro wa zinki na mipako mpya ya polymer sio tu uamuzi wa gharama; ni uamuzi kuhusu matumizi ya kemikali, uimara, na urejeleaji wa mwisho wa maisha. Bado hatujafika, lakini kazi ya msingi—kuweka michakato kwenye dijiti, kuwekewa zana, na chini ya udhibiti unaobadilika—ndio inayowezesha siku zijazo kuwezekana. Ni njia ndefu, isiyopendeza ya kutatua tatizo moja dogo, la upotevu kwa wakati mmoja.