AI எவ்வாறு உற்பத்தியில் நிலைத்தன்மையை அதிகரிக்கிறது? 

மக்கள் உற்பத்தியில் AI ஐக் கேட்கும்போது, ​​அவர்கள் பெரும்பாலும் முழு தன்னாட்சி, விளக்குகள்-வெளியேற்ற தொழிற்சாலைகளின் தரிசனங்களுக்குத் தாவுகிறார்கள்-இது ஒரு பிரகாசமான ஆனால் ஓரளவு தவறாக வழிநடத்தும் இலட்சியமாகும். நிலைத்தன்மையின் மீதான உண்மையான, மோசமான தாக்கம் மனிதர்களை மாற்றுவது அல்ல; இது செயல்பாட்டுச் செலவுகளாக நாம் பாரம்பரியமாக ஏற்றுக்கொண்ட திறமையின்மைகளைக் கண்டு செயல்படுவதற்கான நமது திறனை அதிகரிப்பதாகும். இது நிலையான, கண்ணுக்குத் தெரியாத ஆற்றல், மூலப்பொருட்களின் அதிகப்படியான நுகர்வு மற்றும் தடுக்கக்கூடிய கழிவுகள் ஆகியவற்றில் AI அதன் மிக மதிப்புமிக்க பங்கைக் காண்கிறது. எனது சொந்தக் கருத்து, நடைபாதைத் தொழிற்சாலை மாடிகளால் வடிவமைக்கப்பட்டது, ஊக்கமானது ஒரு பெரிய தீர்விலிருந்து அல்ல, ஆனால் நடைமுறை, தரவு சார்ந்த தலையீடுகளை ஏற்கனவே உள்ள செயல்முறைகளில் அடுக்கி வைப்பதில் இருந்து வருகிறது. இலக்கு முழுமையடையாது, ஆனால் அளவிடக்கூடியது, அது எண்ணும் இடத்தில் மீண்டும் செயல்படும் முன்னேற்றம்: அடிப்பகுதி மற்றும் சுற்றுச்சூழல் தடம்.

ஹைப்பிற்கு அப்பால்: கழிவு நீரோடைகளை சுட்டிக்காட்டுதல்

தொடக்கப் புள்ளி தெரிவுநிலை. பல தசாப்தங்களாக, நிலைத்தன்மை முயற்சிகள் பெரும்பாலும் யூகிக்கக்கூடியவை-தேவைப்பட்டாலும் இல்லாவிட்டாலும் திட்டமிடப்பட்ட பராமரிப்பு, வரலாற்று சராசரிகளின் அடிப்படையில் மொத்த பொருள் ஆர்டர்கள், நிலையான மேல்நிலையாக ஆற்றல் நுகர்வு. ஃபாஸ்டென்னர் தயாரிப்பு வசதியில் ஒரு திட்டத்தை நான் நினைவு கூர்கிறேன், இது போன்ற ஒரு பெரிய வீரர் மூலம் நீங்கள் கண்டறிவது போல் அல்ல ஹண்டன் ஜிட்டாய் ஃபாஸ்டென்சர் உற்பத்தி நிறுவனம், லிமிடெட். Yongnian இல், சீனாவின் நிலையான பகுதி உற்பத்தியின் இதயம். அவர்களின் சவால் பொதுவானது: அதிக வலிமை கொண்ட போல்ட்களின் ஒரு தொகுதிக்கு மூல எஃகு கம்பி நுகர்வில் குறிப்பிடத்தக்க மாறுபாடு, செலவு மற்றும் ஸ்கிராப் உலோக கழிவு ஆகிய இரண்டிற்கும் வழிவகுக்கிறது. இயந்திரங்கள் இயங்கும் விதம் தான் அது என்று அனுமானம் இருந்தது.

ஒப்பீட்டளவில் எளிமையான இயந்திர பார்வை மற்றும் சென்சார் வரிசைகளை குளிர் ஃபோர்ஜிங் ஹெடர்கள் மற்றும் த்ரெட் ரோலர்களில் பயன்படுத்தினோம். AI இன் வேலை இயந்திரத்தைக் கட்டுப்படுத்துவது அல்ல, ஆனால் ஒவ்வொரு துண்டின் இறுதி அலகு எடை மற்றும் தரத்துடன் சுற்றுப்புற வெப்பநிலை, கம்பி ஊட்ட வேகம், இறக்கும் குறிகாட்டிகள், உயவு அழுத்தம் போன்ற ஆயிரக்கணக்கான தரவு புள்ளிகளை தொடர்புபடுத்துவதாகும். சில வாரங்களுக்குள், முறை வெளிப்பட்டது: கம்பி ஊட்ட பொறிமுறையில் ஒரு குறிப்பிட்ட, நுட்பமான ஏற்ற இறக்கம், ஷிப்ட் மாற்றங்களின் போது அதிகரித்தது, ஒரு நிலையான 1.8% அதிக நுகர்வை ஏற்படுத்தியது. இது யாரும் பதிவு செய்த தவறு அல்ல; ஒவ்வொரு கிலோகிராம் பொருளின் மீதும் அது மறைமுக வரியாக இருந்தது.

திருத்தம் AI அல்ல. பிழைத்திருத்தம் ஒரு இயந்திர சரிசெய்தல் மற்றும் ஆபரேட்டரின் செயல்முறைக்கு ஒரு மாற்றமாகும். AI நோயறிதலை வழங்கியது. இது முதல் நிலை ஊக்கம்: ஒரு தத்துவ இலக்கிலிருந்து நிலைத்தன்மையை துல்லியமான, அளவிடக்கூடிய பொறியியல் சிக்கலாக மாற்றுதல். இது உரையாடலை நகர்த்துகிறது, நாம் பொருளைச் சேமிக்க வேண்டும் என்பதிலிருந்து, Y காரணத்தால் X புள்ளியில் 1.8% பொருளை இழக்கிறோம்.

ஆற்றல்: நிலையான செலவில் இருந்து டைனமிக் மாறி வரை

குறைந்த தொங்கும் பழங்கள் நிறைந்த மற்றொரு பகுதி ஆற்றல் மேலாண்மை. பல உற்பத்தியாளர்கள், குறிப்பாக வெப்ப சிகிச்சை அல்லது எலக்ட்ரோபிளேட்டிங் போன்ற ஆற்றல்-தீவிர செயல்முறைகளில்-ஹாண்டனைச் சுற்றியுள்ள ஃபாஸ்டென்னர் தொழிற்துறை கிளஸ்டரில் பொதுவானது-சக்தியை ஒரு ஒற்றை பில்லாகக் கருதுகின்றனர். அவை மலிவான கட்டண சாளரங்களுடன் சீரமைக்கப்பட்ட நிலையான அட்டவணையில் அத்தியாவசியமற்ற கம்ப்ரசர்கள் அல்லது உலை முன் வெப்ப சுழற்சிகளை இயக்கலாம், ஆனால் அதுவே பெரும்பாலும் வரம்பு.

நிகழ்நேர ஆற்றல் கண்காணிப்பு அமைப்புடன் AI-உந்துதல் முன்கணிப்பு சுமை சமநிலையை ஒருங்கிணைத்துள்ளோம். இது பயன்பாட்டு விகித அட்டவணையை மட்டும் பார்க்கவில்லை. இது ஒவ்வொரு உலையின் வெப்ப நிலைத்தன்மை, முலாம் கோடுகளிலிருந்து உண்மையான தேவை சமிக்ஞைகள் மற்றும் பிராந்திய ஆற்றல் கலவை தரவுகளின் அடிப்படையில் உள்ளூர் கட்ட கார்பன் தீவிரத்தை முன்னறிவித்தது. சிஸ்டம் பின்னர் பரிந்துரைக்கலாம்-பின்னர், தன்னிச்சையாக செயல்படுத்தலாம்-நுண்ணிய-தாமதங்கள் அல்லது முடுக்கம் அல்லாத முக்கியமான செயல்முறைகளில்.

எடுத்துக்காட்டாக, பணச் செலவு ஒரே மாதிரியாக இருந்தாலும், பிராந்திய கார்பன் தடம் அதிகமாக இருக்கும் உச்ச கட்டக் காலத்தைத் தவிர்க்க, ஃபாஸ்டென்ஸர்களை போஸ்ட் ஃபோர்ஜ் அனீலிங் வரிசையில் கூடுதலாக 20 நிமிடங்கள் வைத்திருக்க பரிந்துரைக்கலாம். நிலையான அட்டவணைகள் ஒருபோதும் செய்ய முடியாத வகையில் கார்பன்-குறைப்புடன் செலவு-சேமிப்பை இது சீரமைக்கிறது. சேமிப்புகள் எந்த ஒரு மணி நேரத்திலும் வியத்தகு அளவில் இல்லை, ஆனால் கால் பகுதிக்கு மேல், உச்ச தேவைக் கட்டணங்கள் மற்றும் அதனுடன் தொடர்புடைய கார்பன் தடம் ஆகியவை கணிசமாகக் குறைக்கப்பட்டன. இது ஆற்றல் நுகர்வு ஒரு மாறும், பதிலளிக்கக்கூடிய மாறி, ஒரு பின்னணி அல்ல.

மனித-இன்-தி-லூப் குழப்பம்

இங்குதான் நீங்கள் ஒரு நடைமுறை சிக்கலைத் தாக்குகிறீர்கள். உகந்த மாதிரியானது ஒரு தொகுதியை தாமதப்படுத்துவதாகக் கூறலாம், ஆனால் மாடி மேலாளரிடம் மாலை 4 மணிக்கு ஒரு டிரக் வரும். தூய தேர்வுமுறை தளவாட யதார்த்தத்துடன் மோதலாம். நான் பார்த்த மிக வெற்றிகரமான செயலாக்கங்கள் இணக்க விகித அளவீட்டில் உருவாக்கப்பட்டுள்ளன. AI முன்மொழிகிறது, மனிதன் அப்புறப்படுத்துகிறான் மற்றும் கணினி மேலெழுதுதல்களிலிருந்து கற்றுக்கொள்கிறது. காலப்போக்கில், ஷிப்பிங் அட்டவணைகள் ஒரு மாறாத தடையாக இருப்பதை கணினி கண்டால், அது முன்னதாகவே காரணியாக்கத் தொடங்குகிறது. இது ஒரு ஒத்துழைப்பு, கையகப்படுத்தல் அல்ல. இந்த குழப்பமான, மீண்டும் செயல்படும் ட்யூனிங்தான் கல்வித் திட்டங்களை நிஜ உலகக் கருவிகளிலிருந்து பிரிக்கிறது.

முன்கணிப்பு பராமரிப்பு: வளத் திறனின் மூலைக்கல்

இது மிகவும் முதிர்ந்த பயன்பாடாக இருக்கலாம், ஆனால் அதன் நிலைத்தன்மை கோணம் சில நேரங்களில் குறைவாகவே உள்ளது. இது வேலையில்லா நேரத்தைத் தவிர்ப்பது மட்டுமல்ல. அதிவேக கம்பி வரைதல் இயந்திரத்தில் தோல்வியுற்ற தாங்கி மட்டும் உடைவதில்லை; இது முதலில் அதிக உராய்வுகளை ஏற்படுத்துகிறது, வாரங்களுக்கு ஆற்றல் இழுவை அதிகரிக்கிறது. சற்றே தவறாக அமைக்கப்பட்ட இறப்பு மட்டும் படவில்லை; இது துணை மேற்பரப்பு குறைபாடுகளின் உயரும் சதவீதத்தை உருவாக்குகிறது, முழு ஆற்றல் மற்றும் பொருட்களை முதலீடு செய்த பிறகு தர சோதனைகள் தோல்வியடையும் பகுதிகளுக்கு வழிவகுக்கிறது.

அதிர்வு, ஒலியியல் மற்றும் வெப்பப் பகுப்பாய்வைப் பயன்படுத்தி திட்டமிடப்பட்டதிலிருந்து நிபந்தனை அடிப்படையிலான பராமரிப்புக்கு நகர்வதன் மூலம், AI மாதிரிகள் செயல்முறைகளின் மெதுவான, வீணான சிதைவைத் தடுக்கின்றன. மாடல் அதன் மின் கையொப்பத்தில் ஏற்பட்ட நுட்பமான மாற்றத்தின் அடிப்படையில் கவனம் செலுத்துவதற்காக அமுக்கியைக் கொடியிட்ட ஒரு சந்தர்ப்பம் எனக்கு நினைவிருக்கிறது. அனைத்து நிலையான அளவீடுகளின்படி பராமரிப்புப் பதிவு நன்றாக இருப்பதாகக் காட்டியது. பரிசோதித்தபோது, ​​ஒரு சிறிய வால்வு ஒட்டிக்கொண்டது, இதனால் அலகு அழுத்தத்தை பராமரிக்க 7% கடினமாக வேலை செய்தது. அதாவது, ஒவ்வொரு மணி நேரத்துக்கும் 7% கூடுதல் மின்சாரம், அடுத்த திட்டமிடப்பட்ட சேவை வரை இன்னும் மூன்று மாதங்களுக்குத் தவறியிருக்கும் பிரச்சனை.

இங்கு நிலைத்தன்மை ஆதாயம் இரு மடங்கு: இது சிதைக்கும் உபகரணங்களால் வீணாகும் ஆற்றலைப் பாதுகாக்கிறது மற்றும் மூலதனச் சொத்தின் மொத்த சேவை வாழ்க்கையை நீட்டிக்கிறது, இயந்திரத்தை உற்பத்தி செய்வதற்கும் மாற்றுவதற்கும் சுற்றுச்சூழல் செலவைக் குறைக்கிறது. உபகரணங்களை உடைக்கும் வரை இயங்கும் ஒன்றாகக் கருதுவதிலிருந்து, அதன் செயல்திறன் தொடர்ந்து பாதுகாக்கப்பட வேண்டிய ஒரு அமைப்பாகக் கருதுவதற்கு இது ஒரு ஆழமான மாற்றமாகும்.

சப்ளை செயின் மற்றும் டிசைன்: தி அப்ஸ்ட்ரீம் லீவரேஜ்

தொழிற்சாலை வாயிலுக்கு அப்பால் செல்வாக்கு நீண்டுள்ளது. பெய்ஜிங்-குவாங்சூ இரயில்வே போன்ற முக்கிய போக்குவரத்துத் தமனிகளுக்கு அருகில் இருக்கும் Zitai Fasteners போன்ற உற்பத்தியாளர்களுக்கு, ஒரு தளவாடச் சாதகமாக இருக்கும், AI ஆனது நிலைத்தன்மைக்கு அந்த நன்மையை மேம்படுத்த முடியும். மேம்பட்ட திட்டமிடல் அமைப்புகள் இப்போது செலவு மற்றும் நேரத்தை மட்டுமல்ல, வெவ்வேறு போக்குவரத்து முறைகள் மற்றும் பாதைகளின் கார்பன் தடம், பசுமையான ஆனால் மெதுவான கப்பல் விருப்பங்களுக்கு எதிராக சரக்கு நிலைகளை சமநிலைப்படுத்துகிறது.

மிகவும் நுட்பமாக, வாடிக்கையாளர்களுடன் இணைந்து பயன்படுத்தப்படும் ஜெனரேட்டிவ் டிசைன் அல்காரிதம்கள், பகுதி மேம்படுத்தல்களை பரிந்துரைக்கலாம். ஒரு சிறிய வடிவமைப்பு மாற்றம் செய்யப்பட்டால், அடைப்புக்குறி குறைவான பொருளைப் பயன்படுத்த முடியுமா? உற்பத்தி அளவுருக்கள் சரிசெய்யப்பட்டால், குறைந்த ஆற்றல் மிகுந்த உற்பத்தி செயல்முறையுடன் வேறு தரமான எஃகு போதுமானதா? இங்குதான் AI ஆனது நிலையான வடிவமைப்பு-உற்பத்தி உரையாடல்களுக்கான ஊக்கியாக செயல்படுகிறது, உற்பத்தி வரிசைக்கு முன்பே பொருள் மற்றும் ஆற்றல் சுமைகளைக் குறைக்கும். இது மதிப்புச் சங்கிலியில் நிலைத்தன்மையை மேல்நோக்கி நகர்த்துகிறது.

தடுமாற்றங்கள் மற்றும் யதார்த்தமான எதிர்பார்ப்புகள்

இது எல்லாம் சுமூகமாக இருக்கவில்லை. நான் கண்ட மிகப் பெரிய தோல்வி பயன்முறை கடல் அணுகுமுறை: முதல் நாளிலிருந்து ஒரு சரியான, தாவர அளவிலான டிஜிட்டல் இரட்டையை உருவாக்க முயற்சிப்பது. தரவு உள்கட்டமைப்பு நொறுங்குகிறது, மாதிரிகள் மிகவும் சிக்கலானதாக மாறும், மேலும் திட்டம் அதன் சொந்த எடையின் கீழ் இறக்கிறது. வெற்றி என்பது ஒரு ஒற்றை, வலிமிகுந்த கழிவுப் பாய்ச்சலைத் தேர்ந்தெடுத்து, அதைத் தீர்ப்பதில் இருந்து வருகிறது. மதிப்பை நிரூபிக்கவும், பின்னர் அளவிடவும்.

மற்றொரு சிக்கல் தரவு தரம். பழைய உற்பத்தி முறைகளில், வேறுபட்ட PLCகள் மற்றும் கையேடு பதிவுகளிலிருந்து சுத்தமான, நேர-ஒத்திசைக்கப்பட்ட தரவைப் பெறுவது ஒரு முக்கியமான பணியாகும். சில நேரங்களில், ஆரம்ப திட்டத்தில் 80% நம்பகமான தரவுக் குழாயை உருவாக்குகிறது. நீங்கள் கலாச்சார எதிர்ப்பையும் எதிர்கொள்கிறீர்கள்; AI இன் பரிந்துரை ஆற்றலைச் சேமிக்கிறது, ஆனால் ஒரு ஆபரேட்டருக்கு ஒரு படி சேர்த்தால், அது அவர்களின் வேலையை எளிதாக்கும் அல்லது நீண்ட காலத்திற்கு இன்னும் சீரானதாக இருக்கும் வரை அது புறக்கணிக்கப்படும்.

எனவே, AI எவ்வாறு உண்மையில் நிலைத்தன்மையை அதிகரிக்கிறது? இது மந்திரக்கோல் அல்ல. இது ஒரு பூதக்கண்ணாடி மற்றும் இடைவிடாத கால்குலேட்டர். நாம் வாழக் கற்றுக்கொண்ட மறைக்கப்பட்ட, விலையுயர்ந்த திறமையின்மை-கூடுதல் கிலோவாட்-மணிநேரம், வீணான கிராம் எஃகு, ஒரு இயந்திரத்தின் மெதுவான சிதைவு ஆகியவற்றின் மீது இது வெளிச்சம் போடுகிறது. சிறந்த செயல்முறைகளில் முதலீடுகளை நியாயப்படுத்துவதற்குத் தேவையான ஆதாரங்களை இது வழங்குகிறது மற்றும் மனிதர்கள் புத்திசாலித்தனமான, அதிக தகவலறிந்த முடிவுகளை எடுக்க அதிகாரம் அளிக்கிறது, இது விஷயங்களை உருவாக்கும் சுற்றுச்சூழல் தடயத்தை கூட்டாக சுருக்குகிறது. ஊக்கமானது ஒட்டுமொத்தமாக, மீண்டும் செயல்படும் மற்றும் ஆழமான நடைமுறை. இது போர்டுரூமில் உள்ள அறிக்கையிலிருந்து நிலையான உற்பத்திக்கான லட்சியத்தை கடை தளத்தில் தினசரி நடைமுறையாக மாற்றுகிறது.