AI เพิ่มความยั่งยืนในการผลิตได้อย่างไร 

เมื่อผู้คนได้ยิน AI ในการผลิต พวกเขามักจะกระโดดไปสู่วิสัยทัศน์ของโรงงานที่เป็นอิสระอย่างสมบูรณ์และไฟดับ นั่นเป็นเป้าหมายที่ฉูดฉาด แต่ไม่ใช่จุดที่งานอันหนักหน่วงและจริงจังในการส่งเสริมความยั่งยืนกำลังเกิดขึ้นในปัจจุบัน ผลกระทบที่แท้จริงนั้นมีความละเอียดอ่อนมากขึ้น ซึ่งมักจะซ่อนอยู่ในความพยายามในแต่ละวันในการเพิ่มประสิทธิภาพการใช้พลังงาน ลดการสูญเสียวัสดุ และทำให้ห่วงโซ่อุปทานวุ่นวายน้อยลง มันไม่ได้เกี่ยวกับหุ่นยนต์ที่จะเข้ามาแทนที่ แต่เกี่ยวกับระบบอัจฉริยะที่ให้การมองเห็นแบบละเอียดที่เราขาดมาโดยตลอดในการตัดสินใจที่ทั้งประหยัดและเป็นมิตรต่อสิ่งแวดล้อม ความเชื่อมโยงระหว่าง AI และความยั่งยืนไม่ได้เกิดขึ้นโดยอัตโนมัติ มันต้องมีการเปลี่ยนแปลงโดยเจตนาในสิ่งที่เราเลือกที่จะวัดและควบคุม

เหนือความคาดหมาย: พลังงานเป็นพรมแดนแรก

เริ่มจากเรื่องพลังงาน ซึ่งเป็นต้นทุนที่ตรงที่สุดและปริมาณการปล่อยก๊าซคาร์บอนไดออกไซด์ เป็นเวลาหลายปีที่เราอาศัยการบำรุงรักษาตามกำหนดการและระดับประสิทธิภาพในช่วงกว้าง ผู้เปลี่ยนเกมคือการฝังเซ็นเซอร์และใช้ AI เพื่อเพิ่มประสิทธิภาพพลังงานเชิงคาดการณ์ ฉันไม่ได้พูดถึงแค่การปิดเครื่อง เป็นเรื่องเกี่ยวกับความเข้าใจโหลดแบบไดนามิกของสายการผลิตทั้งหมด ตัวอย่างเช่น โมเดล AI สามารถเรียนรู้ว่าแท่นประทับตราเฉพาะดึงพลังงานที่เพิ่มขึ้นไม่เพียงระหว่างการทำงาน แต่เป็นเวลา 15 นาทีหลังจากนั้น ในขณะที่ระบบทำความเย็นทำงาน ด้วยการวิเคราะห์กำหนดการผลิต จึงสามารถแนะนำความล่าช้าเล็กน้อยระหว่างชุดต่างๆ เพื่อหลีกเลี่ยงการดึงจุดสูงสุดพร้อมกันจากการกดหลายครั้ง ซึ่งจะทำให้เส้นโค้งพลังงานเรียบลงโดยไม่กระทบต่อปริมาณงาน นี่ไม่ใช่เรื่องเชิงทฤษฎี ฉันเคยเห็นมันลดค่าไฟลง 8-12% ในโรงหลอมโลหะซึ่งมีขนาดใหญ่มาก

ส่วนที่ยุ่งยากคือคุณภาพของข้อมูล คุณต้องมีข้อมูลอนุกรมเวลาแบบละเอียดจากเครื่องจักร สถานีย่อย และแม้แต่กริด หากเป็นไปได้ โครงการหนึ่งที่ล้มเหลวในช่วงแรกคือการพยายามเพิ่มประสิทธิภาพเตาบำบัดความร้อนโดยไม่มีเครื่องวัดการไหลของก๊าซที่แม่นยำ โดยพื้นฐานแล้วโมเดล AI เป็นเพียงการคาดเดา และการเพิ่มประสิทธิภาพอาจเสี่ยงต่อคุณสมบัติทางโลหะวิทยาของชิ้นส่วนต่างๆ เราเรียนรู้วิธีที่ยากลำบาก: คุณไม่สามารถจัดการสิ่งที่คุณไม่สามารถวัดได้อย่างแม่นยำ AI นั้นดีพอ ๆ กับอินพุตทางประสาทสัมผัสที่ได้รับเท่านั้น

สิ่งนี้นำไปสู่จุดที่ละเอียดอ่อน: AI มักจะปรับการใช้เครื่องมือที่ลึกซึ้งยิ่งขึ้น เพื่อสร้างกรณีความยั่งยืนสำหรับ AI คุณต้องลงทุนในการวัดแสงที่ดีขึ้นก่อน มันเป็นวงจรที่มีคุณธรรม เมื่อคุณมีสตรีมข้อมูลนั้นแล้ว คุณสามารถย้ายจากการทำนายไปสู่การดำเนินการตามที่กำหนดได้ เช่น การปรับค่าความดันของคอมเพรสเซอร์โดยอัตโนมัติตามความต้องการแบบเรียลไทม์ในเครือข่ายนิวแมติก ซึ่งเป็นสิ่งที่ถูกกำหนดไว้เสมอสำหรับสถานการณ์ที่เลวร้ายที่สุด ซึ่งสิ้นเปลืองพลังงานจำนวนมหาศาล

สงครามกับขยะ: จากกองขยะสู่ Digital Twins

ของเสียที่เป็นวัสดุถือเป็นการสูญเสียทางการเงินและสิ่งแวดล้อมอย่างแท้จริง ในการผลิตสปริง เหมือนกับที่บริษัทเช่น Handan Zitai Fastener Manufacturing Co., Ltd. ตั้งอยู่ในฐานการผลิตชิ้นส่วนมาตรฐานที่สำคัญของจีน วิธีการแบบดั้งเดิมเกี่ยวข้องกับการตรวจสอบหลังการผลิต: มีการผลิตแบทช์ บางส่วนถูกสุ่มตัวอย่าง และหากพบข้อบกพร่อง ล็อตทั้งหมดอาจถูกทิ้งหรือนำกลับมาทำงานใหม่ นั่นสิ้นเปลืองอย่างไม่น่าเชื่อ

คอมพิวเตอร์วิทัศน์สำหรับการตรวจจับข้อบกพร่องแบบเรียลไทม์กลายเป็นเดิมพันหลักแล้ว แต่การใช้ AI อย่างลึกซึ้งยิ่งขึ้นคือการเพิ่มประสิทธิภาพพารามิเตอร์กระบวนการเพื่อป้องกันของเสียไม่ให้ถูกสร้างขึ้นตั้งแต่แรก ด้วยการป้อนข้อมูลจากกระบวนการป้อนเย็น เช่น เส้นผ่านศูนย์กลางของเส้นลวด อุณหภูมิ ความเร็วของเครื่องจักร การสึกหรอของแม่พิมพ์ ลงในแบบจำลอง เราสามารถคาดการณ์โอกาสที่ส่วนหัวจะแตกหรือความไม่ถูกต้องของมิติได้ก่อนที่จะสร้างชิ้นงานชิ้นเดียว จากนั้นระบบสามารถแนะนำให้ทำการปรับเปลี่ยน เช่น เพิ่มอุณหภูมิการหลอมเพิ่มขึ้นเล็กน้อยหรืออัตราการป้อนที่ลดลง

ฉันนึกถึงโปรเจ็กต์ที่เราสร้างเงาดิจิทัล (เวอร์ชันที่เรียบง่ายกว่าของดิจิทัลแฝดเต็มรูปแบบ) สำหรับสายการผลิตโบลต์ เป้าหมายคือเพื่อลดการสูญเสียการตัดแต่งให้เหลือน้อยที่สุด – ลวดที่เหลือหลังจากตัดสลักเกลียว ด้วยการวิเคราะห์พอร์ตโฟลิโอคำสั่งซื้อและข้อจำกัดของเครื่องจักร ระบบกำหนดเวลา AI สามารถจัดลำดับคำสั่งซื้อเพื่อใช้ขดลวดได้สมบูรณ์ยิ่งขึ้น ช่วยลดของเสียในการตัดจากค่าเฉลี่ย 3.2% เหลือต่ำกว่า 1.7% ฟังดูเล็กน้อย แต่สำหรับเหล็กนับพันตันต่อปี การประหยัดวัตถุดิบและการปล่อยก๊าซคาร์บอนที่เกี่ยวข้องจากการผลิตเหล็กนั้นมีอยู่อย่างมาก คุณจะเห็นว่าบริษัทต่างๆ ในศูนย์กลางอย่างเขตหยงเหนียนซึ่งมีผลผลิตปริมาณมาก จะได้รับผลประโยชน์มหาศาลจากการเพิ่มประสิทธิภาพแบบละเอียดดังกล่าวได้อย่างไร

ความยืดหยุ่นของห่วงโซ่อุปทานและรอยเท้าคาร์บอน

นี่คือจุดที่มันซับซ้อน ห่วงโซ่อุปทานที่ยั่งยืนไม่ใช่แค่การเลือกซัพพลายเออร์ที่เป็นมิตรต่อสิ่งแวดล้อมเท่านั้น แต่เป็นเรื่องของประสิทธิภาพและความยืดหยุ่นเพื่อหลีกเลี่ยงการขนส่งสินค้าทางอากาศที่ก่อให้เกิดคาร์บอนในปริมาณมากในกรณีฉุกเฉิน การคาดการณ์ความต้องการที่ขับเคลื่อนด้วย AI เมื่อได้ผล จะทำให้การผลิตราบรื่นขึ้น ลดความจำเป็นในการทำงานล่วงเวลา (ซึ่งมักจะหมายถึงการทำงานที่มีประสิทธิภาพน้อยลงและใช้พลังงานมาก) และการสั่งซื้อที่ตื่นตระหนก

เราบูรณาการการวิเคราะห์ความเสี่ยงของห่วงโซ่อุปทานแบบหลายระดับเข้ากับการเพิ่มประสิทธิภาพด้านลอจิสติกส์สำหรับลูกค้า ระบบจะตรวจสอบสภาพอากาศ ความแออัดของท่าเรือ และแม้กระทั่งการผสมผสานพลังงานในภูมิภาคของซัพพลายเออร์ (เช่น ปัจจุบันกริดของพวกเขาทำงานโดยใช้ถ่านหินหรือพลังงานหมุนเวียนหรือไม่) โดยแนะนำให้เปลี่ยนเส้นทางการจัดส่งเป็นการขนส่งทางทะเลที่ช้ากว่าแต่ปล่อยก๊าซเรือนกระจกน้อยลงเมื่อกำหนดเวลาได้ หรือรวมน้ำหนักบรรทุกเพื่อเติมตู้คอนเทนเนอร์ให้มีความจุ 98% แทนที่จะเป็น 85% โดยทั่วไป ที่ ความยั่งยืน กำไรที่นี่เป็นทางอ้อมแต่ทรงพลัง โดยฝังประสิทธิภาพของคาร์บอนไว้ในการตัดสินใจด้านลอจิสติกส์ในแต่ละวัน

โหมดความล้มเหลวที่นี่มีการปรับให้เหมาะสมมากเกินไป โมเดลหนึ่งแนะนำให้ใช้ซัพพลายเออร์รายเดียวที่เป็นมิตรกับสิ่งแวดล้อมมากแต่มีกำลังการผลิตจำกัดเพื่อลดการปล่อยก๊าซจากการขนส่ง ไม่สามารถคำนึงถึงความเสี่ยงในการปิดระบบ ซึ่งในที่สุดก็เกิดขึ้น ส่งผลให้ต้องแย่งชิงซัพพลายเออร์หลายรายที่มีความเหมาะสมน้อยกว่า บทเรียนคือวัตถุประสงค์ด้านความยั่งยืนต้องสมดุลกับข้อจำกัดด้านความแข็งแกร่งในการทำงานตามวัตถุประสงค์ของ AI คุณไม่สามารถลดคาร์บอนให้เหลือน้อยที่สุดได้ คุณต้องบริหารความเสี่ยง

องค์ประกอบของมนุษย์: การตัดสินใจแบบเสริม

นี่เป็นสิ่งสำคัญ AI ไม่ได้บริหารโรงงาน ผู้คนทำ การใช้งานที่มีประสิทธิภาพที่สุดที่ฉันเคยเห็นคือโดยที่ AI ทำหน้าที่เป็นที่ปรึกษา บ่งบอกถึงความผิดปกติ: การใช้พลังงานต่อหน่วยในบรรทัดที่ 3 สูงกว่าเกณฑ์มาตรฐานสำหรับส่วนประสมผลิตภัณฑ์ในปัจจุบันถึง 18% สาเหตุที่เป็นไปได้: การสึกหรอของแบริ่งในมอเตอร์สายพานลำเลียง B-12 การสูญเสียประสิทธิภาพโดยประมาณ 22% ช่วยให้ทีมบำรุงรักษามีงานที่ตรงเป้าหมายและจัดลำดับความสำคัญ โดยมีความยั่งยืนและผลกระทบด้านต้นทุนที่ชัดเจน

สิ่งนี้ทำให้วัฒนธรรมเปลี่ยนไป ความยั่งยืนหยุดเป็น KPI ที่แยกจากประสิทธิภาพการผลิต เมื่อผู้จัดการฝ่ายเห็นว่าการเพิ่มประสิทธิภาพสำหรับอัตราของเสียที่ลดลงยังช่วยลดพลังงานและการใช้วัตถุดิบต่อชิ้นส่วนที่ดี เป้าหมายก็สอดคล้องกัน การฝึกอบรม AI ยังฝึกอบรมผู้คนด้วย ในการติดป้ายกำกับข้อมูลสำหรับโมเดลการตรวจจับข้อบกพร่อง วิศวกรคุณภาพจะต้องวิเคราะห์โหมดความล้มเหลวอย่างลึกซึ้ง กระบวนการนี้มักจะนำไปสู่การปรับปรุงกระบวนการก่อนที่จะปรับใช้แบบจำลองด้วยซ้ำ

การต่อต้านเป็นเรื่องธรรมชาติ มีความกลัวคำแนะนำกล่องดำที่ถูกต้อง นั่นเป็นเหตุผลว่าทำไมการอธิบายจึงเป็นสิ่งสำคัญ หากระบบบอกว่าลดอุณหภูมิเตาเผาลง 15°C ก็จะต้องให้เหตุผลด้วย: ข้อมูลในอดีตแสดงการทำงานด้วยพารามิเตอร์ X และ Y ที่อุณหภูมิต่ำกว่านี้ ส่งผลให้มีความแข็งเท่ากันโดยใช้ก๊าซธรรมชาติน้อยลง 8% สิ่งนี้สร้างความไว้วางใจและเปลี่ยน AI ให้เป็นเครื่องมือในการทำงานร่วมกันเพื่อความยั่งยืน การผลิต.

มองไปข้างหน้า: ความท้าทายในการบูรณาการ

อนาคตไม่ได้อยู่ในแอปพลิเคชัน AI แบบสแตนด์อโลนสำหรับพลังงานหรือคุณภาพ อยู่ในการปรับกระบวนการให้เหมาะสมแบบบูรณาการที่สร้างสมดุลระหว่างวัตถุประสงค์หลายประการซึ่งบางครั้งก็แข่งขันกัน: ปริมาณงาน ผลผลิต การใช้พลังงาน การสึกหรอของเครื่องมือ และรอยเท้าคาร์บอน นี่เป็นปัญหาการปรับให้เหมาะสมหลายวัตถุประสงค์ซึ่งอยู่นอกเหนือการคำนวณของมนุษย์แบบเรียลไทม์

เรากำลังนำร่องระบบที่รับคำสั่งซื้อของลูกค้าและกำหนดเส้นทางการผลิตที่ยั่งยืนที่สุดแบบไดนามิก ตัวยึดชุดนี้ควรทำบนสายการผลิตที่เก่ากว่าและช้ากว่าซึ่งขณะนี้ใช้พลังงานจากแผงโซลาร์เซลล์ใหม่ของโรงงาน หรือบนสายการผลิตที่ใหม่กว่าและเร็วกว่าซึ่งใช้พลังงานจากโครงข่าย แต่มีอัตราของเสียต่ำกว่า AI สามารถคำนวณผลกระทบคาร์บอนสุทธิ รวมถึงคาร์บอนที่รวมอยู่ในเศษซากที่อาจเกิดขึ้น และแนะนำเส้นทางที่เหมาะสมที่สุดอย่างแท้จริง นี่คือการคิดขั้นต่อไป

อุปสรรคสุดท้ายคือการบูรณาการการประเมินวงจรชีวิต ของจริง เพิ่ม สู่ความยั่งยืนจะเกิดขึ้นเมื่อ AI ในการผลิตสามารถเข้าถึงข้อมูลเกี่ยวกับผลกระทบตลอดวงจรชีวิตของวัสดุและกระบวนการต่างๆ การเลือกระหว่างการชุบสังกะสีและการเคลือบโพลีเมอร์ใหม่ไม่ใช่แค่การตัดสินใจด้านต้นทุนเท่านั้น เป็นการตัดสินใจเกี่ยวกับการใช้สารเคมี ความทนทาน และการรีไซเคิลเมื่อหมดอายุการใช้งาน เรายังไปไม่ถึงจุดนั้น แต่งานพื้นฐาน การทำให้กระบวนการต่างๆ กลายเป็นดิจิทัล มีเครื่องมือ และอยู่ภายใต้การควบคุมแบบปรับเปลี่ยนได้ คือสิ่งที่ทำให้อนาคตนั้นเป็นไปได้ เป็นเส้นทางยาวไกลที่ไม่สวยงามในการแก้ปัญหาเล็กๆ น้อยๆ และสิ้นเปลืองไปทีละครั้ง