AI thúc đẩy tính bền vững của công nghiệp như thế nào? 

Khi mọi người nói về AI và tính bền vững, cuộc trò chuyện thường chuyển thẳng sang tầm nhìn tương lai: lưới điện tự trị, thành phố tự tối ưu hóa. Trong các lĩnh vực sản xuất thực tế, thực tế ngày càng nghiệt ngã và gia tăng. Sự thúc đẩy thực sự không phải là việc thay thế con người bằng robot; đó là về việc tăng cường khả năng ra quyết định trong các hệ thống nổi tiếng là lãng phí và thiếu minh bạch. Quan niệm sai lầm cho rằng tính bền vững chỉ là sử dụng ít năng lượng hơn. Nó sâu hơn—đó là về trí tuệ tài nguyên hệ thống, từ nguyên liệu thô đến hậu cần, và đó là nơi các mô hình học máy, chứ không chỉ AI thông thường, đang âm thầm thay đổi trò chơi.

Nền tảng: Độ trung thực của dữ liệu và Tầng nhà máy tối

Bạn không thể quản lý những gì bạn không thể đo lường được và trong nhiều năm, tính bền vững trong công nghiệp chỉ là phỏng đoán. Đúng là chúng tôi đã có hóa đơn năng lượng, nhưng việc liên hệ giữa mức tiêu thụ tăng đột biến với một lô cụ thể trên dây chuyền sản xuất 3 thường là không thể. Bước đầu tiên không mấy hấp dẫn là tăng cường cảm biến và lịch sử hóa dữ liệu. Tôi đã thấy các nhà máy lắp đặt cảm biến nhiệt và rung đơn giản trên các hệ thống máy nén cũ đã bộc lộ sự thiếu hiệu quả theo chu kỳ khiến lãng phí 15% lượng điện tiêu thụ của chúng. Quá trình tăng cường AI bắt đầu từ đây: tạo ra một bộ đôi kỹ thuật số có độ chính xác cao về dòng năng lượng và vật chất. Nếu không có nền tảng này, mọi tuyên bố về tính bền vững chỉ là tiếp thị.

Đây không phải là plug-and-play. Rào cản lớn nhất là silo dữ liệu. Dữ liệu sản xuất nằm trong MES, dữ liệu chất lượng trong hệ thống khác và dữ liệu năng lượng từ đồng hồ tiện ích. Có được chế độ xem đồng bộ hóa theo thời gian là một cơn ác mộng. Chúng tôi đã dành nhiều tháng cho một dự án chỉ xây dựng đường dẫn dữ liệu trước khi có thể đào tạo bất kỳ mô hình nào. Chìa khóa không phải là một thuật toán cầu kỳ mà là một bản thể luận dữ liệu mạnh mẽ—gắn thẻ cho mọi điểm dữ liệu bằng ngữ cảnh (ID máy, bước xử lý, SKU sản phẩm). Tính chi tiết này là thứ cho phép phân tích tính bền vững có ý nghĩa sau này.

Hãy xem xét một nhà sản xuất dây buộc, như Công ty TNHH Sản xuất Fastener Handan Zitai.. Quá trình của họ bao gồm dập, xâu chuỗi, xử lý nhiệt và mạ. Mỗi giai đoạn có hồ sơ năng lượng và sản lượng vật chất khác nhau. Bằng cách trang bị thiết bị cho lò nung và bể mạ, họ có thể chuyển từ chi phí năng lượng trung bình hàng tháng sang chi phí năng lượng trên mỗi kg đầu ra. Đường cơ sở này rất quan trọng. Nó biến tính bền vững từ KPI của công ty thành một biến số trong dây chuyền sản xuất mà người quản lý sàn thực sự có thể tác động.

Bảo trì dự đoán: Quả thấp có rễ sâu

Hầu hết các cuộc thảo luận về vấn đề này đều bắt đầu bằng việc tránh thời gian chết. Góc độ bền vững hấp dẫn hơn: thất bại thảm hại gây lãng phí năng lượng và vật liệu. Vòng bi bị hỏng trong máy ép dập mô-men xoắn cao không chỉ bị gãy; nó gây ra sự sai lệch trong nhiều tuần, dẫn đến các bộ phận không đạt tiêu chuẩn kỹ thuật (lãng phí vật liệu) và tăng mức tiêu thụ điện năng. Chúng tôi đã triển khai mô hình phân tích rung động cho các hệ thống truyền động bằng động cơ. Mô hình này không chỉ dự đoán lỗi mà còn xác định các trạng thái hoạt động dưới mức tối ưu. Đây là phần tinh tế. Mô hình này đánh dấu một máy bơm vẫn đang hoạt động nhưng hiệu suất đã giảm 8%, có nghĩa là nó đang tiêu thụ nhiều dòng điện hơn để thực hiện công việc tương tự. Việc sửa chữa giúp tiết kiệm năng lượng và kéo dài tuổi thọ của động cơ, giảm lượng carbon thải ra khi thay thế.

Thất bại là do tất cả các thiết bị đều cần sự giám sát giống nhau. Chúng tôi đã lắp đặt thiết bị quá mức cho toàn bộ dây chuyền lắp ráp, việc này rất tốn kém và tạo ra dữ liệu nhiễu. Chúng tôi đã học cách phẫu thuật: tập trung vào những người tiêu dùng năng lượng cao và các nút chất lượng quan trọng. Đối với một công ty như Zitai, có vị trí gần các tuyến giao thông chính như Đường sắt Bắc Kinh-Quảng Châu ngụ ý tập trung vào hiệu quả hậu cần, việc áp dụng các mô hình dự đoán tương tự cho hệ thống HVAC và khí nén của họ—thường là nguồn tiêu hao năng lượng lớn nhất của nhà máy—sẽ giúp tiết kiệm carbon trực tiếp. các Chốt zitai website nêu bật quy mô sản xuất của họ; ở mức thể tích đó, việc giảm 2% rò rỉ khí nén, được xác định bằng mô hình luồng không khí, mang lại lợi ích lớn về tài chính và môi trường.

Có một sự thay đổi văn hóa ở đây. Đề xuất của mô hình để thay thế một bộ phận có vẻ ổn đòi hỏi phải có sự tin tưởng. Chúng tôi phải xây dựng các bảng thông tin đơn giản hiển thị mức lãng phí năng lượng dự kiến ​​tính bằng kWh và đô la để nhận được sự ủng hộ từ các nhóm bảo trì. Tính hữu hình này rất quan trọng cho việc áp dụng.

Tối ưu hóa quy trình: Vượt quá điểm đặt

Điều khiển quy trình truyền thống sử dụng vòng lặp PID để duy trì điểm đặt, chẳng hạn như nhiệt độ lò. Nhưng điểm đặt tối ưu cho một lô nhất định là gì? Nó phụ thuộc vào độ ẩm xung quanh, sự biến đổi của hợp kim nguyên liệu thô và độ bền kéo mong muốn. Các mô hình học máy có thể tối ưu hóa điều này một cách linh hoạt. Trong quy trình xử lý nhiệt, chúng tôi đã sử dụng mô hình học tăng cường để tìm ra khoảng nhiệt độ tối thiểu và thời gian ngâm cần thiết để đạt được các thông số kỹ thuật luyện kim. Kết quả là giảm 12% mức tiêu thụ khí đốt tự nhiên mỗi mẻ mà không ảnh hưởng đến chất lượng.

Việc bắt? Bạn cần xác định chức năng phần thưởng một cách cẩn thận. Ban đầu, chúng tôi tối ưu hóa hoàn toàn cho năng lượng và mô hình đề xuất nhiệt độ thấp hơn vô tình làm tăng tốc độ ăn mòn trong các giai đoạn mạ sau này—làm thay đổi gánh nặng môi trường. Chúng tôi phải áp dụng khung tối ưu hóa đa mục tiêu, cân bằng năng lượng, năng suất vật liệu và khả năng tồn tại của quy trình tiếp theo. Quan điểm tổng thể này là bản chất của sự bền vững công nghiệp thực sự; nó tránh tối ưu hóa phụ một khu vực gây thiệt hại cho khu vực khác.

Đối với một cơ sở sản xuất các bộ phận tiêu chuẩn, việc tối ưu hóa sản lượng hàng nghìn tấn như vậy chính là nơi tạo ra tác động vĩ mô. Nó chuyển tính bền vững từ phòng nồi hơi thành công thức cốt lõi của sản xuất.

Chuỗi cung ứng và hậu cần: Hiệu ứng mạng lưới

Đây là lúc mà tiềm năng của AI trở nên to lớn và khó chịu. Một nhà máy có thể hoạt động siêu hiệu quả, nhưng nếu chuỗi cung ứng của nó lãng phí thì lợi ích ròng sẽ bị hạn chế. AI tăng cường tính bền vững ở đây thông qua định tuyến và dự báo hàng tồn kho thông minh. Chúng tôi đã thực hiện một dự án nhằm tối ưu hóa hoạt động hậu cần đầu vào cho thép cuộn thô. Bằng cách phân tích vị trí của nhà cung cấp, lịch trình sản xuất và dữ liệu giao thông, một mô hình đã tạo ra các khoảng thời gian giao hàng giúp giảm thiểu thời gian nhàn rỗi của xe tải và cho phép tải đầy đủ hơn. Điều này làm giảm lượng khí thải Phạm vi 3 cho cả nhà sản xuất và nhà cung cấp.

Sự thất vọng đến từ việc chia sẻ dữ liệu. Các nhà cung cấp thường miễn cưỡng chia sẻ dữ liệu về năng lực hoặc vị trí theo thời gian thực. Bước đột phá không đến từ một thuật toán phức tạp hơn mà đến từ một sổ cái dựa trên blockchain đơn giản (được cấp phép, không phải tiền điện tử) ghi lại các cam kết mà không để lộ chi tiết độc quyền. Niềm tin, một lần nữa, lại là điểm nghẽn.

Công ty TNHH Sản xuất Fastener Handan Zitai.Vị trí chiến lược tiếp giáp với các tuyến đường cao tốc và đường sắt chính là tài sản hậu cần tự nhiên. Hệ thống do AI điều khiển có thể tối ưu hóa hoạt động hậu cần bên ngoài bằng cách tổng hợp linh hoạt các đơn đặt hàng và chọn phương thức vận chuyển có lượng carbon thấp nhất (đường sắt so với xe tải) dựa trên mức độ khẩn cấp, tận dụng lợi thế địa lý đó để giảm thiểu lượng khí thải carbon trên mỗi lô hàng.

Thông tin tuần hoàn và chất lượng

Con đường trực tiếp nhất dẫn đến sự bền vững là sử dụng ít vật liệu hơn và tạo ra ít chất thải hơn. Tầm nhìn máy tính để kiểm tra chất lượng là phổ biến nhưng mối liên hệ của nó với tính bền vững là rất sâu sắc. Một lỗ hổng được phát hiện sớm có nghĩa là một bộ phận có thể được làm lại hoặc tái chế tại nhà máy, tránh được chi phí năng lượng khi vận chuyển nó đến khách hàng, tránh bị từ chối và vận chuyển trở lại. Nâng cao hơn là sử dụng phân tích quang phổ trong quá trình sản xuất để dự đoán chất lượng, cho phép điều chỉnh quy trình theo thời gian thực. Chúng tôi đã thấy điều này trong một dây chuyền mạ: máy phân tích XRF đưa dữ liệu vào mô hình kiểm soát hóa học của bể mạ, giảm mức sử dụng kim loại nặng và chất thải bùn hơn 20%.

Sau đó là góc độ kinh tế tuần hoàn. AI có thể tạo điều kiện thuận lợi cho việc phân loại vật liệu để tái chế. Đối với ốc vít kim loại, việc phân loại khi hết tuổi thọ là một thách thức. Chúng tôi đã thử nghiệm một hệ thống sử dụng hình ảnh siêu phổ và CNN để tự động phân loại thép không gỉ khỏi phế liệu thép mạ kẽm, tăng độ tinh khiết và giá trị của nguyên liệu tái chế. Điều này làm cho việc đóng vòng nguyên liệu trở nên khả thi về mặt kinh tế.

Đối với một cơ sở sản xuất lớn, việc tích hợp thông tin chất lượng này trên toàn bộ phần tiêu chuẩn dây chuyền sản xuất có nghĩa là khai thác ít nguyên liệu thô hơn và ít chất thải được đưa đến bãi chôn lấp hơn. Nó biến việc kiểm soát chất lượng từ trung tâm chi phí thành động lực phát triển bền vững cốt lõi.

Yếu tố con người và vũng lầy thực hiện

Không ai trong số này hoạt động mà không có con người. Thất bại lớn nhất mà tôi từng chứng kiến ​​là dự án tối ưu hóa việc tắt đèn mà các kỹ sư đã thiết kế trong chân không. Các mô hình rất tuyệt vời, nhưng họ đã bỏ qua kiến ​​thức ngầm của những người vận hành, những người biết rằng Máy 4 chạy nóng vào những buổi chiều ẩm ướt. Hệ thống không thành công. Thành công đã đến khi chúng tôi xây dựng hệ thống tư vấn kết hợp. Mô hình đề xuất một điểm đặt nhưng người vận hành có thể phê duyệt, từ chối hoặc điều chỉnh điểm đặt đó và hệ thống sẽ học hỏi từ phản hồi đó. Điều này xây dựng niềm tin và thúc đẩy trực giác của con người.

Việc thực hiện là một cuộc chạy marathon. Nó đòi hỏi sự kiên nhẫn để xây dựng cơ sở hạ tầng dữ liệu, sự khiêm tốn khi bắt đầu với một dòng quy trình duy nhất và các nhóm đa chức năng kết hợp chuyên môn về OT, CNTT và tính bền vững. Mục tiêu không phải là một thông cáo báo chí sáng bóng được hỗ trợ bởi AI. Đó là hiệu ứng tích lũy, không hấp dẫn của hàng trăm tối ưu hóa nhỏ: lò nung ở đây giảm vài độ, tuyến đường xe tải được rút ngắn ở chỗ kia, tránh được một lô phế liệu. Đó là cách AI thực sự thúc đẩy tính bền vững của ngành—không phải bằng một tiếng vang lớn mà bằng một triệu điểm dữ liệu lặng lẽ định hướng một con đường phía trước hiệu quả hơn, ít lãng phí hơn.