Khi mọi người nghe thấy AI trong sản xuất, họ thường nghĩ ngay đến những nhà máy hoàn toàn tự động, không có ánh sáng - một lý tưởng hào nhoáng nhưng có phần gây hiểu lầm. Tác động thực sự, sâu sắc đến tính bền vững không phải là việc thay thế con người; đó là việc nâng cao khả năng của chúng tôi trong việc nhìn nhận và hành động đối với những hoạt động kém hiệu quả mà chúng tôi thường coi là chi phí hoạt động. Chính trong tình trạng mất năng lượng liên tục, vô hình, tiêu thụ quá mức nguyên liệu thô và chất thải có thể ngăn ngừa được mà AI nhận thấy vai trò có giá trị nhất của mình. Quan điểm của riêng tôi, được định hình bằng việc đi bộ trên các tầng nhà máy, là sự thúc đẩy không đến từ một giải pháp lớn duy nhất mà từ việc sắp xếp các biện pháp can thiệp thực tế, dựa trên dữ liệu vào các quy trình hiện có. Mục tiêu không phải là sự hoàn hảo mà là sự cải tiến lặp đi lặp lại, có thể đo lường được trong đó tính đến: điểm mấu chốt và dấu chân môi trường.

Ngoài sự cường điệu: Xác định các dòng chất thải

Điểm khởi đầu là khả năng hiển thị. Trong nhiều thập kỷ, những nỗ lực phát triển bền vững thường mang tính phỏng đoán - bảo trì theo lịch trình dù có cần thiết hay không, các đơn đặt hàng nguyên vật liệu số lượng lớn dựa trên mức trung bình trong quá khứ, mức tiêu thụ năng lượng như một chi phí cố định. Tôi nhớ lại một dự án tại một cơ sở sản xuất dây buộc, không khác gì những gì bạn thấy ở một công ty lớn như Công ty TNHH Sản xuất Fastener Handan Zitai. ở Yongnian, trung tâm sản xuất linh kiện tiêu chuẩn của Trung Quốc. Thách thức của họ là một thách thức chung: sự khác biệt đáng kể về mức tiêu thụ dây thép thô trên mỗi lô bu lông cường độ cao, dẫn đến lãng phí cả chi phí lẫn phế liệu kim loại. Giả định đó chỉ là cách máy móc vận hành.

Chúng tôi đã triển khai các mảng cảm biến và thị giác máy tương đối đơn giản trên các đầu rèn nguội và con lăn ren. Công việc của AI không phải là điều khiển máy mà là liên kết hàng nghìn điểm dữ liệu—nhiệt độ môi trường, tốc độ cấp dây, chỉ báo độ mòn khuôn, áp suất bôi trơn—với trọng lượng đơn vị cuối cùng và chất lượng của từng bộ phận. Trong vòng vài tuần, mô hình này đã xuất hiện: một biến động cụ thể, khó phát hiện trong cơ chế cấp dây, trở nên trầm trọng hơn khi đổi ca, đã gây ra mức tiêu thụ vượt quá 1,8% nhất quán. Đây không phải là lỗi mà bất kỳ ai đã đăng nhập; đó là một loại thuế ẩn đánh trên mỗi kg vật liệu.

Cách khắc phục không phải là AI. Cách khắc phục là điều chỉnh cơ học và điều chỉnh quy trình của người vận hành. AI đã cung cấp chẩn đoán. Đây là sự thúc đẩy cấp độ đầu tiên: biến tính bền vững từ mục tiêu triết học thành một vấn đề kỹ thuật chính xác, có thể định lượng được. Nó chuyển cuộc trò chuyện từ việc chúng ta nên tiết kiệm tài liệu sang việc chúng ta đang mất 1,8% tài liệu tại điểm X do nguyên nhân Y.

Năng lượng: Từ chi phí cố định đến biến động

Quản lý năng lượng là một lĩnh vực khác đầy rẫy những thành quả dễ đạt được. Nhiều nhà sản xuất, đặc biệt là trong các quy trình sử dụng nhiều năng lượng như xử lý nhiệt hoặc mạ điện—phổ biến trong cụm công nghiệp dây buộc xung quanh Hàm Đan—coi năng lượng như một hóa đơn nguyên khối. Họ có thể chạy các máy nén không cần thiết hoặc chạy các chu trình gia nhiệt trước theo lịch trình cố định phù hợp với khung giá rẻ nhất, nhưng đó thường là giới hạn.

Chúng tôi đã tích hợp tính năng cân bằng tải dự đoán dựa trên AI với hệ thống giám sát năng lượng theo thời gian thực. Nó không chỉ nhìn vào biểu giá tiện ích. Nó đã học được quán tính nhiệt của từng lò, tín hiệu nhu cầu thực tế từ dây chuyền mạ và thậm chí dự báo cường độ carbon của lưới điện địa phương dựa trên dữ liệu hỗn hợp năng lượng trong khu vực. Sau đó, hệ thống có thể đề xuất—và sau đó, tự động thực hiện—các độ trễ hoặc tăng tốc vi mô trong các quy trình không quan trọng.

Ví dụ: có thể đề xuất giữ một lô dây buộc trong hàng ủ sau rèn thêm 20 phút để tránh giai đoạn lưới điện cao điểm khi lượng khí thải carbon trong khu vực là cao nhất, ngay cả khi chi phí bằng tiền là tương tự. Điều này gắn kết việc tiết kiệm chi phí với giảm lượng carbon theo cách mà lịch trình cố định không bao giờ có thể thực hiện được. Khoản tiết kiệm không đáng kể chỉ trong một giờ, nhưng trong hơn một phần tư, mức giảm chi phí nhu cầu cao điểm và lượng khí thải carbon liên quan là đáng kể. Nó làm cho mức tiêu thụ năng lượng trở thành một biến số năng động, có khả năng đáp ứng chứ không phải là một phông nền.

Vấn đề nan giải của con người trong vòng lặp

Đây là nơi bạn gặp phải trở ngại thực tế. Mô hình tối ưu có thể nói là trì hoãn một lô, nhưng người quản lý sàn có xe tải đến lúc 4 giờ chiều. Tối ưu hóa thuần túy có thể xung đột với thực tế hậu cần. Những hoạt động triển khai thành công nhất mà tôi từng thấy được xây dựng dựa trên thước đo tỷ lệ tuân thủ. AI đề xuất, con người xử lý và hệ thống học hỏi từ các lần ghi đè. Theo thời gian, nếu hệ thống nhận thấy rằng lịch trình vận chuyển là một hạn chế không thể thay đổi, thì hệ thống sẽ bắt đầu tính đến điều đó sớm hơn. Đó là sự hợp tác, không phải là sự tiếp quản. Sự điều chỉnh lặp đi lặp lại lộn xộn này chính là điểm khác biệt giữa các dự án học thuật với các công cụ trong thế giới thực.

Bảo trì dự đoán: Nền tảng của hiệu quả tài nguyên

Đây có lẽ là ứng dụng trưởng thành nhất nhưng góc độ bền vững của nó đôi khi chưa được đánh giá đúng mức. Nó không chỉ là tránh thời gian chết. Vòng bi bị hỏng trong máy kéo dây tốc độ cao không chỉ bị gãy; đầu tiên nó gây ra ma sát gia tăng, làm tăng năng lượng tiêu thụ trong nhiều tuần. Một khuôn hơi lệch một chút không chỉ bị gãy; nó tạo ra tỷ lệ khuyết tật dưới bề mặt ngày càng tăng, dẫn đến các bộ phận không đạt yêu cầu kiểm tra chất lượng sau khi đã đầu tư toàn bộ năng lượng và vật liệu vào chúng.

Bằng cách chuyển từ bảo trì theo lịch trình sang bảo trì dựa trên tình trạng bằng cách sử dụng phân tích độ rung, âm thanh và nhiệt, các mô hình AI ngăn chặn sự xuống cấp chậm và lãng phí của các quy trình. Tôi nhớ một trường hợp trong đó mô hình đã gắn cờ máy nén để thu hút sự chú ý dựa trên sự thay đổi tinh tế trong tín hiệu điện của nó. Nhật ký bảo trì cho thấy nó ổn theo tất cả các số liệu tiêu chuẩn. Khi kiểm tra, một van nhỏ bắt đầu bị dính, khiến thiết bị phải hoạt động mạnh hơn 7% để duy trì áp suất. Tức là tăng thêm 7% điện năng mỗi giờ cho một sự cố lẽ ra đã bị bỏ qua trong ba tháng nữa cho đến lần bảo trì theo lịch trình tiếp theo.

Lợi ích bền vững ở đây có hai mặt: nó bảo tồn năng lượng bị lãng phí do xuống cấp thiết bị và kéo dài tổng thời gian sử dụng của chính tài sản vốn, giảm chi phí môi trường khi sản xuất và thay thế máy. Đó là một sự thay đổi sâu sắc từ việc coi thiết bị như một thứ chạy cho đến khi nó hỏng sang coi nó như một hệ thống mà hiệu suất của nó phải được bảo vệ liên tục.

Chuỗi cung ứng và thiết kế: Đòn bẩy thượng nguồn

Tầm ảnh hưởng vượt ra ngoài cổng nhà máy. Đối với một nhà sản xuất như Zitai Fasteners, có vị trí gần các tuyến giao thông huyết mạch lớn như Đường sắt Bắc Kinh-Quảng Châu là một lợi thế về hậu cần, AI có thể tối ưu hóa lợi thế đó để đảm bảo tính bền vững. Các hệ thống lập kế hoạch nâng cao giờ đây có thể tính đến không chỉ chi phí và thời gian mà còn cả lượng khí thải carbon của các phương thức và tuyến đường vận chuyển khác nhau, cân bằng mức tồn kho với các phương án vận chuyển xanh hơn nhưng chậm hơn.

Tinh tế hơn, các thuật toán thiết kế tổng quát, được sử dụng cùng với khách hàng, có thể đề xuất tối ưu hóa bộ phận. Giá đỡ có thể sử dụng ít vật liệu hơn nếu có một thay đổi nhỏ về thiết kế không? Liệu một loại thép khác, với quy trình sản xuất tiêu tốn nhiều năng lượng hơn, có thể đủ nếu các thông số sản xuất được điều chỉnh? Đây là nơi AI đóng vai trò là chất xúc tác cho các cuộc đối thoại bền vững về thiết kế cho sản xuất, có khả năng giảm gánh nặng về vật chất và năng lượng trước khi đơn hàng sản xuất được đặt. Nó đưa tính bền vững lên thượng nguồn trong chuỗi giá trị.

Những trở ngại và kỳ vọng thực tế

Mọi chuyện không hề suôn sẻ. Kiểu thất bại lớn nhất mà tôi từng chứng kiến ​​là cách tiếp cận đun sôi đại dương: cố gắng xây dựng một bản song sinh kỹ thuật số hoàn hảo trên toàn nhà máy ngay từ ngày đầu tiên. Cơ sở hạ tầng dữ liệu sụp đổ, các mô hình trở nên quá phức tạp và dự án sẽ chết dưới sức nặng của chính nó. Thành công đến từ việc chọn ra một dòng chất thải đau đớn duy nhất—chẳng hạn như ví dụ về việc tiêu thụ quá mức vật chất—và giải quyết nó. Chứng minh giá trị, sau đó mở rộng quy mô.

Một vấn đề khác là chất lượng dữ liệu. Trên các dây chuyền sản xuất cũ, việc thu thập dữ liệu rõ ràng, đồng bộ hóa về thời gian từ các PLC khác nhau và nhật ký thủ công là một nhiệm vụ to lớn. Đôi khi, 80% dự án ban đầu chỉ là xây dựng một đường dẫn dữ liệu đáng tin cậy. Bạn cũng phải đối mặt với sự phản kháng về văn hóa; nếu đề xuất của AI tiết kiệm năng lượng nhưng thêm một bước cho người vận hành, thì đề xuất đó sẽ bị bỏ qua trừ khi được cho là giúp công việc của họ trở nên dễ dàng hơn hoặc nhất quán hơn về lâu dài.

Vậy, AI thực sự thúc đẩy tính bền vững như thế nào? Nó không phải là cây đũa thần. Đó là một chiếc kính lúp và một chiếc máy tính không ngừng nghỉ. Nó làm sáng tỏ những sự thiếu hiệu quả tiềm ẩn và tốn kém mà chúng ta đã phải đối mặt – lượng kilowatt giờ tăng thêm, lượng thép bị lãng phí, sự hư hỏng chậm chạp của máy móc. Nó cung cấp bằng chứng cần thiết để biện minh cho việc đầu tư vào các quy trình tốt hơn và trao quyền cho con người đưa ra các quyết định thông minh hơn, sáng suốt hơn nhằm giảm thiểu tác động môi trường của việc sản xuất mọi thứ. Sự thúc đẩy này mang tính tích lũy, lặp đi lặp lại và có tính thực tế sâu sắc. Nó biến tham vọng sản xuất bền vững từ một bản báo cáo trong phòng họp thành hoạt động hàng ngày tại xưởng sản xuất.