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. Đó là một mục tiêu hào nhoáng, nhưng nó không phải là nơi mà công việc thực sự, quyết liệt nhằm thúc đẩy sự bền vững đang diễn ra ngày nay. Tác động thực sự mang nhiều sắc thái hơn, thường ẩn giấu trong công việc tối ưu hóa mức tiêu thụ năng lượng hàng ngày, cắt giảm lãng phí vật liệu và làm cho chuỗi cung ứng bớt hỗn loạn hơn. Vấn đề không phải là robot tiếp quản mà tập trung nhiều hơn vào các hệ thống thông minh cung cấp khả năng hiển thị chi tiết mà chúng ta luôn thiếu để đưa ra các quyết định vừa có lợi về mặt kinh tế vừa có lợi cho môi trường. Mối liên kết giữa AI và tính bền vững không phải là tự động; nó đòi hỏi sự thay đổi có chủ ý trong những gì chúng ta chọn để đo lường và kiểm soát.

Vượt xa sự cường điệu: Năng lượng là biên giới đầu tiên

Hãy bắt đầu với năng lượng, hạng mục chi phí trực tiếp nhất và lượng khí thải carbon. Trong nhiều năm, chúng tôi đã dựa vào việc bảo trì định kỳ và xếp hạng hiệu quả trên phạm vi rộng. Người thay đổi cuộc chơi đang nhúng các cảm biến và sử dụng AI để tối ưu hóa năng lượng dự đoán. Tôi không nói về việc tắt máy. Đó là về việc hiểu tải trọng động của toàn bộ dây chuyền sản xuất. Ví dụ: một mô hình AI có thể biết rằng một máy dập cụ thể tiêu thụ một lượng điện năng không chỉ trong khi vận hành mà còn trong 15 phút sau khi hệ thống làm mát chạy. Bằng cách phân tích lịch trình sản xuất, nó có thể đề xuất độ trễ vi mô giữa các lô để tránh việc rút cao điểm đồng thời từ nhiều máy ép, làm phẳng đường cong năng lượng mà không ảnh hưởng đến công suất. Đây không phải là lý thuyết; Tôi đã thấy nó giúp giảm 8-12% hóa đơn năng lượng trong một cơ sở rèn có quy mô lớn.

Phần khó khăn là chất lượng dữ liệu. Bạn cần dữ liệu chi tiết, chuỗi thời gian từ máy, trạm biến áp và thậm chí cả lưới điện nếu có thể. Một dự án thất bại ban đầu là cố gắng tối ưu hóa lò xử lý nhiệt mà không có máy đo lưu lượng khí chính xác. Mô hình AI về cơ bản chỉ là phỏng đoán và việc tối ưu hóa có nguy cơ ảnh hưởng đến đặc tính luyện kim của các bộ phận. Chúng tôi đã học được một cách khó khăn: bạn không thể quản lý những gì bạn không thể đo lường chính xác. AI chỉ hoạt động tốt khi có những đầu vào cảm giác mà nó nhận được.

Điều này dẫn đến một điểm tế nhị: AI thường biện minh cho việc sử dụng thiết bị đo sâu hơn. Để tạo ra trường hợp bền vững cho AI, trước tiên bạn phải đầu tư vào việc đo lường tốt hơn. Đó là một chu kỳ đạo đức. Sau khi có luồng dữ liệu đó, bạn có thể chuyển từ dự đoán sang hành động quy định—chẳng hạn như tự động điều chỉnh điểm đặt áp suất máy nén dựa trên nhu cầu thời gian thực trong mạng khí nén, một thứ luôn được đặt cho trường hợp xấu nhất, gây lãng phí lượng lớn năng lượng.

Cuộc chiến chống lãng phí: Từ đống phế liệu đến cặp song sinh kỹ thuật số

Lãng phí vật chất là tổn thất tài chính và môi trường thuần túy. Trong lĩnh vực sản xuất dây buộc, giống như ở một công ty như Công ty TNHH Sản xuất Fastener Handan Zitai. Nằm ở cơ sở sản xuất linh kiện tiêu chuẩn chính của Trung Quốc, phương pháp truyền thống bao gồm kiểm tra sau sản xuất: một lô được sản xuất, một số được lấy mẫu và nếu phát hiện thấy sai sót, toàn bộ lô hàng có thể bị loại bỏ hoặc làm lại. Điều đó cực kỳ lãng phí.

Thị giác máy tính để phát hiện lỗi theo thời gian thực hiện là vấn đề quan trọng. Nhưng công dụng sâu sắc hơn của AI là tối ưu hóa tham số quy trình để ngăn chặn việc tạo ra chất thải ngay từ đầu. Bằng cách cung cấp dữ liệu từ quy trình gia công nguội—đường kính dây, nhiệt độ, tốc độ máy, độ mòn khuôn—vào mô hình, chúng tôi có thể dự đoán khả năng xảy ra vết nứt ở đầu hoặc độ không chính xác về kích thước trước khi tạo ra một sản phẩm. Sau đó, hệ thống có thể đề xuất các điều chỉnh, chẳng hạn như tăng nhẹ nhiệt độ ủ hoặc giảm tốc độ cấp liệu.

Tôi nhớ lại một dự án trong đó chúng tôi xây dựng bóng kỹ thuật số (phiên bản đơn giản hơn của bộ đôi kỹ thuật số đầy đủ) cho dây chuyền sản xuất bu lông. Mục đích là để giảm thiểu tổn thất cắt – phần dây còn sót lại sau khi cắt bu-lông. Bằng cách phân tích danh mục đơn hàng và các hạn chế về máy móc, hệ thống lập kế hoạch AI có thể sắp xếp thứ tự các đơn hàng để sử dụng cuộn dây hoàn thiện hơn, giảm lãng phí cắt tỉa từ mức trung bình 3,2% xuống dưới 1,7%. Nghe có vẻ nhỏ, nhưng với hàng nghìn tấn thép mỗi năm, mức tiết kiệm nguyên liệu thô và lượng khí thải carbon liên quan từ sản xuất thép là rất đáng kể. Bạn có thể thấy các công ty ở các trung tâm như Quận Yongnian, với sản lượng lớn, có thể thu được lợi ích to lớn từ việc tối ưu hóa chi tiết như thế nào.

Khả năng phục hồi của chuỗi cung ứng và dấu chân carbon

Đây là nơi nó trở nên phức tạp. Chuỗi cung ứng bền vững không chỉ là việc lựa chọn nhà cung cấp xanh; đó là về hiệu quả và khả năng phục hồi để tránh vận chuyển hàng không khẩn cấp, chứa nhiều carbon. Dự báo nhu cầu do AI điều khiển, khi hoạt động, sẽ giúp sản xuất suôn sẻ, giảm nhu cầu làm thêm giờ (điều này thường có nghĩa là các hoạt động kém hiệu quả hơn, tốn nhiều năng lượng hơn) và đặt hàng hoảng loạn.

Chúng tôi đã tích hợp phân tích rủi ro chuỗi cung ứng nhiều tầng với việc tối ưu hóa hậu cần cho khách hàng. Hệ thống này theo dõi thời tiết, tắc nghẽn cảng và thậm chí cả sự kết hợp năng lượng của khu vực nhà cung cấp (ví dụ: lưới điện của họ hiện đang chạy bằng than hay năng lượng tái tạo?). Nó đề xuất định tuyến lại các chuyến hàng theo phương thức vận tải đường biển chậm hơn nhưng lượng khí thải thấp hơn khi thời gian cho phép hoặc hợp nhất tải trọng để lấp đầy container tới 98% công suất thay vì 85% như thông thường. các bền vững Lợi ích ở đây mang tính gián tiếp nhưng có tác dụng mạnh mẽ: nó đưa hiệu quả sử dụng carbon vào các quyết định hậu cần hàng ngày.

Chế độ thất bại ở đây là tối ưu hóa quá mức. Một mô hình đề xuất luôn sử dụng một nhà cung cấp duy nhất, rất xanh nhưng bị hạn chế về năng lực để giảm thiểu lượng khí thải từ hoạt động vận tải. Nó đã không tính đến nguy cơ ngừng hoạt động, điều này cuối cùng đã xảy ra, buộc phải tranh giành nhiều nhà cung cấp kém tối ưu hơn. Bài học là các mục tiêu bền vững phải được cân bằng với các hạn chế về độ chắc chắn trong chức năng mục tiêu của AI. Bạn không thể chỉ giảm thiểu lượng carbon; bạn phải quản lý rủi ro.

Yếu tố con người: Tăng cường khả năng ra quyết định

Điều này rất quan trọng. AI không điều hành nhà máy; mọi người làm. Cách triển khai hiệu quả nhất mà tôi từng thấy là AI đóng vai trò cố vấn. Nó báo hiệu một điều bất thường: Mức tiêu thụ năng lượng trên mỗi đơn vị trên Tuyến 3 cao hơn 18% so với tiêu chuẩn của tổ hợp sản phẩm hiện tại. Nguyên nhân có thể: Vòng bi trong Động cơ băng tải B-12 bị mòn, hiệu suất ước tính giảm 22%. Nó cung cấp cho nhóm bảo trì một nhiệm vụ có mục tiêu, được ưu tiên với tính bền vững và tác động chi phí rõ ràng.

Điều này làm thay đổi văn hóa. Tính bền vững không còn là một KPI tách biệt khỏi hiệu quả sản xuất. Khi người quản lý sàn nhận thấy rằng việc tối ưu hóa tỷ lệ phế liệu thấp hơn cũng làm giảm mức sử dụng năng lượng và nguyên liệu thô trên mỗi bộ phận tốt thì các mục tiêu sẽ phù hợp. Đào tạo AI cũng đào tạo con người. Để gắn nhãn dữ liệu cho mô hình phát hiện lỗi, các kỹ sư chất lượng phải phân tích sâu các chế độ lỗi. Bản thân quá trình này thường dẫn đến cải tiến quy trình trước khi mô hình được triển khai.

Phản kháng là điều đương nhiên. Có một nỗi sợ hãi chính đáng về các khuyến nghị hộp đen. Đó là lý do tại sao khả năng giải thích là chìa khóa. Nếu hệ thống yêu cầu giảm nhiệt độ lò xuống 15°C thì hệ thống cũng phải đưa ra lý do: Dữ liệu lịch sử cho thấy các lần chạy với thông số X và Y ở nhiệt độ thấp hơn này dẫn đến độ cứng giống nhau với mức tiêu thụ khí tự nhiên ít hơn 8%. Điều này tạo dựng niềm tin và biến AI thành một công cụ hợp tác để phát triển bền vững sản xuất.

Nhìn về phía trước: Thách thức hội nhập

Tương lai không nằm ở các ứng dụng AI độc lập về năng lượng hay chất lượng. Đó là trong quá trình tối ưu hóa quy trình tích hợp giúp cân bằng nhiều mục tiêu, đôi khi là cạnh tranh: thông lượng, năng suất, mức sử dụng năng lượng, độ hao mòn của dụng cụ và lượng khí thải carbon. Đây là bài toán tối ưu đa mục tiêu vượt xa khả năng tính toán của con người trong thời gian thực.

Chúng tôi đang thử nghiệm các hệ thống nhận đơn đặt hàng của khách hàng và tự động xác định lộ trình sản xuất bền vững nhất. Lô ốc vít này nên được sản xuất trên dây chuyền cũ hơn, chậm hơn hiện được cung cấp năng lượng bởi mảng năng lượng mặt trời mới của nhà máy hay trên dây chuyền mới hơn, nhanh hơn chạy bằng lưới điện nhưng có tỷ lệ phế liệu thấp hơn? AI có thể tính toán tác động ròng của carbon, bao gồm cả lượng carbon thể hiện trong bất kỳ phế liệu tiềm năng nào và đề xuất lộ trình thực sự tối ưu. Đây là tư duy cấp độ tiếp theo.

Rào cản cuối cùng là tích hợp đánh giá vòng đời. thực tế tăng cường Tính bền vững sẽ đến khi AI trong sản xuất có quyền truy cập vào dữ liệu về tác động toàn bộ vòng đời của vật liệu và quy trình. Việc lựa chọn giữa mạ kẽm và lớp phủ polymer mới không chỉ là quyết định về chi phí; đó là quyết định về việc sử dụng hóa chất, độ bền và khả năng tái chế khi hết vòng đời. Chúng tôi vẫn chưa đạt được mục tiêu đó, nhưng công việc nền tảng—đưa các quy trình được số hóa, trang bị công cụ và kiểm soát thích ứng—là điều khiến tương lai đó trở nên khả thi. Đó là một con đường dài và tẻ nhạt để giải quyết từng vấn đề nhỏ, lãng phí.