Как машинное обучение может помочь производителям в борьбе с изменением климата

Изменение климата представляет собой серьезную угрозу для человечества, и это не просто проблема, которую следует оставить для будущих поколений. Если выбросы парниковых газов не будут почти полностью устранены к 2050 году, мир столкнется с катастрофическими последствиями в отношении глобальной температуры. Хотя многие отрасли предприняли шаги по сокращению выбросов, все еще наблюдается нежелание двигаться в этом направлении из-за ложно предполагаемых затрат на поиск более экологичных решений.

Производство, логистика и строительные материалы - одни из ведущих производителей выбросов парниковых газов. По данным Совета по защите природных ресурсов, 15 ведущих американских компаний по производству продуктов питания и напитков ежегодно производят больше парниковых газов, чем вся Австралия. Однако с внедрением машинного обучения (ML) отрасль также имеет хорошие возможности для положительного воздействия на климат.

ML было провозглашено мощным инструментом технического прогресса, но, несмотря на то, что оно использовалось для борьбы с глобальной нехваткой продовольствия, не было предпринято никаких усилий, чтобы определить, как его можно использовать для других экологических целей. ML на заводах в различных секторах может способствовать сокращению глобальных выбросов за счет повышения энергоэффективности, оптимизации цепочки поставок и повышения качества производства.

Снижение потребления

Обычная проблема, обнаруживаемая на предприятиях, заключается в том, что машины работают с мощностью, слишком высокой для требуемой производительности. Так много заводов могли бы быть намного более эффективными, потребляя меньше энергии от отдельных машин, не влияя на их производительность. Если машине требуется только 25% от ее максимальной потребляемой мощности для работы линии на определенной скорости, различные методы машинного обучения могут подчеркнуть это, сопоставив данные о мощности и производительности, что позволит вам оптимизировать настройки мощности, даже если оптимальные настройки меняются по мере того, как машины становиться старше.

В случае электростанций ML можно использовать с тепловизором, чтобы определить, какие части электростанции находятся на чрезмерно высоких уровнях температуры, и изменить, сколько мощности они применяют к этой части электростанции. Если предприятия примут аналогичный принцип потребления электроэнергии, это еще больше повысит эффективность. Одним из способов добиться этого может быть оптимизация заводских систем отопления, вентиляции и кондиционирования воздуха. Хотя это было бы потенциально крупными инвестициями, фабрика могла бы также использовать машинное обучение для моделирования объемов производства и потребления энергии на своих заводах при различных источниках энергии, что упростило бы перепроектирование промышленных процессов для работы на низкоуглеродной энергии вместо угля и нефти. , и газ.

Помимо потребления энергии, фабрики могут также использовать машинное обучение для выявления дефектных продуктов до их производства (например, с помощью компьютерного зрения для выявления дефектов продукта на ранних этапах производства или использования исторических данных для прогнозирования причин ошибок до того, как они возникнут), что значительно снижает их лом. Это дает ряд преимуществ:для достижения той же производительности потребуется меньше времени, меньше времени будет тратиться на плохую производительность и меньше выбросов будет произведено на списанных товарах. Если бы брак завода стоимостью 100 миллионов долларов был сокращен на 10%, это оказало бы эквивалентный эффект на выбросы, если бы 2000 автомобилей были сняты с дороги в течение года. Это подчеркивает огромное влияние, которое, казалось бы, незначительные изменения на заводе могут оказать на уровни выбросов.

Оптимизация цепочки поставок

На многих заводах продукция перепроизводится или складывается с избытком. Это тратит ресурсы на производство, но также приводит к увеличению выбросов из-за потерь при транспортировке и хранении. ML может уменьшить это, прогнозируя спрос. В примере с пищевой промышленностью это может привести к снижению послеуборочных потерь за счет определения того, когда продукт может вот-вот испортиться, с использованием либо количественных алгоритмов для отслеживания срока годности, либо даже компьютерного зрения, чтобы отслеживать, как изменения цвета означают, что еда становится ближе к порче. Если бы нагрузка на хранилища была уменьшена за счет оптимизации сети поставок таким образом, тогда можно было бы продать более высокий процент продуктов, потому что нужные продукты были бы отгружены при наличии спроса. Теоретически машинное обучение можно также использовать, чтобы помочь фабрике создать сеть поставщиков на основе таких категорий, как география и возраст компании, для создания алгоритмов, которые помогут продумать процесс принятия решения о том, какого поставщика выбрать.

Методы машинного обучения, такие как компьютерное зрение, также позволяют фабрикам «оценивать» и документировать качество своей продукции. Выполнение этих оценок в соответствии с любым общепринятым стандартом позволяет поставщикам обеспечивать уровень сертификации своей продукции, который вселяет уверенность в потенциальных клиентов и расширяет рынки, на которые они могут выйти. Например, из-за высоких тарифов между США и Китаем на стальные товары сталь часто доставляется через сторонние страны, что снижает гарантии конечного качества конечного потребителя. Инспекция и сертификация на основе машинного обучения (со стороны поставщика или клиента) упрощает для американских производителей стали приобретать сталь из большего числа стран.

Процессы переработки

Многие отрасли производства страдают от нерационального использования материалов и потерь энергии в производственном процессе. Например, при производстве стали происходит много модификаций и теплопередачи во время формовки, что приводит к значительным потерям энергии. 1,8 тонны CO2 выбрасываются в цепочке поставок на тонну произведенной стали, и 9% мировых парниковых газов выбрасывается при производстве цемента и стали. На заводах, где производится пластик, образуется много отходов от материалов, которые не перерабатываются, потому что пластик не может быть переработан в той же степени, что и металлы.

Эти два типа производства могут претерпеть самые радикальные изменения с точки зрения сокращения их лома и отходов. Вместо того, чтобы сосредотачиваться на экологически чистых решениях, которые многие стартапы предлагают за дополнительную плату, сокращение брака и отходов должно быть основным стимулом для этих отраслей, что, в свою очередь, приведет к экономии энергии и более устойчивому производству. Решения в области устойчивого развития и чистой энергии не следует рассматривать как роскошь для заводов, которые могут себе это позволить, а, скорее, как побочный продукт повышения эффективности. Заводы также могут увеличивать свою урожайность, не выбирая явно экологически чистые энергетические решения - использование меньшего количества энергии, чем необходимо, является хорошей практикой.

ML может помочь в борьбе с изменением климата путем совершенствования производственных процессов, что приводит к повышению эффективности, снижению энергопотребления и сокращению выбросов. В свою очередь, эти результаты позволят предприятиям быть уверенными в переносе акцента на более чистое производство. Применение машинного обучения для борьбы с изменением климата может помочь декарбонизировать производственный сектор, усовершенствовать некоторые методы машинного обучения, которые все еще находятся в зачаточном состоянии, и принести пользу обществу в целом.

Арджун Чандар и Хантер Эшмор являются соучредителями IndustrialML Inc.