Машинное обучение для снижения выбросов производства и борьбы с изменением климата

Климатический кризис требует действий сейчас, а не в будущем

Изменение климата представляет серьезную угрозу человечеству и не просто проблема, которую следует оставить будущим поколениям. Если выбросы парниковых газов не будут почти полностью устранены к 2050 году, мир столкнется с катастрофическими последствиями по отношению к глобальной температуре. Хотя многие отрасли предприняли шаги для снижения выбросов, все еще существует нежелание двигаться в этом направлении из-за ложно предполагаемых затрат на поиск более зеленых решений.

Производство, логистика и строительные материалы — некоторые из ведущих производителей парниковых газов. По данным Natural Resources Defense Council, топ-15 американских компаний по пище и напиткам генерируют больше парниковых газов ежегодно, чем вся Австралия. Однако с внедрением машинного обучения (ML) отрасль также хорошо позиционирована для положительного климатического влияния.

ML возвещен как мощный инструмент технологического прогресса, но несмотря на его использование для борьбы с глобальным дефицитом пищи, было мало усилий для идентификации того, как он может использоваться для других экологических целей. ML на заводах, по различным секторам, может способствовать снижению глобальных выбросов за счет повышения энергоэффективности, оптимизации цепочки поставок и улучшения качества производства.

Сокращение потребления

Частая проблема на заводах — оборудование работает на мощности, слишком высокой для требуемого выхода. Так многие заводы могли бы быть гораздо более эффективными, потребляя меньше энергии от отдельных машин без влияния на их производительность. Если машине нужно только 25% ее максимальной мощности для работы линии на определенной скорости, различные техники ML могут выявить это, коррелируя данные о мощности и производстве, позволяя оптимизировать настройки мощности даже если оптимальные настройки меняются по мере старения машин.

В случае электростанций, ML может использоваться с тепловизией для определения, какие части станции находятся на чрезмерных уровнях температуры и модулировать, сколько мощности они применяют к этой части станции. Если заводы примут похожий принцип для потребления электроэнергии, это еще больше повысит эффективность. Один из способов — оптимизация систем отопления, вентиляции и кондиционирования завода. Хотя это потенциально большие инвестиции, завод также может использовать ML для симуляции производственного выхода и потребления энергии своих заводов под разными источниками энергии, делая легче перепроектирование промышленных процессов для работы на низкоуглеродистой энергии вместо угля, нефти и газа.

Помимо энергопотребления, заводы также могут использовать ML для выявления дефектных продуктов до их производства (например, используя компьютерное зрение для раннего обнаружения дефектов на линиях, или исторические данные для предсказания причин ошибок до их возникновения), значительно сокращая брак. Это имеет множество выгод: меньше времени потребуется для производства того же выхода, меньше времени потрачено на бракованный выход, и меньше выбросов произведено на бракованных товарах. Если брак завода стоимостью 100 млн долларов будет сокращен на 10%, это будет иметь эквивалентный эффект на выбросы, как снятие 2000 автомобилей с дороги на год. Это подчеркивает огромное воздействие, которое казалось бы незначительные изменения на заводе могут иметь на уровни выбросов.

Оптимизация цепочки поставок

На многих заводах продукты перепроизводятся или перезапасаются. Это тратит ресурсы через производство, но также ведет к увеличению выбросов от нагрузки на доставку и хранение. ML может снизить это, прогнозируя спрос. В примере пищевой отрасли это могло бы привести к снижению послесборочных потерь, идентифицируя, когда продукт может быть близок к порче, используя либо количественные алгоритмы для отслеживания срока годности, либо даже компьютерное зрение для отслеживания того, как изменения цвета означают, что еда ближе к порче. Если нагрузка на хранение была снижена за счет оптимизации сети поставок таким образом, то более высокий процент продуктов мог бы быть продан, потому что правильные продукты отправлялись бы, когда спрос был там. Теоретически ML также могло бы использоваться для помощи заводу в настройке сети поставщиков, основанной на категориях вроде географии и возраста компании, для построения алгоритмов, помогающих думать через процесс принятия решения о выборе поставщика.

ML-техники вроде компьютерного зрения также позволяют заводам «грейдить» и документировать качество своих продуктов. Выполнение этих грейдов согласно любому широко принятому стандарту позволяет поставщикам предоставлять уровень сертификации своему продукту, что дает уверенность потенциальным клиентам и расширяет рынки, которые они могут достичь. В качестве примера, из-за высоких пошлин между США и Китаем на стальные товары, сталь часто отправляется через третьи страны, уменьшая гарантию конечного клиента в конечном качестве. ML-базированная инспекция и сертификация, либо на стороне поставщика, либо клиента, делает легче для американских пользователей стали закупать сталь из большего числа стран.

Уточнение процессов

Многие секторы производства страдают от потраченных материалов и потери энергии в производственном процессе. Например, в производстве стали много модификаций и теплопередачи при формовке, что приводит к существенной потере энергии. 1,8 тонны CO2 выделяются по цепочке поставок на тонну произведенной стали, и 9% глобальных парниковых газов выделяется при производстве цемента и стали. На заводах, где производится пластик, много отходов от материалов, не перерабатываемых, потому что пластик не может быть переработан в той же степени, что металлы.

Эти два типа производства могут увидеть самые драматические изменения в плане снижения своего брака и отходов. Вместо фокуса на зеленых решениях, которые многие стартапы предлагают за дополнительную стоимость, снижение брака и отходов должно быть главным стимулом для этих отраслей, что в свою очередь ведет к экономии энергии и более устойчивому производству. Устойчивое развитие и чистые энергетические решения не должны рассматриваться как роскошь для заводов, которые могут их позволить, а скорее как побочный продукт повышения эффективности. Заводы также могут увеличить свой выход, не идя по пути явно чистых энергетических решений — использование меньше энергии, чем нужно, просто хорошая практика.

ML может помочь в борьбе с изменением климата за счет уточнения производственных процессов, что ведет к улучшенной эффективности, меньшему энергопотреблению и сниженным выбросам. В свою очередь, эти результаты позволят заводу чувствовать уверенность в смещении акцента на более чистое производство. Применение ML для борьбы с изменением климата может помочь декарбонизировать производственный сектор, продвинуть некоторые техники ML, которые все еще в зачатии, и принести пользу обществу в целом.

Арджун Чандар и Хантер Эшмор — сооснователи IndustrialML Inc.