Hoe machine learning fabrikanten kan helpen de klimaatverandering tegen te gaan

Klimaatverandering vormt een aanzienlijke bedreiging voor de mensheid en is niet alleen een probleem dat aan toekomstige generaties moet worden overgelaten. Als de uitstoot van broeikasgassen tegen 2050 niet bijna volledig is geëlimineerd, zal de wereld catastrofale gevolgen hebben met betrekking tot de mondiale temperatuur. Hoewel veel industrieën stappen hebben ondernomen om hun uitstoot te verminderen, is er nog steeds een onwil om in deze richting te gaan vanwege de ten onrechte veronderstelde kosten van het zoeken naar groenere oplossingen.

Productie, logistiek en bouwmaterialen zijn enkele van de belangrijkste producenten van broeikasgasemissies. Volgens de Natural Resources Defense Council genereren de top 15 van Amerikaanse voedsel- en drankbedrijven elk jaar meer broeikasgassen dan heel Australië. Met de invoering van machine learning (ML) bevindt de industrie zich echter ook in een goede positie om een ​​positieve impact op het klimaat te hebben.

ML is aangekondigd als een krachtig instrument voor technologische vooruitgang, maar ondanks het feit dat het wordt gebruikt om wereldwijde voedseltekorten te bestrijden, is er een gebrek aan inspanning geweest om te identificeren hoe het voor andere milieudoeleinden kan worden gebruikt. ML in fabrieken, in verschillende sectoren, kan bijdragen aan het verminderen van de wereldwijde uitstoot door energie-efficiëntie te stimuleren, de toeleveringsketen te stroomlijnen en de productiekwaliteit te verbeteren.

Verbruik verminderen

Een veelvoorkomend probleem in fabrieken is dat machines werken met een capaciteit die te hoog is voor de vereiste output. Zoveel fabrieken zouden zoveel efficiënter kunnen zijn door minder stroom van afzonderlijke machines te verbruiken zonder hun prestaties te beïnvloeden. Als een machine slechts 25% van zijn maximale stroomverbruik nodig heeft om een ​​lijn met een bepaalde snelheid te laten lopen, kunnen verschillende ML-technieken dit benadrukken door de stroom- en productiegegevens te correleren, zodat u uw energie-instellingen kunt optimaliseren, zelfs als de optimale instellingen veranderen als machines ouder worden.

In het geval van energiecentrales kan ML worden gebruikt met thermische beeldvorming om te bepalen welke delen van een installatie een te hoge temperatuur hebben en te moduleren hoeveel stroom ze op dat deel van de installatie leveren. Als fabrieken een soortgelijk principe hanteren voor elektriciteitsverbruik, zou dit de efficiëntie verder verhogen. Een manier om dit te doen zou het stroomlijnen van de verwarmings-, ventilatie- en airconditioningsystemen van een fabriek kunnen zijn. Hoewel het een potentieel grote investering zou zijn, zou een fabriek ML ook kunnen gebruiken om de productie-output en het stroomverbruik van hun fabrieken onder verschillende energiebronnen te simuleren, waardoor het gemakkelijker wordt om industriële processen opnieuw te ontwerpen om te draaien op koolstofarme energie in plaats van steenkool, olie , en gas.

Afgezien van het energieverbruik, kunnen fabrieken ML ook gebruiken om defecte producten op te sporen voordat ze worden geproduceerd (bijvoorbeeld door computervisie te gebruiken om productdefecten vroeg in hun productielijn op te sporen, of door historische gegevens te gebruiken om oorzaken van fouten te voorspellen voordat ze zich voordoen). hun schroot. Dit heeft verschillende voordelen:er is minder tijd nodig om dezelfde overslag te produceren, er gaat minder tijd verloren aan slechte overslag en er wordt minder uitstoot geproduceerd aan afgedankte goederen. Als het schroot van een fabriek ter waarde van $ 100 miljoen met 10% zou worden verminderd, zou dit hetzelfde effect op de uitstoot hebben als 2000 auto's een jaar lang van de weg halen. Dit benadrukt de enorme impact die ogenschijnlijk kleine veranderingen in een fabriek kunnen hebben op de emissieniveaus.

Toeleveringsketenoptimalisatie

In veel fabrieken worden producten overgeproduceerd of overstocked. Dit verspilt hulpbronnen door de productie, maar leidt ook tot verhoogde emissies door de tol op verzending en opslag. ML kan dit verminderen door de vraag te voorspellen. In het voorbeeld van de voedingsindustrie zou het kunnen leiden tot minder verliezen na de oogst door te identificeren wanneer een product op het punt staat te bederven, met behulp van kwantitatieve algoritmen om de houdbaarheid te volgen of zelfs computervisie om te volgen hoe veranderingen in kleur betekenen dat voedsel wordt dichter bij bederven. Als de druk op de opslag zou worden verminderd door het leveringsnetwerk op deze manier te stroomlijnen, zou een hoger percentage producten kunnen worden verkocht omdat de juiste producten zouden worden verzonden wanneer de vraag er was. Theoretisch zou ML ook kunnen worden gebruikt om een ​​fabriek te helpen bij het opzetten van een netwerk van leveranciers, gebaseerd op categorieën zoals geografie en de leeftijd van het bedrijf, om algoritmen te bouwen die helpen nadenken over het besluitvormingsproces over welke leverancier te kiezen.

ML-technieken zoals computer vision stellen fabrieken ook in staat om de kwaliteit van hun producten te 'graden' en te documenteren. Door deze kwaliteiten uit te voeren volgens een algemeen aanvaarde standaard, kunnen leveranciers een certificeringsniveau voor hun product bieden, wat vertrouwen geeft aan potentiële klanten en de markten die ze kunnen bereiken verbreedt. Als voorbeeld, als gevolg van hoge tarieven tussen de VS en China op staalgoederen, wordt staal vaak verscheept via derde landen, waardoor de eindkwaliteitsgarantie van een eindklant afneemt. Op ML gebaseerde inspectie en certificering, zowel aan de leveranciers- als aan de klantzijde, maakt het voor Amerikaanse staalgebruikers gemakkelijker om staal uit meer landen te betrekken.

Verfijning van processen

Veel productiesectoren lijden onder verspilling van materialen en energieverlies in het productieproces. Bij de staalproductie is er bijvoorbeeld veel modificatie en warmteoverdracht tijdens het vormen, wat leidt tot aanzienlijk energieverlies. Per ton geproduceerd staal wordt in de hele toeleveringsketen 1,8 ton CO2 uitgestoten en bij de productie van cement en staal wordt 9% van het wereldwijde broeikasgas uitgestoten. In fabrieken waar plastic wordt geproduceerd, is er veel afval van materialen die niet worden gerecycled, omdat plastic niet in dezelfde mate kan worden gerecycled als metalen.

Deze twee soorten productie zouden de meest drastische verandering kunnen ondergaan in termen van een vermindering van hun schroot en afval. In plaats van zich te concentreren op groene oplossingen die veel startups tegen extra kosten bieden, zou schroot- en afvalvermindering de belangrijkste stimulans voor deze industrieën moeten zijn, wat op zijn beurt leidt tot energiebesparing en duurzamere productie. Duurzaamheid en oplossingen voor schone energie moeten niet worden gezien als een luxe voor fabrieken die ze zich kunnen veroorloven, maar eerder als een bijproduct van toenemende efficiëntie. Fabrieken kunnen ook hun opbrengst verhogen zonder een pad van expliciet schone energieoplossingen in te slaan - minder energie gebruiken dan nodig is, is gewoon een goede gewoonte.

ML kan helpen in de strijd tegen klimaatverandering door productieprocessen te verfijnen, wat leidt tot verbeterde efficiëntie, minder energieverbruik en minder uitstoot. Op hun beurt zullen deze resultaten fabrieken in staat stellen om vertrouwen te hebben in het verleggen van de nadruk naar schonere productie. Het toepassen van ML om klimaatverandering aan te pakken kan helpen om de productiesector koolstofarm te maken, een aantal van de technieken in ML die nog in de kinderschoenen staan ​​vooruit te helpen, en de samenleving als geheel ten goede komen.

Arjun Chandar en Hunter Ashmore zijn medeoprichters van IndustrialML Inc.