Machine Learning Inzetten Om Productie-emissies Te Verminderen En Klimaatverandering Te Bestrijden

Klimaatverandering vormt een aanzienlijke dreiging voor de mensheid, en is niet alleen een probleem dat we aan toekomstige generaties kunnen overlaten. Als broeikasgasuitstoot niet bijna volledig geëlimineerd is tegen 2050, zal de wereld catastrofale gevolgen ondervinden met betrekking tot de mondiale temperatuur. Hoewel veel industriën stappen hebben gezet om hun uitstoot te verminderen, is er nog steeds een terughoudendheid om in deze richting te gaan vanwege de vals veronderstelde kosten van het zoeken naar groenere oplossingen.

Productie, logistiek, en bouwmaterialen zijn enkele van de grootste producenten van broeikasgasuitstoot. Volgens de Natural Resources Defense Council genereren de top 15 Amerikaanse voedsel- en drankenbedrijven elk jaar meer broeikasgassen dan heel Australië. Met de adoptie van machine learning (ML) is de industrie echter ook goed gepositioneerd om een positieve klimaatimpact te maken.

ML is geprezen als een krachtig hulpmiddel voor technologische vooruitgang, maar ondanks dat het gebruikt wordt om wereldwijde voedseltekorten te bestrijden, is er gebrek aan inspanning geweest om te identificeren hoe het voor andere environmentele doeleinden gebruikt kan worden. ML in fabrieken, over diverse sectoren heen, kan bijdragen aan het verminderen van wereldwijde emissies door energie-efficiëntie te drijven, de supply chain te stroomlijnen, en productiekwaliteit te verbeteren.

Verbruik Verminderen

Een veelvoorkomend probleem in fabrieken is dat machines werken op een capaciteit die te hoog is voor de vereiste output. Zoveel fabrieken zouden veel efficiënter kunnen zijn door minder stroom van individuele machines te consumeren zonder hun prestaties te beïnvloeden. Als een machine slechts 25% van zijn maximale stroomtrekking nodig heeft om een lijn met een bepaalde snelheid te draaien, kunnen diverse ML-technieken dit benadrukken door stroom- en productiedata te correleren, zodat je je stroom-instellingen kunt optimaliseren zelfs als optimale instellingen veranderen naarmate machines ouder worden.

In het geval van energiecentrales, kan ML gebruikt worden met thermische imaging om te bepalen welke delen van een centrale bij excessive temperatuurniveaus zijn en te moduleren hoeveel stroom ze op dat deel van de centrale toepassen. Als fabrieken een vergelijkbaar principe voor elektriciteitsverbruik adopteren, zou dit de efficiëntie verder verhogen. Een manier om dit te doen is het stroomlijnen van de verwarming, ventilatie en airconditioning systemen van een fabriek. Hoewel het een potentiëel grote investering zou zijn, kan een fabriek ook ML gebruiken om de productie-output en stroomverbruik van hun fabrieken onder verschillende energiebronnen te simuleren, wat het makkelijker maakt om industriële processen te herontwerpen om op laag-koolstofenergie te draaien in plaats van kolen, olie en gas.

Naast energieverbruik, kunnen fabrieken ML ook gebruiken om defecte producten te vangen voordat ze geproduceerd worden (bijvoorbeeld door computer vision te gebruiken om productdefecten vroeg in hun lijnen te ontdekken, of historische data te gebruiken om oorzaken van fouten te voorspellen voordat ze gebeuren) wat hun schroot aanzienlijk reduceert. Dit heeft een verscheidenheid aan voordelen: minder tijd zou nodig zijn om dezelfde doorvoer te produceren, minder tijd zou verspild worden op slechte doorvoer, en minder emissies zouden geproduceerd worden op geschrootte goederen. Als het schroot van een fabriek van 100 miljoen dollar met 10% gereduceerd zou worden, zou het het equivalent effect op emissies hebben van 2000 auto's van de weg halen voor een jaar. Dit benadrukt de enorme impact die blijkbaar kleine veranderingen in een fabriek op emissieniveaus kunnen hebben.

Supply-Chain Optimalisatie

In veel fabrieken worden producten geoverproduceerd of overbevoorraad. Dit verspilt hulpbronnen door 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 voedselindustrie, kan het leiden tot verminderde na-oogst verliezen door te identificeren wanneer een product op het punt staat te bederfen, hetzij door kwantitatieve algoritmes om houdbaarheid te tracken, of zelfs computer vision om te tracken hoe kleurveranderingen betekenen dat voedsel dichter bij bederf komt. Als de belasting op opslag verminderd wordt door het supply-netwerk op deze manier te stroomlijnen, dan kan een hoger percentage producten verkocht worden omdat de juiste producten verzonden worden wanneer de vraag er is. Theoretisch kan ML ook gebruikt worden om een fabriek te helpen een netwerk van leveranciers op te zetten, gebaseerd op categorieën zoals geografie en de leeftijd van het bedrijf, om algoritmes te bouwen die helpen nadenken over het besluitvormingsproces van 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. Het uitvoeren van deze graden volgens een wijd geaccepteerde standaard stelt leveranciers in staat om een certificeringsniveau aan hun product te bieden, wat vertrouwen geeft aan potentiële klanten en de markten die ze kunnen bereiken verbreedt. Als voorbeeld, door zware invoerrechten tussen de VS en China op staalgoederen, wordt staal vaak via derde-landjes verzonden, wat de garantie van de eindklant op de uiteindelijke kwaliteit vermindert. ML-gebaseerde inspectie en certificering, aan de kant van de leverancier of klant, maakt het makkelijker voor Amerikaanse staalgebruikers om staal uit meer landen te sourcen.

Processen Verfijnen

Veel sectoren van de productie lijden onder verspilde materialen en energieverlies in het productieproces. Bijvoorbeeld, in staalproductie is er veel modificatie en warmteoverdracht tijdens vormgeving wat leidt tot substantieel energieverlies. 1,8 ton CO2 wordt over de supply chain heen uitgestoten per ton staal geproduceerd, en 9% van de wereldwijde broeikasgasuitstoot wordt uitgestoten tijdens cement- en staalproductie. In fabrieken waar plastic geproduceerd wordt, is er veel afval van materialen die niet gerecycled worden omdat plastic niet in dezelfde mate gerecycled kan worden als metalen.

Deze twee typen productie zouden de meest drastische verandering kunnen zien in termen van reductie in hun schroot en afval. In plaats van te focussen op groene oplossingen die veel startups tegen extra kosten aanbieden, zou schroot- en afvalreductie de hoofdprikkel moeten zijn voor deze industrieën wat op zijn beurt leidt tot energiebesparing en meer duurzame productie. Duurzaamheid en schone energoplossingen zouden niet als een luxe voor fabrieken die het zich kunnen permitteren gezien moeten worden, maar eerder als een bijproduct van het verhogen van efficiëntie. Fabrieken kunnen ook hun opbrengst verhogen zonder een pad van expliciete schone energoplossingen af te gaan – minder energie gebruiken dan nodig is gewoon goede praktijk.

ML kan helpen in de strijd tegen klimaatverandering door productieprocessen te verfijnen, wat leidt tot verbeterde efficiëntie, minder energieverbruik, en gereduceerde emissies. Op hun beurt zullen deze uitkomsten fabrieken vertrouwen geven om de nadruk te verleggen naar schonere productie. ML toepassen om klimaatverandering aan te pakken kan helpen de productiesector te decarboniseren, sommige van de technieken in ML die nog in hun kinderschoenen staan te versterken, en de samenleving als geheel te laten profiteren.

Arjun Chandar en Hunter Ashmore zijn medeoprichters van IndustrialML Inc.