機械学習がメーカーの気候変動との戦いにどのように役立つか

気候変動は人類にかなりの脅威をもたらし、将来の世代に残されるべき問題だけではありません。温室効果ガスの排出が2050年までにほぼ完全に排除されない場合、世界は地球の気温に関して壊滅的な結果に直面するでしょう。多くの業界が排出量を削減するための措置を講じていますが、より環境に配慮したソリューションを探すためのコストが誤って推定されているため、この方向に進むことには依然として消極的です。

製造、ロジスティクス、および建築材料は、温室効果ガス排出の主要な生産者の一部です。天然資源防衛協議会によると、米国の食品および飲料企業の上位15社は、オーストラリア全体よりも毎年多くの温室効果ガスを生成しています。ただし、機械学習（ML）の採用により、業界は気候にプラスの影響を与えるのに適した場所にあります。

MLは技術進歩のための強力なツールとして知られていますが、世界的な食糧不足と戦うために使用されているにもかかわらず、他の環境目的にどのように使用できるかを特定する努力が不足しています。工場のMLは、さまざまなセクターにわたって、エネルギー効率を高め、サプライチェーンを合理化し、生産品質を向上させることにより、世界の排出量の削減に貢献できます。

消費の削減

工場でよく見られる問題は、機械が必要な出力に対して高すぎる容量で動作していることです。非常に多くの工場は、パフォーマンスに影響を与えることなく、個々のマシンから消費する電力を減らすことで、はるかに効率的になる可能性があります。マシンが特定の速度でラインを実行するために最大消費電力の25％しか必要としない場合、さまざまなML手法で電力と生産データを相関させることでこれを強調し、マシンとして最適な設定が変更された場合でも電力設定を最適化できます。年をとる。

発電所の場合、MLを熱画像とともに使用して、プラントのどの部分が過度の温度レベルにあるかを判断し、それらがプラントのその部分に適用する電力量を調整できます。工場が同様の電力消費の原則を採用する場合、これはさらに効率を高めるでしょう。これを行う1つの方法は、工場の暖房、換気、および空調システムを合理化することです。大きな投資になる可能性がありますが、工場ではMLを使用して、さまざまなエネルギー源での工場の生産量と電力消費をシミュレートすることもできます。これにより、石炭や石油の代わりに低炭素エネルギーで稼働するように産業プロセスを再設計することが容易になります。 、およびガス。

エネルギー消費のほかに、工場はMLを使用して、製造前に欠陥製品をキャッチすることもできます（たとえば、コンピュータービジョンを使用して製品の欠陥をラインの早い段階で特定したり、履歴データを使用してエラーの原因を事前に予測したりすることで）大幅に削減彼らのスクラップ。これにはさまざまな利点があります。同じスループットを生成するために必要な時間が短縮され、スループットの低下に費やされる時間が短縮され、廃棄された商品で生成される排出量が削減されます。 1億ドル相当の工場のスクラップを10％削減すると、2000台の自動車を1年間道路から外すのと同等の効果があります。これは、工場の小さな変更が排出レベルに与える可能性のある大きな影響を浮き彫りにします。

サプライチェーンの最適化

多くの工場では、製品が過剰生産または過剰在庫されています。これは生産を通じて資源を浪費しますが、輸送と保管の通行料からの排出量の増加にもつながります。 MLは、需要を予測することでこれを減らすことができます。食品業界の例では、製品が腐敗しそうな時期を特定し、貯蔵寿命を追跡する定量​​的アルゴリズム、または色の変化が食品をどのように取得しているかを追跡するコンピュータービジョンを使用することで、収穫後損失を減らすことができます。腐敗に近い。このように供給ネットワークを合理化することで保管の負担を軽減すれば、需要があったときに適切な製品が出荷されるため、より高い割合の製品を販売できるようになります。理論的には、MLを使用して、地理や会社の年齢などのカテゴリに基づいて、工場がサプライヤのネットワークを構築し、どのサプライヤを選択するかの意思決定プロセスを検討するのに役立つアルゴリズムを構築することもできます。

コンピュータービジョンなどのML技術により、工場は製品の品​​質を「評価」して文書化することもできます。広く受け入れられている基準に従ってこれらのグレードを実行することで、サプライヤは製品に一定レベルの認証を提供できるようになり、潜在的な顧客に自信を与え、到達できる市場を広げることができます。一例として、米国と中国の間の鉄鋼製品に対する高い関税のために、鉄鋼はしばしば第三者国を経由して出荷され、最終的な品質の最終顧客の保証を低下させます。 MLベースの検査と認証は、サプライヤー側または顧客側のいずれかで、アメリカの鉄鋼ユーザーがより多くの国から鉄鋼を調達することを容易にします。

プロセスの改善

製造業の多くの部門は、製造工程での材料の浪費とエネルギーの損失に苦しんでいます。たとえば、鉄鋼生産では、成形中に多くの変更と熱伝達があり、それが大幅なエネルギー損失につながります。生産される鉄鋼1トンあたり1.8トンのCO2がサプライチェーン全体で排出され、世界の温室効果ガスの9％がセメントと鉄鋼の生産中に排出されます。プラスチックを製造している工場では、金属と同程度にプラスチックをリサイクルできないため、リサイクルされていない材料からの廃棄物が多く発生します。

これらの2種類の生産は、スクラップと廃棄物の削減という点で最も劇的な変化が見られる可能性があります。多くのスタートアップが追加コストで提供するグリーンソリューションに焦点を合わせるのではなく、スクラップと廃棄物の削減がこれらの業界の主なインセンティブであり、それがエネルギーの節約とより持続可能な生産につながります。持続可能性とクリーンエネルギーソリューションは、それらを購入できる工場にとって贅沢と見なされるべきではなく、むしろ効率向上の副産物と見なされるべきです。工場は、明確にクリーンなエネルギーソリューションの道をたどることなく、歩留まりを向上させることもできます。必要なエネルギーよりも少ないエネルギーを使用することは、良い習慣です。

MLは、製造プロセスを改善することで気候変動との戦いに役立ち、効率の向上、エネルギー消費の削減、排出量の削減につながります。次に、これらの結果により、工場はよりクリーンな生産に重点を移すことに自信を持つことができます。気候変動に取り組むためにMLを適用することは、製造業を脱炭素化し、まだ初期段階にあるMLの技術のいくつかを進歩させ、社会全体に利益をもたらすのに役立ちます。

ArjunChandarとHunterAshmoreは、IndustrialMLInc。の共同創設者です。