Cómo el aprendizaje automático puede ayudar a los fabricantes a combatir el cambio climático

El cambio climático representa una amenaza considerable para la humanidad y no es solo un problema que deba dejarse para las generaciones futuras. Si las emisiones de gases de efecto invernadero no se eliminan casi por completo para 2050, el mundo enfrentará consecuencias catastróficas con respecto a la temperatura global. Si bien muchas industrias han tomado medidas para reducir sus emisiones, todavía existe una renuencia a moverse en esta dirección debido a los costos supuestos falsamente de buscar soluciones más ecológicas.

La fabricación, la logística y los materiales de construcción son algunos de los principales productores de emisiones de gases de efecto invernadero. Según el Consejo de Defensa de los Recursos Naturales, las 15 principales empresas de alimentos y bebidas de EE. UU. Generan más gases de efecto invernadero cada año que toda Australia. Sin embargo, con la adopción del aprendizaje automático (ML), la industria también está bien posicionada para lograr un impacto climático positivo.

El ML ha sido anunciado como una herramienta poderosa para el progreso tecnológico, pero a pesar de que se usa para combatir la escasez mundial de alimentos, ha habido una falta de esfuerzo para identificar cómo se puede usar para otros fines ambientales. El ML en las fábricas, en varios sectores, puede contribuir a reducir las emisiones globales impulsando la eficiencia energética, racionalizando la cadena de suministro y mejorando la calidad de la producción.

Cortar el consumo

Un problema común que se encuentra en las fábricas es que las máquinas funcionan a una capacidad demasiado alta para la producción requerida. Muchas fábricas podrían ser mucho más eficientes consumiendo menos energía de máquinas individuales sin afectar su rendimiento. Si una máquina solo necesita el 25% de su consumo máximo de energía para ejecutar una línea a una velocidad particular, una variedad de técnicas de ML pueden resaltar esto al correlacionar los datos de potencia y producción, lo que le permite optimizar sus configuraciones de energía incluso si las configuraciones óptimas cambian a medida que las máquinas envejecer.

En el caso de las plantas de energía, ML se puede utilizar con imágenes térmicas para determinar qué partes de una planta están a niveles de temperatura excesivos y modular la cantidad de energía que aplican a esa parte de la planta. Si las fábricas adoptan un principio similar para el consumo de electricidad, esto aumentaría aún más la eficiencia. Una forma de hacer esto podría ser racionalizar los sistemas de calefacción, ventilación y aire acondicionado de una fábrica. Aunque sería una inversión potencialmente grande, una fábrica también podría usar ML para simular la producción y el consumo de energía de sus fábricas con diferentes fuentes de energía, lo que facilita el rediseño de los procesos industriales para que funcionen con energía baja en carbono en lugar de carbón, petróleo. y gas.

Además del consumo de energía, las fábricas también pueden usar ML para detectar productos defectuosos antes de que se produzcan (por ejemplo, mediante el uso de visión por computadora para detectar defectos de productos al principio de sus líneas, o el uso de datos históricos para predecir las causas de error antes de que sucedan) reduciendo significativamente su chatarra. Esto tiene una variedad de beneficios:se necesitaría menos tiempo para producir el mismo rendimiento, se desperdiciaría menos tiempo en un rendimiento deficiente y se producirían menos emisiones en los productos desechados. Si la chatarra de una fábrica por valor de $ 100 millones se redujera en un 10%, tendría el efecto equivalente en las emisiones de sacar 2000 automóviles de la carretera durante un año. Esto resalta el enorme impacto que los cambios aparentemente menores en una fábrica podrían tener en los niveles de emisión.

Optimización de la cadena de suministro

En muchas fábricas, los productos se producen en exceso o se almacenan en exceso. Esto desperdicia recursos a través de la producción, pero también conduce a un aumento de las emisiones del peaje en el transporte y el almacenamiento. ML puede reducir esto pronosticando la demanda. En el ejemplo de la industria alimentaria, podría conducir a una disminución de las pérdidas poscosecha al identificar cuándo un producto podría estar a punto de echarse a perder, utilizando algoritmos cuantitativos para rastrear la vida útil o incluso visión por computadora para rastrear cómo los cambios en el color significan que los alimentos se están volviendo. más cerca de estropear. Si se redujera la presión sobre el almacenamiento mediante la racionalización de la red de suministro de esta manera, entonces se podría vender un porcentaje más alto de productos porque los productos correctos se enviarían cuando hubiera demanda. En teoría, ML también podría usarse para ayudar a una fábrica a establecer una red de proveedores, basada en categorías como la geografía y la edad de la empresa, para construir algoritmos que ayuden a pensar en el proceso de toma de decisiones de qué proveedor elegir.

Las técnicas de aprendizaje automático, como la visión por computadora, también permiten a las fábricas "calificar" y documentar la calidad de sus productos. Realizar estos grados de acuerdo con cualquier estándar ampliamente aceptado permite a los proveedores proporcionar un nivel de certificación a su producto, lo que da confianza a los clientes potenciales y amplía los mercados a los que pueden llegar. Por ejemplo, debido a los fuertes aranceles entre los EE. UU. Y China sobre los productos de acero, el acero a menudo se envía a través de terceros países, lo que disminuye la garantía de calidad final del cliente final. La inspección y certificación basada en ML, ya sea del lado del proveedor o del cliente, facilita a los usuarios estadounidenses de acero obtener acero de más países.

Procesos de refinamiento

Muchos sectores de la fabricación sufren desperdicio de materiales y pérdida de energía en el proceso de producción. Por ejemplo, en la producción de acero, hay muchas modificaciones y transferencia de calor durante el conformado, lo que conduce a una pérdida de energía sustancial. Se emiten 1,8 toneladas de CO2 a lo largo de la cadena de suministro por tonelada de acero producida, y el 9% del gas de efecto invernadero global se emite durante la producción de cemento y acero. En las fábricas donde se produce plástico, hay muchos desechos de materiales que no se reciclan porque el plástico no se puede reciclar en la misma medida que los metales.

Estos dos tipos de producción podrían experimentar el cambio más drástico en términos de reducción de sus desechos y desperdicios. En lugar de centrarse en las soluciones ecológicas que ofrecen muchas empresas emergentes a costos adicionales, la reducción de desechos y desperdicios debería ser el principal incentivo para estas industrias, lo que a su vez conduce a ahorros de energía y una producción más sostenible. Las soluciones de sostenibilidad y energía limpia no deben verse como un lujo para las fábricas que pueden permitírselo, sino más bien como un subproducto de una mayor eficiencia. Las fábricas también pueden aumentar su rendimiento sin seguir un camino de soluciones energéticas explícitamente limpias; usar menos energía de la necesaria es solo una buena práctica.

ML puede ayudar en la lucha contra el cambio climático al refinar los procesos de fabricación, lo que conduce a una mayor eficiencia, menor consumo de energía y reducción de emisiones. A su vez, estos resultados permitirán que las fábricas se sientan seguras de cambiar el énfasis hacia una producción más limpia. La aplicación del LA para abordar el cambio climático puede ayudar a descarbonizar el sector manufacturero, hacer avanzar algunas de las técnicas de LA que aún están en su infancia y beneficiar a la sociedad en su conjunto.

Arjun Chandar y Hunter Ashmore son cofundadores de IndustrialML Inc.