기계 학습을 통해 제조업체가 기후 변화에 대처하는 데 도움이 되는 방법

기후변화는 인류에게 상당한 위협이 되며, 미래세대에게만 남겨져야 할 문제가 아닙니다. 2050년까지 온실 가스 배출이 거의 완전히 제거되지 않으면 세계는 지구 온도와 관련하여 치명적인 결과에 직면하게 될 것입니다. 많은 산업에서 배출량을 줄이기 위한 조치를 취했지만 친환경 솔루션을 찾는 데 드는 비용이 잘못 추정되었기 때문에 여전히 이 방향으로 나아가는 것을 꺼립니다.

제조, 물류 및 건축 자재는 온실 가스 배출의 주요 생산자 중 일부입니다. 천연 자원 보호 위원회(Natural Resources Defense Council)에 따르면, 미국 상위 15개 식품 및 음료 회사는 매년 호주 전체보다 더 많은 온실 가스를 생성합니다. 그러나 머신 러닝(ML)의 채택으로 업계는 기후에 긍정적인 영향을 미칠 수 있는 좋은 위치에 있습니다.

ML은 기술 발전을 위한 강력한 도구로 알려져 있지만 전 세계 식량 부족 문제를 해결하는 데 사용되었음에도 불구하고 다른 환경적 목적으로 사용할 수 있는 방법을 식별하려는 노력이 부족했습니다. 다양한 부문에 걸쳐 공장의 ML은 에너지 효율성을 높이고 공급망을 간소화하며 생산 품질을 개선하여 전 세계 배출량을 줄이는 데 기여할 수 있습니다.

소비 절감

공장에서 발견되는 일반적인 문제는 기계가 필요한 출력에 비해 너무 높은 용량에서 작동한다는 것입니다. 많은 공장이 성능에 영향을 미치지 않으면서 개별 기계의 전력 소비를 줄임으로써 훨씬 더 효율적일 수 있습니다. 기계가 특정 속도로 라인을 실행하기 위해 최대 전력 소모의 25%만 필요한 경우, 다양한 ML 기술은 전력과 생산 데이터를 연관시켜 이를 강조 표시할 수 있으므로 최적의 설정이 기계에 따라 변경되더라도 전력 설정을 최적화할 수 있습니다. 나이가 들어요.

발전소의 경우 ML을 열화상과 함께 사용하여 발전소의 어느 부분이 과도한 온도 수준인지 확인하고 발전소의 해당 부분에 적용되는 전력의 양을 조절할 수 있습니다. 공장에서 전력 소비에 대해 유사한 원칙을 채택하면 효율성이 더욱 향상됩니다. 이를 수행하는 한 가지 방법은 공장의 난방, 환기 및 공조 시스템을 간소화하는 것일 수 있습니다. 잠재적으로 큰 투자가 될 수 있지만 공장은 ML을 사용하여 다양한 에너지원에서 공장의 생산 출력 및 전력 소비를 시뮬레이션할 수 있으므로 석탄, 석유 대신 저탄소 에너지로 실행되도록 산업 프로세스를 더 쉽게 재설계할 수 있습니다. , 가스.

에너지 소비 외에도 공장은 ML을 사용하여 제품이 생산되기 전에 결함 제품을 포착할 수도 있습니다(예:컴퓨터 비전을 사용하여 생산 라인 초기에 제품 결함을 발견하거나 과거 데이터를 사용하여 오류가 발생하기 전에 원인을 예측). 그들의 스크랩. 여기에는 다양한 이점이 있습니다. 동일한 처리량을 생성하는 데 더 적은 시간이 필요하고, 불량 처리량에 더 적은 시간이 낭비되며, 폐기된 제품에서 더 적은 배출량이 생성됩니다. 1억 달러 상당의 공장 폐품을 10% 줄이면 1년 동안 2,000대의 자동차를 도로에서 없애는 것과 같은 배출량이 됩니다. 이는 공장에서 겉보기에 사소한 변화가 배출 수준에 미칠 수 있는 엄청난 영향을 강조합니다.

공급망 최적화

많은 공장에서 제품이 과잉 생산되거나 재고가 과잉 공급됩니다. 이는 생산을 통해 자원을 낭비하지만 운송 및 보관에 대한 통행료로 인한 배출량 증가로 이어집니다. ML은 수요를 예측하여 이를 줄일 수 있습니다. 식품 산업의 예에서 수량 알고리즘을 사용하여 유통 기한을 추적하거나 컴퓨터 비전을 사용하여 색상 변화가 식품이 어떻게 변하는지 추적하여 제품이 상하게 될 시기를 식별함으로써 수확 후 손실을 줄일 수 있습니다. 스포일러에 가깝습니다. 이러한 방식으로 공급 네트워크를 간소화하여 보관에 대한 부담을 줄이면 수요가 있을 때 올바른 제품이 배송되기 때문에 더 높은 비율의 제품을 판매할 수 있습니다. 이론적으로 ML은 공장에서 지리 및 회사 연도와 같은 범주를 기반으로 공급업체 네트워크를 설정하여 어떤 공급업체를 선택할 것인지에 대한 의사 결정 프로세스를 통해 생각하는 데 도움이 되는 알고리즘을 구축하는 데 사용할 수도 있습니다.

컴퓨터 비전과 같은 ML 기술을 사용하면 공장에서 제품 품질을 "등급화"하고 문서화할 수도 있습니다. 널리 인정되는 표준에 따라 이러한 등급을 수행하면 공급업체가 제품에 대한 인증 수준을 제공할 수 있으므로 잠재 고객에게 확신을 주고 도달할 수 있는 시장을 확장할 수 있습니다. 예를 들어, 철강 제품에 대한 미국과 중국 간의 높은 관세로 인해 철강은 종종 제3자 국가를 통해 배송되어 최종 고객의 최종 품질 보증이 감소합니다. 공급자 또는 고객 측에서 ML 기반 검사 및 인증을 통해 미국 철강 사용자가 더 많은 국가에서 철강을 소싱하기가 더 쉬워졌습니다.

정련 프로세스

많은 제조 부문이 생산 과정에서 낭비되는 재료와 에너지 손실로 고통받고 있습니다. 예를 들어, 철강 생산에서 성형하는 동안 많은 수정과 열 전달이 있어 상당한 에너지 손실이 발생합니다. 생산된 철강 1톤당 공급망 전체에서 1.8톤의 CO2가 배출되고, 시멘트 및 철강 생산 과정에서 전 세계 온실 가스의 9%가 배출됩니다. 플라스틱을 생산하는 공장에서는 플라스틱을 금속만큼 재활용할 수 없기 때문에 재활용되지 않는 재료로 인한 폐기물이 많습니다.

이 두 가지 유형의 생산은 스크랩 및 폐기물 감소 측면에서 가장 급격한 변화를 볼 수 있습니다. 많은 신생 기업이 추가 비용으로 제공하는 친환경 솔루션에 초점을 맞추기보다는 스크랩 및 폐기물 감소가 이러한 산업에 대한 주요 인센티브가 되어야 하며, 이는 결과적으로 에너지 절약과 보다 지속 가능한 생산으로 이어집니다. 지속 가능성과 청정 에너지 솔루션은 여유가 있는 공장의 사치품이 아니라 효율성 증대의 부산물로 여겨져야 합니다. 공장은 또한 명시적으로 청정 에너지 솔루션의 경로를 따르지 않고도 생산량을 늘릴 수 있습니다. 필요한 것보다 적은 에너지를 사용하는 것은 좋은 습관일 뿐입니다.

ML은 제조 프로세스를 개선하여 효율성을 개선하고 에너지 소비를 줄이며 배출량을 줄임으로써 기후 변화에 맞서 싸우는 데 도움이 될 수 있습니다. 결과적으로 이러한 결과는 공장이 더 깨끗한 생산으로 강조점을 전환하는 것에 대해 자신감을 가질 수 있도록 합니다. 기후 변화에 대처하기 위해 ML을 적용하면 제조 부문의 탄소를 제거하고, 아직 초기 단계에 있는 ML의 일부 기술을 발전시키며, 사회 전체에 혜택을 줄 수 있습니다.

Arjun Chandar와 Hunter Ashmore는 IndustrialML Inc.의 공동 설립자입니다.