Comment l'apprentissage automatique peut aider les fabricants à lutter contre le changement climatique

Le changement climatique constitue une menace considérable pour l'humanité, et n'est pas seulement un problème qui devrait être laissé aux générations futures. Si les émissions de gaz à effet de serre ne sont pas presque entièrement éliminées d'ici 2050, le monde sera confronté à des conséquences catastrophiques en ce qui concerne la température mondiale. Alors que de nombreuses industries ont pris des mesures pour réduire leurs émissions, il y a toujours une réticence à aller dans cette direction en raison des coûts faussement présumés de la recherche de solutions plus vertes.

La fabrication, la logistique et les matériaux de construction sont parmi les principaux producteurs d'émissions de gaz à effet de serre. Selon le Natural Resources Defense Council, les 15 plus grandes entreprises américaines du secteur de l'alimentation et des boissons génèrent chaque année plus de gaz à effet de serre que l'ensemble de l'Australie. Cependant, avec l'adoption de l'apprentissage automatique (ML), l'industrie est également bien placée pour avoir un impact positif sur le climat.

Le ML a été présenté comme un outil puissant pour le progrès technologique, mais bien qu'il soit utilisé pour lutter contre les pénuries alimentaires mondiales, il y a eu un manque d'efforts pour identifier comment il peut être utilisé à d'autres fins environnementales. Le ML dans les usines, dans divers secteurs, peut contribuer à réduire les émissions mondiales en favorisant l'efficacité énergétique, en rationalisant la chaîne d'approvisionnement et en améliorant la qualité de la production.

Réduire la consommation

Un problème courant rencontré dans les usines est que les machines fonctionnent à une capacité trop élevée pour la production requise. Tant d'usines pourraient être tellement plus efficaces en consommant moins d'énergie des machines individuelles sans affecter leurs performances. Si une machine n'a besoin que de 25 % de sa puissance maximale pour faire fonctionner une ligne à une vitesse particulière, diverses techniques d'apprentissage automatique peuvent le mettre en évidence en corrélant les données de puissance et de production, vous permettant d'optimiser vos paramètres de puissance même si les paramètres optimaux changent au fur et à mesure que les machines vieillir.

Dans le cas des centrales électriques, ML peut être utilisé avec l'imagerie thermique pour déterminer quelles parties d'une centrale sont à des niveaux de température excessifs et moduler la quantité d'énergie qu'ils appliquent à cette partie de la centrale. Si les usines adoptaient un principe similaire pour la consommation d'électricité, cela augmenterait encore l'efficacité. Une façon d'y parvenir pourrait être de rationaliser les systèmes de chauffage, de ventilation et de climatisation d'une usine. Bien qu'il s'agisse d'un investissement potentiellement important, une usine pourrait également utiliser ML pour simuler la production et la consommation d'énergie de ses usines sous différentes sources d'énergie, ce qui faciliterait la refonte des processus industriels pour qu'ils fonctionnent avec une énergie à faible émission de carbone au lieu du charbon, du pétrole , et du gaz.

Outre la consommation d'énergie, les usines peuvent également utiliser le ML pour détecter les produits défectueux avant qu'ils ne soient produits (par exemple, en utilisant la vision par ordinateur pour détecter les défauts des produits au début de leurs lignes, ou en utilisant des données historiques pour prédire les causes d'erreur avant qu'elles ne se produisent) réduisant considérablement leur ferraille. Cela présente une variété d'avantages :moins de temps serait nécessaire pour produire le même débit, moins de temps serait perdu sur un mauvais débit et moins d'émissions seraient produites sur les produits mis au rebut. Si la ferraille d'une usine d'une valeur de 100 millions de dollars devait être réduite de 10 %, cela aurait l'effet équivalent sur les émissions de retirer 2000 voitures de la route pendant un an. Cela met en évidence l'énorme impact que des changements apparemment mineurs dans une usine pourraient avoir sur les niveaux d'émission.

Optimisation de la chaîne d'approvisionnement

Dans de nombreuses usines, les produits sont surproduits ou surstockés. Cela gaspille des ressources à travers la production, mais entraîne également une augmentation des émissions dues au péage sur le transport et le stockage. Le ML peut réduire cela en prévoyant la demande. Dans l'exemple de l'industrie alimentaire, cela pourrait entraîner une diminution des pertes après récolte en identifiant le moment où un produit est sur le point de se gâter, en utilisant soit des algorithmes quantitatifs pour suivre la durée de conservation, soit même la vision par ordinateur pour suivre comment les changements de couleur signifient que la nourriture devient plus proche de gâcher. Si la pression sur le stockage était réduite en rationalisant le réseau d'approvisionnement de cette manière, alors un pourcentage plus élevé de produits pourrait être vendu car les bons produits seraient expédiés lorsque la demande était là. Théoriquement, le ML pourrait également être utilisé pour aider une usine à mettre en place un réseau de fournisseurs, basé sur des catégories telles que la géographie et l'âge de l'entreprise, pour créer des algorithmes qui aident à réfléchir au processus décisionnel du fournisseur à choisir.

Les techniques de ML telles que la vision par ordinateur permettent également aux usines de « classer » et de documenter la qualité de leurs produits. La réalisation de ces classements conformément à n'importe quelle norme largement acceptée permet aux fournisseurs de fournir un niveau de certification à leur produit, ce qui donne confiance aux clients potentiels et élargit les marchés qu'ils peuvent atteindre. Par exemple, en raison des tarifs douaniers élevés entre les États-Unis et la Chine sur les produits en acier, l'acier est souvent expédié via des pays tiers, ce qui diminue la garantie de qualité finale du client final. L'inspection et la certification basées sur le ML, que ce soit du côté du fournisseur ou du client, permettent aux utilisateurs d'acier américains de s'approvisionner plus facilement en acier dans un plus grand nombre de pays.

Processus de raffinage

De nombreux secteurs de la fabrication souffrent de gaspillage de matériaux et de perte d'énergie dans le processus de production. Par exemple, dans la production d'acier, il y a beaucoup de modifications et de transfert de chaleur pendant le formage, ce qui entraîne une perte d'énergie substantielle. 1,8 tonne de CO2 est émise tout au long de la chaîne d'approvisionnement par tonne d'acier produite, et 9 % des gaz à effet de serre mondiaux sont émis lors de la production de ciment et d'acier. Dans les usines où le plastique est produit, il y a beaucoup de déchets provenant de matériaux non recyclés car le plastique ne peut pas être recyclé dans la même mesure que les métaux.

Ces deux types de production pourraient connaître le changement le plus drastique en termes de réduction de leurs rebuts et déchets. Plutôt que de se concentrer sur des solutions vertes que de nombreuses startups proposent à des coûts supplémentaires, la réduction des rebuts et des déchets devrait être la principale incitation pour ces industries, ce qui à son tour conduit à des économies d'énergie et à une production plus durable. Les solutions de durabilité et d'énergie propre ne doivent pas être considérées comme un luxe pour les usines qui peuvent se les permettre, mais plutôt comme un sous-produit d'une efficacité croissante. Les usines peuvent également augmenter leur rendement sans s'engager dans une voie de solutions d'énergie explicitement propres - utiliser moins d'énergie que nécessaire n'est qu'une bonne pratique.

Le ML peut aider à lutter contre le changement climatique en affinant les processus de fabrication, ce qui conduit à une efficacité améliorée, à une consommation d'énergie moindre et à des émissions réduites. À leur tour, ces résultats permettront aux usines de se sentir en confiance pour mettre l'accent sur une production plus propre. L'application du ML pour lutter contre le changement climatique peut aider à décarboniser le secteur manufacturier, à faire progresser certaines des techniques du ML qui en sont encore à leurs balbutiements et à profiter à la société dans son ensemble.

Arjun Chandar et Hunter Ashmore sont cofondateurs d'IndustrialML Inc.