Exploiter le machine learning pour réduire les émissions manufacturières et lutter contre le changement climatique

Le changement climatique pose une menace considérable pour l'humanité, et n'est pas juste un problème à laisser aux générations futures. Si les émissions de gaz à effet de serre ne sont pas presque entièrement éliminées d'ici 2050, le monde fera face à des conséquences catastrophiques sur la température globale. Si de nombreuses industries ont pris des mesures pour réduire leurs émissions, il subsiste une réticence à aller dans ce sens à cause des coûts faussement présumés de la recherche de solutions plus vertes.

La manufacture, 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 d'alimentation et boissons génèrent plus de gaz à effet de serre chaque année que l'Australie dans son ensemble. Cependant, avec l'adoption du machine learning (ML), l'industrie est aussi bien placée pour avoir un impact climatique positif.

Le ML a été salué comme un outil puissant pour le progrès technologique, mais malgré son utilisation pour lutter contre les pénuries alimentaires mondiales, il y a eu un manque d'effort pour identifier comment il peut être utilisé à d'autres fins environnementales. Le ML dans les usines, à travers divers secteurs, peut contribuer à réduire les émissions globales en favorisant l'efficacité énergétique, en rationalisant la supply chain, et en améliorant la qualité de production.

Réduire la consommation

Un problème courant dans les usines est que les machines opèrent à une capacité trop élevée pour la production requise. Tant d'usines pourraient être bien plus efficaces en consommant moins d'énergie sur les machines individuelles sans affecter leur performance. Si une machine n'a besoin que de 25 % de sa puissance maximale pour faire tourner une ligne à une vitesse particulière, une variété de techniques ML peuvent mettre cela en évidence en corrélant données de puissance et de production, vous permettant d'optimiser vos réglages de puissance même si les réglages optimaux changent à mesure que les machines vieillissent.

Dans le cas des centrales électriques, le 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 puissance qu'elles appliquent à cette partie. Si les usines adoptent un principe similaire pour la consommation d'électricité, cela augmenterait encore l'efficacité. Une façon de faire pourrait être de rationaliser les systèmes de chauffage, ventilation et climatisation d'une usine. Bien que ce serait un investissement potentiellement important, une usine pourrait aussi utiliser le ML pour simuler la production et la consommation d'énergie de leurs usines sous différentes sources d'énergie, facilitant la reconception des processus industriels pour fonctionner sur de l'énergie bas-carbone au lieu de charbon, pétrole et gaz.

Au-delà de la consommation d'énergie, les usines peuvent aussi utiliser le ML pour attraper les produits défectueux avant qu'ils ne soient produits (par exemple, en utilisant la vision par ordinateur pour repérer les défauts produit tôt dans les lignes, ou en utilisant des données historiques pour prédire les causes d'erreur avant qu'elles n'arrivent), réduisant significativement leurs rebuts. Cela a une variété d'avantages : moins de temps serait requis pour produire le même débit, moins de temps serait gaspillé sur du mauvais débit, et moins d'émissions seraient produites sur les biens mis au rebut. Si les rebuts d'une usine valant 100 millions de dollars étaient réduits de 10 %, cela aurait l'effet équivalent sur les émissions de retirer 2000 voitures de la route pour un an. Cela met en lumière l'impact énorme que des changements apparemment mineurs dans une usine pourraient avoir sur les niveaux d'émissions.

Optimisation de la supply chain

Dans de nombreuses usines, les produits sont surproduits ou surstockés. Cela gaspille des ressources par la production mais entraîne aussi des émissions accrues du fait du fardeau sur l'expédition et le stockage. Le ML peut réduire cela en prévoyant la demande. Dans l'exemple de l'industrie alimentaire, cela pourrait mener à une diminution des pertes post-récolte en identifiant quand un produit pourrait être sur le point de se gâter, en utilisant soit des algorithmes quantitatifs pour tracker la durée de vie, soit même la vision par ordinateur pour tracker comment les changements de couleur signifient que la nourriture se rapproche de la détérioration. Si la contrainte sur le stockage était réduite en rationalisant le réseau d'approvisionnement de cette façon, alors un pourcentage plus élevé de produits pourrait être vendu car les bons produits seraient expédiés quand la demande est là. Théoriquement, le ML pourrait aussi être utilisé pour aider une usine à mettre en place un réseau de fournisseurs, basé sur des catégories comme la géographie et l'âge de l'entreprise, pour construire des algorithmes qui aident à réfléchir au processus de décision de quel fournisseur choisir.

Les techniques ML comme la vision par ordinateur permettent aussi aux usines de « grader » et documenter la qualité de leurs produits. Effectuer ces grades selon n'importe quel standard largement accepté 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 de lourdes taxes entre les États-Unis et la Chine sur les produits en acier, l'acier est souvent expédié via des pays tiers, diminuant la garantie de qualité finale pour le client final. L'inspection et la certification basées sur le ML, que ce soit côté fournisseur ou client, facilitent pour les utilisateurs d'acier américains de s'approvisionner en acier depuis plus de pays.

Affiner les processus

De nombreux secteurs de la manufacture souffrent de matériaux gaspillés et de perte d'énergie dans le processus de production. Par exemple, dans la production d'acier, il y a beaucoup de modification et de transfert de chaleur pendant le formage qui mène à une perte d'énergie substantielle. 1,8 tonnes de CO2 sont émises à travers la supply chain par tonne d'acier produite, et 9 % des gaz à effet de serre globaux sont émis pendant la production de ciment et d'acier. Dans les usines où du plastique est produit, il y a beaucoup de déchets 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 voir le changement le plus drastique en termes de réduction de leurs rebuts et déchets. Plutôt que de se focaliser sur des solutions vertes que beaucoup de startups offrent à coûts additionnels, la réduction des rebuts et déchets devrait être l'incitation principale pour ces industries, ce qui en retour mène à des économies d'énergie et une production plus durable. La durabilité et les solutions d'énergie propre ne devraient pas être vues comme un luxe pour les usines qui peuvent se le permettre, mais plutôt comme un sous-produit de l'augmentation de l'efficacité. Les usines peuvent aussi augmenter leur rendement sans aller sur un chemin de solutions explicitement d'énergie propre — utiliser moins d'énergie que nécessaire est juste une bonne pratique.

Le ML peut aider dans la lutte contre le changement climatique en affinant les processus de manufacture, ce qui mène à une efficacité améliorée, moins de consommation d'énergie, et des émissions réduites. En retour, ces résultats permettront aux usines de se sentir confiantes pour déplacer l'accent vers une production plus propre. Appliquer le ML pour s'attaquer au changement climatique peut aider à décarboner le secteur manufacturier, faire avancer certaines techniques de ML encore dans leur enfance, et bénéficier à la société dans son ensemble.

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