Wie maschinelles Lernen Herstellern helfen kann, den Klimawandel zu bekämpfen

Der Klimawandel stellt eine erhebliche Bedrohung für die Menschheit dar und ist nicht nur ein Problem, das künftigen Generationen überlassen werden sollte. Wenn die Treibhausgasemissionen bis 2050 nicht fast vollständig beseitigt werden, wird die Welt in Bezug auf die globale Temperatur katastrophale Folgen haben. Obwohl viele Industrien Schritte unternommen haben, um ihre Emissionen zu reduzieren, gibt es immer noch eine Zurückhaltung wegen der fälschlicherweise angenommenen Kosten für die Suche nach umweltfreundlicheren Lösungen.

Produktion, Logistik und Baustoffe gehören zu den führenden Verursachern von Treibhausgasemissionen. Nach Angaben des Natural Resources Defense Council erzeugen die 15 größten Lebensmittel- und Getränkeunternehmen der USA jedes Jahr mehr Treibhausgase als ganz Australien. Mit der Einführung von maschinellem Lernen (ML) ist die Branche jedoch auch gut aufgestellt, um positive Auswirkungen auf das Klima zu erzielen.

ML wurde als ein mächtiges Werkzeug für den technologischen Fortschritt gepriesen, aber obwohl es zur Bekämpfung der weltweiten Nahrungsmittelknappheit eingesetzt wird, fehlt es an Bemühungen, herauszufinden, wie es für andere Umweltzwecke verwendet werden kann. ML in Fabriken in verschiedenen Sektoren kann zur Reduzierung der globalen Emissionen beitragen, indem sie die Energieeffizienz fördert, die Lieferkette rationalisiert und die Produktionsqualität verbessert.

Reduzierung des Verbrauchs

Ein häufiges Problem in Fabriken besteht darin, dass Maschinen mit einer zu hohen Kapazität für die erforderliche Leistung arbeiten. So viele Fabriken könnten so viel effizienter sein, indem sie weniger Strom von einzelnen Maschinen verbrauchen, ohne ihre Leistung zu beeinträchtigen. Wenn eine Maschine nur 25 % ihrer maximalen Leistungsaufnahme benötigt, um eine Linie mit einer bestimmten Geschwindigkeit zu betreiben, können verschiedene ML-Techniken dies durch Korrelation von Leistungs- und Produktionsdaten hervorheben älter werden.

Im Fall von Kraftwerken kann ML mit Wärmebildaufnahmen verwendet werden, um zu bestimmen, welche Teile einer Anlage ein zu hohes Temperaturniveau haben, und zu modulieren, wie viel Energie sie auf diesen Teil der Anlage anwenden. Würden Fabriken beim Stromverbrauch ein ähnliches Prinzip anwenden, würde dies die Effizienz weiter steigern. Eine Möglichkeit, dies zu tun, könnte darin bestehen, die Heizungs-, Lüftungs- und Klimaanlagen einer Fabrik zu rationalisieren. Obwohl dies eine potenziell große Investition wäre, könnte eine Fabrik ML auch verwenden, um die Produktionsleistung und den Stromverbrauch ihrer Fabriken unter verschiedenen Energiequellen zu simulieren, wodurch es einfacher wird, industrielle Prozesse so umzugestalten, dass sie mit kohlenstoffarmer Energie statt mit Kohle oder Öl betrieben werden , und Benzin.

Abgesehen vom Energieverbrauch können Fabriken ML auch nutzen, um fehlerhafte Produkte zu erkennen, bevor sie produziert werden (z ihren Schrott. Dies hat verschiedene Vorteile:Es würde weniger Zeit benötigt, um den gleichen Durchsatz zu produzieren, weniger Zeit würde durch schlechten Durchsatz verschwendet und es würden weniger Emissionen durch Ausschussware verursacht. Wenn der Schrott einer Fabrik im Wert von 100 Millionen US-Dollar um 10 % reduziert würde, hätte dies die gleiche Auswirkung auf die Emissionen, als würde ein Jahr lang 2000 Autos von der Straße genommen. Dies unterstreicht die enormen Auswirkungen, die scheinbar geringfügige Änderungen in einer Fabrik auf die Emissionswerte haben können.

Supply-Chain-Optimierung

In vielen Fabriken werden Produkte überproduziert oder überlagert. Dies verschwendet Ressourcen durch die Produktion, führt aber auch zu erhöhten Emissionen aus der Maut für Transport und Lagerung. ML kann dies reduzieren, indem es den Bedarf prognostiziert. Im Beispiel der Lebensmittelindustrie könnte dies zu geringeren Nachernteverlusten führen, indem festgestellt wird, wann ein Produkt verderben könnte, indem entweder quantitative Algorithmen zur Verfolgung der Haltbarkeit oder sogar Computer Vision verwendet werden, um zu verfolgen, wie sich die Farbe der Lebensmittel verändert näher am Verderben. Würde die Lagerbelastung durch eine solche Straffung des Liefernetzes reduziert, könnte ein höherer Prozentsatz der Produkte verkauft werden, da die richtigen Produkte geliefert würden, wenn die Nachfrage da war. Theoretisch könnte ML auch verwendet werden, um einer Fabrik dabei zu helfen, ein Lieferantennetzwerk aufzubauen, das auf Kategorien wie Geografie und dem Alter des Unternehmens basiert, um Algorithmen zu entwickeln, die helfen, den Entscheidungsprozess für den zu wählenden Lieferanten zu durchdenken.

ML-Techniken wie Computer Vision ermöglichen es Fabriken auch, die Qualität ihrer Produkte zu „stufen“ und zu dokumentieren. Die Durchführung dieser Qualitäten gemäß einem allgemein anerkannten Standard ermöglicht es den Lieferanten, ihre Produkte auf einem gewissen Niveau zu zertifizieren, was potenziellen Kunden Vertrauen gibt und die Märkte, die sie erreichen können, erweitert. Beispielsweise wird Stahl aufgrund der hohen Zölle zwischen den USA und China auf Stahlwaren oft über Drittländer verschifft, was die Endkundengarantie für die Endqualität verringert. ML-basierte Inspektion und Zertifizierung, entweder auf Lieferanten- oder Kundenseite, erleichtert amerikanischen Stahlanwendern die Beschaffung von Stahl aus mehr Ländern.

Verfeinerungsprozesse

Viele Fertigungsbereiche leiden unter Materialverschwendung und Energieverlust im Produktionsprozess. Bei der Stahlherstellung beispielsweise kommt es bei der Umformung zu vielen Veränderungen und Wärmeübertragungen, die zu erheblichen Energieverlusten führen. 1,8 Tonnen CO2 werden über die gesamte Lieferkette pro Tonne produziertem Stahl emittiert, und 9 % des globalen Treibhausgases werden bei der Zement- und Stahlproduktion emittiert. In Fabriken, in denen Kunststoff hergestellt wird, fällt viel Abfall aus Materialien an, die nicht recycelt werden, da Kunststoff nicht im gleichen Umfang recycelt werden kann wie Metalle.

Diese beiden Produktionsarten könnten die drastischste Veränderung in Bezug auf die Reduzierung von Schrott und Abfall erfahren. Anstatt sich auf grüne Lösungen zu konzentrieren, die viele Startups gegen Aufpreis anbieten, sollte die Reduzierung von Schrott und Abfall der Hauptanreiz für diese Industrien sein, was wiederum zu Energieeinsparungen und einer nachhaltigeren Produktion führt. Nachhaltigkeit und saubere Energielösungen sollten kein Luxus für Fabriken sein, die sie sich leisten können, sondern eher ein Nebenprodukt der Effizienzsteigerung. Fabriken können ihren Ertrag auch ohne explizit saubere Energielösungen steigern – weniger Energie zu verbrauchen als benötigt ist nur eine gute Praxis.

ML kann im Kampf gegen den Klimawandel helfen, indem es Herstellungsverfahren verfeinert, was zu verbesserter Effizienz, geringerem Energieverbrauch und reduzierten Emissionen führt. Diese Ergebnisse wiederum werden es den Fabriken ermöglichen, zuversichtlich zu sein, den Schwerpunkt auf eine sauberere Produktion zu verlagern. Die Anwendung von ML zur Bekämpfung des Klimawandels kann zur Dekarbonisierung des verarbeitenden Gewerbes beitragen, einige der Techniken im Bereich ML, die noch in den Kinderschuhen stecken, voranbringen und der Gesellschaft als Ganzes zugute kommen.

Arjun Chandar und Hunter Ashmore sind Mitbegründer von IndustrialML Inc.