Maschinelles Lernen nutzen, um Fertigungsemissionen zu senken und den Klimawandel zu bekämpfen

Der Klimawandel stellt eine erhebliche Bedrohung für die Menschheit dar und ist nicht nur ein Problem, das man zukünftigen Generationen überlassen sollte. Wenn Treibhausgasemissionen bis 2050 nicht nahezu vollständig eliminiert werden, wird die Welt katastrophale Folgen in Bezug auf die globale Temperatur erleben. Während viele Branchen Schritte zur Reduzierung ihrer Emissionen unternommen haben, besteht immer noch Zurückhaltung, in diese Richtung zu gehen, wegen der fälschlich angenommenen Kosten grüner Lösungen.

Fertigung, Logistik und Baustoffe gehören zu den größten Verursachern von Treibhausgasemissionen. Laut dem Natural Resources Defense Council erzeugen die 15 größten US-Lebensmittel- und Getränkeunternehmen jährlich mehr Treibhausgase als ganz Australien. Doch mit der Einführung von Machine Learning (ML) ist die Industrie auch gut positioniert, einen positiven Klimaeinfluss zu erzielen.

ML wurde als mächtiges Werkzeug für technologischen Fortschritt gefeiert, aber trotz seines Einsatzes gegen globale Nahrungsmittelknappheit gab es wenig Bemühungen, zu identifizieren, wie es für andere Umweltzwecke genutzt werden kann. ML in Fabriken, über verschiedene Sektoren hinweg, kann zur Reduzierung globaler Emissionen beitragen, indem es Energieeffizienz vorantreibt, die Lieferkette strafft und die Produktionsqualität verbessert.

Verbrauch senken

Ein häufiges Problem in Fabriken ist, dass Maschinen mit einer Kapazität betrieben werden, die für den erforderlichen Output zu hoch ist. So viele Fabriken könnten viel effizienter sein, indem sie weniger Strom von einzelnen Maschinen verbrauchen, ohne deren 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 aufzeigen, sodass Sie Ihre Leistungseinstellungen optimieren können – selbst wenn sich optimale Einstellungen ändern, wenn Maschinen altern.

Im Fall von Kraftwerken kann ML mit Wärmebildgebung eingesetzt werden, um zu bestimmen, welche Teile eines Kraftwerks übermäßige Temperaturen aufweisen, und zu modulieren, wie viel Leistung sie auf diesen Teil anwenden. Wenn Fabriken ein ähnliches Prinzip für den Stromverbrauch anwenden, würde dies die Effizienz weiter erhöhen. Eine Möglichkeit wäre die Straffung der Heizungs-, Lüftungs- und Klimaanlagen einer Fabrik. Obwohl es eine potenziell große Investition wäre, könnte eine Fabrik ML auch nutzen, um die Produktionsleistung und den Stromverbrauch ihrer Fabriken unter verschiedenen Energiequellen zu simulieren, was die Neugestaltung industrieller Prozesse für den Betrieb mit kohlenstoffarmer Energie statt Kohle, Öl und Gas erleichtert.

Abgesehen vom Energieverbrauch können Fabriken ML auch nutzen, um fehlerhafte Produkte abzufangen, bevor sie produziert werden (z. B. durch Computer Vision, um Produktfehler früh in den Linien zu erkennen, oder durch historische Daten, um Fehlerursachen vorherzusagen, bevor sie eintreten) – was ihren Ausschuss signifikant reduziert. Dies hat vielfältige Vorteile: Weniger Zeit wäre nötig, um denselben Durchsatz zu produzieren, weniger Zeit würde für fehlerhaften Durchsatz verschwendet, und weniger Emissionen würden bei Ausschussware erzeugt. Wäre der Ausschuss einer 100-Millionen-Dollar-Fabrik um 10 % zu reduzieren, hätte das die äquivalente Wirkung auf Emissionen wie die Stilllegung von 2000 Autos für ein Jahr. Das verdeutlicht die enorme Auswirkung, die scheinbar kleine Änderungen in einer Fabrik auf Emissionsniveaus haben können.

Lieferkettenoptimierung

In vielen Fabriken werden Produkte überproduziert oder überlagert. Das verschwendet Ressourcen durch Produktion, führt aber auch zu erhöhten Emissionen durch die Belastung von Versand und Lagerung. ML kann dies reduzieren, indem es die Nachfrage prognostiziert. Am Beispiel der Lebensmittelindustrie könnte dies zu verringerten Nachernteverlusten führen, indem identifiziert wird, wann ein Produkt kurz vor dem Verderben steht – entweder durch quantitative Algorithmen zur Verfolgung der Haltbarkeit oder sogar Computer Vision, um zu verfolgen, wie Farbveränderungen bedeuten, dass Lebensmittel dem Verderben näher kommen. Wenn die Belastung der Lagerung durch Straffung des Liefernetzwerks auf diese Weise reduziert würde, könnte ein höherer Prozentsatz der Produkte verkauft werden, weil die richtigen Produkte versendet würden, wenn die Nachfrage da ist. Theoretisch könnte ML auch genutzt werden, um einer Fabrik zu helfen, ein Netzwerk von Lieferanten basierend auf Kategorien wie Geografie und Unternehmensalter aufzubauen, um Algorithmen zu erstellen, die den Entscheidungsprozess der Lieferantenauswahl durchdenken.

ML-Techniken wie Computer Vision ermöglichen es Fabriken auch, die Qualität ihrer Produkte zu „bewerten“ und zu dokumentieren. Die Durchführung dieser Bewertungen nach allgemein anerkannten Standards erlaubt Lieferanten, ein Zertifizierungsniveau für ihr Produkt bereitzustellen, was potenziellen Kunden Vertrauen gibt und die Märkte erweitert, die sie erreichen können. Als Beispiel: Aufgrund hoher Zölle zwischen den USA und China bei Stahlwaren wird Stahl oft über Drittländer verschifft, was die Garantie eines Endkunden für die endgültige Qualität mindert. ML-basierte Inspektion und Zertifizierung, sei es auf Lieferanten- oder Kundenseite, erleichtert es amerikanischen Stahlnutzern, Stahl aus mehr Ländern zu beziehen.

Prozesse verfeinern

Viele Fertigungssektoren leiden unter verschwendeten Materialien und Energieverlust im Produktionsprozess. Beispielsweise in der Stahlproduktion gibt es viel Modifikation und Wärmeübertragung beim Formen, was zu erheblichem Energieverlust führt. 1,8 Tonnen CO₂ werden über die Lieferkette pro Tonne produziertem Stahl emittiert, und 9 % der globalen Treibhausgase werden bei Zement- und Stahlproduktion ausgestoßen. In Fabriken, in denen Kunststoff produziert wird, gibt es viel Abfall von Materialien, die nicht recycelt werden, weil Kunststoff nicht in demselben Maße recycelt werden kann wie Metalle.

Diese beiden Produktionsarten könnten die drastischste Veränderung in Bezug auf Reduzierung von Ausschuss und Abfall sehen. Anstatt sich auf grüne Lösungen zu konzentrieren, die viele Startups zu zusätzlichen Kosten anbieten, sollten Ausschuss- und Abfallreduzierung der Hauptanreiz für diese Branchen sein – was wiederum zu Energieeinsparungen und nachhaltigerer Produktion führt. Nachhaltigkeit und saubere Energielösungen sollten nicht als Luxus für Fabriken gesehen werden, die sie sich leisten können, sondern vielmehr als Nebenprodukt steigender Effizienz. Fabriken können auch ihren Ertrag steigern, ohne explizit den Pfad sauberer Energielösungen zu gehen – weniger Energie als nötig zu verbrauchen, ist einfach gute Praxis.

ML kann im Kampf gegen den Klimawandel helfen, indem es Fertigungsprozesse verfeinert, was zu verbesserter Effizienz, weniger Energieverbrauch und reduzierten Emissionen führt. Diese Ergebnisse ermöglichen es Fabriken, zuversichtlicher den Schwerpunkt auf sauberere Produktion zu verlagern. Die Anwendung von ML zur Bekämpfung des Klimawandels kann helfen, den Fertigungssektor zu dekarbonisieren, einige der noch in den Kinderschuhen steckenden ML-Techniken voranzubringen und der Gesellschaft als Ganzes zu nutzen.

Arjun Chandar und Hunter Ashmore sind Mitgründer von IndustrialML Inc.