机器学习如何帮助制造商应对气候变化

气候变化对人类构成了相当大的威胁，而不仅仅是一个应该留给子孙后代的问题。如果到 2050 年不能几乎完全消除温室气体排放，世界将面临全球温度带来的灾难性后果。尽管许多行业已采取措施减少排放，但由于错误地假定寻找更环保的解决方案的成本，因此仍然不愿朝这个方向发展。

制造、物流和建筑材料是温室气体排放的主要生产者。根据自然资源保护委员会的数据，美国排名前 15 的食品和饮料公司每年产生的温室气体比整个澳大利亚还多。然而，随着机器学习 (ML) 的采用，该行业也处于有利地位，可以产生积极的气候影响。

ML 被誉为技术进步的强大工具，但尽管它被用来应对全球粮食短缺，但一直缺乏努力确定如何将其用于其他环境目的。各个部门的工厂中的机器学习可以通过提高能源效率、简化供应链和提高生产质量来减少全球排放。

减少消耗

在工厂中发现的一个常见问题是机器的运行能力对于所需的输出来说太高了。如此多的工厂可以通过减少单个机器消耗的功率而不影响它们的性能来提高效率。如果机器只需要 25% 的最大功率来以特定速度运行生产线，则各种机器学习技术可以通过关联功率和生产数据来突出这一点，即使优化设置随着机器发生变化，您也可以优化功率设置变老。

在发电厂的情况下，ML 可以与热成像一起使用，以确定工厂的哪些部分处于过高的温度水平，并调节它们应用于该部分的功率。如果工厂采用类似的电力消耗原则，那么这将进一步提高效率。一种方法是精简工厂的供暖、通风和空调系统。尽管这将是一项潜在的大投资，但工厂也可以使用 ML 来模拟其工厂在不同能源下的产量和电力消耗，从而更容易重新设计工业流程以使用低碳能源而不是煤炭、石油, 和气体。

除了能源消耗，工厂还可以使用机器学习在生产前发现有缺陷的产品（例如，通过使用计算机视觉在生产线早期发现产品缺陷，或使用历史数据在错误发生之前预测错误原因）显着减少他们的废料。这有很多好处：生产相同的吞吐量所需的时间更少，在不良吞吐量上浪费的时间更少，报废货物产生的排放量也更少。如果一家价值 1 亿美元的工厂的废料减少 10%，它对排放量的影响相当于一年内减少 2000 辆汽车的排放量。这凸显了工厂看似微小的变化可能对排放水平产生的巨大影响。

供应链优化

在许多工厂中，产品生产过剩或库存过多。这会在生产过程中浪费资源，但也会导致运输和储存费用的排放增加。机器学习可以通过预测需求来减少这种情况。以食品行业为例，它可以通过识别产品何时可能变质来减少收获后的损失，使用定量算法来跟踪保质期，甚至使用计算机视觉来跟踪颜色的变化意味着食物的变化更接近破坏。如果通过以这种方式简化供应网络来减少存储压力，那么可以销售更高比例的产品，因为当有需求时就会运送正确的产品。从理论上讲，ML 还可用于帮助工厂根据地理位置和公司年龄等类别建立供应商网络，以构建算法，帮助思考选择哪个供应商的决策过程。

机器视觉等机器学习技术还使工厂能够对其产品的质量进行“分级”和记录。根据任何广泛接受的标准执行这些等级允许供应商为其产品提供一定程度的认证，从而使潜在客户充满信心并拓宽他们可以触及的市场。例如，由于美国和中国之间对钢铁商品征收高额关税，钢铁经常通过第三方国家运输，从而削弱了最终客户对最终质量的保证。无论是供应商还是客户，基于 ML 的检验和认证使美国钢铁用户更容易从更多国家采购钢材。

精炼过程

许多制造业部门都在生产过程中遭受材料浪费和能源损失。例如，在钢铁生产中，成型过程中存在大量的改性和传热，从而导致大量的能量损失。每生产一吨钢铁，整个供应链会排放 1.8 吨二氧化碳，而水泥和钢铁生产过程中排放了全球 9% 的温室气体。在生产塑料的工厂中，由于塑料无法像金属一样回收利用，因此无法回收材料会产生大量废物。

这两种类型的生产在减少废料和浪费方面可能会发生最剧烈的变化。与其专注于许多初创公司以额外成本提供的绿色解决方案，减少废料和浪费应该成为这些行业的主要激励措施，进而导致节能和更可持续的生产。可持续性和清洁能源解决方案不应被视为负担得起的工厂的奢侈品，而应被视为提高效率的副产品。工厂还可以在不走明确清洁能源解决方案的道路上提高产量——使用比需要更少的能源只是一种很好的做法。

机器学习可以通过改进制造流程来帮助应对气候变化，从而提高效率、减少能源消耗和减少排放。反过来，这些结果将使工厂对将重点转向清洁生产充满信心。应用机器学习来应对气候变化可以帮助制造业脱碳，推进机器学习中的一些仍处于起步阶段的技术，并造福整个社会。

Arjun Chandar 和 Hunter Ashmore 是 IndustrialML Inc. 的联合创始人。