تقویت صنعت فولاد با هوش مصنوعی

طیف گسترده‌ای از شرکت‌های صنعتی با ادغام هوش مصنوعی در فعالیت‌های خود ارزش ایجاد می‌کنند، اما تولیدکنندگان فولاد همچنان در پذیرش این فناوری عقب‌مانده‌اند. این یک فرصت از دست رفته است که همچنان برای صنعت فلزات و معدن بدتر خواهد شد.

BCG GAMMA اخیراً با شرکت‌های فولادی در دو بازار کلیدی جهانی کار کرد و دریافت که با اتصال دارایی‌ها از طریق داده‌ها و با ایجاد بینش برای تغییر دستورالعمل‌های پردازش (سرعت تولید، زمان در کوره، دما و سایر عوامل) و ترکیبات ورودی مواد خام، شرکت‌ها می‌توانند به نتایج قابل توجهی دست یابد.

آنها توانستند:

1.  هزینه های ورودی مواد خام  را تا بیش از ۵٪ کاهش دهند
2.  توان عملیاتی در تنگناها راتا بیش از ۶٪ بهبود بخشند
3. بازده محصول نهایی تا بیش از ۱۵ درصد افزایش دهند.

برای به دست آوردن این فرصت، شرکت های فولادی نیازی به اختراع راه حل ندارند. در عوض، آنها می توانند از درس های آموخته شده در صنایع دیگر برای غلبه بر چالش ها در زمینه هایی مانند فرهنگ سازمانی و داده ها استفاده کنند. علاوه بر این، شرکت‌ها باید بدانند که پیاده‌سازی هوش مصنوعی سفری است که در آن قابلیت‌ها و تجربه‌ها در طول زمان ساخته می‌شوند.

فولاد تا حد زیادی یک صنعت آنالوگ باقی مانده است، اما سازمان‌های آینده‌نگر می‌توانند گام‌هایی برای تغییر آن بردارند و خود را از مجموعه جدا کنند. استعداد در شرکت‌های فولادی هنوز متشکل از اپراتورهای تجهیزات و تیم های متالورژیست است که دستور العمل ها را بر اساس تجربه و آزمون و خطا توسعه می دهند.

داده ها نیز یک چالش هستند. تجهیزات قدیمی‌تر کارخانه ممکن است داده‌های درست یا اصلاً داده‌های مناسب را دریافت نکنند. ممکن است ماشین‌آلات جدیدتر به روش‌هایی متصل نشوند که سازمان را قادر می‌سازد داده‌ها را به طور دقیق و پیوسته در کل فرآیند ردیابی کند. برخی از فرآیندهای جلویی مانند ذوب، آسیاب و بازپخت را می توان بدون داده های متصل تجزیه و تحلیل و بهبود بخشید، اما انجام این کار برای عملیات تکمیلی پشتی می تواند بسیار دشوار باشد.

بیشتر سرمایه‌گذاری‌های سرمایه‌ای در جمع‌آوری داده‌ها لحاظ نشده‌اند، و بیشتر کارخانه‌ها – حتی ساخت‌های جدید – به طور جامع داده‌های استراتژیک را جمع‌آوری نمی‌کنند یا شامل حاکمیت لازم برای مدیریت و استقرار مؤثر آن نمی‌شوند.هر دوی این مسائل – فرهنگ و داده – با این واقعیت تشدید می شوند که تولید فولاد شامل یک سری مراحل پیچیده است که به ندرت کاملاً سازگار هستند.

بسیاری از دسته ها به قطعات مختلف تقسیم می شوند و ردیابی اصل و نسب هر قسمت را دشوار می کند.با این حال، این چالش ها غیر قابل حل نیستند. در واقع، عدم پیشرفت نسبی در هوش مصنوعی تاکنون به این معنی است که تولیدکنندگان فولاد فرصت خوبی برای شروع به تولید منافع از نظر هزینه و بازده دارند. تنها چیزی که لازم است ذهنیت آزمایش، تعهد به شروع کوچک و تمایل به تغییر است.

رویکردی جدید برای استقرار هوش مصنوعی در فولاد

هدف نهایی هر ابتکار هوش مصنوعی، داشتن یک فرآیند عمدتاً خودکار و بدون نظارت، با دارایی‌های تولیدی و نرم‌افزار کاملاً مرتبط است که می‌تواند به طور مستقل متغیرها را برای ایجاد یک نتیجه خاص تنظیم کند و سپس عملکرد را در طول زمان بهبود بخشد. برای اکثر تولید کنندگان، این واقعیت در آینده ای دور باقی می ماند.

با توجه به سطح پایین بلوغ هوش مصنوعی، شرکت ها باید قبل از دویدن راه بروند. بر اساس تجربه ما در کار با تولیدکنندگان فولاد، ما معتقدیم که موفقیت بلندمدت نیازمند یک سفر تحول سه مرحله‌ای است.

اجرای خلبان های اولیه با هوش مصنوعی نظارت شده

اولین گام، توسعه قابلیت‌های اولیه هوش مصنوعی و درک بهتر فرآیند زیربنایی شرکت است. بهترین روش در این مرحله، تمرکز بر روی یک محصول خاص (یا خانواده محصول) با داده های خوب و حجم نمونه کافی (سابقه اجرا) و ردیابی تولید آن از ابتدا تا انتها است، نه تجزیه و تحلیل یک فرآیند مجزا. به موازات آن، خلبان‌ها در این گام اول به یک شرکت اجازه می‌دهند تا درک کند که داده‌هایش در حال حاضر چگونه جمع‌آوری و به کار گرفته می‌شوند.

از آنجا، می توانید هوش مصنوعی نظارت شده را برای محصول تعیین شده در کنار تیم متالورژی فعلی اجرا کنید. هدف این است که به متغیرها در سراسر فرآیند نگاه کنیم تا بهتر بفهمیم کدام عوامل بیشترین تأثیر را در دستیابی به یک نتیجه هدف دارند و نرم افزار چقدر می تواند آن نتیجه را پیش بینی کند.

اگر نرم‌افزار هوش مصنوعی نمی‌تواند نتایج را به‌طور دقیق پیش‌بینی کند – در ابتدا بسیار محتمل است – باید تعیین کنید کجا داده‌ها را از دست داده‌اید و این شکاف‌ها را برطرف کنید. در این مرحله اول، ما شاهد سه مشکل رایجی هستیم که تولیدکنندگان فولاد با آن مواجه می‌شوند:

1. ناتوانی در ردیابی قطعات و قطعات در کل فرآیند تولید،
2. ناتوانی در جمع‌آوری یا ذخیره داده‌ها در مورد متغیرهای حیاتی
3. مقاومت فرهنگی به دلیل این تصور که هوش مصنوعی دست و پا گیر است.

با این حال، هر سه این چالش ها را می توان با رویکرد درست حل کرد. به عنوان مثال، یک تولیدکننده فولاد ایالات متحده فرصت قابل توجهی برای بهبود بازده محصول دید، اما مجموعه‌ای از دارایی‌های غیرمرتبط را راه‌اندازی می‌کرد و پیش از این هرگز نتوانسته بود داده‌های فرآیند تولید را مشاهده کند. این شرکت سعی کرده بود کیفیت را از طریق مداخلات در فرآیندهای خاص بهبود بخشد، اما رویکرد آن کند و بی پاسخ بود، زیرا در کل دید گسترده‌تری نداشت.

تغییر یک فرآیند واحد به چندین ماه برای جمع‌آوری و تجزیه و تحلیل داده‌ها و اجرای آزمایشی نیاز داشت، و حتی در آن زمان تنها می‌توانست تعداد کمی از عوامل را ارزیابی کند.برای بهبود، این شرکت رویکرد جدیدی مبتنی بر هوش مصنوعی را برای چندین محصول آزمایش کرد. این کار با ایجاد یک دریاچه داده‌ای آغاز شد که تا آنجایی که ممکن است داده‌های فرآیند پایان به انتها را برای هر دوره تولید به هم پیوند دهد و در یک مجموعه داده واحد برای تجزیه و تحلیل ادغام شود.

یک مدل یادگیری ماشینی پارامترها را در سراسر فرآیندهای تولید انتها به انتها ارزیابی کرد و توانست نتایج حاصل از اجرای قبلی را ادغام کند تا الگوریتم بتواند در طول زمان بهبود یابد. سیستم جدید در کمتر از هشت هفته راه اندازی شد و با وجود داده های عملیاتی از دست رفته قابل توجه، توانست بینش قابل توجهی برای تیم متالورژی ایجاد کند.

به طور کلی، استفاده از این اولین مدل، بازدهی را تا ۱۵ درصد برای خانواده محصول هدف بهبود بخشید و در عین حال تنوع را نیز کاهش داد، که منجر به تقریباً ۵۰۰،۰۰۰ دلار ارزش سالانه در یک خط محصول منفرد پس از هشت هفته کار و سه ماه اعتبارسنجی نتایج مدل در تولید شد.در حالی که این خلبان چندین بار هزینه خود را پرداخت کرد، اما اعتماد و هیجان را در تیم مدیریت ایجاد کرد و داده‌های کلیدی، زیرساخت‌ها و مسائل فرهنگی را که برای مقیاس‌بندی گسترده‌تر و صرفه‌جویی ایجاد شده توسط هوش مصنوعی باید حل شوند، برجسته کرد.

“اثر گلوله برفی” را برای افزایش بازده سرمایه گذاری و سرمایه گذاری در آینده آغاز کنید (۶ تا ۲۴ ماه) هنگامی که برخی از قابلیت‌های اساسی هوش مصنوعی را روی یک محصول ایجاد کردید و در مورد چالش‌هایی که برای مقیاس‌پذیری هوش مصنوعی باید برطرف شوند، یاد گرفتید، گام بعدی این است که امواج متعددی از مدل‌های جدید – ایجاد راحتی و قابلیت‌ها – را در حین سرمایه‌گذاری برای رسیدگی به آن بکار ببرید.

شکاف های IT و داده ها به صورت موازی

بسیاری از شرکت‌ها این اشتباه را مرتکب می‌شوند که فکر می‌کنند باید قبل از استقرار هوش مصنوعی در کل فرآیند، تمام شکاف‌های فناوری اطلاعات را برطرف کنند. اما این درست نیست. شرکت‌ها می‌توانند با اولویت‌بندی مناطقی که نیاز به سرمایه‌گذاری کم در فناوری دارند و بازدهی بالقوه بالایی را ارائه می‌دهند، به پیشرفت سریع‌تری برسند، به‌ویژه در فرآیندهای حیاتی مانند ذوب یا آسیاب.

اتخاذ این نوع رویکرد عمدی و متوالی منجر به حرکت سریع و بازدهی سریع در ابتکارات آینده هوش مصنوعی خواهد شد و اثر گلوله برفی را آغاز می کند. این امر باعث سرمایه‌گذاری‌های بزرگ‌تر و جسورانه‌تر در شکاف‌های عمده فناوری اطلاعات می‌شود و برنامه‌های کاربردی با ROI بالاتر را فعال می‌کند.

روش اولیه مشابه مرحله اول است: اجرای آزمایشی برای ارزیابی اینکه هوش مصنوعی چقدر می تواند پارامترها را در مراحل کلیدی فرآیند بهینه کند و به تدریج به برنامه های کاربردی با ROI بالاتر گسترش یابد. علاوه بر این، می‌توانید بر اساس درس‌هایی که در مرحله اول آموخته‌اید، سرمایه‌گذاری در ابزارها و فناوری‌ها را برای جمع‌آوری داده‌ها در دارایی‌های تولیدی آغاز کنید.

هدف این است که اطلاعات محصول را با جزئیات بیشتر در سراسر یک کارخانه ردیابی کنیم و در عین حال جمع‌آوری داده‌ها را خودکار می‌کنیم، با هدف نهایی ایجاد زیرساخت‌های فناوری اطلاعات و داده کافی که می‌تواند داده‌های حیاتی را به یک تکه فولاد متصل کرده و آن را در زمان واقعی ذخیره کند.در طول این فرآیند، درک محدودیت های هوش مصنوعی از نظر قابلیت پیش بینی بسیار مهم است.

برخی از فرآیندها هنوز داده های کافی برای تصمیم گیری دقیق ندارند، مانند محصولاتی که دسته های کافی برای آزمایش پارامترهای مختلف را اجرا نکرده اند. به همین دلیل، ادامه اجرای هوش مصنوعی در کنار متالوژیست ها و اپراتورها، با ارائه توصیه های نرم افزاری و تصمیم گیری تیم های انسانی در مورد اجرای این توصیه ها بسیار مهم است.

رویکرد موازی همچنین به شرکت‌ها کمک می‌کند تا برای آینده‌ای کاملاً با هوش مصنوعی آماده شوند، زمانی که این فناوری به شیوه‌ای خودکارتر اجرا شود. این مرحله همچنین سطح راحتی و مشارکت تیم های علم داده و متالورژی را برای دستیابی به هدف نهایی ایجاد می کند.

هوش مصنوعی کاملا یکپارچه

تعبیه هوش مصنوعی کاملاً یکپارچه برای پشتیبانی از تصمیم گیری مستقل (۲۴ ماه و بعد از آن) مرحله نهایی – و هدف واقعی رویکرد سه مرحله ای – هوش مصنوعی کاملاً یکپارچه است که می تواند به طور مستقل اجرا شود و در سیستم های عملیاتی ادغام شود.

نتیجه این مرحله کارخانه‌ای است که همیشه در حال بهینه‌سازی و اصلاح مراحل فرآیند پایان به انتها است، به طور ارگانیک بازده، توان عملیاتی و هزینه‌ها را در طول مسیر بهبود می‌بخشد. برای اکثر کارهای معمول، فرآیند هوش مصنوعی می تواند به طور مستقل اجرا شود و شروع به انجام تنظیمات عملیاتی در حین پرواز کند یا از اپراتورها بخواهد این کار را انجام دهند و پارامترهای در حال اجرا صحیح را پیشنهاد کنند.

برای رسیدن به این نقطه، باید نتایج مراحل قبلی را با هم ترکیب کنید، درک دقیق‌تر اینکه کدام متغیرهای کلیدی بازده و توان عملیاتی را هدایت می‌کنند، پایگاه داده‌ای که آن متغیرهای حیاتی را جمع‌آوری کرده و آنها را به بخشی نسبت می‌دهد، و راحتی از جنبه فنی. تیم با رویکرد و ابزار.

پس از ایجاد این عناصر، شرکت‌ها می‌توانند از هوش مصنوعی یکپارچه برای تشخیص و بهینه‌سازی پارامترهای پردازش در حین پرواز استفاده کنند. با گذشت زمان، و با جمع‌آوری داده‌های بیشتری در ورودی‌های پردازش کلیدی، الگوریتم‌های یادگیری ماشینی بر روی تجربه هر دسته ساخته می‌شوند تا سیستم هوشمندتر شود. مهمتر از همه، متالورژها و اپراتورها همیشه ملزم هستند که با استثناها و موقعیت‌های پرت که در آن الگوریتم‌ها کوتاه می‌آیند (مثلاً اگر ماشینی از کار بیفتد) برخورد کنند.

BCG راه حلی به نام PHOSA ایجاد کرده است که در حال حاضر این سطح از هوش مصنوعی مستقل را در سایر صنایع فرآیندی ارائه می دهد. این نرم‌افزار در سیستم‌های کنترل نظارتی و جمع‌آوری داده‌ها (SCADA) تعبیه می‌شود و به شرکت‌ها این امکان را می‌دهد که فرآیند تولید را در پاسخ به موادی که وارد می‌شود، دقیقاً کنترل کنند و گام‌های خاصی را برای بهینه‌سازی آن در زمان واقعی بردارند.

PHOSA قبلاً پیشرفت‌های قابل توجهی را در طیف وسیعی از شرکت‌ها ارائه کرده است و سابقه قوی در زمینه فعال کردن اپراتورهای دارای هوش مصنوعی تعبیه‌شده برای بهینه‌سازی نتایج فرآیند دارد. هوش مصنوعی به سرعت در حال پیشرفت است، اما بیشتر تولیدکنندگان فولاد هنوز از آن استفاده نکرده اند.

پیاده سازی هوش مصنوعی مستلزم غلبه بر برخی چالش های واضح از نظر داده ها و فرهنگ سازمانی است، اما نیازی به شروع از صفر ندارد. سرمایه‌گذاری مورد نیاز برای راه‌اندازی پایلوت‌ها و شروع توسعه قابلیت‌ها نسبتاً کم است و اغلب می‌توان آن را از طریق افزایش بازده بازیابی کرد. هوش مصنوعی ابزاری است که به راحتی در دسترس است. شرکت های فولادی باید استفاده از آن را آغاز کنند.

منبع: سرمایه‎گذاری آنلاین

• تقویت صنعت فولاد با هوش مصنوعی