Memanfaatkan Machine Learning untuk Mengurangi Emisi Manufaktur dan Melawan Perubahan Iklim

Perubahan iklim merupakan ancaman yang signifikan bagi umat manusia, dan bukan hanya masalah yang harus ditinggalkan untuk generasi mendatang. Jika emisi gas rumah kaca tidak hampir sepenuhnya dihilangkan pada 2050, dunia akan menghadapi konsekuensi katastrofik terkait suhu global. Sementara banyak industri telah mengambil langkah untuk mengurangi emisi mereka, masih ada keraguan untuk bergerak ke arah ini karena biaya yang diragukan untuk mencari solusi yang lebih ramah lingkungan.

Manufaktur, logistik, dan bahan bangunan adalah beberapa produsen utama emisi gas rumah kaca. Menurut Natural Resources Defense Council, 15 perusahaan makanan dan minuman teratas di AS menghasilkan lebih banyak gas rumah kaca setiap tahunnya daripada seluruh Australia. Namun, dengan adopsi machine learning (ML), industri juga berada dalam posisi yang baik untuk memberikan dampak iklim positif.

ML telah dipuji sebagai alat yang kuat untuk kemajuan teknologi, meskipun telah digunakan untuk melawan kekurangan pangan global, kurangnya upaya untuk mengidentifikasi bagaimana ML dapat digunakan untuk tujuan lingkungan lainnya. ML di pabrik, di berbagai sektor, dapat berkontribusi pada pengurangan emisi global dengan mendorong efisiensi energi, menyederhanakan rantai pasok, dan meningkatkan kualitas produksi.

Mengurangi Konsumsi

Masalah umum yang ditemukan di pabrik adalah mesin beroperasi pada kapasitas yang terlalu tinggi untuk output yang diperlukan. Banyak pabrik dapat jauh lebih efisien dengan mengonsumsi listrik yang lebih sedikit dari mesin individu tanpa mempengaruhi performa mereka. Jika mesin hanya membutuhkan 25% dari daya tarik maksimum untuk menjalankan garis pada kecepatan tertentu, berbagai teknik ML dapat menyoroti ini dengan mengkoreksikan data daya dan produksi, memungkinkan Anda untuk mengoptimalkan pengaturan daya bahkan jika pengaturan optimal berubah seiring bertambah usianya mesin.

Dalam hal pembangkit listrik, ML dapat digunakan dengan citra termal untuk menentukan bagian mana dari pembangkit yang pada tingkat suhu berlebihan dan memodulasi seberapa banyak daya yang diterapkan ke bagian tersebut dari pembangkit. Jika pabrik mengadopsi prinsip serupa untuk konsumsi listrik, ini akan meningkatkan efisiensi lebih lanjut. Salah satu cara untuk melakukannya adalah menyederhanakan sistem pemanasan, ventilasi, dan pendingin udara pabrik. Meskipun akan menjadi investasi yang besar, pabrik juga dapat menggunakan ML untuk mensimulasikan output produksi dan konsumsi daya pabrik mereka di bawah sumber energi yang berbeda, sehingga lebih mudah merancang ulang proses industri untuk berjalan pada energi rendah karbon alih-alih batu bara, minyak, dan gas.

Selain konsumsi energi, pabrik juga dapat menggunakan ML untuk menangkap produk cacat sebelum diproduksi (misalnya, dengan menggunakan computer vision untuk mendeteksi cacat produk awal dalam garis mereka, atau menggunakan data historis untuk memprediksi penyebab kesalahan sebelum terjadi) secara signifikan mengurangi limbah. Ini memiliki berbagai manfaat: waktu yang lebih sedikit akan diperlukan untuk menghasilkan throughput yang sama, waktu yang lebih sedikit akan terbuang pada throughput buruk, dan emisi yang lebih sedikit akan dihasilkan pada barang yang dibuang. Jika limbah pabrik senilai $100 juta dikurangi 10%, ini akan memiliki efek yang setara pada emisi dengan menghapus 2000 mobil dari jalan raya selama setahun. Ini menyoroti dampak besar yang perubahan kecil yang tampaknya sepele di pabrik dapat memiliki pada tingkat emisi.

Optimasi Rantai Pasok

Di banyak pabrik, produk diproduksi berlebihan atau disimpan berlebihan. Ini membuang sumber daya melalui produksi tetapi juga menyebabkan peningkatan emisi dari beban pada pengiriman dan penyimpanan. ML dapat mengurangi ini dengan memprediksi permintaan. Dalam contoh industri makanan, ini dapat mengurangi kehilangan pasca panen dengan mengidentifikasi kapan suatu produk mungkin akan busuk, menggunakan algoritma kuantitatif untuk melacak masa simpan atau bahkan computer vision untuk melacak bagaimana perubahan warna berarti makanan semakin dekat dengan pembusukan. Jika beban pada penyimpanan dikurangi dengan menyederhanakan jaringan pasokan dengan cara ini, maka persentase produk yang lebih tinggi dapat dijual karena produk yang tepat akan dikirim saat permintaan ada. Secara teori, ML juga dapat digunakan untuk membantu pabrik menyusun jaringan pemasok, berdasarkan kategori seperti geografi dan usia perusahaan, untuk membangun algoritma yang membantu memikirkan proses pengambilan keputusan tentang pemasok mana yang akan dipilih.

Teknik ML seperti computer vision juga memungkinkan pabrik untuk "menilai" dan mendokumentasikan kualitas produk mereka. Melakukan penilaian ini menurut standar yang diterima luas memungkinkan pemasok untuk memberikan sertifikasi pada produk mereka, yang memberikan kepercayaan kepada pelanggan potensial dan memperluas pasar yang dapat mereka capai. Sebagai contoh, karena tarif tinggi antara AS dan Tiongkok pada barang baja, baja seringkali dikirim melalui negara pihak ketiga, mengurangi jaminan pelanggan akhir pada kualitas akhir. Inspeksi dan sertifikasi berbasis ML, baik di sisi pemasok maupun pelanggan, memudahkan pengguna baja AS untuk mencari sumber baja dari lebih banyak negara.

Menyempurnakan Proses

Banyak sektor manufaktur menderita limbah bahan dan kehilangan energi dalam proses produksi. Misalnya, dalam produksi baja, ada banyak modifikasi dan transfer panas selama forming yang mengakibatkan kehilangan energi yang signifikan. 1,8 ton CO2 diemiti di seluruh rantai pasok per ton baja yang diproduksi, dan 9% gas rumah kaca global diemiti selama produksi semen dan baja. Di pabrik di mana plastik diproduksi, ada banyak limbah dari bahan yang tidak didaur ulang karena plastik tidak dapat didaur ulang sebesar logam.

Dua jenis produksi ini dapat melihat perubahan paling drastis dalam hal pengurangan limbah dan boros. Daripada fokus pada solusi hijau yang banyak ditawarkan startup dengan biaya tambahan, pengurangan limbah dan boros harus menjadi insentif utama bagi industri ini yang pada gilirannya mengarah pada penghematan energi dan produksi yang lebih berkelanjutan. Keberlanjutan dan solusi energi bersih tidak boleh dianggap sebagai mewah bagi pabrik yang mampu membelinya, melainkan sebagai produk sampingan dari peningkatan efisiensi. Pabrik juga dapat meningkatkan hasil produksi tanpa melintasi jalur solusi energi bersih secara eksplisit — menggunakan energi yang lebih sedikit dari yang dibutuhkan adalah praktik yang baik.

ML dapat membantu dalam pertempuran melawan perubahan iklim dengan menyempurnakan proses manufaktur, yang mengarah pada efisiensi yang ditingkatkan, konsumsi energi yang lebih rendah, dan emisi yang dikurangi. Pada gilirannya, hasil ini akan memungkinkan pabrik merasa yakin untuk mengubah penekanan ke produksi yang lebih bersih. Menerapkan ML untuk menangani perubahan iklim dapat membantu mendekarbonsikan sektor manufaktur, maju beberapa teknik ML yang masih dalam tahap awal, dan memberi manfaat pada masyarakat secara keseluruhan.

Arjun Chandar dan Hunter Ashmore adalah cofounder dari IndustrialML Inc.