AI segít kevesebb acélhulladékkal gyártani a nehézgépeket

A gyártási tervben rejtve marad az anyagveszteség

A nehézgépeket, például kotrógépeket és buldózereket gyártó üzemekben a tervezők naponta többször döntenek arról, mely alkatrészek készüljenek együtt. Ezek az alkatrészek, köztük a gép alapja, lánctalpai és ásókarja, jellemzően acéllemezekből készülnek.

A döntés azonban gyakran nem veszi figyelembe, mi történik később az alapanyaggal. Ugyanazt a géptípust gyártó üzemek azonos időszakban is eltérő mértékben használhatják ki az acéllemezeket. Az egyik kombináció hatékony lehet, míg egy másik jelentős hulladékot eredményezhet. Az ITU AI for Good beszámolója szerint ez a tervezők számára láthatatlan, „csendes” veszteséget okoz.

Juxihong Julaiti, a China Unicom vezető adattudósa és az OPTIMA Lab alapító igazgatója a 2026-os AI For Good Global Summit egyik ülésén ismertette a projektet. A World Steel Report 2025 adataira hivatkozva elmondta, hogy évente körülbelül 1,85 milliárd tonna acélt gyártanak, tonnánként hozzávetőleg 2,2 tonna szén-dioxid-kibocsátással. Az acéllemezek vágásakor jellemzően az anyag 20-30 százaléka selejtként végzi.

Két eltérő módszer az üzemek mérete szerint

A China Unicom csapata először klasszikus matematikai optimalizálással próbálta megoldani a problémát. Sok kisebb alkatrész elrendezése egyetlen acéllemezen azonban kombinatorikailag összetett feladat, amelynek számítási igénye gyorsan nő az alkatrészek számával. A megrendelő naponta háromszor vagy négyszer készít új terveket, a teljes méretű számítás viszont három-négy napot is igénybe vehetett.

A kutatók ezért két, eltérő léptékű üzemekhez igazított megközelítést dolgoztak ki. A naponta körülbelül tíz gépet gyártó kisebb létesítményeknél korábbi adatok alapján becsülik meg az acélkihasználást. A módszer abból indul ki, hogy az egyes konfigurációk változhatnak, az alapvető gépalkatrészek azonban öt-tíz év alatt nagyjából hasonlóak maradnak.

A naponta hozzávetőleg 500 gépet előállító nagyobb üzemeknél egy mélytanulási modellt tanítottak be korábbi adatokkal. A rendszer először ellenőrzi, hogy az adott kombinációt már vizsgálták-e. Ilyenkor gyors kereséssel azonnal becslést ad, új kombináció esetén pedig a prediktív modell számítja ki a várható lemezkihasználást. A tényleges gyártási eredményekkel a modellt újratanítják, így használat közben fokozatosan javul.

A rendszer nem váltja le a tervezési folyamatot

A fejlesztés egyik fontos szempontja az volt, hogy az új megoldás ne zavarja meg az üzemek meglévő döntéshozatalát. A csapat ezért nem cserélte le a korábbi optimalizálási szempontokat, hanem egy új tényezővel egészítette ki azokat. Az anyagkihasználás becslése a gyár kapacitása, a gyártási prioritások és a határidők mellett jelenik meg.

Julaiti a megoldást egy olyan rétegként szemléltette, amely a lehetséges gyártási kombinációk fölé kerül, és megmutatja, melyik biztosítja a legjobb lemezkihasználást. A tervezők így a meglévő logika megváltoztatása nélkül választhatnak az egyébként megvalósítható lehetőségek közül.

A beszámoló szerint a kísérletekben a modell két kombinációt jónak, kettőt pedig gyengének minősített, amit az alkatrészek elrendezéséért felelős munkatársak a gyakorlatban is ellenőriztek. A modell hibahatára 0,6 százalék alatt maradt.

Több üzemben már mérhető javulást láttak

A rendszert az elmúlt hat hónapban a megrendelő több létesítményében is bevezették. Egyes üzemekben 2-3 százalékkal javult az acéllemezek kihasználása, máshol valamivel több mint 1 százalékos növekedést mértek. Julaiti becslése szerint ez évente több mint 10 millió jüan költségmegtakarításnak felel meg.

A pontosan megtakarított acélmennyiséget nem közölték, mert abból következtetni lehetne a megrendelő gyártási kapacitására. A projekt eddig egyetlen üzleti egységre összpontosított, de a vállalat más egységei is érdeklődnek a hasonló alkalmazás iránt.

Az ITU beszámolója szerint a fejlesztés azt mutatja, hogy az ipari AI bevezetését a gyakorlati eredmények segíthetik. A megoldás a nagy léptékű matematikai optimalizálás helyett korábbi adatokra, prediktív modellekre és a meglévő tervezési folyamatba illesztett becslésekre épít.