人工智能(AI),尤其是生成式人工智能(GenAI),已从实验阶段发展为塑料和橡胶行业至关重要且影响深远的驱动力。传统AI侧重于数据的分类与分析,而生成式AI更进一步,能生成具有类似人类创造力的新颖原创成果。它通过深度学习模型从海量现有数据中学习规律来实现这一目标。这项尖端技术促进了人工智能与人类之间的无缝交互,通过将复杂数据转化为可行洞察的直观界面,显著增强了决策能力。
随着制造业从自动化向更自主化的方式过渡,生成式AI的进步为行业的重大改进铺平了道路。以ENGEL公司为例,其推出的全新inject AI框架,将丰富的注塑成型专业知识与人工智能相结合,旨在应对熟练劳动力短缺、材料节约和质量保证等行业挑战。该框架下的具体解决方案包括iQ过程观察器,它能实时自动分析超过1,000个参数,检测偏差并提供可操作建议,从而减少误调整并支持工艺优化。另一亮点是ENGEL虚拟助手(EVA),这是一个基于AI、全天候工作的助手,能快速回答来自技术文档的问题,并以任何语言为单个生产单元生成定制化的检查清单和操作说明。同时,其零件查找器功能允许客户通过拍摄机器部件照片轻松识别备件,实现即时识别与精准订购。
在维护领域,最新的注塑机预测性维护系统在数据处理云分析层中深度融合了AI和数字孪生技术。这些系统聚合来自多台机器的数据,并采用机器学习模型提供更深入的洞察和报告。数字孪生作为物理机器的虚拟副本,能够进行“假设”模拟和参数优化,预测周期可达2至6周。这些进步共同实现了更主动、更有效的预测性维护。例如,在汽车行业,一家一级供应商在泰瑞DH-650注塑机生产线(生产散热器部件)上实施了先进的预测性监控,结果在九个月内将停机时间减少了42%,整体设备效率(OEE)从78%显著提升至88%。
通过整合AI驱动的电气特征分析(ESA)和机器学习技术,西门子的NXpower Monitor(其电网数字看护者)能够对高质量的电流和电压数据进行实时分析。此功能能够在潜在停机发生前长达五个月检测到电气和机械故障。此外,该系统还提供全面的性能和效率洞察,精准定位电力消耗最高、成本最高和效率损失最大的区域。通过实施数据驱动的优化建议,企业可以显著减少能源浪费,并将二氧化碳排放量削减高达15%。随着AI技术的持续演进,其在监测与分析中的应用将变得更为关键。
AI在材料研发中的作用同样具有变革性,引领着范式转变。巴斯夫是积极利用AI推动材料创新的主要化工企业之一,其在2024年于全球获得了超过1,000项新专利,其中约23%强调AI和数字化。这一努力的核心是巴斯夫的QKnows平台,它整合了科学文献、专利和内部报告,使全球研究人员能够高效检索超过4亿份文档。这种强大的AI能力加速了对复杂科学主题的探索,为创新提供了宝贵见解。此外,巴斯夫开发了其首个AI反应器,旨在提高化学反应产率。传统上,化学家需要依次改变反应参数,过程耗时。AI反应器通过规划、执行和分析实验彻底改变了这一流程,它能自主学习并自主触发下一个反应循环以最大化产率,其速度相比手动方法提升高达20倍。巴斯夫的目标是将此AI系统扩展到所有相关化学领域,并与研究伙伴合作,通过结合先进测量技术与AI,进一步优化塑料的机械回收过程。
技术与可持续性之间的协同在食品包装领域也至关重要。雀巢正持续减少包装中原始塑料的使用,转向可回收的单材料及其他解决方案。这家食品饮料巨头正与IBM合作,开发一款生成式AI工具,用于发现创新且可持续的高阻隔包装材料,在保护食品的同时,兼顾成本、可回收性和功能性。雀巢和IBM的科学家利用基于AI的处理技术,从公开和专有文档中构建了一个已知材料的知识库。随后,团队微调了一个适合特定用途的化学语言模型,使其能够学习分子结构的表征,以及关键结构分子特征与最终物理化学性质之间的复杂相关性。
展望未来,塑料和橡胶行业面临的关键问题已不是是否采用AI,而是如何有效实施以驱动行业前进。工业5.0代表着从以自动化为中心的制造模式,向整合人类专业知识与生成式AI的协作模式过渡。这种方法在充分利用AI强大数据处理能力的同时,也保留了人类创造性解决问题的关键技能。要充分利用这一转变,培养一种促进人机紧密协作的文化至关重要。这样的环境将不仅提升制造效率,更将推动材料开发的突破性创新,从而为整个行业塑造一个更具竞争力和可持续性的未来。