能源挑战 绿色制造的过去、现在和将来

【IT168 行业分析】    2009年11月的哥本哈根环境与气候峰会,在全球变暖和各国、各企业甚至每个人承担减排责任问题上,为地球带来了一丝曙光。但这仅仅是迈出的一小步,作为共同拥有地球有限资源的主人,我们每个人都需要将可持续发展视为生存的命脉。

    在过去的十年间,为应对碳排放对我们环境污染的挑战,联合国和许多发达国家承诺了数十亿美元的资金来开展减排。在这个挑战日益上升为全球问题而备受关注的同时,绿色和可持续理念也开始不断渗透到制造业、消费者消费行为以及新产品研制的各个方面。

    美国环境、食品和农业事务部长Hilary Benn曾说过:“为什么我们不能将废铝料和食品垃圾做成新的罐头盒及再生能源,而却白白浪费扔到垃圾堆里?为什么我们要在制造中使用超过必需的更多原料?现在,我们要携起手来共同建立一个零浪费国家,在这里我们尽量减少资源的使用,再利用和重复使用一切我们能利用的或已经作为垃圾完全不能使用的东西”。(2009年10月)

    在制造业领域,评论家似乎对绿色和可持续发展最兴奋不已,其次是软件厂商和制造商。但这看似有些不妥当,因为制造商总是要追逐最大利润,但作为一个好的企业公民,制造商应当担负起绿色发展的责任,而不是由评论家和软件厂商来引导。当然,这样做也并不意味着制造商不要关注利润或完全奉献不考虑自身了。

    事实上,近几个月以来,制造商们寻求与绿色和可持续发展相关软件解决方案的数量已经在显著增加。但不好的一面是,这些需求大多数还停留在外部压力驱动,多屈从于预期的强制报告要求而非真正减排。在当今价值链已被设计和管理的环境下,这些初步显现的绿色可持续趋势要发挥根本性的转变作用,目前还为时尚早。

    所有的数据表明,能源利用率应当被列为多数制造企业案头最显眼和“必要”的解决方案。美国能源部指出,制造业减少20%的能源实际消耗量,就能节约价值约190亿美元。 同时事实也表明,制造业和运输业消耗的能源几乎相当,因此在实施新节能法规时,其可能会受到的打击最大,奇怪的是没有一家制造企业正在积极的为能源高效化和可持续发展提前做准备。

    为了进一步论证以上观点,以下列出一些关于成本节约有说服力的事实(仅列当前经济环境下相关公司的部分观点):

    · 在20世纪80年代的自动化热潮中,企业关注的是直接人工成本,通过实现运作自动化,直至到在制造和物流流动过程中榨取最后一点的人工利润。

    · 在20世纪90年底的ERP和供应链规划热潮中,企业关注点转移到了物料成本问题。制造商意识到在大多数的行业中,人工成本仅占到了总成本的5-15%左右,因此有必要把关注点转移到原材料成本上,因为原材料成本在最终产品成本中占的比重最大。

    · 延伸这种逻辑,“能源成本”应当成为下一个成本控制的环节,因为企业在向可持续方向发展,产品的碳含量将日益受到关注。

    所以,下一步将会发生什么?这样推理的分界线在哪呢?

    有几个原因:首先,基于目前会计规则,能耗成本大多数仅列入了产品成本的5%;其次,不像航空和交通运输业,我们还没有听说由于能源价格上升而导致的制造商破产;甚至据全国制造业协会(NAM)报告,在1999年至2003年间,制造商使用的天然气价格上升了119%,而在这5年间,制造业产品价格仅增长了14%,整体的通货膨胀率仅有11%。

    涉及一个产品中的全能耗成本还包含了大量第二层次的成本因素,如为最后组装成品而进行的原料、中间料的运送、燃料成本以及分包供应商的运输成本,这些都是直接与外包及有关低财务运输成本相联系,同时还要考虑工人上班的燃气消耗以及废料、废物、水等工厂设备大宗物资的消耗。结果是所有能源消耗超过了10%都与管理费用有关,并且藏在第二层成本范围中没有考虑。

    自从1930年经济大萧条的低谷中恢复以来,成本和利润压力就一直盘旋在制造业经济的各个方面。有关绿色节能的一个真正事实是,大多数的制造商并不知道现有能耗使用的详细情况,也不知道这些能耗成本的上升会对他们的经营带来怎样的影响。这是因为能耗成本被分类并列支为管理费用,产品价值链没有从今天的能源或碳的角度来认真地考虑,当前仅在各部门、成本中心或产品发展上,分散的尝试正确分配能耗成本,能源主管和绿色执行官仍然站在公司的角度,以设备为导向定位,来推进绿色和可持续发展。

    将绿色及可持续发展投资作为竞争优势,而非仅仅是一个报告义务,制造商需要快速改变观念。这是一个抓住改变而不是仅仅为了适应,进而发展步入下一阶段的机会。下一个阶段是非常关键的,它将决定每个制造商在新全球碳经济中的输赢。这个“下一阶段”中的某些必需步骤将相当苛刻,需要现在就开始制定战略规划。

    能源效率是下一阶段质量要求的“基本水平”,为获得可测量的能耗节约,制造商们必须为提高效率而检查内部流程,原因是有近82%的能耗发生在制造流程内部,在这里大量能源被重型设备和机器所消耗。从另一方面讲,公司可以改变其建筑物内的所有灯泡,把办公室喷涂为绿色,但这也只能对其能耗总量的18%产生影响。

    可喜的是,为能源监测设备开发的工具和技术,同时也成为了在通用运营能效监测和智能方面的技术应用,这进一步推动了对运营智能平台的投资,该平台能集成和上下融通从工厂的设备资产上获取的实时数据。

    一旦内部设施和流程被做成模型固定并优化,企业下一步就可以将这个能源方式移植应用到整个价值链中。如果仅进行了上下游能源利用以及对企业GHG排放产品的鉴定,这样还远远不够,企业同时还要对供应商流程和他们的碳足迹负责。例如,假如一个制造商通过零售商销售产品,或者进入供应链的一部分,这就很容易出现问题,如果要为绿色减排找借口,大的零售商如沃尔玛很容易操纵制造商,并为自己的碳足迹来标识产品,这种趋势还会传染到其他公司。

    在价值链根据能源消耗和碳足迹进行模型再建后,企业下一步还需要在可持续发展的其他方面进行努力。能源和含碳的自然资源仅仅是一个开始,真正的可持续发展要求制造商用一种综合方式来优化他们的自然资源足迹,包括水和垃圾等。

    绿色和可持续发展对于产业总体和单个制造业来说,既是威胁又是一个机遇。能源效率对制造商来说是一个必须要走的环节,但这还远远不够。要在碳经济中取得成功并成为赢者,企业需要采取基于价值链模型的方法,并持续地承担、拓展这个模型,去驱动全球和地区的优化工作,以取得和增强企业的竞争优势。未来,企业需要在绿色和可持续发展方面拓宽方法,肩负起可持续发展的所有责任,而不仅仅是降低能源消耗和碳排放。

    本文作者为甲骨文公司产品营销高级总监Stephen Slade。

查看原文:http://cio.it168.com/a2010/0205/848/000000848866.shtml

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/22954881/viewspace-627366/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/22954881/viewspace-627366/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值