Table of Contents
התפקיד של אינטליגנציה מלאכותית ב- Mechatronic Fault Detection and Diagnosis
מערכות Mechatronic יוצרות את עמוד השדרה של אוטומציה תעשייתית מודרנית, תחבורה ורובוטיקה. המורכבות של מערכות רב תחומיות אלה - מנגנוני שיפור מכניקה, אלקטרוניקה ותוכנה - הופכת אותם פגיעים למגוון רחב של תקלות שיכולות לסכן בטיחות, פריון, ועלויות תפעוליות אלה.
הבנת מערכות Mechatronic Systems
מערכות Mechatronic הן רגישות למצבים שונים של כישלונות. השפלה מכנית, כגון עונד, סדקים שן הילוכים, או עיוותים לא נכון, לעתים קרובות להתבטא בהדרגה ולא יכול לגרום אזעקה פשוטה סף עד נזק חמור התרחש. אלקטרונית ותקלות חיישן יכול לייצר חומרים לסירוגין נתונים או calibration, בעוד שגיאות תוכנה ותקשורת עלולות לגרום פקודות לא נכונות, לא פתורים, אלה כדי לתקן בעיות רפואיות, החל מקווי בטיחות יקרודות, החל מקווי רכב.
מצבי כישלון נפוצים וחתימותיהם
כל סוג של תקלה משאיר חתימה נפרדת בנתונים של חיישן.ד. פגמים לייצר שיאים אחידים בספירת רטט בתדרים של כדור-pass, בעוד סדקים הילוכים לייצר פסים סביב תדרי mesh. hydroulic לגרום טיפות לחץ מוגברת רכיבה על משאבה, גלויה זרימה ולחץ זמן-סדרה. במערכות אלקטרוניות, סחף מתחים מופיעים איטיים במידות הנוכחיות, בעוד שפגמים לסירוגין גורמים להורדת שומן, או להורדת חומרים אלה הם תכונות קריטיות נגד מוטציות פיזיות.
גישות אבחון מסורתיות כוללות בדיקות ידניות תקופתיות, מערכות מומחים מבוססות כללים, ו ⁇ בקרה של תהליכים סטטיסטיים.בעוד שימושי, שיטות אלה מסתמכות רבות על מומחיות התחום ומודלים סטטיים שאינם יכולים להסתגל לתנאי מערכת מתפתחים או דפוסים קודמים של תקלות לא נראים.כפי שמורכבות המערכת גדלה, נפח ה-Sheer של נתוני חיישן עולה על יכולות ניתוח אנושי, יצירת פער כי AI הוא ייחודי למילוי.
מחיר ה-Faults
ההשפעה הפיננסית והמבצעית של כשלים של צ'טרוניק משתרעת מעבר לעלויות תיקון מיידיות.אין מתוכנן בזמן ייצור יכול לעלות למעלה מ-180 דולר לשעה בסביבות ייצור הרכב, כשל מנוע יחיד במהלך הטיסה יכול לגרום לקרקע רגולטורית, בדיקות צי, ונזקים מוניטין.ברובוטיקה רפואית, תקלה במהלך ניתוח מציבה סיכון ישיר לחולה.
כיצד בינה מלאכותית הופכת את גילוי ה-Fault Detection
זיהוי תקלות מונע בינה מלאכותית מקטין את זרם הנתונים הרציונאלי של מדממים, בדיקות טמפרטורה, חיישנים, צגים נוכחיים ומערכות ראייה משובצות בתוך פלטפורמות mechatronic. Machine Learning אלגוריתמים מעבדים מידע רב ערוצים זה כדי לזהות סטיות מחתימות הפעלה רגילות.בניגוד למודלים סטטיים, מערכות בינה מלאכותית יכולות ללמוד מהנתונים ההיסטוריים ולהתאים את הייצוגים הפנימיים שלהם כתקופות של מכונות או שינוי.
עיבוד נתונים והנדסת תכונות
לפני כל אלגוריתם יכול לעבוד, אותות חיישן גולמי חייב להיות מנוקה והפך. AI פרויקטים באבחון מוטעה לעתים קרובות להתחיל עם סינון רעש, נורמליזציה, ולוח של נתונים של זמן מיצוי תכונות לאחר מכן להפיק מדגימים סטטיסטיים כגון שורש פירושו מרובע, kurtosis, ספקטרום ספקטרום של אנטרופיה, ואפקטים גליים כי ללכוד את ההתנהגות הפיזית המוזן באמצעות למידה עמוקה באמצעות רשתות עצביות כדי להפחית את הפחתת המידות הטובות ביותר של נתונים, עם תכונות רלוונטיות באופן ישיר של עיבוד נתונים.
איכות נתונים קובעת ביצועים מודל יותר מכל בחירה אלגוריתמית. a היטב-structured כתובות צינורות חסרים ערכים באמצעות הדבקה או סינון קדימה, מסירים את הבירות באמצעות סף סטטיסטית או טכניקות מקבץ, ומבטיחה היערכות זמנית על פני זרמי חיישן מרובים.טכניקות הגדלת נתונים, כגון הוספת רעש סינתטי או עיכובים בזמן, לעזור מודלים כלליים כדי לשנות את השינויים בתנאי הפעלה ללא צורך אמיתי נוסף פלטפורמות איסוף נתונים, כמו ריצוף נתונים מתמשך יותר ויותר.
Machine Learning מתקרב לאבחון
אבחון מבוסס בינה מלאכותית מסתמך על ארגז כלים רחב של אלגוריתמים.בחירת הטכניקה הנכונה תלויה בטבע הנתונים הזמינים, סוגי הפגמים הצפויים, והמגבלות התפעוליות של מערכת היעד.
מודלים של Classification
כאשר נתונים היסטוריים של כשל מתוייגים, למידה מבוקרת מספקת סיווג חזק.אלגוריסים כגון מכונות וקטורת תמיכה (SVM), יערות אקראיים, ו- ⁇ מכונות שיפור כבר הוצבו בהצלחה כדי לזהות תקלות נושאות, ברים שבורים, ומערכת הידראולית דליפות.מודלים אלה דורשים סביבה ייצוגית המסתירה את כל התנאים הרגילים והפגוםים.עם תוויות באיכות גבוהה, הם משיגים דיוק אבחון גבוה ב-95% במדדים תעשייתיים רבים, אך ורק מדגמים נדירים, אך ורק מדגמים אלה, הם יכולים להיות מקבצי סריקה נדירים, אך ורקדהמים, אך ורקדהמים, אך ורקדהמים, אך ורקדהמים, כמו שנכשלים, כמו זריקות של נתונים מקבצייתים נדירים, אך ורקמותקים, אך ורקדהמים, אך ורקמותקים נדירים, כמו שנכשלים.
גילוי אנונימי
במצבים בהם תוויות אשמה הן נדירות, למידה בלתי מבוקרת מזהה את ה"מונים" השוונים מהמסה של נתונים תפעוליים רגילים.שיטות קלוסטרינג כמו k-means ו- DBSCAN, סוג אחד של SVMs, ו- autoencoder מבוסס שיטות שיקום יכול לדגל התנהגות חשודה ללא ידע מוקדם של תקלות. Autoencoders, בפרט, ללמוד ייצוג דחוס של מערכת נורמלית; כאשר מדובר בסימן פעולה חדש של תקלות או בסימן פעולה לא ידוע, כאשר הוא סימן פעולה, כאשר הוא סימן חדש של תקלות או ירידה או ירידה או ירידה או סימנים ברורים של תקלות, כאשר הוא סימן מתפתח, כאשר הוא סימן זיהוי מוקדם של תקלות, כאשר הוא סימן חדש של תקלות, כאשר הוא סימן מדויק של תקלות, כאשר הוא סימן זיהוי מוקדם של תקלות, או ירידה או ירידה או ירידה או ירידה או ירידה או ירידה או ירידה של תקלות, כאשר הוא סימן פעולה, כאשר הוא סימן זיהוי מוקדם של תקלות, כאשר הוא סימן פעולה מפתיע של תקלות, כאשר הוא סימן זיהוי מוקדם של תקלות, כאשר הוא סימן מוקדם של תקלות, או ירידה או ירידה או ירידה או ירידה של תקלות, כאשר הוא סימן מוקדם של תקלות, כאשר הוא סימן חדש של תקלות, כאשר הוא סימן ברור של תקלות, כאשר הוא סימן פעולה מפתיע של תקלות, או
למידה עצמית ואהובה
טכניקות סמי-על-בסיסיות לגשר על הפער בין נתונים בלתי-מרוסים בשפע ודגימות מוקלטות מוגבלות.הם מתאמנים על קבוצה קטנה של דוגמאות מתוייגות לצד מאגר גדול של נתונים שלא נלאים לשיפור הכללה. שיטות המבוססות על עצמי לייצר פסאודו-מעבדות מהמידע עצמו – לדוגמה, על ידי חיזוי ערך החיישן הבא בסדרה זמן או זיהוי אשר קטע של אות רטט היה מלאכותי לאסטרטגיות אלה דורשות במיוחד עבור שיטות למידה רגילות.
אדריכלות למידה עמוקה
רשתות עצביות עמוקות הופיעו ככלי רב עוצמה לדפוסים מורכבים.רשתות עצביות מהפכתיות (CNN) פועלות על spectrograms או תמונות גלפורות גולמיות לגילוי omalies בתדרים מקומיים הקשורים להילוך או למומים. רשתות עצביות חוזרות (RNN) וגרסאות קצרות טווח ארוכות טווח של זיכרון (LSTM) הצטיין בלכידת תלות זמנית בנתונים של משקעים, כגון הגדלת מנגנונים מתקדמים לאבחון אווירי זמן, המיועד לאבחון מוקדם של תאים עצביים, אשר נועדו כעת, אשר נועדו לאבחון של תאים עצביים, אשר נועדו לאבחון של תאים עצביים, אשר נועדו במקור, כגון כישלונות, כגון כישלונות, כגון כישלונות, כגון כישלונות, אשר נועדו לאבחון של תאים עצביים, אשר נועדו לאבחון ארוך, אשר נועדו לאבחון של תאים מתקדמים, אשר נועדו לאבחון של תאים עצביים, אשר נועדו לאבחון של תאים עצביים, אשר נועדו לאבחון של תאים מתקדמים, אשר נועדו לאבחון לטווח קצר, אשר נועדו לאבחון לטווח קצר של תאים מתקדמים, אשר נועדו לאבחון של תאים עצביים, אשר נועדו לאבחון של תאים מתקדמים, אשר נועדו לאבחון של תאים עצביים, אשר נועדו לאבחון של תאים מתקדמים, אשר נועדו לאבחון של תאים עצביים
Reinforcement Learning for Adaptive Diagnosis
Reinforcement למידה (RL) נעה מעבר לאבחון פסיבי לפעולה הסתגלותית. סוכן RL יכול ללמוד מדיניות אופטימלית עבור הפרובינג המערכת - משתנה באופן בהיר פרמטרים או הפעלת חיישני עזר - לאסוף את הנתונים המודיעיים ביותר עבור בידוד אשמה. גישה זו אבחון פעיל להפחית את האווירה ויכולה להצביע על הסיבה מהר יותר מאשר ניטור פסיבי, במיוחד בתאי ייצור בקנה מידה גדול או אוטונומיים לספק הגדרות אימון גופניות.
אדריכלות: From Edge to Cloud
חלוקת מודלים של AI בסביבות העולם האמיתי דורש חשיבה זהירה על איפה החישוב מתרחש. Latency, פרטיות, רוחב פס ואמינות מכתיבים אפשרויות אדריכלות.
« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «
מקרים רבים של זיהוי לקוי דורשים אי-מילי השניות ההיקף. Edge AI פועל במודלים אופטימיזציה על מעבדים משובצים, מיקרובקרים, או FPGA מכשירים הממוקמים ישירות על המכונה או הרובוט.TheFLT:0Texas Instruments קצה AI פלטפורמה AIigmFLT:1 ו-FLT:2NVIDIA Jetson Jetson JetsF3 הם דוגמאות של חומרה המאפשרת ניטור רציף על ידי ניטור ענן ללא שימוש מיידי של טכניקות קירור.
מערכות ענן-Edge Hybrid Cloud-Edge
אדריכלות היברידית מבצעת זיהוי חריג קל משקל בקצה תוך פיזור סיווג אבחון מורכב ומודל מהדהד לענן.כאשר מכשיר קצה מזהה אנמטית, הוא מקדם וקטור דחוס או נתונים גולמיים לשרת מרכזי שבו מודלים אינטנסיביים יותר מבחינה חישובית מנתחים את האירוע ומשווים אותו מעבר לצי של מכונות דומות.
תאומים דיגיטליים לסימפוציה ואימות
תאומים דיגיטליים, העתקים וירטואליים של מערכות mechatronic פיזיות, הופכים להיות חלק בלתי נפרד לאבחון מונע AI.הם מאפשרים למהנדסים להזריק תקלות סינתטיות וליצור נתונים הכשרה מגוונת ללא סיכון בציוד אמיתי. תאום דיגיטלי מבוסס פיזיקה יכול לדמות התקדמות, חיישן סחף וכשלונות אינטראקציה, ומייצרים נתונים מתויגים שאינם מסוגלים לאסוף ממערכות השקעה תפעוליות.
יישומים בתעשייה והשפעה
אבחון אשמה מופעל על ידי בינה מלאכותית אינו תיאורטי; הוא מעצב מחדש פעילות תעשייתית על פני מגזרים רבים.
ייצור רכב
רובוטים משותפים מצוידים עם חיישנים ייחודיים להאכיל נתונים לרשתות LSTM שמזהים כישלונות מנועים servo מתועדים וגורמים להאטה אוטומטית לפני התרסקות.תא צבע רובוטים להשתמש בניתוח פליטה אקוסטי בשילוב עם למידת מכונה כדי לזהות חסמי ללא סחרחורת, צמצום עבודות על ידי 30% במתקני אינטרנט מסוימים. Conveyor ממנת חתימות ממספר נקודות, עם מכשירים קלים כי הם מקרי אבטחה מהירה כדי לזהות שלבים אלקטרו-מערכת הפעלה כדי למנוע היווצרות של תאים ספציפיים.
אנרגיה מתחדשת
מפעילי טורבינות הרוח משתמשים בתמונות להב מלוטש מעובדות על ידי CNN עבור זיהוי סדק שיער, בשילוב עם נתונים SCADA ניתחו על ידי ⁇ מגביר את המודלים כדי לחזות גנרטורים הנושא חודשים מראש.מערכות מעקב סולאריות משתמשות בניתוח עקומת הגדל הנוכחי עם אלגוריתמים זיהוי פאנל או תקלות פתור לפני ייצור מתחת לסףים מקובלים.
ייצור Semiconductor
תעשיית המוליכים למחצה מסתמכת על ניטור הרטט והפלזמה וכו 'התת זיהוי דרך קודמי עמוק כדי להפחית את הרוטב. מודלים חיזוי לנתח לחץ תאים, טמפרטורה, גז זרימת נתונים כדי לזהות סחף אחידות גירוד, המאפשר תיקונים לפני מתיחות נהרסו.עם דפדרציה אישית עולה אלפי דולרים, אפילו ירידה של 1% ברקמות לחיסכון משמעותי של מערכות ליתוגרפיה להשתמש AI כדי לזהות ולהתמקד יותר משגיאות, מדיכאון.
רכבת והסעה
מערכות רכבת פריסות Accelerometers עם מעבדי קצה כי גלגל הדגל שטוח בזמן אמת, תחזוקת לוח זמנים בתחנה הבאה ללא משבש שירות. Overhead ניטור משתמש הדמיה אינפרא אדום בשילוב עם CNN כדי לזהות כתמים חמים המציינים מגע קשת או גרוע.מערכות אלה להפחית אירועי תחזוקה לא מתוכנן עד 40% ברשתות מבוזרות.
מודל של Deployment Lifecycle
בניית מודל זיהוי לקוי היא רק הצעד הראשון.מחזור החיים של הפריסה כולל ניטור רציף, אימון מחדש וניהול גרסאות כדי לשמור על ביצועים לאורך שנים של פעולה.
בקרת גרסאות והתאמה
מודלים של למידת מכונות במערכות קריטיות דורשים את אותו חומר כמו פריסות תוכנה.כל מודל גרסה חייב להיות קשור עם נתוני האימון שלה, היפרפרפרמטרים, ומדפי הערכה של כלים כמו MLflow או Kubeflow הניסויים מסלול מסלול מסלול ומאפשרים לגלגל בחזרה אם מודל חדש תחת חומרים תחת פרמטרים. Containerization עם Docker מבטיח סביבות קבועות על פני מכשירים לשרתי ענן.
המונחים: Drift Detection
התנהגות המערכת משתנה לאורך זמן בשל ללבוש, אפקטים עונתיים, או שינויים.הנחישות מושג מתרחשת כאשר המאפיינים הסטטיסטיים של שינוי נתונים חיישן, ביצוע מודלים ישנים לא אמינים. ניטור ציוני אמון והשוואה בין התפלגות נתונים אחרונים נגד קווי בסיס אימון מסייע לזהות כאשר אימון הוא צורך. צינורות אוטומטיים יכולים להפעיל מחדש כאשר סחף עולה על סף מוגדר, הבטחת מודלים להישאר מדויקים ללא התערבות ידנית.
המונחים: Human-in-the-Loopation
לפני כל פעולה אוטומטית נלקחת על בסיס אבחון מוטעה, אימות אנושי צריך לאשר או להתגבר על החיזוי.זה לולאה משוב ללכוד את האמת הקרקעית עבור אימון עתידי ובניית אמון בין מפעילי ומערכות AI. לאורך זמן, כמו דיוק משתפר ומפעילים להיות נוח, רמת האוטומציה יכולה להגדיל. ממשקי משתמש המציגים חשיבה מודל בפורמטים ברורים, חזותיים - כגון מפת חום על פני חיישנים או דירוג של תכונות לתרום בין הגשר לבין קבלת ההחלטות של האדם.
אתגרים וסיכון
למרות ההבטחה, שילוב בינה מלאכותית לזיהוי תקלות צ'טרוניקה כרוך במכשולים משמעותיים שיש לטפל בהם באופן שיטתי.
איכות נתונים וזמינות
נתונים תעשייתיים הם לעתים קרובות רועשים, לא מאוזנים, ולא שלמים.חיישנים עשויים להיכשל או להיות מכוונים, המוביל פערים במערך האימונים.אירועים של Fault הם נדירים, יצירת חוסר איזון מעמדי חמור שיכולה מודלים להטיות לחיזוי המצב הרגיל. דור נתונים סינתטי באמצעות תאומים דיגיטליים ולהעביר למידה ממכונות דומות מסייע, אך צינורות נתונים חזקים ואימות יסודי הם הכרחיים ארגונים לפני פיתוח נתונים, כמו ביצועים בטווח של תזמון, תזמון, תזמון נתונים תזמון, תזמון, תזמון נתונים תזמון, תזמון נתונים תזמון נתונים אלגוריתמים של תזמון, תזמון איכות.
מודל Interpretability
מודלים רבים בעלי ביצועים גבוהים AI, במיוחד רשתות עצביות עמוקות, פועלים כקופסאות שחורות.בתחומים קריטיים בטיחותיים, מהנדסי תחזוקה צריכים להבין מדוע נעשה אבחנה.סבירה את הטכניקות של AI (XAI) כגון ערכי SHAP וגראד-CAM יכולים להדגיש אילו ערוצי חיישן או פלחי זמן השפיעו על סיווג, בניית אמון ותאפשר פיקוח אנושי.
שילוב עם Legacy Systems
מתקנים מכניים רבים פועלים על סמך מבחנים לוגיים בת עשרות שנים (PLCs) ופרוטוקולים תקשורת קנייניים.Refitting AI מבלי להפריע לפעולות ביניים דורשות כי גשרים OPC UA, MQTT, או תקני Ethernet תעשייתיים. Gradual יישום, החל במערכות מייעצת ולא בקרה סגורה, מפחית התנגדות ומאפשר צוות לצבור ביטחון בשלב מתחיל בדרך כלל עם איסוף נתונים חזותי ופעולות מתקדמות כדי להפחית את המורכבות של שדה ההפעלה.
אבטחת סייבר ורובוסטנס
אבחון AI מחובר להרחיב את פני השטח התקפה. Adversarial קלט, כגון חיישן spoofing או עריכת דפוסים רטט, יכול לשטות מודל לתוך חסר או מום אמיתי או העלאת אזעקה כוזבת.המשך מחקר מתמשך באימון רציונאלי וגילוי אקראי על החיזוי של המודל עצמו מסייע מערכות אבטחה קשיחות.
כיוונים עתידיים
ההתכנסות של AI עם mechatronics היא מאיצה, וכמה מגמות מתעוררות מבטיחות להגביר עוד יכולות אבחון.
הסבר אמין ואמין ב-AI
מסגרות תגמול, במיוחד בתחום החלל והמכשירים הרפואיים, דורשות קבלת החלטות שקופה.מודלים עתידיים תכלול חוקים פיזיים כמגבלות - הנקראים לעתים קרובות רשתות עצביות בעלות מידע פיזיקלי – כך שתחזיות נשארות עקביות עם עקרונות אלקטרו-מכאניים ידועים. גישה היברידית זו מספקת גם הן למידה המונעת נתונים והן הנדסה, ומייצרת מודלים מדויקים ומציאותיים נגד מגבלות פיזיות.
למידה מתוכננת למודיעין צי-וריד
חששות הפרטיות ומגבלות רוחב הפס הופכים אתגרי הכשרה מרכזיים בעייתיים.למידה פדרנד מאפשרת לדגמים להיות מאומן על פני מכונות מבוזרות ללא שיתוף נתונים גולמיים.כל נכס קובע עדכוני מודל מקומיים ומשתף רק פרמטרים אנונימיים.טכניקה זו, שכבר נוסחה על ידי חברות כמו FLT:0IntelFLT:1, מאפשר למידה קולקטיבית מאלפי טורבינות רוח או הגנה תוך הגנה על נתונים תפעוליים קנייניים על ידי מפעילי חשמל פעילים ללא שינוי יעיל של מערכות מידע על פני זמן הפעלה.
התאוששות עצמית ושיקום אוטונומי
אבחון הוא רק חצי הפתרון.הגבול הוא מערכות של השמדה עצמית, על ידי גילוי אשמה, מחדש מחדש פרמטרים שליטה, לעבור רכיבים מחוסנים, או לוח זמנים micro-adjustments להאריך חיים שימושיים עד החלון השירות הבא. סוכני למידה כוח מחדש מאומנים לבצע פעולות שיקום כאלה, להפוך מערכות mechatronic לתוך ישויות אוטונומיות באמת.
מחשוב קוונטי פוטנציאלי
למרות עדיין בשלבים מוקדמים, למידת מכונה קוונטית יכולה יום אחד להתמודד עם הפיצוץ המשולב של מצבים פגומים אפשריים במערכות אולטרה-מורכבות כמו מנועי מטוסים או כורים היתוך. מחקר הוא בדרך להשתמש אופטימיזציה קוונטית עבור מיקום חיישן בידוד, פריצות דרך מבטיח כי מחשוב קלאסי לא יכול להשיג. יישומים לטווח קרוב יהיה להתמקד אופטימיזציה בעיות ולא בזמן אמת, אבל התקדמות בחומרה קוונטית ממשיכה להאיץ אלגוריתמים אופייניים עבור אלגוריתמים אופייניים.
מסקנה
אינטליגנציה מלאכותית מעצבת מחדש את האופן שבו מערכות mechatronic מנטרות, נשמרות ומייעלות. על ידי רתום כמויות עצומות של נתוני חיישן עם אלגוריתמים מתוחכמים, ארגונים יכולים לנוע ממלחמת אש פעילה לניהול נכסים אקטיביים, אינטליגנטיים סביב נתונים, הפרשנות ואינטגרציה נשארים משמעותיים, אבל המגמה אינה ניתנת להשגה: זיהוי ואבחון של AI יהפכו לתכונה סטנדרטית של הדור הבא של מטריקס, לחץ דם, והופכת ליעילות סביבתית נמוכה יותר, אשר הופכת את הפחתת ההשפעה של ארגונים סביבתיים, והופכת ליעילות נמוכה יותר, והופכת ליעילות חסרת תקדים, והופכת ליעילות חסרת תקדים, והופכת ליעילות חסרת תקדים, אשר תהפוך ליעילותם של ארגונים חסרי תקדים, והופכת ליעילותם של ארגונים סביבתיים, והופכת ליעילות נמוכה יותר, והופכת ליעילות חסרת תקדים, והופכת ליעילותם של ארגונים חסרי תקדים של ארגונים סביבתיים, אשר תהפוך ליעילותם של ארגונים חסרי תקדים, אשר תהפוך לאפקטים נמוכה יותר, והופכת ליעילותם של ארגונים חסרי תקדים של ארגונים חסרי תקדים של ארגונים חסרי תקדים של ארגונים חסרי תקדים של ארגונים חסרי תקדים של ארגונים.