Aktuální vydání

celé číslo

03

2019

Veletrh Amper 2019 v Brně

celé číslo
Nová budova Teco – kovářova kobyla je dobře obutá

Do nového čtvrtstoletí své existence vstoupila kolínská firma Teco (www.tecomat.com) v nové budově, postavené v moderním stylu, vybavené moderní a energeticky šetrnou technikou, která je řízena programovatelnými automaty Tecomat Foxtrot, jež firma sama vyrábí. Budova poskytuje zaměstnancům a hostům firmy příjemné prostředí. Současně slouží jako ukázka moderního, energeticky a finančně úsporného technického vybavení šetrného k životnímu prostředí. Článek seznamuje s budovou, jejím technickým vybavením i s technologickým zařízením, které je v budově umístěno.  Architektura, určení a financování Celkový pohled na budovu je na titulní stránce tohoto čísla časopisu Automa. Ryze účelovou dvoupatrovou budovu navrhla Ing. arch. Irena Schusterová. Rozdělila ji do čtyř částí – výrobní, školicí a obchodní centrum umístila do přízemí, vývoj a administrativní část do prvního patra. Spojila je komunikačním prostorem, jehož fasáda tvoří vizuální dominantu celého objektu. Inspirována dvojrozměrným logem firmy s charakteristickým motivem periodického signálu, dala mu třetí rozměr a nechala ho vizuálně prostoupit celou šíří budovy ze severní na jižní fasádu. Přímo na něj navázala i linii oken, krytých žaluzie­mi, které obepínají obvod celého prvního patra. Na ploše 60 × 20 m tak vznikl velmi kompaktní a vizuál­ně čistý objekt, pevně zakotvený do Polabí – a to doslovně. Stojí na 56 pilotech 7,5 m hlubokých a je napojen na dvanáct vrtů hlubokých 125 m, kterými cirkuluje voda. Objekt je tak se zemí spjat i energeticky. Celou stavbu a její infrastrukturu financovala firma Teco z vlastních zdrojů kombinovaných s úvěrem, tedy bez jakýchkoliv dotací.  Stavařský sprint Budova byla postavena „na zelené louce“ v rekordně krátké době osmi měsíců v průběhu roku 2017. Do země bylo kopnuto předposledního února, kolaudace se konala začátkem listopadu, přestěhování celé firmy trvalo tři týdny s přerušením výroby na pouhý jeden týden. Tolik časový rámec logistické operace, jejímž cílem bylo vykročit do dalšího čtvrtstoletí firmy Teco v nové budově vybavené novými technologickými zařízeními a řízené programovatelnými automaty Tecomat Foxtrot, které zde sama vyrábí.  Energetický koncept Řešení energetiky budovy je jejím dalším relativně unikátním specifikem. Při projektování byl kladen silný důrazem na efektivní nakládání s energiemi. Teco je nejenom provozovatelem budovy, ale také jejím investorem. To umožnilo hledat skutečné optimum mezi investičními a následnými provozními náklady. Například do kalkulace vyšších nákladů na zemní vrty byly započítány i snížené náklady na archeologický průzkum. V lokalitě zalidněné již ve starověku by v případě mělkých zemních kolektorů byl výrazně dražší a trval by déle. Kromě zateplení pláště budovy bylo zvoleno nízkoteplotní podlahové vytápění a stropní chlazení. Tedy koncept, který umožnil vyhnout se jakékoliv klimatizační jednotce v budově a odborníky je hodnocen jako nejvýhodnější i z pohledu komfortu obývání a ze zdravotních důvodů (odpadá nepříjemné proudění vzduchu a víření prachu). Obr. 1. Pod podlahou každé místnosti jsou uloženy meandry podlahového vytápěníV zimě je z hloubkových vrtů čerpána voda o teplotě 10 °C. V deskovém výměníku předává teplo do topného okruhu. Zde je dvojicí tepelných čerpadel od firmy PZP teplota vody zvyšována asi o 13 °C (na výsledných 23 °C) a teplá voda je ukládána do akumulační nádrže. Odtud je rozváděna do podlahového vytápění jednotlivých místností (obr. 1) a ovládána regulačními ventily podle aktuálně naprogramované žádané teploty. Podle potřeby se tepelná čerpadla přepnou do režimu pro vyšší teplotu a dohřejí vodu v akumulační nádrži pro užitkovou vodu, jejíž teplota se pohybuje okolo 50 °C. V létě je opět čerpána voda z vrtů o teplotě 10 °C. Je vedena přes regulační ventil do stropního chlazení jednotlivých místností (obr. 2) nebo do jednotek fan-coil tam, kde stropní chlazení není instalováno. Tím, že studená voda zchladí vnitřní prostory, sama se ohřeje a odchází do vrtů hlubokých 125 m, kde se ochladí. Při té příležitosti teplotně „zregeneruje“ vrty tak, aby v následující zimní topné sezoně bylo zase z čeho brát základní teplo. Úsporně je v celé budově řešeno i řízení větrání s centrální rekuperační jednotkou firmy Atrea. Ta do větraného prostoru vrací zpátky teplo v zimě a v létě naopak chlad. Měření a regulaci takto navržené otopné a chladicí soustavy komplexně řídí Tecomat Foxtrot z vlastní produkce. Detail části energetického centra je na obr. 3. Podlahové topení a stropní chlazení spolu s tepelnými čerpadly a rekuperační jednotkou – vše spojeno s energií země na vlastním pozemku – řadí novou budovu Teco mezi energeticky nejefektivnější průmyslové stavby v Čechách. Obr. 2. Nad stropními průhledy jsou umístěny trubky stropního chlazení pro horké letní období Hospodaření s dešťovou vodou Pod budovou se nachází pět nádrží s celkovým objemem 100 m3. Do nich se sbírá dešťová voda, která je celoročně využívána ke splachování toalet a v létě je řízeně vedena do zavlažovacího systému zahradní úpravy kolem budovy. Z vodovodního řadu se za vodné nakupuje pouze nezbytná voda do kohoutků a do sprch. Stočné se platí pouze za tu dešťovou vodu, která skutečně proteče kanalizací – což je jen další ze stovek měřených veličin, které má na starosti řídicí systém Tecomat Foxtrot.  Elektřina a elektroinstalace Celá budova Teco spotřebovává jen elektřinu. K topení ani ke chlazení nepoužívá žádný spalovací proces. Veškerá elektřina přichází přes 150kW transformovnu. Tedy i ta, která se účastní vytápění, chlazení a ventilace tím, že pohání tepelná a oběhová čerpadla a ventilátory. Podílí se rovněž na osvětlení, kde jsou výhradně použity světelné zdroje LED – a to i na sloupech veřejného osvětlení v areálu. Napájí výpočetní techniku a nově pořízená technologická zařízení pro osazování a pájení elektronických součástek, mechanické opracování a laserový popis plastových dílů. Obr. 3. Topné a chladicí okruhy před zaizolováním; do místnosti energocentra se podařilo dále umístit dvě tepelná čerpadla, dvě velké akumulační nádrže, kompresor na stlačený vzduch, centrální rekuperační jednotku a dvě široká pole rozváděče řídicího systému a silnoproudých okruhůTaké elektroinstalace je kompletně svěřena systému Tecomat Foxtrot. Veškeré zásuvky, vypínače, žaluzie a termostaty jsou k řídicímu systému připojeny instalační sběrnicí CIB – více než dvacítkou větví. Ovládací reléové moduly jsou spolu s jističi a chrániči umístěny v podružných rozváděčích v každé ze čtyř částí budovy. Výrazně se tak zkrátilo vedení silové kabeláže. Tecomat Foxtrot zároveň komunikuje s přístupovým systémem a zabezpečovací ústřednou. Ta je zároveň připojena k pultu centrální ochrany. Nechybí ani kamerový systém ochrany vnějšího prostoru.  Technologická zařízení Obr. 4. Osazovací automat pro plošnou montážZatímco vlastní stavbu a její infrastrukturu financovala firma Teco z vlastních zdrojů kombinovaných s úvěrem (tedy bez jakýchkoliv dotací), pro vybavení technologickými zařízeními využila nabídku Komerční banky na zprostředkování dotace z evropských peněz. Z toho byla pořízena sada strojů pro strojní nanášení pájecí pasty, osazovací automat (obr. 4), stroj pro pájení v parách (obr. 5)Obr. 5. Obsluha stroje pro pájení v parách, pro selektivní pájení (obr. 6) a laserový popisovač plastových krabiček finálního výrobku. Uvedené stroje jsou v centru výrobní haly, která se nachází v pravém přízemním křídle budovy. Přestože na trhu existují firmy specializované na zmíněné osazovací operace, které jsou vybaveny i většími a výkonnějšími stroji, je vlastní strojní vybavení pro firmu Teco výhodnější. Umožňuje operativně organizovat výrobu poměrně širokého sortimentu základních i rozšiřujících modulů programovatelných automatů Tecomat (TC700 i Foxtrot) tak, jak průběžně přicházejí objednávky od různých zákazníků a pro různé projekty. Lze tak řešit rychlejší a flexibilnější změny v menších dávkách. První půlrok náběhu nových technologií potvrdil správnost i očekávanou návratnost tohoto investičního záměru. Obr. 6. Obsluha selektivního pájení SmartflowProjekt řízení technického vybavení a řešení elektroinstalace Zpracování projektu bylo svěřeno pardubické firmě Tecont, která má dlouholeté zkušenosti z velkých zakázek v řízení soustav zásobování teplem a v oboru techniky budov. Partnerem Teco je již od svého vzniku. Vypracovala kompletní projekt veškerého měření, řízení a regulace (MaR), včetně elektroinstalace v budově. Vyřešila i vizualizaci technologických procesů v systému SCADA System Reliance spolu s ukládáním měřených hodnot a dlouhodobou archivací dat. Provedením elektroinstalace, MaR a montáže řídicího systému Foxtrot byla pověřena firma Elektrikabrno, která je dlouholetým integrátorem systému Foxtrot. Šéf firmy Radek Červený k tomu uvádí: „Fakt, že stavba byla rozplánována na pouhých osm měsíců a že samozřejmě docházelo k různým skluzům, způsoboval při realizaci komplikace, několikrát i téměř patové situace, ale díky společnému zájmu a i osobním vazbám se dařilo věci průběžně řešit a nakonec vyřešit ke spokojenosti všech. Celkové řízení objektu projekčně zpracovala firma Tecont. I když byl projekt zpracován trošku jiným rukopisem, než jsme zvyklí, celkový návrh a detailnost prováděcí dokumentace se mi líbily. Projektant podle očekávání do řešení zahrnul veškerá technická zařízení v budově a jejich ovládání s klidem svěřil nadřazenému systému Foxtrot. Nechci vyjmenovávat, co všechno zde Foxtrot řídí, ale zaujala mě i jedna maličkost. Ve výrobě vzniká při pájení odpadní teplo, které by bez užitku odešlo do kanalizace. Zde byl i tento detail projekčně dotažen do konce a odpadní teplo se využívá k dohřevu teplé užitkové vody v energocentru. U zmíněného energocentra v nové provozní budově Teco bych se na chvíli zastavil. Jde v podstatě o jedinou místnost vyčleněnou pro umístění strojních částí všech technických zařízení v budově. V původním projektu mělo energocentrum plánované menší rozměry, které se v průběhu stavby zvětšily, aby se veškerá technika do této místnosti vůbec vešla. Nakonec se ukázalo, že i zvětšené prostory jsou pro technická zařízení stále hodně stísněné, ale již nebylo zbytí a umístění každého prvku do této místnosti se již muselo důsledně promýšlet a koordinovat u všech profesí. Ani tak nebylo lehké se změtí potrubí, armatur a vzduchotechnických kanálů projít s kabelovým žlabem tak, aby připojovaná zařízení byla v rozumné vzdálenosti a aby vše ještě navíc lahodilo oku. Stísněnost energocentra nás navíc zaskočila těsně před kolaudací, kdy se do tak malého prostoru nahrnulo mnoho lidí různých profesí najednou – každý se svojí prioritou na dokončení zrovna té své části, což občas způsobilo až komické situace. Závěrem hodnotím celou akci z pohledu firmy Elektrikabrno jako vydařenou a nesmírně si vážím osobního přístupu všech lidí, kteří se této akce zúčastnili. Koordinaci technických prací si vzal investor, tedy firma Teco, na starost sám. Stavba měla spoustu specifik a výzev, které bylo třeba řešit operativně během výstavby, ale díky nadstandardnímu přístupu všech lidí a firem hodnotím tuto stavbu s odstupem času jako velmi povedenou.“  Závěr Nová budova firmy Teco dobře slouží svým zaměstnancům i hostům. Zároveň se stala nejkomplexnější referenční průmyslovou stavbou řízenou Foxtrotem, kam zájemci mohou po dohodě kdykoliv přijít a vidět systémovou instalaci v plném provozu.  Ing. Jaromír Klaban, Teco a. s.   Budova Teco – Stavba roku 2017 Novostavba firmy Teco získala hlavní cenu v soutěži Stavba roku Zlínského kraje 2017. Firma Navláčil ze Zlína přihlásila svoji realizaci novostavby do kategorie Staveb realizovaných mimo území Zlínského kraje. Architektonický návrh Ing. arch. Ireny Schusterové, přihlášené údaje a prezentace představitelům poroty přímo na místě v Kolíně byly natolik přesvědčivé, že přihlašovatel Navláčil stavební firma, s. r. o., titul Stavba roku Zlínského kraje 2017 získal v konkurenci celkem devíti staveb v této kategorii. Vítězové byli vyhlášeni 17. května 2018 na slavnostním večeru v otrokovické Besedě. Cenu osobně převzali Martin Navláčil za přihlašovatele a dodavatele stavby a Ing. Jiří Kovářík za investora. Ocenění náleží i dodavateli projektu, poděbradské firmě STAMAT, a autorce návrhu Ing. arch. Ireně Schusterové.    

Využít potenciál dat získaných z provozních zařízení – rozhovor s Matthiasem Altendorfem

V srpnu letošního roku navštívil Českou republiku Matthias Altendorf, výkonný ředitel společnosti Endress+Hauser AG. V Československu společnost Endress+Hauser působí od roku 1968 – letos tedy oslavila 50. výročí přítomnosti na československém trhu. V roce 1968 přichází společnost do Československa v zastoupení podniku zahraničního obchodu. V roce 1992 je založena samostatná organizační složka se sídlem v Ostravě s osmi zaměstnanci, která se v roce 1997 stěhuje do Prahy a rozšiřuje svůj tým na šestnáct zaměstnanců. V roce 1998 vzniká společnost s ručením omezeným, která se v roce 2003 stěhuje do Prahy 4, kde v roce 2017 rekonstruuje a rozšiřuje své prostory na 1 300 m2 pro tým 55 zaměstnanců.Obr 1. Matthias Altendorf, CEO společnosti Endress+Hauser Group, navštívil Prahu O historii společnosti Endress+Hauser jsme v časopise Automa psali v několika rozsáhlých článcích – jejich seznam najdete v rámečku na této straně. Od doby vzniku těchto článků došlo ke změně ve vedení společnosti Endress+Hauser Group: dne 1. ledna 2014 převzal od Klause Endresse vedení společnosti Matthias Altendorf, první ředitel mimo členy rodiny. Klaus Endress pokračuje ve společnosti Endress+Hauser jako předseda dozorčí rady. Endress+Hauser i po této změně, bez ohledu na osobu ředitele, zůstává rodinnou firmou vlastněnou rodinou Endressů. Matthias Altendorf (nar. 1967) nastoupil po maturitě do společnosti Endress+Hauser v Maulburgu jako mechanik, ale postupně se dále vzdělával a postupoval i v kariéře ve firmě: po dokončení vysokoškolského studia působil na různých pozicích v závodě Endress+Hauser Flowtec v Reinachu, až se zde roku 2000 stal ředitelem marketingu. V roce 2005 se vrátil do Maulburgu, kde byl jmenován generálním ředitelem závodu a na této pozici působil až do konce roku 2013, tedy do nástupu na pozici výkonného ředitele celé skupiny Endress+Hauser. Od roku 2009 byl také členem představenstva společnosti Endress+Hauser. V průběhu své návštěvy poskytl redakcím deníku Hospodářské noviny a časopisu Automa krátký rozhovor.  Vážený pane řediteli, jaké trendy vidíte v současné době v oboru procesní výroby? Zaprvé, je patrné, že dochází ke stále hlubšímu prorůstání informační techniky do řízení provozů. Objevují se koncepce průmyslového internetu věcí, IIoT, v evropském prostředí nazývané průmysl 4. 0. Systémy řízení životního cyklu výrobků, Life Cycle Management, přesahují hranice podniku a integrují i data od dodavatelů a zákazníků. Dochází k dříve nebývalé digitalizaci a automatizaci obchodních a dodavatelských procesů. Zadruhé, v průmyslové automatizaci stále zůstává základní úlohou zvyšování produktivity: dosahování lepších výsledků s menšími náklady a menším počtem lidí. Mění se však to, co si představujeme pod lepšími výsledky. Už to není jen více výrobků, ale důraz je kladen i na jejich kvalitu a na to, aby přesně odpovídaly individuálním požadavkům zákazníka. Obr. 2. Společnost Endress+Hauser vidí velký potenciál ve využití rozšířené reality, např. prostřednictvím tabletů s kamerou, WiFi a obslužnou aplikací Endress+Hauser Analytics AppKdyž se podíváte na sklenici zde na stole, už nás nezajímá jen to, kolik je v ní vody – měřením výšky hladiny společnost Endress+Hauser začínala –, ale také to, jaká je její kvalita a složení. Místo pouhého měření objemu musíme měřit množství kvalitativních požadavků. Čím je produkt složitější, tím je měření více. Například v potravinářství a farmacii je třeba sledovat a dokládat kvalitu nejen výsledného produktu, ale také surovin, z nichž produkt vzniká. Zatřetí, je třeba, aby měření co nejméně ovlivňovalo měřené médium nebo probíhající proces. Když se vrátíme ke sklenici vody, hladinu můžeme změřit tak, že do sklenice ponoříme měřítko. To bude v kontaktu s měřenou vodou, což je v mnoha případech nežádoucí. Proto se stále více používá bezkontaktní měření. Výhody jsou zřejmé: nehrozí žádná kontaminace média, nedochází ke znečištění nebo korozi senzoru, klesají náklady na údržbu, zvyšuje se spolehlivost. Začtvrté, manažeři chtějí v reálném čase vědět, jaký vliv budou mít změny v probíhajících procesech na ekonomické výsledky. V řídicí architektuře je například měření polohy hladiny média v tanku důležité pro regulaci přítoku a odtoku, jenže manažeři chtějí, aby tento údaj měli k dispozici i ve svém systému ERP, aby byli schopni určit, jaká je momentální kapacita výroby. Přímé propojení od snímače do systému ERP tedy vidím jako další důležitý trend. A v neposlední řadě vidíme, že měření se stává službou. Firmy si stále více uvědomují, že nepotřebují vlastnit snímače, ale potřebují měřit. Firmy zabývající se výrobou a prodejem měřicí techniky proto stále častěji místo snímačů nabízejí kompletní řešení, včetně projektu, montáže, uvedení do provozu, servisu a kalibrací. Stejnou cestou jde i Endress+Hauser.  Ve vašem stánku na veletrhu Achema jsem měl možnost vyzkoušet si systém rozšířené reality. Popravdě mi připadal trochu neohrabaný. Myslíte, že takové systémy mají v průmyslu budoucnost? Ale ano, virtuální a rozšířená realita jsou součástí budoucnosti průmyslu. Jejich potenciální přínos pro servis a údržbu na dálku je velký, zvláště v kombinaci s cloudovými službami. Potřebujete-li v dané situaci zjistit, v jakém stavu se zařízení, na nějž se díváte, nachází a co byste s ním měl provést, jak ho nastavit, seřídit nebo opravit, mohou vám brýle virtuální reality prokázat velkou službu. Dostanete pro dané zařízení jasný postup práce, krok za krokem, přičemž jednotlivé kroky budete potvrzovat a tak dokumentovat jejich skutečné vykonání. Naproti tomu je pravda, že pohybovat se s datovými brýlemi v provozu je zatím náročné. Brýle by měly být co nejmenší a neměly by operátorovi nijak překážet. V současné době je asi praktičtější mobilní zařízení, tablet nebo telefon, s kamerou a vhodnou aplikací. Nemusíte jako u datových brýlí mávat rukama, ale aplikaci jednoduše ovládáte gesty na dotykovém displeji.  Ještě jedna novinka mě na veletrhu Achema ve Frankfurtu zaujala: Endress+Hauser oznámil spolupráci se společností SAP. Co je cílem této spolupráce? Předpokládám, že to souvisí s již uvedeným trendem přímého propojení snímačů do systémů ERP. Chceme jít ještě trochu dále. Naším cílem je stát se součástí takzvané Asset Intelligence Network, inteligentní sítě výrobních prostředků. Jestliže například snímač svou vlastní autodiagnostikou zjistí, že potřebuje opravu, nahlásí to do systému ERP a v něm se podle naléhavosti a technických možností naplánuje servisní zásah, popřípadě odstávka zařízení, je-li k opravě snímače třeba. Informace je možné sdílet i s externími subjekty, například včas objednat náhradní díl nebo si zajistit kapacitu opravárenské firmy. Můžu uvést jeden příklad velkého projektu: jde o výrobu palmového oleje, základní suroviny, která se vyrábí v celé Asii. Zákazník má čtyři tisíce skladovacích tanků s palmovým olejem v podstatě po celém světě. Palmový olej prodává prostřednictvím burzy v Singapuru a je pro něj velmi důležité, aby v každém okamžiku věděl, kolik oleje kde má. Každý ze čtyř tisíc tanků je proto vybaven hladinoměrem, který je schopen určit množství oleje v tanku a údaj odeslat do cloudu, k němuž potom zákazník přistupuje ze své aplikace prostřednictvím internetu.Obr. 3. Stále větší podíl na objemu tržeb mají služby: projektování, uvedení do provozu, servis a kalibrace Tento projekt je rozsáhlý, ale vlastně docela jednoduchý. Vezměte si však velké chemické závody, které mají tisíce tanků s různými chemickými surovinami a produkty. Zavedení informací o skladových zásobách přímo do systému ERP umožňuje zcela novým způsobem organizovat jejich zásobování a logistiku. Hlavním cílem naší spolupráce s firmou SAP je proto umožnit propojení informací z provozní úrovně řízení do systémů ERP. Z provozu je tak možné získat velké objemy dat – big data, a v systémech ERP jsou aplikace a nástroje, které je dokážou zpracovat a využít jako informace k optimalizaci podnikových procesů.  Mnozí lidé se ale přímého propojení mezi provozní úrovní řízení a ERP obávají. Jak je v tomto případě zajištěno zabezpečení dat před únikem a zneužitím? Je třeba říci, že nic neměníme na standardní a osvědčené pyramidové struktuře řízení s jejími úrovněmi snímačů a akčních členů, PLC a řídicích systémů, DCS, vizualizace a MES. Ethernetová komunikace, a zvláště bezdrátová komunikace, ale umožňuje přenášet informace i jiným směrem než jen přes hranice jednotlivých vrstev pyramidy. Součástí této vnější komunikace ovšem nejsou smyčky zpětnovazebního řízení technologických procesů, ty zůstávají bezpečně uzavřeny v pyramidové struktuře řízení. To je podle mého názoru z hlediska zabezpečení technologického řízení před kybernetickými hrozbami to nejdůležitější.  Hovořili jsme o virtuální a rozšířené realitě. Jaké další trendy z oblasti IT podle Vás ovlivní průmyslovou automatizaci v nejbližších letech? V první řadě to bude umělá inteligence. V minulosti generovaly systémy DCS spoustu dat, která nebylo možné využít, protože jsme k tomu neměli vhodné metody vyhodnocení ani dostatek výpočetního výkonu. S rozvojem metod zpracování velkých objemů dat (big data) se z těchto původně neužitečných dat stávají cenné informace. Také sama provozní zařízení se stávají stále inteligentnějšími. Mnoho dat se tak může zpracovat už v nich a do nadřazeného systému nebo do cloudu se potom posílají už předzpracované informace.Obr. 4. V roce 2017 uvedla společnost Endress+Hauser na trh 57 novinek; mezi nimi snímač teploty iTHERM TrustSens, který získal mnoho prestižních ocenění, mj. Zlatý Amper v Brně Do řídicích systémů se rovněž budou začleňovat externí zdroje informací, například předpověď počasí. Ta není důležitá jen pro zemědělskou výrobu nebo stavebnictví, ale i v energetice nebo ve velkých chemických závodech. Při řízení chemických procesů je tak možné výrobu optimalizovat podle vnějších podmínek – například za chladného počasí roste účinnost chlazení, ale také podle prognózy ceny a spotřeby energie. Stále více se hovoří též o aplikacích typu blockchain. I my jim věnujeme pozornost a domnívám se, že do vztahů v dodavatelských řetězcích mohou přinést mnoho pozitivního. Osobně nevěřím tomu, že by se v průmyslu výrazně uplatnily kryptoměny jako bitcoin, ale aplikace typu blockchain mohou být velmi užitečné pro důvěryhodné sdílení informací, včetně autentizace a časových značek.  Probíhá ve vaší společnosti nějaký výzkum v tomto směru? Ano. Pracujeme na tom, jak využít aplikace typu blockhain k dokladování měření. Ale jsme teprve na počátku. Není to jednoduchý proces, protože je k tomu třeba spolupráce výrobců měřidel, dodavatelů, zákazníků i těch, kteří se starají o standardizaci a legislativu v oblasti stanovených měření. A co se týče snímačů a měřicí techniky? Pokračuje miniaturizace senzorů: jsou stále menší a lehčí. Současně s tím klesá i jejich cena. Ovšem to je v podstatě kontinuální proces, žádná revoluce. Obor, v němž očekávám prudší změny, jsou optické metody měření složení látek. Spektroskopie umožňuje měřit to, o čem už jsme hovořili: kvalitu produktů. Přitom je možné měřit i na dálku, bez přímého dotyku s měřeným vzorkem a bez nutnosti používat jakákoliv činidla. Většina současné analytické techniky se bez pomocných látek a analytických činidel neobejde. Plynový chromatograf potřebuje nosný plyn, při péči o pH elektrody a jejich skladování potřebujete kalibrační a skladovací pufr atd. Optické měření nic takového nepotřebuje a také údržba optických analytických přístrojů je mnohem snazší a levnější. Tím se snižují celkové náklady na měření, které potom mohou být použity například k průběžnému měření kvality tam, kde se dříve jen ve stanovených intervalech odebíraly vzorky k analýze v laboratoři. Například v oblasti potravinářství se tím výrazně zvyšuje bezpečnost potravin.Obr. 5. Spektrometr vhodný k přímé integraci do výrobních zařízení – výrobek společnosti Blue Ocean Nova, jež je od listopadu 2017 součástí skupiny Endress+Hauser  Pro využití internetu věcí je důležitá standardizace. Data opouštějí hranice podniků a je třeba, aby jejich struktura a formát byly srozumitelné každému, kdo je potřebuje. Jaký význam přikládáte například aktivitám sdružení NAMUR v této oblasti? Pro nás je důležité, že NAMUR jako sdružení uživatelů automatizační techniky zjišťuje, jaké mají naši zákazníci požadavky a představy. Jenže z cenového hlediska, ale i z hlediska zabezpečení je výhodnější používat standardní metody a funkce běžně známé ve světě informační techniky. Mám na mysli například WiFi, Bluetooth, Ethernet nebo internet. Na rozdíl od proprietárních průmys­lových řešení jsou mnohem levnější, spolehlivější a bezpečnější. Jedním z modelů, které budeme u svých výrobků uplatňovat beze změn, je NOA, NAMUR Open Architecture. Předpokládám, že vaši čtenáři tento model znají. Tento model právě umožňuje získávat informace z každé úrovně řídicí pyramidy. Ale k jejich přenosu se budou, podle mého přesvědčení, používat sítě Bluetooth, WiFi, Ethernet a v budoucnu 5G. Speciálně v sítích 5G vidím velkou budoucnost, protože dovolují budovat lokální podnikové sítě a především umožňují komunikaci v reálném čase. Sítě 5G v mnoha případech nahradí WiFi, protože jsou rychlejší, robustnější a bezpečnější.  A co chystáte na nadcházející valné shromáždění NAMUR? Letos jste jeho sponzorem. Jako firma vyrábějící snímače se pochopitelně soustředíme právě na ně. Velký důraz budeme klást na digitalizaci a na to, jak mohou uživatelé využít potenciál skrytý v datech, která je možné získat z provozních zařízení. Ale zasedání je až v listopadu, více vám zatím neprozradím, jen tolik, že program a výstavku chystáme v úzké spolupráci s odpovědnými lidmi z NAMUR.  Děkuji Vám za rozhovor.   Rozhovor vedl Petr Bartošík. Historie firmy Endress+Hauser na stránkách časopisu Automa: [1] Endress+Hauser: z řemeslné dílny celosvětovým dodavatelem průmyslové automatizace. Automa [online]. Praha: FCC Public, 2003(05) [cit. 2018-08-27]. ISSN 1210-9592. Dostupné z: http://www.automa.cz/cz/casopis-clanky/endress-hauser-zremeslne-dilny-celosvetovym-dodavatelem-prumyslove-automatizace-2003_05_28812_1400/ [2] 50 let společnosti Endress+Hauser. Automa [online]. Praha: FCC Public, 2003(08) [cit. 2018-08-27]. ISSN 1210-9592. Dostupné z: http://www.automa.cz/cz/casopis-clanky/50-let-spolecnosti-endress-hauser-2003_08_28904_1917/ [3]      Endress+Hauser slaví 60. výročí založení. Automa [online]. Praha: FCC Public, 2013(03) [cit. 2018-08-27]. ISSN 1210-9592. Dostupné z: http://www.automa.cz/cz/casopis-clanky/endress-hauser-slavi-60-vyroci-zalozeni-2013_03_0_10225/  

Kontrola barevného odstínu světlovodičů automobilového reflektoru

Osvětlení moderních automobilů využívá téměř výhradně optické díly vyrobené lisováním z plastu. Týká se to i světlovodů pro vytváření tvarovaných nebo jinak efektních světel. Výrobu optických komponent z plastu umožnily nové materiály a nové technologie vícefázového lisování. Přesto je výroba plastových optických komponent stále velmi náročná a ve výsledném výrobku se mohou objevit různé druhy vad. Jednou z těchto vad je i změna spektrální propustnosti materiálu výlisku. Projevuje se nejčastěji zežloutnutím způsobeným oxidací organických složek materiálu při nedodržení teplotně-časového diagramu lisovacího procesu. Nepatrné zežloutnutí nemá na funkci reflektoru žádný vliv, jde pouze o estetický nedostatek, který je však viditelný tím spíše, když se projeví na jednom z páru reflektorů. Cílem kontroly tedy není změřit spektrální propustnost absolutně, ale udržet výrobu světlovodů tak, aby jejich spektrální propustnost zůstala v definovaném okolí propustnosti kalibračního normálu. Obr. 1. Princip komparačního měření světlovodičePrincip měření ukazuje obr. 1. Měřením kalibračního světlovodu na standardním LED modulu se získá referenční bod v chromatickém diagramu podle CIE. Kolem něj je vytyčeno toleranční pole, např. ve tvaru obdélníku. Je-li barva světla vycházejícího ze světlovodu nasazeného na stejném LED modulu mimo toto toleranční pole, klasifikuje se světlovod jako neshodný – NOK (obr 2).Obr. 2. Diagram CIE s vyznačeným kalibračním bodem a povolenou tolerancí barvy (vlnová délka λ v nm) Vytyčení tolerančního pole v diagramu CIE je výhodné z hlediska jednoduchosti a názornosti; je zde přímo vidět změnu barevného odstínu. Tato výhoda má však i odvrácenou stranu: diagram CIE je pouze indikátorem shody barev, jak je vidí lidské oko. Jde tedy o jistý druh převodu subjektivního vjemu na objektivní hodnotu, založený na skutečnosti, že stejného barevného vjemu lze v lidském oku dosáhnout různými kombinacemi spektrálních (čistých) barev (metamerismus). V praxi se již od 30. let minulého století využívá trojice spektrálních barev, červená (R), zelená (G) a modrá (B), které umožňují srovnávací měření v komparačním kolorimetru. Protože pro část barevného vjemu je nutné použít složku R zápornou (červené světlo se musí přidávat ke světlu měřenému, nikoliv referenčnímu), byl zaveden přepočet složek RGB funkcemi color matching xŻ(λ), yŻ(λ) a zŻ(λ). Pomocí těchto funkcí lze pro libovolnou barvu vypočíst XYZ tristimulus, tedy hodnoty X, Y, Z, které barvu jednoznačně určují (obr 3).Obr. 3. Funkce color matching a charakteristiky kamery Grafickým vyjádřením normalizovaného XYZ tristimulu je právě chromatický diagram. Normalizace umožňuje převést trojrozměrný prostor XYZ tristimulu do dvojrozměrného grafu. Z něj lze určit všechny potřebné informace charakteristiky zobrazovaného světla, a navíc ve své nejrozšířenější podobě barvu i znázorňuje. Cesta od pohledu do komparačního kolorimetru k zobrazení barvy v chromatickém diagramu je tedy poměrně komplikovaná. Jak ji lze realizovat pomocí barevné kamery? Problém by byl elegantně vyřešen, kdyby charakteristiky barevné citlivosti buněk RGB kamery odpovídaly funkcím color matching. Výstupní signály RGB kamery by pak představovaly přímo XYZ tristimulus, neboť hodnota signálů RGB je úměrná integrovanému množství světla dopadajícího na světlocitlivou buňku pro příslušnou barvu. Charakteristiky kamery se ale obecně od funkcí color matching liší (obr. 3). Naštěstí se v této úloze měří v oblasti blízké bíle barvě, kde lze pro komparační měření uplatnit některá zjednodušení.Obr. 4. Perceptuální rozdíly mezi barvami v chromatickém diagramu Komerční kamery obvykle poskytují funkci „vyvážení bílé“, která upraví zesílení složek tak, aby se výstupní signály v přiměřeném okolí vzorku bílé barvy blížily hodnotám funkcí color matching. Charakteristiky kamery jsou také nastaveny tak, aby v okolí bílé barvy chromatický diagram nevykazoval oproti standardnímu diagramu natočení. Natočení by totiž způsobilo zkreslení barev, které lidské oko vnímá jako nepřirozené. Výrobce kamery tedy zařídil, že se uživatel při transformaci charakteristik kamery do barevného prostoru funkcí color matching nemusí starat o posunutí a natočení. Měřítko se získá kalibrací s normálem OK světlovodu, neboť prováděné měření je komparační.Obr. 5. Oblast poklesu spektra světla prosvětlovací LED po průchodu zežloutlým plexisklem Další výhodou je, že právě v okolí bílé barvy je subjektivní citlivost oka na barevné změny poměrně malá. Na obr. 4 jsou ukázány relativní perceptuální rozdíly mezi barvami v chromatickém diagramu (úsečky spojují barvy, mezi kterými člověk ještě nevnímá rozdíl). Je zřejmé, že právě na změnu bílé ve žlutou je oko málo citlivé. Kamera v této oblasti naopak dosahuje velké citlivosti. Žloutnutí světlovodu má za následek pokles původního spektra prosvětlovací LED v levé části, tedy v oblasti azurové barvy (obr. 5). Právě v této oblasti je však křivka modré barvy (B) nejstrmější a i malá změna azurové vyvolá velkou změnu výstupního signálu B.Obr. 6. Rozhranní aplikace pro měření zežloutnutí světlovodiče Na základě těchto úvah byla vytvořena aplikace pro kontrolu žloutnutí materiálu světlovodičů. Citlivost aplikace k měření barevného posuvu ke žluté barvě autoři testovali zajímavým způsobem. Jeden ze dvou kancelářských papírů nechali v temnotě, druhý vystavili na dvanáct hodin slunečnímu záření. Přestože okem nebylo zežloutnutí tohoto papíru viditelné, běžná kamera od firmy Basler je ve spojení s vytvořenou aplikací spolehlivě detekovala. Na obr. 6 je ukázáno rozhraní aplikace při detekci zežloutnutí papíru při kalibraci neosvětleným papírem.   Otto Havle, FCC průmyslové systémy Co znamená zkratka CIE? CIE, Commission Internationale de l’Éclairage, mezinárodní sdružení pro osvětlení, je nezisková a nezávislá organizace, která umožňuje celosvětovou spolupráci a výměnu vědeckých a technických informací v oblastech nauky o světle, světelných zdrojů, osvětlování, měření barev, vidění, fotobiologie a technik zpracování obrazu. Sdružení CIE bylo založeno v roce 1913 a v současné době sídlí ve Vídni. Více lze najít na webové stránce http://www.cie.co.at/. V roce 1931 vytvořilo sdružení CIE matematicky definovaný barevný prostor nazývaný CIE 1931 nebo CIE XYZ. Pomocí funkcí color matching přepočítává souřadnice prostoru RGB na XYZ tristimulus. Barevných prostorů však existuje velký počet. Například barevný prostor CIELAB vychází z CIE XYZ a z Munsellova barevného systému. Souřadnice CIELAB se ze souřadnic CIE XYZ vypočítají nelineární transformací a umožňují jednotněji popsat rozdíly barev. Lidské oko totiž není schopné rozlišit rozdíly některých barev, ale z obr. 4 je patrné, že tyto oblasti, nazývané MacAdamovy elipsy (v obrázku jsou zakresleny jejich hlavní a vedlejší osy), mají v diagramu CIE 1931 různou velikost a orientaci, což při posuzování a kvantifikaci rozdílu barev činí potíže.

Provozní přístrojová technika podporuje digitální transformaci

Každoroční valné zasedání sdružení NAMUR se konalo 8. a 9. listopadu 2018 tradičně v německém Bad Neuenahru (obr. 1) za účasti 650 odborníků nejen z Německa, ale i z dalších zemí Evropy i zámoří. Akce je určena pro manažery a techniky členských firem NAMUR a pro zvané hosty, zejména představitele partnerských profesních aso­ciací a odborné novináře.Obr. 1. Lázeňské město Bad Neuenahr letos přivítalo účastníky podzimním počasím vybízejícím k procházkám a diskusím na březích řeky Ahry Motto letošního setkání bylo „provozní přístrojová technika podporuje digitální transformaci“ a sponzorem byla společnost Endress-Hauser. Na začátku jednání seznámil účastníky zasedání s novinkami v činnosti NAMUR Dr. Wilhelm Otten (Evonik). Tohoto úkolu se zhostil naposledy. Na volební schůzi předchozí den bylo totiž zvoleno nové předsednictvo i nový předseda sdružení NAMUR. Stal se jím Felix Hanisch (Bayer), který sdružení povede následující čtyři roky. Wilhelm Otten zhodnotil, čeho sdružení dosáhlo pod jeho vedením. Mezi strategické aktivity patřila internacionalizace činnosti sdružení, změny vnitřní organizace a ve zcela nedávné době např. účast na alokaci frekvencí nově vznikajícího komunikačního standardu sítí 5G. Wilhelm Otten pozval na pódium dva nové čestné členy NAMUR, dr. Thomase Tauchnitze (dříve Sanofi) a Dr. Herberta Maiera (Clariant), a dále předal zlaté odznaky Thomasu Scherwietesovi (Evonik) a prof. Alexandru Fayovi (HSU Hamburg) jako ocenění jejich dlouholetého přínosu k činnosti sdružení. Potom se již slova ujal nový předseda Felix Hanisch, který uvedl prezentaci sponzora akce, společnosti Endress+Hauser. Firma Endress+Hauser sponzorovala zasedání naposledy v roce 2007 a její představitelé v úvodní prezentaci srovnávali situaci tenkrát a nyní. Téměř zdvojnásobení obratu, počtu přijatých patentů a počtu zaměstnanců svědčí o pozitivním vývoji firmy.Obr. 2. Přednáší Mathias Altendorf, výkonný ředitel firmy Endress+Hauser Prezentace sponzora měla tři části a postupně vystoupili výkonný ředitel Matthias Altendorf (obr. 2), obchodní ředitel Nikolaus Krüger a technický ředitel a ředitel marketingu Andreas Mayr. Představili zaměření firmy na zákazníky, trendy v digitalizaci, které u nich prosazují, a příklady provozní přístrojové techniky s vynikajícími technickými parametry a širokou konektivitou. Součástí zaměření na zákazníky a jejich potřeby je také respektování aktuálních doporučení a pracovních listů NAMUR. V prezentaci bylo zdůrazněno, že až 90 % provozních přístrojů vyráběných v současné době firmou Endress+Hauser má svůj digitální model a společnost k nim poskytuje aktuální údaje, které pomáhají zákazníkům začlenit je do jejich systémů, od systémů plánování a projektování až po systémy správy zařízení AMS, včetně využití digitálních funkcí a nástrojů v cloudu. Prezentace se rovněž dotkla pokroku v oblasti inteligentních provozních přístrojů a provozní analytické techniky PAT (Process Analytical Technology). Dalším zajímavým tématem byla koncepce jednoduchých snímačů určených pro úlohy monitorování a optimalizace provozu, které jsou vybavené rozhraním, jež jim umožňuje bezpečnou a spolehlivou komunikaci s okolním světem. Z nich získaná data mohou být ukládána k pozdějšímu využití např. v cloudu společnosti Endress+Hauser. Koncept vychází z architektury NOA (NAMUR Open Architecture) a počítá s využitím dvouvodičového ethernetového připojení APL (Advanced Physical Layer). Následující plenární přednáška Franka Grümbela (Lanxess) a dr. Ulricha Schünemanna (BASF) popisovala požadavky, které má splňovat současná a budoucí provozní analytická technika. Vzhledem k pokračující digitalizaci jsou už nyní hodnoty zjišťované provozními analyzátory k dispozici tam, kde jsou třeba, a odborníci nemusí být nutně přímo na místě instalace. Zvyšování míry digitalizace znamená také zjednodušování obsluhy a „uzavírání“ složitých postupů do vnitřních systémů měřicí techniky, aby se s nimi uživatel nemusel zatěžovat a mohl bezprostředně využívat naměřené hodnoty.Obr. 3. Přednáška Jana de Caignyho NOA – Ready for Products shrnula současný stav a plány dalšího vývoje iniciativy NOA Jan de Caigny (BASF; obr. 3) v další přednášce prezentoval, kam až pokročil vývoj NAMUR Open Architecture – NOA. Společně s asociací ZVEI byly vytvořeny dvě pracovní skupiny, které se budou zabývat zabezpečením NOA, implementací NOA do OPC UA a verifikací požadavků centrálního řídicího systému. Řekl, že požadavky na informační modely, datové dio­dy NOA, zabezpečení, stejně jako na zdroje dat musí být identifikovány prostřednictvím referenčních příkladů. V poslední plenární přednášce čtvrtečního dopoledne se dr. Michael Maiwald (BAM) zabýval úlohou inteligentních snímačů v kyber-fyzických výrobních systémech a požadavky na jejich interaktivitu, konektivitu a schopnosti komunikace, na virtuální popis přístrojů, dohledatelnost naměřených hodnot, shodu s regulatorními požadavky a na funkce pro údržbu a servis. V budoucnu bude v provozech distribuováno více výpočetního výkonu a více funkcí a bude také vyžadováno větší zabezpečení. Odpolední program se skládal z 28 zajímavých workshopů, např. NOA a živé připojení k testbedu IGR, modulární výrobní linky MTP (Module Type Package), koncepce Open Process Automation, PAT, 5G, mobilní zařízení v prostředí s nebezpečím výbuchu nebo FDI, a semináře sponzora, firmy En­dress+Hauser. Rovněž bylo možné navštívit výstavku sponzora s ukázkami měřicí a analytické techniky nebo využití rozšířené reality v průmyslových provozech. V pátek ráno se udělovaly tradiční ceny NAMUR za vynikající diplomové a disertační práce. Ceremoniál moderoval Rainer Oehlert (Dow). Za rok 2018 cenu dostali Dr. Maik Riedel (A contribution to providing knowledge-based support in selecting technical resources) a dr. Markus Vogelbacher (A new method for the camera-based analysis of multi-fuel burners in industrial combustion processes). Následovala tandemová prezentace Dr. Alby Menaové (BASF) a Dr. Thorstena Pöttera (Bayer), kteří představili ukázkové příklady implementace techniky průmyslu 4.0 ve stávajících výrobních provozech procesního průmyslu. Na příkladu dvou fiktivních závodů prezentovali možnosti využití nových přístupů při inspekčních pracích, zkracování doby servisních odstávek a modifikacích výroby. Nakonec ukázali příklady využití mobilních zařízení, dronů, analýzy velkých souborů dat nebo virtuální reality. Zdůraznili, že pro plánování uplatnění nové techniky v praxi je třeba brát v úvahu celkové náklady a přínosy po celou dobu životnosti zařízení.Obr. 4. Axel Haller (ZVEI) společně s Dr. Frankem Stengerem (ProcessNet) a Dr. Ulrichem Christmannem (NAMUR) seznámil účastníky s pracemi v oblasti společné iniciativy MTP Další společnou plenární přednášku měli Dr. Frank Stenger (ProcessNet), Axel Haller (ZVEI) a Dr. Ulrich Christmann (NAMUR). Seznámili posluchače s koncepcí modulárních výrobních linek složených z modulů MTP a uplatněním funkce „plug and produce“ (obr. 4). Předpověděli, že první produkty MTP budou k dispozici již v roce 2019 a poté bude následovat fáze intenzivního vývoje. O tom, že jde o důležité téma s velkým významem pro budoucnost, svědčí počet firem, které se do vývoje koncepce MTP zapojují. Následující přednášku měli Dr. Wilhelm Otten a Michael Wiedau (oba Evonik). Ukázali v ní, proč jsou v inženýrské praxi třeba strukturovaná data. Datový model od firmy ALC, založený na vznikajícím standardu DEXPI (Data Exchange in the Process Industry) a dalších existujících standardech, může v budoucnu umožnit potřebnou výměnu dat mezi systémy pro projektování a instalaci zařízení a systémy pro jejich údržbu a optimalizaci provozu. V další prezentaci se k Martinu Schwibachovi (BASF) připojil prezident Spolkového úřadu pro informační bezpečnost BSI Arne Schönbohm (BSI) a nový předseda představenstva NAMUR Dr. Felix Hanisch (Bayer). Spolkový úřad BSI se stal novým členem NAMUR a asociace NAMUR se zapojila do Alian­ce pro kybernetickou bezpečnost. Kromě tohoto oznámení se prezentace zaměřila na důležitost zabezpečení dat v digitalizovaných procesech a na otázky konektivity. Zabezpečit přístroje s komplexní konektivitou, často se vyskytující v průmyslové praxi, není snadná úloha. Jednání uzavřel Dr. Felix Hanisch (Bayer) jako nový předseda NAMUR a stručně shrnul, o čem se na shromáždění po celé dva dny jednalo. Zásadním poselstvím zasedání je, že NAMUR se aktivně podílí na tvorbě koncepce digitální transformace v procesním průmyslu. Poděkoval také firmě Endress+Hauser za podporu, která významně přispěla k úspěchu jednání. V samotném závěru oznámil, že mottem valného zasedání NAMUR 2019 bude „rozšířená konektivita pro chytrou výrobu“ a sponzorem firma Phoenix Contact.  Petr Bartošík

Diskuse o simulacích, modelování, umělé inteligenci, průmyslu, současnosti a budoucnosti

Opatrně jsme požádali o názor k tématu umělé inteligence, simulací a modelování zástupce několika společností a také akademických institucí. K našemu překvapení jsme obdrželi nejvíce příspěvků za dobu organizování odborných diskusí v našem časopise. A to ještě několik zájemců nestačilo své odpovědi dodat do uzávěrky, takže do článku nemohly být zařazeny. V některých názorech jsou účastníci diskuse vzácně jednotní, v některých dochází k názorovým střetům. Tomu jsme opravdu rádi, protože jen tak se lze na problém podívat z více stran. Vzhledem k tomu, že se diskuse zúčastnili respondenti nejen z ČR, ale také z Velké Británie a Slovenska, získala mezinárodní charakter. Do diskuse svými odpověďmi přispěli: Peter Bílik, Solution designer Anasoft APR, s. r. o., David Sámek, Ph.D., Axiom Tech, s. r. o., prof. Ing. Vladimír Mařík, DrSc., dr. h. c., ředitel CIIRC ČVUT, doc. Ing. Josef Kokeš, CSc., Vysoká škola podnikání a práva, a. s., prof. Ing. Mirko Navara, DrSc., FEL A CIIRC ČVUT, Jan Burian, senior manažer oddělení podnikového poradenství společnosti EY, Ing. Otto Havle, CSc., MBA, jednatel, FCC průmyslové systémy, s. r. o., Ing. Jana Řešátková, Manufacturing Coverage Lead, DXC Technology, Ing. Jaroslav Jirkovský, Ph.D., Senior Application Engineer, Humusoft, s. r. o., Rick Rider, produktový ředitel pro platformu Infor Coleman AI ve společnosti Infor, Ing. Jaromír Hvížďala, jednatel firmy JHV – ENGINEERING, s. r. o., Ing. Petr Brynda, Business Development Manager, Mitsubishi Electric Europe B. V., Ing. Petr Kadera, Ph.D., vedoucí skupiny inteligentních systémů pro průmysl a distribuční sítě CIIRC ČVUT, Ing. Martin Peter, specialista na bezpečnost, BI a SQL databáze, OSIsoft Czech Republic, s. r. o., prof. Ing. Vilém Novák, DrSc., ředitel Ústavu pro výzkum a aplikace fuzzy modelování Ostravské univerzity a divize superpočítačového centra IT4Innovations v Ostravě, doc. Ing. Petr Horáček, CSc., Rockwell Automation, a doc. Dr. Ing. Vladimír Kebo, expert Technologické agentury ČR.  Znalost principů modelování a simulačních nástrojů je podmínka nutná, nikoliv postačující Modelování a simulace předpokládají značné multidisciplinární znalosti o modelovaném procesu a na druhé straně o vhodných simulačních nástrojích. Je cestou úspěšného řešení vytváření týmů, nebo snaha vychovávat odborníky, kteří se orien­tují v podnikových a technologických procesech a zároveň v metodách simulace a modelování? Peter Bílik (Anasoft): Jednoznačně je cestou vytváření řešitelských týmů. Stejně tak v naší společnosti ANASOFT vytváříme inovativní řešení i díky tomu, že členy jednotlivých týmů jsou i absolventi elektrotechnických inženýrských odborů, i teoretičtí informatici a analytici. Vnímám ale, že se neustále zkvalitňuje nabídka různých modelovacích a simulačních nástrojů. Jsou neustále intuitivnější a zejména mladá generace bere tyto aplikace jako úplně přirozený nástroj pro jejich práci. Snad je to způsobeno i tím, že mají již od malička zkušenost s vytvářením virtuálních světů a simulováním různých procesů v podobě počítačových her. Stále víc se proto můžeme setkat s označením post-profesní společnost. V buducnosti pravděpodobně vznikne vrstva tzv. paraprofesionálů – lidí trénovaných na určité úkoly, kterým budou asistovat technologie se specifickou schopností. Taktéž se zřejmě vytratí pracovníci s „jedním zaměstnáním na celý život”. Rychlost technologického vývoje bude lidi tlačit do neustálého učení se. Proto doufám, že ani odborníci s multidisciplinárními znalostmi nebudou raritou. Proto bychom se měli zaměřit zejména na hledání efektivních způsobů přenosu zkušeností.  David Sámek (AxiomTech): Ačkoliv možnosti softwarových simulačních nástrojů velmi pokročily, není možné se při jejich používání obejít bez znalostí dané problematiky. Nepochybně je třeba hledat či vychovávat odborníky na simulované technologie. Bez těchto specialistů není možné simulační nástroje efektivně používat.  Vladimír Mařík (CIIRC ČVUT): Domnívám se, že je třeba vychovávat především odborníky na simulaci a modelování a potom či přitom je orientovat na potřebné aplikační oblasti. Odborníka se znalostmi modelování můžeme považovat za určitý typ znalostního inženýra – a tito mívají schopnost systémového proniknutí do libovolné aplikační oblasti. Samozřejmě je možné jít i opačnou cestou, ale tam z vlastní praxe vidím potenciálně menší úspěšnost.  Josef Kokeš (VŠPP): Jak známo, existuje jediná možnost, jak na to s definitivní platností odpovědět: vyzkoušet to v praxi. Ovšem jednoduchá úvaha říká, že vychovat si tým lidí, kteří by byli odborníky současně v technologických procesech i v metodách simulace, to je běh na příliš dlouhou vzdálenost. Osobně bych k tomu byl skeptický, a to jak z časových důvodů, tak i z důvodu financování. Jako nadějnější (ne však příliš) bych viděl první možnost, tzn. vzít už hotové odborníky z různých oborů a dát jim šanci uplatnit se jako individuality uvnitř společného týmu. Ten tým by mohl být sestaven ad hoc a mohl by být i dosti neformální; s dnešními komunikačními možnostmi by to asi nebyl problém. Otázkou ovšem je motivace a management takového týmu.  Mirko Navara (ČVUT): Asi se neobej­deme bez lidí, kteří mají přehled o obojím. Komunikace mezi lidmi s hodně rozdílným vzděláním je obtížná a zabere hodně času. Ten, kdo má aspoň orientační znalosti ve všech potřebných oblastech, může přinejmenším hodně usnadnit domluvu.  Jan Burian (EY): Problematiku simulace a modelování známe i z jiných oblastí, než je výroba. V té se osvědčilo spíše rozdělení na „byznys experta“ a odborníka na tvorbu simulací, tedy dvě různé osoby. Ideální by samozřejmě bylo mít experta „all in one“, ale to je vzhledem ke komplexitě znalostí a neustálé potřebě se multidisciplinárně rozvíjet v podstatě nemožné. Proto vnímáme jako efektivnější cestu vytváření týmů, i když v reálném životě se určitě může vyskytnout někdo, kdo ve vybraných oblastech dokáže pokrýt obě kompetence.  Otto Havle (FCC průmyslové systémy): Vychovávat odborníky a vytvářet týmy je samozřejmě nutné ve všech oblastech lidské činnosti. Problémy v komerční sféře jsou však řešeny hlavně zaváděním inovací, v tomto případě předpokládám inovaci obchodního modelu (mluvím o tom v odpovědi na třetí otázku). Jana Řešátková (DXC Technology): Základem jsou odborníci se znalostmi podnikových a technologických procesů, kteří jsou součástí týmů modelování a simulací. Je to stejné jako při stavbě domu – architekt může navrhnout, co chce, ale pouze odborník je garantem realizovatelnosti. Spoluprací jeden obohacuje zkušenostmi druhého. Jsou to spojené nádoby. Na prvním místě stojí člověk, komunikace a týmová spolupráce.  Jaroslav Jirkovský (Humusoft): Nejefektivnější je využívat takové nástroje, kde odborníci na podnikové a technologické procesy nemusí být zároveň specialisty na simulaci, a přesto dokážou modelování a simulace efektivně využívat. V oborově specializovaném týmu pak postačuje mnohem menší počet odborníků zaměřených přímo na simulaci, kteří tým při práci koordinují nebo řeší specifické otázky modelování, kde je potřeba hlubší znalost daného nástroje.  Rick Rider (Infor): Je korektní předpokládat, že strojové učení a mechanismy hlubokého učení dnes vyžadují určitý stupeň porozumění vědeckému zpracování dat. Ovšem když se skutečně podíváte na technologie a jejich vývoj, není to tento případ. Většina algoritmů, jež analyzují problémy a situace v organizacích, se v posledních 20 až 30 letech v podstatě nezměnila. Proto se při práci s naší platformou AI snažíme významně redukovat úroveň požadovaných znalostí a eliminovat potřebu zkušenosti s programováním. Snažíme se poskytnout systém, který uživatelům umožňuje vyzkoušet skutečnou umělou inteligenci s využitím běžných nástrojů uživatelského rozhraní. Uživatelé nemusí znát detaily za oponou, místo toho by se měli zaměřit na to, jak získat zajímavé soubory dat, aplikovat na ně algoritmy AI, generovat analýzy či predikce a prezentovat je ve snadno pochopitelném, vizualizovaném prostředí. A když se jim výsledky zamlouvají, mohou takovouto inteligenci rozšířit na všechny oblasti svého podnikového softwaru.  Jaromír Hvížďala (JHV – Engineering): Výchova odborníků je nutná vždy. Jsem přesvědčen, že bez kompletních znalostí řešené problematiky je velmi problematické sestavit modely popisující složitý systém. Proto je vytváření týmů odborníků jednou ze základních cest vedoucích k úspěšnému definování modelu. Jedinec nemůže vše obsáhnout. V budoucnu týmům pomůže zapojení umělé inteligence, která bude schopna řešit některé části problému a později i celky.  Petr Brynda (Mitsubishi Electric): Ano, je to nezbytné.  Petr Kadera (CIIRC ČVUT): Záleží na konkrétní úloze, ale obecně lze říci, že základní porozumění problematice modelování a simulací by mělo být součástí každého technického vzdělání. Jen tak zajistíme, aby expert na určitou technickou oblast mohl simulace efektivně využívat. Ať už sám, nebo ve spolupráci s odborníkem na modelování a simulace.  Martin Peter (OSIsoft): Z krátkodobého hlediska se jeví vytváření týmů jako lepší alternativa, jelikož je pouze velmi omezené množství lidí, kteří by byli jak odborníky na technologii, tak měli dostatečnou znalost v oblasti simulace a modelování. Tento model však může narážet na vzájemné nepochopení a z toho plynoucí frustraci. Z dlouhodobého hlediska mně tedy připadá jako nutnost připravit odborníky znalé v obou oblastech, kteří se pak v týmu mohou dále specializovat jedním nebo druhým směrem.  Vilém Novák (OSU): Odpověď je poměrně jednoduchá: musíme vychovávat odborníky, kteří mají potřebné znalosti a zároveň jsou schopni pracovat v týmu, který vytváří modely technologických procesů, jež vyžadují často velmi specializované znalosti z různých oborů, zejména z matematiky. K tomu je třeba zacílit nejen školní osnovy, ale celkovou atmosféru ve společnosti, kdy matematika nebude vysmívanou oblastí, kterou se zabývá jen pár „bláznů“, ale respektovanou vědou, která sice vyžaduje velké úsilí, ale výsledek stojí za to. Dnes je často tendence rušit katedry matematiky a spojovat je s informatikou. Úzká spolupráce obou oborů je velmi nutná, avšak matematika je a bude stále nenahraditelná. Bohužel se setkávám s typickým problémem informatiků, kteří mají informace o existujících nástrojích, ale jejich podstatě nerozumí a pak je jen naslepo používají a doufají, „že to vyjde“. Jestliže řešení nefunguje, začnou prostě zkoušet jiný nástroj. To je takový „prvobytně pospolný“ přístup, který občas (při troše štěstí) vede k úspěchu, ale jen krátkodobému, a stále zde zůstává problém nevzdělanosti.  Petr Horáček (Rockwell Automation): Velmi obecná a trochu neurčitá otázka. Pokus o její zodpovězení založím na konkrétním příkladu z vlastní zkušenosti. Velká vodárenská společnost provozující rozsáhlou distribuční síť má v úmyslu optimalizovat provoz sítě ve smyslu zvýšení provozní spolehlivosti tisíců akčních členů, redukčních ventilů tlaku, čerpadel, stavidel, zajištění kvality vody uchovávané ve vodojemech pomocí cyklování, omezení rizika úniků, a to vše navíc s cílem minimalizace nákladů na údržbu a provoz čerpacích stanic. Bez modelu, který v reál­ném čase poskytuje veličiny jako místní tlak, průtok nebo stáří vody, pro které nejsou vždy fyzicky k dispozici příslušné snímače, se provoz sítě v krátkodobém horizontu optimalizovat nedá. Pro optimalizaci v jistém časovém horizontu vždy potřebuji pracovat s predikcí uvedených veličin, a tu jinak než s pomocí modelu nevyrobím. Role modelu je tedy zásadní. Otázkou je, jak a kdo má takový model navrhnout, implementovat, naladit a udržovat. Na každou dílčí oblast má zpravidla zákazník specialistu. Pro výše uvedený příklad tak u vodárenské společnosti najdeme odborníka na čerpadla, ventily, části potrubní sítě, statistiky schopné modelovat odběrové charakteristiky dané oblasti, ale většinou neexistuje nikdo, kdo by byl schopen modelovat vzájemné vazby a vidět technologický proces jako celek. Ve své praxi jsem se nesetkal s jediným zákazníkem, který by třeba jen uvažoval o zřízení pozice, kterou bych pracovně nazval technologickým architektem, respektive architektem řízení, rozhodování a optimalizace. Kdo si někdy zkusil takový projekt, ví, že znalost principů modelování a simulačních nástrojů je podmínka nutná, nikoliv postačující. Neznám vzdělávací obor, který by na něco takového specialisty připravoval. Ano, máme dnes mnoho softwarových platforem pro modelování a simulace s dokonalou vizualizací a možností napojení na technologické databáze, ale to jsou jen nástroje, které někdo musí parametrizovat, naladit a udržovat. Všimněme si, že výrobci těchto platforem nikdy nenabízejí realizaci projektů, protože žádný takový projekt nemůže být pro ně ziskový, a pokud by ziskový být měl, bude cena pro zákazníka neakceptovatelná. Dalším problémem je neop­akovatelnost. Zdánlivě stejné technologické procesy se vždy liší v maličkostech, které ve výsledku neumožňují případnému poskytovateli služby komplexní optimalizace mít nějaký obecný generický model, který by se případ od případu jen upravoval. Nový projekt znamená začít znovu na zelené louce a z toho plyne časová náročnost a cena. Zdálo by se tedy, že řešením je týmová práce specialistů na různé obory. V řadě případů se ale tito specialisté obtížně domlouvají, protože každý používá jiný způsob modelování.  Vladimír Kebo (TAČR): Tvorba modelu technologického procesu je výsledkem úlohy identifikace, experimenty na modelu a práce s ním spadají do simulace. Modelování bych nevytrhával ze složité identifikační úlohy. Dobrá týmová práce je základem pro úspěšné řešení komplexních problémů, které se dnes objevují na rozhraní technologických a kybernetických oborů. Výrazně zde mohou pomoci a už se využívají například učící se systémy, které však pro svoji efektivní práci často potřebují kvalitně připravená provozní data a tréninkové množiny spojené s praktickou znalostí technologie. Bez praktických znalostí se neobejde jak zadání vstupních dat pro simulace, tak následná interpretace výsledků. Teoretik-akademik bez praktické znalosti technologie se zde může dopustit velkých chyb a omylů. Velkou výzvou je superpočítání, které otevírá nové dimenze identifikace procesů, jejíž součástí jsou modelování a simulace – současně rostou požadavky na aprior­ní teoretické i praktické znalosti.   Velké objemy dat z technologických procesů nelze využívat bez aktivní spolupráce s technology Mnoho společností nabízí službu optimalizace procesů s využitím velkého množství dat (big data) zákazníka. Považujete za možné úspěšně optimalizovat touto cestou nejen například marketingové procesy, ale i technologické procesy v průmyslovém podniku? Peter Bílik (Anasoft): Považuji to nejen za možné, ale i za nevyhnutné. Komplexnost průmyslových systémů neustále narůstá. Současně i množství informací a faktorů vstupujících do rozhodovacích procesů začíná přesahovat lidské možnosti. Mnohokrát může analýza sesbíraných údajů ukázat korelace, které řídící pracovník následně vyhodnotí jako kauzální souvislost. Bez podpory ze strany datové analýzy by ji možná nikdy neodhalil. Z vlastní zkušenosti poznáme případy, kdy byly analýzou údajů identifikovány příčiny nekvality, ale i nevhodná postupnost pracovních úkonů. Proto ve společnosti ANASOFT věnujeme této oblasti dostatečnou pozornost. Nejen při implementaci řešení sbírajících data z výrobních a dopravních zařízení, ale i v rámci našich vědeckovýzkumných aktivit. Aktuálně se věnujeme využití analýzy velkých dat na detekci vzorců chování odběratelů pro predikci nákupu potřebného množství zboží nebo na identifikaci optimálního rozložení zboží ve skladu. Podobně se v naší výzkumné laboratoři věnujeme i vývoji pokročilých metod na rozhraní člověk–stroj, nástrojům rozšířené reality nebo decentralizovaným řídicím systémům na bázi multiagentové architektury.  David Sámek (AxiomTech): Při sběru výrobních a procesních dat je získáváno velké množství informací, jejichž „vytěžení“ může přinést například snížení výrobních nákladů a optimalizaci výrobních procesů.  Vladimír Mařík (CIIRC ČVUT): Používat analytické a optimalizační algoritmy s využitím velkých dat bez pomoci odborníků z aplikační oblasti asi dost dobře nepůjde. Optimalizace je nezbytně spojena se znalostí vlastních procesů; znalosti hrají klíčovou roli při libovolné analýze a navazující optimalizaci. Proto firmy mohou nabízet služby užití obecných nástrojů, ale v konkrétním projektu, pro nějž nemá buď firma, nebo analytický nástroj k dispozici odpovídající znalosti, se bez aktivní a náročné spolupráce s koncovým odběratelem služby nepohnou z místa.  Josef Kokeš (VŠPP): Určitě ano. Dokonce mám konkrétní poznatky o výsledcích jednoho takového pokusu. Jednalo se o vytěžení „big data“ záznamů z výrobní linky pro zjištění příčiny zvýšené zmetkovitosti.  Mirko Navara (FEL ČVUT): Ano, ale s výhradami. Jak už zkušenost mnohokrát ukázala, univerzální znalosti (například zde, jak vytěžit a využít big data) jsou dobré, ale nenahradí specifickou zkušenost z oboru. Té je potřeba pozorně naslouchat. Bál bych se svěřit odpovědnost někomu, kdo sice perfektně ovládá softwarové nástroje, ale nezná prostředí, které jimi má řídit. Je bezpočet případů, kdy dobrou a propracovanou myšlenku zmařila úplně hloupá lidská chyba.  Jan Burian (EY): Za možné to považujeme, již se tak v některých případech děje. Například náš tým, jenž se zaměřuje na pokročilou analytiku, modelování a IoT, navrhl model, který určuje optimální nastavení parametrů v rámci procesu zpracování ropných produktů. Zde byly právě využity principy strojového učení a neuronových sítí. Nástroje pro optimalizace procesů ve výrobní firmě na základě datových analýz běžně existují, avšak co chybí, je jasná představa, čeho lze při jejich využití dosáhnout. Typicky firmy zajímají spíše analýzy týkající se produktivity ve výrobě nebo kvality, což v rozsahu běžné výrobní firmy dokáže zvládnout i MS Excel.  Otto Havle (FCC průmyslové systémy): Problém je možná v tom, kde ta data vzít. V klasickém spotřebním marketingu se data získávají z průzkumů spotřebního chování. Tam existují zavedené metody, kterými lze opatřit obrovské množství dat, zdánlivě nestrukturovaných, ale prakticky konzistentních. To jsou typicky data ze sociálních sítí nebo platforem. B2B marketing klade důraz na jiné nástroje a získat z trhu dostatečný objem konzistentních dat, která by poskytovala nevychýlené odhady, je v podstatě nemožné. Firmy chrání údaje o svém nákupním chování před konkurencí a data z technologických cloudů jsou pečlivě tajena kvůli firemnímu know-how. A co se týče využití těžby dat uvnitř firmy: ve firmě samotné se data ukládají většinou jako strukturovaná (kdyby to nevyžadovalo manažerské řízení, určitě to bude požadavek při certifikaci systému kvality) a potřebné informace lze získat klasickými metodami.  Jana Řešátková (DXC Technology): Jistě, o tom není pochyb. Přínos v technologických procesech lze měřit plynulejší výrobou, vyšší kvalitou výrobků a projevuje se v celkovém snižování výrobních nákladů. Moderní výrobní prostředky o sobě ukládají velká množství dat. Jejich automatický sběr, automatická archivace a možnost vyhodnocování v téměř reálném čase výrazně snižují pravděpodobnost výskytu chyb stroje, výrobku či pracovního postupu. Analýza archivních dat z různých časových období je základem vytvoření algoritmů pro identifikaci anomálií a predikci trendů a v neposlední řadě tvoří základ samoučících se algoritmů.  Jaroslav Jirkovský (Humusoft): Jistě. Více dat znamená více informací a více informací, pokud jsou využity smysluplně, může přinést zlepšení obecně v jakékoliv oblasti zájmu, tedy i technologických procesů průmyslového podniku. Vezměme například oblast prediktivní údržby strojů, která je na průmyslové prostředí výrazně orientována, opírá se o strojové učení a big data a slouží k optimalizaci provozu složitých technických systémů.  Rick Rider (Infor): Optimalizační služby jsou postaveny na modelu, kdy přivedete do firmy externího odborníka, který je nějakým smysluplným způsobem vyčistí či zpracuje. Avšak existuje jednodušší, tzv. samoobslužná varianta – využít opakovatelnou a škálovatelnou datovou strukturu s relačními nástroji pro propojení a analýzu dat napříč firemními doménami. Během optimalizace technologických procesů je totiž velmi důležité porozumět všem relevantním datům, a to i těm, která jsou získávána nestandardním způsobem. Jak jinak bychom dokázali reálně optimalizovat cokoliv bez uceleného pohledu na všechny proměnné, které proces ovlivňují? Sady optimalizačních nástrojů sice služby zefektivňují, ale jsou v porovnání se samoobslužnou variantou pro podnik náročnější a nákladnější. Samoobslužná varianta je směr, který vyvíjíme s aplikací Infor Data Lake v propojení s platformou Coleman.  Jaromír Hvížďala (JHV – Engineering): Určitě. V tomto směru očekávám v dohledné době velký pokrok spolu s využitím umělé inteligence. Nebude to jednoduché, ale je to správný směr. Zejména v technologických procesech, kde lze big data jednodušeji získat. Pro umělou inteligenci bude nutné zajistit dostatečné vstupní údaje z celého procesu, aby mohla provést analýzu procesů a sama si proces popsat. Umožní to řešiteli, aby se soustředil hlavně na definování cílů a nemusel většinu času strávit popisem modelu. Systémy využívající velké množství dat tak nahradí pracné a složité definování modelů.  Petr Brynda (Mitsubishi Electric): Ano, je to možné. Nová generace PLC iQ-R již disponuje moduly na řešení úloh pro big data a edge computing.  Petr Kadera (CIIRC ČVUT): Možné to samozřejmě je, ale pro úspěšné použití je vždy nutné porozumět i podstatě modelovaného procesu. Neexistuje žádný obecný nástroj, který by měl na vstupu pouze surová data a na výstupu odpovědi na principiální otázky.  Martin Peter (OSIsoft): Externí společnosti mohou být úspěšné i při optimalizaci technologických procesů, je ovšem třeba, aby takový poskytovatel měl v dané oblasti zkušenosti a rozuměl onomu technologickému procesu. Rovněž mohou nastat problémy s důvěrou v takovou firmu z důvodu potenciálního zneužití know-how.  Vilém Novák (OSU): Otázka je, podle mne, položena obráceně: není naším cílem využít „big data“, protože se to nosí, a proto všechno bude senzační. Naopak, musíme vycházet ze skutečnosti, že internet už existuje dlouho, a proto obsahuje hodně dat. Přirozeně vzniká otázka, co s nimi, ale takto bych k tomu nepřistupoval. Podle mého by měl správný pohled vycházet z problému, který máme řešit (například optimalizace podnikových procesů, ale nejen to), a pak se zeptat: mám k dispozici všechny potřebné informace a nedají se odněkud „vydolovat“ informace, které nejsou na povrchu, ale jsou pro můj problém relevantní? Samozřejmě, společně s tím nastávají problémy, jak všechny informace najít a dále jak odfiltrovat nesmysly, kterých je v datech jistě plno. Tyto problémy však existovaly vždy, teď jsou jen častější a mají větší rozsah.  Petr Horáček (Rockwell Automation): Někdy ano. Zase uvedu příklad. Farmaceutická firma chce zvýšit výrobní kapacitu linky tím, že najde a odstraní příčinu snížené kvality léku, který v některých šaržích neprojde laboratorními testy, a musí se tudíž zlikvidovat. Farmaceutické provozy monitorují a archivují neuvěřitelné množství dat. Včasná identifikace příčinné souvislosti mezi kvalitou a některou z monitorovaných technologických veličin, ať jsou to chemické vlastnosti surovin, délka nějaké operace, nebo environmentální parametry, může významně omezit zmetkovitost a zvýšit výrobní kapacitu celé linky.  Vladimír Kebo (TAČR): Je třeba si uvědomit základní rozdíl mezi marketingovými a technologickými procesy. Rozdíl mezi zpracováním nehmotné komodity – informací – změnou jejich formy a interpretace na jedné straně a zpracováním hmotné komodity – materiálů – změnou jejich vlastností a formy na straně druhé. Určitě lze nalézt mnohé zajímavé analogie pro modelování a simulaci, přičemž úloha optimalizace reálného systému je vždy silně omezena okrajovými podmínkami úlohy. Velká část úspěchu vlastního řešení optimalizační úlohy je dána správným zadáním a interpretací konkrétních okrajových podmínek. Proto jsem k použití obecného cloudového řešení pro optimalizaci procesů skeptický. Ale nechme se příjemně překvapit novými „inteligentními“ cloudovými algoritmy a optimalizačními nástroji superpočítačů.   Znalosti jsou komodita Mnoho pravidlových expertních systémů vyžaduje znalosti a zkušenosti při primárním nastavování pravidel. Mnoho zkušených odborníků nemá zájem tyto zkušenosti předávat a na internetu není možné detailní znalosti o daném procesu běžně získat. Nelze tuto situaci vnímat jako ohrožení masového rozšíření znalostních modelů do praxe? Peter Bílik (Anasoft): Je to přesně tak. Jak už jsem zmínil, měli bychom se zaměřit na hledání efektivních způsobů přenosu zkušeností. Není to ani tak otázkou technologie, ale samotné kultury podniku, chování pracovníků a systematického vedení jednotlivých lidí napříč celou organizační strukturou. Nemá-li zkušený odborník zájem předávat své zkušenosti dál, není to většinou problém metodiky, interních předpisů nebo informačního systému. Jenom nemá on nebo ostatní kolem něho vybudované ty správné vzorce chování.  David Sámek (AxiomTech): Při vytváření znalostního modelu je nezbytná spolupráce s odborníky na problematiku či technologii. Žádný software není schopen tyto odborníky plně nahradit, jelikož každá konkrétní výroba je specifická.  Vladimír Mařík (CIIRC ČVUT): Znalosti a zkušenosti mají svou (nemalou) hodnotu a lze je prodávat jako samostatnou komoditu – a k tomu ostatně vývoj spěje. Představa, že znalosti nic nestojí nebo mají cenu popsaného papíru, musí skončit. Předávání životních zkušeností formou znalostní báze je a bude otázkou tržních mechanismů, otázkou nabídky, poptávky a chování trhu. Vše odvisí od toho, jak si budou zákazníci znalostí cenit, jak dalece je budou potřebovat a kolik budou ochotni zaplatit.  Josef Kokeš (VŠPP): Určitě ano. Motivace je naprosto zásadní a klíčovou otázkou a bez ní to nepůjde. Ovšem dovolím si poznamenat, že vzhledem k situaci ČR, kdy si v podstatě „hrajeme na maličkém písečku“, se s tím asi těžko dá něco udělat. V jiné pozici je firmička, která si na vývoj expertního systému musí zažádat o grant, a v jiné pozici je nadnárodní gigant, který si na dva roky přesune do jednoho místa zkušené experty ze svých poboček v San Francisku, Mnichově a Hongkongu.  Mirko Navara (FEL ČVUT): Jistě, ale to je všeobecná situace již více než sto let; kdo si myslí, že ví lépe než jiní, jak na to, chce na tom vydělat (třeba prostřednictvím patentů) a nesdělovat to jiným. To není nic nového, ale žít se s tím dá.  Jan Burian (EY): Samozřejmě, že si příslušní experti své znalosti velmi střeží, jde totiž o nezanedbatelnou konkurenční výhodu. Průmysl 4.0 je mimo jiné i o nových podnikatelských modelech založených na komerčním využití dat a toto je typický příklad.  Otto Havle (FCC průmyslové systémy): Myslím, že jde o stejný problém jako nedostatek odborníků zmiňovaný v první otázce. Jak firma jako právnická osoba, tak odborník jako fyzická osoba fungují na základě liniového modelu prodeje svého know-how. Pravděpodobně se objeví nové obchodní modely, třeba na základě platforem, které tento problém budou řešit. Trh po nich určitě již volá.  Jana Řešátková (DXC Technology): Většina expertních systémů je založena na pravidlech. Pravidla nastavují odborníci a předávají je definovanou formou k užívání. Příkladem může být expertní systém pro rychlou kvalifikaci incidentu a nalezení vhodného postupu jeho vyřešení z hlediska času, ceny a kvality. Do systémů však začínají stále více vstupovat samy technologie. Během několika let budou mít miliony technologických celků svá digitální dvojčata sloužící pro proaktivní opravy, předvídání možných závad, plánování údržby, řízení výrobních procesů, získávání zpětné vazby pro vylepšování stávajících výrobků a vývoj nových. Digitální dvojčata vysokým procentem odlehčí zkušeným odborníkům, ale nemohou je (zatím) nahradit.  Jaroslav Jirkovský (Humusoft): To je možná důvod, proč začínají být v oblibě samoučící se algoritmy, jako jsou hluboké neuronové sítě. Ty lze využívat bez expertního nastavení pravidel, ovšem na druhé straně vyžadují velké množství označených provozních dat, na základě kterých se systém postupně učí. A ta nejsou vždy k dispozici. Naštěstí v této oblasti opět může pomoci modelování a simulace.  Rick Rider (Infor): Určitě ano, vnímáme tuto obavu v každém odvětví. Mezera ve znalostech v oblasti klíčových podnikových procesů se stále rozšiřuje, proto zaměřujeme náš vývoj v oblasti AI na inovativnější způsoby přenosu podnikových znalostí. Rovněž optimalizujeme sady nástrojů směrem k modelování, kde již není potřeba hluboká znalost systému a kde uživatelé mohou vyvíjet, přizpůsobovat či spouštět procesy vizuálnějším způsobem. S přenosem znalostí máme velké úspěchy i v oblasti hlasem řízené AI a procesů díky využití nástrojů, které jsou pro nové pracovníky komfortnější. AI by ideálně měla umožňovat novým pracovníkům získávat a sdílet znalosti bez obtěžování jiných zaměstnanců ve firmě.  Jaromír Hvížďala (JHV – Engineering): Myslím, že ne. Pokud se některé zkušenosti ztratí, asi již nejsou tolik potřeba. Budou nahrazeny jinými, o to se postará mladá generace. A tyto nové informace pak na internetu budou. Tomu věřím. Problém s předáváním informací tkví hlavně v tom, mít je komu předat. Jestliže o informace nikdo z okolí nemá zájem, je těžké se přesvědčit, že bych je měl dát na internet.  Petr Brynda (Mitsubishi Electric): Je to problém, ale podniky ho musí vyřešit samy. Musí motivovat své odborníky k předávání potřebných znalostí na méně zkušené a nové kolegy.  Petr Kadera (CIIRC ČVUT): Dokonce bych řekl, že experti nejen nemají zájem své klíčové znalosti sdílet na internetu, ale někdy dokonce ani nemají zájem převádět je do strojově zpracovatelné podoby uvnitř společnosti, ve které pracují, protože to považují za oslabení své pozice na trhu práce. Východiskem je s tímto chováním počítat a zajistit, aby i tito klíčoví pracovníci měli z implementace expertních systémů užitek.  Martin Peter (OSIsoft): Neochota předávat zkušenosti může maximálně zpomalit implementaci těchto systémů do praxe. Je na společnosti své zaměstnance motivovat, aby zkušenosti předávali novým zaměstnancům.  Vilém Novák (OSU): Ne, to si nemyslím. Podle mého názoru takoví odborníci prostě pravidlovým systémům nevěří a nechtějí ztrácet čas a energii naplňováním bází, které bývají hodně rigidní a často jsou výstupy z nich nepřesvědčivé. Existují však metody, které používání pravidel hodně zjednodušují. Jedna taková metoda byla vyvinuta na našem pracovišti (používáme zkratku PbLD – Perception-based Logical Deduction). Jde o pravidlový systém, který umožňuje znalosti popsat v běžném přirozeném jazyce a pak odvodit závěr přímo z nich. Není tedy nutné učit se složitou, často málo přehlednou formalizaci. Navíc z mé praxe vyplývá, že často nejsou nutné ani příliš speciální znalosti a někdy stačí prostě jen „selský rozum“. Například pokud jde o řízení nějakého procesu, mnohdy stačí vědět, že pokud se rychle blížíme k požadované hodnotě, musíme „trochu zpomalit“, a pokud jsme od ní daleko, musíme vygenerovat „velký akční zásah“.  Vladimír Kebo (TAČR): Určitě bych tuto situaci obecně nevnímal jako ohrožení masového rozšíření znalostních systémů v praxi, zejména s postupem a rozvojem učících se algoritmů. Co se týče odborníků na řízení složitých technologických procesů, zde je situace opačná. Odborník často mnoho let pracuje na poznání konkrétního procesu, mnohé heuristiky přebírá od svých zkušenějších kolegů, stává se jedinečným expertem díky získanému know-how. Zde pak vyvstává otázka, jakou má motivaci zbavit se své jedinečnosti a nabyté znalosti formalizovat do expertního algoritmu.  Paretova analýza uplatnění umělé inteligence v technické praxi Jako další z kroků digitalizace (po kroku „software všude“) má být „umělá inteligence všude“. Přitom praxe říká, že má smysl automatizovat 80 % opakovatelných aktivit a řízení 20 % výjimečných situací ponechat na zkušeném odborníkovi. Očekává se podobné využití metod umělé inteligence v technické praxi? Peter Bílik (Anasoft): Technologie označované jako umělá inteligence jsou neodmyslitelnou součástí toho, co se nazývá Industry 4.0. Pokud vaše auto dokáže už samo zaparkovat, ve většině případů to rádi využijete, protože to šetří čas. Ale určitě se někdy dostanete do situace, kdy tuto funkci nebudete moct nebo nebudete chtít použít. Pokud informační systém dokáže rozplánovat rozvozové trasy pro distribuci vašich výrobků k zákazníkům, tak to většinou bude efektivnější než to řešit na tabuli s lepicími papírky. Ale specifickou situaci nakonec ošetří zkušený dispečer. To všechno je specializovaná umělá inteligence. V prvním kroku bude pravděpodobně nasazovaná tato forma umělé inteligence jako podpůrná technologie, která má člověku pomoci při řízení procesů. Autonomní řídicí systémy bez potřeby lidského zásahu přijdou na řadu až později. Zlepšování těchto systémů ale jde kupředu poměrně rychle. Navíc stále lepší dostupnost výpočetního výkonu umožňuje zabudovávat prvky umělé inteligence například už i do chytrých telefonů. Pro nesporné přínosy využití metod umělé inteligence i v naší společnosti ANASOFT aktivně hledáme její reálné uplatnění v praxi. Možností je nespočet. Pro naše klienty jsme implementovali řešení na bázi umělé inteligence za účelem operativního řízení výrobních procesů, na identifikaci optimální skladové pozice při skladování zboží nebo na optimální vytěžování dopravních zařízení při doplňování zásob materiálu na výrobní pracoviště.  David Sámek (AxiomTech): Umělá inteligence má velkou budoucnost, ale (naštěstí) v nejbližších dekádách rozhodně nebude všespasitelná. Samoučící se algoritmy jsou výhodné tam, kde je problém najít vhodný analytický nebo stochastický model, či v případě velkého množství vstupních a výstupních parametrů modelu. Tak trochu paradoxně se příliš nehodí na zpracování (naučení se) velkého množství dat (big data).  Vladimír Mařík (CIIRC ČVUT): Metody umělé inteligence jsou vhodné pro celou řadu úloh, nejen pro automatizaci procesů a aktivit. Metodami umělé inteligence lze analyzovat data, rozpoznávat vzniklé situace, modelovat chování soustavy strojů, podporovat komunikaci člověk–stroj v přirozeném jazyku a podobně. Mnoho z těchto metod se již v prostředí průmyslové výroby v té či oné podobě využívá, často aniž si to uvědomujeme. Například kolaborativní roboty zbrzdí, když detekují člověka ve svém okolí, analýzou akustických, proudových a napěťových dat z motoru lze detekovat kavitační procesy na čerpadle na stejné hřídeli a podobně. Součástí metod umělé inteligence jsou i algoritmy strojového učení, které umožňují sbírat velká data o sledovaných procesech a na jejich základě například adaptivně měnit parametry používaných modelů reálného světa. Metody z dílny umělé inteligence se budou čím dál šířeji uplatňovat při řešení nejrůznějších úloh průmyslové výroby. To však neznamená, že člověk zcela vymizí – naopak lze očekávat, že si ponechá ve svých rukou klíčová rozhodnutí a supervizi.  Josef Kokeš (VŠPP): Podle mne to není problém technický, dokonce ani ekonomický, ale problém sociální. Zjednodušeně řečeno, bude-li si výrobce chtít plně zautomatizovat výrobu, tak si k tomu vypracuje technicko-ekonomický rozbor. Jenže ten rozbor musí vzít v úvahu (což dnes není zvykem) i skutečnost, že zavedení vysoké automatizace prostřednictvím AI nejspíš bude spojeno s vyvoláním negativních emocí, a to jak mezi pracovníky, tak i spotřebiteli, a dokonce i jinde. Dovedu si představit třeba velmi bolestivou „odvetnou“ akci obecního zastupitelstva. Nebo finančního úřadu. A podobně.  Mirko Navara (FEL ČVUT): Věřím, že ano. Všude při pohledu na výrobu najdeme rezervy, kde lze automatizovat, ale role člověka jako mnohem univerzálnějšího nástroje dosud není ohrožena.  Jan Burian (EY): Potenciál průmyslové automatizace není ani zdaleka vyčerpán, a přitom jde o principy známé desítky let. Umělá inteligence tak stále více proniká do technické praxe, jen není na první pohled příliš vidět. Například v rámci tvorby prediktivních modelů v údržbě nebo kvalitě však hraje nezastupitelnou roli. Aby prediktivní modely dokázaly co nejlépe identifikovat možné nestandardní situace, je třeba je neustále zásobovat informacemi, ze kterých se systém dále učí a tím dochází ke zpřesňování samotné predikce.  Otto Havle (FCC průmyslové systémy): V současné době se umělou inteligencí nazývají hlavně učící se systémy. Na nižších úrovních řízení je často efektivnější definovat explicitní pravidla než přiřazovat kombinace implicitních deskriptorů. Naše firma se pohybuje v oblasti kontroly kvality a data pro zpracování učícím se systémem (například obraz) je třeba často „vyčistit“ mnohem pečlivěji než pro zpracování algoritmem, který lze na určitou úroveň konkrétní neurčitosti kompenzovat. Co se týče úrovně řízení složitých procesů, neumím na tuto otázku odpovědět. Z pozorování světa se mi však zdá, že čím propracovanější a složitěji interagující je tento typ systému, tím ničivější „černou labuť“ je občas schopen vygenerovat.  Jana Řešátková (DXC Technology): Umělá inteligence obecně poskytuje technologie a techniky pro strojové vnímání a pro interakci člověk–stroj. Metody umělé inteligence mají nezastupitelnou roli v technické praxi. Bez umělé inteligence nelze budovat samoučící se výrobní systémy.  Jaroslav Jirkovský (Humusoft): Vámi zmíněná empirická zkušenost má v různých modifikacích širší platnost, i mimo oblast automatizace. Takže se určitě projeví i v oblasti umělé inteligence. Ovšem výsledný poměr bude ovlivněný mnoha faktory, a to například i tím, co již považujete za umělou inteligenci a co za zásah odborníka, který se ovšem bude opírat o nástroje, které umělou inteligenci využívají.  Rick Rider (Infor): To je čistá teorie. Kaž­dá situace je jedinečná a odlišná, takže potřebujete schopnost aplikovat různé úrovně AI. Přemýšlejme o tom jako o přechodu od poradenství přes aplikace k automatizaci podporované AI. Jedna úroveň nebude nikdy vyhovovat všem, takže potřebujete taková řešení podporovaná AI, která vám umožní dosáhnout úrovně, jež bude přesně vyhovovat vám. I když určitě existují oblasti, kde je možné využít úplnou automatizaci a podnik se místo toho může zaměřit na jiné výzvy. Klíčové je mít takové flexibilní řešení s podporou AI, které se dokáže přizpůsobit široké škále vašich potřeb. A o to přesně se snažíme: abychom mohli nabídnout různé úrovně AI v různých organizacích.  Jaromír Hvížďala (JHV – Engineering): Ano, očekávám, že umělá inteligence bude všude. Zejména v technické praxi, je to jen otázka času. A bude se stále zlepšovat. Vždy bude výhodné a možné lépe automatizovat 20 % aktuálního stavu. Vše je relativní. Takže definovat, kterých 80 % bude automatizováno, se v čase mění. Proto bude stále co automatizovat a zlepšovat. A umělá inteligence k tomu přispěje a později převezme hlavní roli. Nyní je to ještě v rukou odborníků.  Petr Brynda (Mitsubishi Electric): Ano, algoritmy AI jsou dnes již běžně využívány (rozpoznávání obrazu, navádění AGV a podobně). Nové produkty (roboty, PLC, servopohony, měniče) algoritmy AI využívají zejména pro prediktivní údržbu a autodiagnostiku, optimalizaci spotřeby energie, automatické kalibrace a tak dále.  Petr Kadera (CIIRC ČVUT): Paretův princip (80/20) se již mnohokrát osvědčil, takže je dobrá šance, že by to tak mohlo být i v případě implementace metod umělé inteligence do průmyslové praxe. Na druhou stranu očekávaný rozvoj takzvané obecné umělé inteligence může mít tak dalekosáhlé dopady, že si vývoj ve středně- a dlouhodobém horizontu netroufám odhadovat.  Martin Peter (OSIsoft): Podíváme-li se na příklad z letectví, kde umělá inteligence autopilotů dokázala snížit zásahy posádky na minimum a v řešení „nenadálých“ situací reaguje mnohdy lépe než zkušený pilot, není důvod se domnívat, že podobného nelze dosáhnout i v průmyslu. Časový horizont její implementace a její podíl se samozřejmě budou lišit podle konkrétního odvětví.  Vilém Novák (OSU): Umělá inteligence pravděpodobně tento poměr změní, ale nikdy to nebude 100 % vůči 0 %.  Petr Horáček (Rockwell Automation): Co mělo smysl automatizovat, je již dávno automatizováno, a kde automatizace nepomáhá nebo není efektivní, tak zůstává doménou operátorů a dispečerů.  Vladimír Kebo (TAČR): Heslo „umělá inteligence všude“ bych poopravil na „chytrá řešení všude“. V podmínkách České republiky bych se nezaměřoval na složité komplexní kybernetické úlohy vyžadující velké dlouhodobé investice a čas. Těžko budeme konkurovat globálním lídrům, jako jsou USA, Japonsko či Německo. Chytré produkty často vznikají spojením několika na první pohled jednoduchých řešení nebo nápadů a tady vidím obrovský invenční potenciál přirozené kreativity lidí v České republice. Podpořme talenty, inovace, start-upy a touto přirozenou cestou zavádějme chytrá řešení do běžného života občanů – společnosti.   Hierarchická optimalizace Simulační nástroje se úspěšně využívají při optimalizaci již existujících zařízení – linek, agregátů a technologických zařízení. Optimalizace jednotlivých prvků však ne vždy vede ke kompletní optimalizaci celého procesu. Vnímají zúčastněné strany tuto situaci jako výzvu? Peter Bílik (Anasoft): Simulace celého procesu je radikálně složitější než simulace jednotlivého zařízení. Chceme-li optimalizovat celý proces, exponenciálně narůstá množství vstupních faktorů. Podle mě je cestou propojení jednotlivých prvků do jedné společné sítě, což umožní jejich vzájemnou komunikaci. Znamená to ovšem, že se i na celek budeme dívat ne jako na jeden komplexní systém, ale jako na soubor služeb, které jednotlivé prvky poskytují nebo využívají. Pokud v této síti aplikujeme vhodná pravidla, mechanismy zpětné vazby, vhodné autonomní rozhodovací služby a silnou monitorovací a supervizorskou funkcionalitu, dosáhneme dobrého a optimalizovatelného řešení pro operativní řízení celých linek nebo agregátů.  David Sámek (AxiomTech): Již dnes se lze setkat se simulačními nástroji, které se zaměřují na modelování a optimalizaci celého procesu. Společnost Siemens PLM Software vyvíjí a dodává několik softwarových nástrojů k tomu určených.  Vladimír Mařík (CIIRC ČVUT): To nevím, zdali si to všichni zainteresovaní uvědomují. Lokální optimalizace části linky nemusí být přínosem pro globální optimalizaci – hodně záleží na kritériích optimalizace lokální a globální. Většinou však jde o zcela jiné požadavky a optimalizační kritéria. S tímto problémem se setkáváme například při agentovém plánování výroby složitých systémů, kde se plán vytváří iterativními optimalizačními kroky s uvažováním dočasné fixace lokálně optimalizovaných lokálních plánů. Dostáváme tak postupně se zpřesňující globální suboptimum.  Josef Kokeš (VŠPP): Čistě laický názor: optimalizace jednotlivých prvků je doposud spíše taková první vlaštovka, ostrůvek pozitivní deviace. Přechod na optimalizaci celých systémů jistě jednou přijde, ale těžko předpovědět kdy. Optimalizace jednotlivých komponent totiž přináší poměrně rychlé a viditelné zvýšení výtěžnosti. Optimalizace celého procesu bude pomalejší, pracnější a je otázka, zda ekonomické výsledky budou (vlivem vysokých nákladů) dostatečně významné. Jestli to strany vnímají jako výzvu, to nevím. Ale řekl bych, že to je úplně jedno; podstatnější je, jestli se to vyplatí, nebo ne.  Mirko Navara (FEL ČVUT): O tom přece je celá teorie hierarchické optimalizace. Je dostatečně propracovaná. Ale čím jdeme níže, tím méně se využívá. Je to dáno i specializací pracovníků, až po řemeslníky – kaž­dý sleduje jen svá hlediska a v koordinaci je obrovský nevyužitý prostor pro zlepšení, a to i tam, kde to nevyžaduje pokročilé nástroje. Týká se to i řízení lidských zdrojů, kdy pracovníci nepovažují prosperitu celého podniku za svůj osobní cíl, na kterém se podílejí. Jen málokteré podniky jim to dovedou vštípit tak jako kdysi Baťa. Kromě toho je tu princip, který snižuje přínos inovací: baterie s dvakrát větší kapacitou nevydrží déle, protože rychlejší procesor, větší paměť a nové periferie zvětší spotřebu, a nakonec se s většími daty ani nepracuje rychleji. Tak se za 30 let počítače zrychlily asi tisíckrát, paměť se zvětšila milionkrát, ale když chceme zapnout počítač a napsat dopis, trvá nám to stejně dlouho, jen výsledek lépe vypadá. Je to i tím, že tvůrci sledují jen svá hlediska a zapomínají na člověka, který bude výsledky používat. S jinými moderními technologiemi je to bohužel podobné.  Jan Burian (EY): Velmi záleží na úhlu pohledu. Výrobci softwaru, výrobci linek a integrátoři technologií do výroby by rádi viděli širší využití simulačních nástrojů v praxi. Na druhou stranu výrobní firmy inklinují spíše k takzvaným ostrovním řešením, což významně omezuje přínosy k celkové efektivitě firmy. Právě až kompletní využití a propojení prvků digitalizace totiž dokáže výkonnost firmy významně posunout vpřed. A toto si zatím dokázalo uvědomit pouze minimum firem.  Otto Havle (FCC průmyslové systémy): Já to rozhodně jako výzvu vnímám. Virtuální model technologie je jeden ze základních prvků koncepce průmyslu 4.0 a podmínka distribuovaného řízení v multiagentní síti, která právě na modelech bude výrobu optimalizovat. Kardinální otázka je, myslím, kalibrace modelů; mám dojem, že panuje obecné přesvědčení, že právě umělá inteligence bude schopna pracovat s nepřesně kalibrovanými modely. Já o tom úplně přesvědčený nejsem.  Jana Řešátková (DXC Technology): Opět jsme u využití velkého objemu dat, u smíšených týmů tvořených odborníky se znalostí podnikových a technologických procesů a odborníků zběhlých v metodách simulace a modelování. Výzvou je oddělené prvky efektivně propojit a synchronizovat. Spojením lidí, strojů a systémů se vytvoří rozsáhlá digitální síť a dostaneme se k technickým předpokladům průmyslové integrace tvořícím jádro průmyslu 4.0. Každý krok na této cestě bude vyžadovat motivaci a odvahu.  Jaroslav Jirkovský (Humusoft): Toto je určitě jeden z cílů vývoje simulačních nástrojů – optimalizovat systém jako celek, z různých úhlů pohledu. Naše nástroje nabízejí simulaci nejen technických systémů, ale též ekonomických a provozních systémů. Další podmínkou pro celkovou optimalizaci je schopnost systému pracovat s daty z nejrůznějších zdrojů a umět z nich vytěžit užitečné informace. Nejde pouze o data z technologických systémů, jako jsou měřené fyzikální veličiny, ekonomické a provozní ukazatele, ale například též analýzy textů a dalších obtížně interpretovatelných zdrojů informací.  Rick Rider (Infor): Souhlasím, že optimalizace jednotlivých prvků neznamená nezbytně optimalizaci celku. Pro úspěšnou optimalizaci procesů prostřednictvím AI je důležité také porozumět korelacím a závislostem. Se správnými nástroji pro využití, vyčištění a analýzu všech proměnných a tvorbu efektivních predikcí je tento proces velkou příležitostí pro dosažení globální optimalizace.  Jaromír Hvížďala (JHV – Engineering): Optimalizace stávajících řešení není jediná cesta. Je ale často využívána, protože patří k jednodušším. My ale hledání lepšího řešení opravdu chápeme jako výzvu. Snažíme se o komplexní podrobnou analýzu celé problematiky procesu a přesné definování konečných cílů. Na těchto základech pak hledáme nové a lepší řešení. Využití současných moderních technologií nám totiž umožňuje najít i jiné cesty než zlepšování stávajících. S tímto postupem máme výborné zkušenosti. Optimalizace částí totiž nemusí přinést takový efekt jako optimalizace celku. Takže jde jen o definici zadání, co budeme řešit. Simulace nám pak pomůže při rozhodnutí, kterou cestou jít. Ale v neposlední řadě je třeba používat i zdravý kritický rozum. Některé interpretace vzešlé ze simulací a optimalizací mohou být zavádějící.  Petr Brynda (Mitsubishi Electric): Ano. Aktuálně je tento problém řešitelný využitím rozšířené virtuální reality (augmented reality), která umožňuje simulace na virtuální kopii výrobní linky (virtuální dvojče) s využitím reálných dat. Bez nebezpečí zásahu do výroby můžete otestovat různá nastavení parametrů na virtuálním dvojčeti a poté nastavit reál­nou výrobní linku na optimální parametry.  Petr Kadera (CIIRC ČVUT): Předpokládám, že si existenci této výzvy dobře uvědomují, ale neexistuje univerzální způsob, jak jí čelit. Globální optimalizace není často výpočetně zvládnutelná a jedinou možností je modelovat jednotlivé části samostatně. Klíčem k dosažení dobrého řešení je celkový problém vhodně rozdělit do samostatných modelů, které spolu v případě potřeby interagují. Záleží na dovednostech simulačního experta, jak se s tím vyrovná.  Martin Peter (OSIsoft): Optimalizace celého procesu je určitě vnímána jako velká výzva v celém průmyslu. Výrobci jednotlivých prvků však často sklouzávají k mikrooptimalizacím (optimalizacím z celkového pohledu na proces zanedbatelným).  Vilém Novák (OSU): Věřím, že určitě ano.  Petr Horáček (Rockwell Automation): To je dobrá otázka a už jsme na to v diskusi narazili. Přidám další příklad. Výrobce těžebního zařízení nerostů z extrémních hloubek světových oceánů vyvíjí unikátní těžební zařízení čítající podmořský autonomní robot, flexibilní sací potrubí o celkové délce až 6 000 metrů a hladinové plavidlo. Zatímco robot i plavidlo a jejich řídicí systémy jsou samy o sobě zařízení velice složitá, daří se jejich návrh a činnost s využitím simulačních modelů individuálně optimalizovat. Achillovou patou celé sestavy je ovšem sladění funkce všech tří hlavních komponent. Dokonalé polohování autonomního robotu na mořském dně a stabilizace hladinového plavidla za libovolných povětrnostních podmínek nic neřeší, nepodaří-li se brát v úvahu vliv pružné vazby mezi oběma terminálními uzly. Výrobce si je této výzvy vědom a je připraven při návrhu řídicích systémů v plné míře využít model kompletního systému. Nic jiného mu ani nezbývá, ověřování návrhu je totiž pro extrémní náklady spojené s fyzickými zkouškami celé sestavy v reálném prostředí téměř nemožné.  Vladimír Kebo (TAČR): Simulační nástroje využívající „hrubou sílu“ superpočítačů jsou často velice efektivním a jediným prostředkem optimalizace komplexních úloh. Jak už jsem uváděl, základním problémem je správné pochopení a zadání okrajových podmínek optimalizační úlohy a definování kriteriální funkce. Velkou výzvou je kvalitní optimalizace jak dílčích technologií, tak celých výrobních postupů při respektování neurčitosti okolního světa. Pro výzkumníky se určitě jedná o velkou výzvu.   Chybí správně vzdělaní odborníci i prostředky na investice Co považujete za největší překážky pro zavádění metod simulace, modelování a optimalizace s využitím prvků umělé inteligence do praxe? Peter Bílik (Anasoft): Na straně výrobních podniků jsou to naštěstí pouze tři – nedostatek kvalifikovaných odborníků, stále velmi nestabilní procesy (především velký rozptyl různých sledovaných veličin v čase) a problematické vzorce chování některých provozních pracovníků. Tuto drobnou dávku ironie je ale zapotřebí vyvážit problémy na straně technologií. Stále jsou obavy (často oprávněné) z nedostatečné spolehlivosti, robustnosti a odolnosti nových technologií. Takže výzvy, které nás při zavádění čekají, nejsou malé. O to větší odhodlání bude zapotřebí.  David Sámek (AxiomTech): Mezi největší překážky patří nedůvěra odborné veřejnosti k těmto metodám. Buď se setkáváme s názorem, že to přece nemůže fungovat, nebo naopak s obavou, že umělá neuronová síť a umělá inteligence jsou ohrožením lidstva. Vždy je třeba vysvětlovat, že umělá neuronová síť je de facto deterministický matematický model, který se pouze z důvodu pohodlí uživatele běžně považuje za „černou skříňku“. V současné době v praxi používané neuronové sítě stran komplexnosti zdaleka nedosahují schopností a kapacity lidského mozku.  Vladimír Mařík (CIIRC ČVUT): V oblasti simulačních a modelovacích nástrojů se na trhu objevuje mnoho produktů s různými schopnostmi, často s nedostatečným popisem či popisem zamaskovaným nánosem reklamních sloganů. Pro uživatele je velmi těžké si vybrat, zejména když pro jednotlivé oblasti použití často neexistují standardní či referenční simulační či modelovací platformy. Vytvoření vhodné simulační aplikace obvykle vyžaduje efektivní a časově náročnou kooperaci znalce v oblasti a odborníka na simulaci a modelování. Vytváření vhodných modelů je zdlouhavá a nákladná činnost – podnikový management nemá obvykle dostatek trpělivosti a pochopení pro vytváření modelu majícího mnohdy charakter uměleckého díla. Ale práce se znalostmi je vysoce tvůrčí činnost, která se mírou invence mnohdy skutečnému uměleckému dílu hodně blíží. A právě náklady na zavádění, náklady na tvorbu modelů a čas potřebný k jejich doladění jsou významnou překážkou, zejména tam, kde management neuvažuje v dlouhodobém horizontu.  Josef Kokeš (VŠPP): Prachy, čas a znalosti. V uvedeném pořadí.  Mirko Navara (FEL ČVUT): Především máme stále velké mezery v používání zdravého rozumu. Triviální příklady: vyvíjíme stále účinnější svítidla, ale nestaráme se o jejich údržbu a čištění, abychom z té účinnosti měli očekávaný užitek. Ještě víc energie vydáme na vytápění budov, ale podívejte se, jak to v praxi vypadá; zpřísněné normy na stavby vše nevyřešily. Celkově je naše úsilí vynaloženo nerovnoměrně, a tudíž nehospodárně. Pomocí špičkové techniky (protože jinak to nejde) vylepšujeme to, co je nejvíc propracované a co je těžké překonat. A přitom chodíme bez povšimnutí kolem technických řešení starých padesát let – stačí se podívat na regulaci teploty například u žehličky.  Jan Burian (EY): V rámci výrobních firem je to zejména neznalost možností moderních nástrojů, a tedy i možností, co lze jejich implementací získat. Firmy nemají vytvořenou digitální strategii, a tedy ani strategii rozvoje příslušného personálu. Roky stačily pouze základní analytické nástroje. Toto však již neplatí v moderním prostředí výrobní firmy, kde jsou data generována v reálném čase a jsou dostupná online.V rámci projektu mapování prvků pokročilé digitalizace a automatizace mezi firmami v ČR jsme ve čtyřiceti výrobních společnostech objevili pouze dvě, kde byla vytvořena pozice scientist. V ostatních společnostech, a jednalo se zejména o nadnárodní výrobní firmy, jsou stále využívány pouze nejzákladnější přístupy ke sběru a analýze dat.  Otto Havle (FCC průmyslové systémy): Já vidím stále ještě hlavně objektivní technické překážky. Lidská inteligence je stále ještě jiná než umělá. Turingův test určitě dostačuje na zjištění provozuschopnosti aplikace typu Siri, ale není dostatečný na testování schopnosti řídit výrobní proces. A jiný komplexní test, pokud vím (nejsem odborník), zatím nemáme. Testují a certifikují se reakce na dílčí podněty, jako například při vývoji samořídících se automobilů. Jestli se systém chová ve všech situacích minimálně tak bezpečně jako člověk, otestovat nedokážeme. A i v průmyslu jde často o život, a ještě častěji o veliké peníze. A to je problém pro akcionáře snad ještě závažnější :-).  Jana Řešátková (DXC Technology): Největší překážkou je zažitá kultura a nechuť dělat změny. Svoji roli hraje podceňování významu „digitalizace“ a v neposlední řadě překážky etického rázu: zánik pracovních míst a těžko řešitelný problém týkající se samo­učících se systémů. Kdo bude odpovídat za rozhodnutí, která udělají?  Jaroslav Jirkovský (Humusoft): Jedná se stále o nové přístupy, se kterými nemá mnoho současných odborníků přímé zkušenosti. Nedostatek přímých referencí na efektivní využití těchto systémů vede k nerozhodnosti, zda se touto cestou vydat, což má za následek nedostatek přímých referencí. Ale stejná byla situace s klasickým počítačovým modelováním a simulací před dvaceti lety a nyní je využívá velké množství významných technologických společností. Tedy i s umělou inteligencí je to podle mne pouze otázkou času, poten­ciál zde bezesporu je, jen čeká na své využití.  Rick Rider (Infor): Současnou největší výzvou je důvěra v tyto metody. Součástí lidské přirozenosti je, že se snažíme chránit své znalosti a držet se své komfortní zóny, na kterou jsme zvyklí. Ale s novou průmyslovou revolucí a příchodem AI je potřeba se posunout dále. S existencí vhodného technologického mechanismu je nyní pochopení a využití AI absolutní nezbytností. Další výzva je ukryta v samotných sadách nástrojů; většina řešení vyžaduje určitou úroveň odbornosti v komplexních oblastech, avšak my se snažíme vyvíjet vlastní nástrojové sady pro AI tak, aby byly pochopitelnější a stravitelnější pro běžné podnikové uživatele.  Jaromír Hvížďala (JHV – Engineering): Asi je to nedostatek odvahy jít touto novou cestou. A také stav vývoje umělé inteligence. A spousta práce při definici modelu a nejistý výsledek. Pokud jsme schopni definovat model, pak je simulace a optimalizace tou správnou cestou. Pro mnoho komplexních problémů, které ještě nejsou dobře popsány, je definice modelu obtížná. Tady stále vítězí lidská tvořivost a intuice. Když se ale podíváme na pokrok v posledním desetiletí, nejen v oblasti výpočetní techniky a vývoji umělé inteligence, věřím, že v krátké době se bude v praxi simulace, modelování a optimalizace využívat více.  Petr Brynda (Mitsubishi Electric): Nedostatek odborníků.  Petr Kadera (CIIRC ČVUT): Nedostatek odborníků a nedostatečná podpora přenosu poznatků z univerzit a výzkumných ústavů do praxe.  Martin Peter (OSIsoft): Nedostatek odborníků majících zkušenosti jak v oblasti technologie, tak v oblastech simulace, modelování, popřípadě umělé inteligence.  Vilém Novák (OSU): Patrně to bude vzdělání a znalosti těch, kteří by tyto metody měli zavádět. Vracíme se zde k první otázce. Na druhé straně mám pocit, že se umělá inteligence trochu přeceňuje. Výsledků, které by opravdu bylo možné považovat za projev inteligence, zase není tolik. V dnešní době jde patrně v největší míře o využití umělých neuronových sítí a deep learning. Bohužel však nikdo pořádně neví, proč to funguje. Navenek dostáváme například překvapivě dobré výsledky při identifikaci objektů z obrázků, ale fakticky jde jen o „slepý“ mechanismus, který se naučil rozlišit jeden druh objektu od druhého, to je klasifikovat objekty na základě podobnosti. Samo o sobě to je významný úspěch, ale inteligence vyžaduje více – schopnost dále usuzovat, předvídat. V tom jsme se stále ještě tolik neposunuli. Ani porážka G. Kasparova počítačem Deep Blue není ani tak projevem inteligence, jako hlavně schopnosti hodně rychle propočítat velmi mnoho kombinací. Samozřejmě, tuto schopnost má počítač určitě lepší než člověk, ale člověk má nad počítačem stále navrch a nevěřím, že se to v dohledné době změní (doufejme).  Petr Horáček (Rockwell Automation): Asi by se nejdříve mělo definovat, co se pod termínem „prvek umělé inteligence“ vlastně skrývá. Když z otázky škrtnu omezení na umělou inteligenci, tak obecně platí, že největší brzdou v zavádění metod simulace a modelování jsou investiční a následně provozní náklady na udržování modelů. Neexistuje bezúdržbový model. Představa některých zákazníků, že si opatří model, například pro podporu dispečerského řízení, plánování údržby, snižování energetické náročnosti, predikci poruch, a že od okamžiku uvedení modelu do provozu nebude muset být na model sáhnuto, je mylná. Ledaže má model sloužit jako věčná reference stavu procesu při uvedení modelu do provozu. Každé jiné použití modelu vyžaduje jeho pravidelnou rekalibraci, nebo chcete-li periodickou, případně průběžnou identifikaci parametrů tak, aby model odpovídal realitě. Každý proces mění své charakteristiky v čase a model tyto změny musí sledovat. Automatická rekalibrace je sice teoreticky možná, ale u složitých systémů a procesů je to záležitost velice náročná, a tedy drahá. Devadesát procent zákazníků o údržbě modelu vůbec neuvažuje a pak po roce provozu reklamuje u dodavatele kvalitu modelu. Přitom od uvedení modelu do provozu došlo k výměně některých akčních členů, které mají jiné charakteristiky, nebo dokonce ke změně topologie systému, aniž by to někdo promítl do modelu a jeho parametrů. Takže v čem vidím největší překážku zavádění metod simulace, modelování a optimalizace do praxe? Špatně ošetřené smluvní záležitosti mezi zákazníkem a dodavatelem a nedomyšlené podmínky provozování.  Vladimír Kebo (TAČR): Základním limitujícím faktorem vždy byli, jsou a budou lidé. Pokud uvedeme průzkum připravenosti lidí na digitální věk v USA, tak výsledkem bylo zjištění, že pouze jeden člověk ze tří se považuje za připraveného na digitální dobu. Proto považuji za zcela logické začít u vzdělávání 4.0 tak, abychom nepromarnili přirozený tvůrčí potenciál lidí ve střední Evropě. Vzdělávání 4.0 má několik definic, které v jádru vedou k výchově k inovativnosti – inovacím s plným využitím digitálního prostoru, využitím příkladů a znalostí všude kolem nás. Nádherně se zde dají využít například technologie rozšířené a virtuální reality.   Závěr Všem účastníků diskuse velmi děkujeme. Kromě mnoha názorů z diskuse vyplývá, že téma umělé inteligence, simulací a modelování je nanejvýš aktuální a představuje nejen příležitost k „dozvukům“ na stránkách našeho časopisu, ale také může být impulzem pro hledání a nalézání nových cest a příležitostí našeho průmyslu. V aplikacích simulace a modelování se skrývá konkurenceschopnost. A to je ten nejzajímavější přínos. (redakčně upraveno)   Diskusi vedl Radim Adam. Firmy mohou nabízet služby užití obecných nástrojů, ale v konkrétní aplikaci, pro niž nemá buď firma, nebo analytický nástroj k dispozici odpovídající znalosti, se bez aktivní a náročné spolupráce s koncovým odběratelem služby nepohnou z místa.  Peter Bílik, Solution designer Anasoft APR, s. r. o. Veľakrát môže analýza zozbieraných údajov ukázať korelácie, ktoré riadiaci pracovník následne vyhodnotí ako kauzálnu súvislosť. Bez podpory zo strany dátovej analýzy by ju možno nikdy neodhalil.Ing. David Sámek, Ph.D., product manager, AXIOM TECH s. r. o. Umělá inteligence má velkou budoucnost, ale (naštěstí) v nejbližších dekádách rozhodně nebude všespasitelná.prof. Ing. Vladimír Mařík, DrSc., dr. h. c., ředitel CIIRC ČVUT v Praze Firmy mohou nabízet služby užití obecných nástrojů, ale v konkrétní aplikaci, pro niž nemá buď firma, nebo analytický nástroj k dispozici odpovídající znalosti, se bez aktivní a náročné spolupráce s koncovým odběratelem služby nepohnou z místa. doc. Ing. Josef Kokeš, CSc., Vysoká škola podnikání a práva, a. s., a Ústav přístrojové a řídicí techniky FSI ČVUT v Praze Pokud si výrobce bude chtít plně zautomatizovat výrobu, tak si k tomu vypracuje technicko-ekonomický rozbor. Jenže ten rozbor musí vzít v úvahu (což dnes není zvykem) i skutečnost, že zavedení vysoké automatizace prostřednictvím AI nejspíš bude spojeno s vyvoláním negativních emocí, a to jak mezi pracovníky, tak i spotřebiteli, a dokonce i jinde. Dovedu si představit třeba velmi bolestivou „odvetnou“ akci obecního zastupitelstva. Nebo finančního úřadu.   prof. Ing. Mirko Navara, DrSc., Centrum strojového vnímání, katedra kybernetiky FEL a CIIRC ČVUT v Praze Všude při pohledu na výrobu najdeme rezervy, kde lze automatizovat, ale role člověka jako mnohem univerzálnějšího nástroje dosud není ohrožena.  Jan Burian, senior manažer oddělení podnikového poradenství společnosti EY Samozřejmě, že si příslušní experti své znalosti velmi střeží, jde totiž o nezanedbatelnou konkurenční výhodu. Ing. Otto Havle, CSc., MBA, jednatel, FCC průmyslové systémy, s. r. o. V současné době se umělou inteligencí nazývají hlavně učící se systémy. Na nižších úrovních řízení je často efektivnější definovat explicitní pravidla než přiřazovat kombinace implicitních deskriptorů.   Ing. Jana Řešátková, Manufacturing Coverage Lead, DXC Technology. Analýza archivních dat z různých časových období je základem vytvoření algoritmů pro identifikaci anomálií a predikci trendů, v neposlední řadě tvoří základ samoučících se algoritmů.   Ing. Jaroslav Jirkovský, Ph.D., Senior Application Engineer, HUMUSOFT s. r. o. Nejefektivnější je využívat takové nástroje, kde odborníci na podnikové a technologické procesy nemusí být zároveň specialisty na simulaci, a přesto dokážou modelování a simulace efektivně využívat.   Rick Rider, produktový ředitel pro platformu Infor Coleman AI Většina algoritmů, jež analyzují problémy a situace v organizacích, se v posledních 20 až 30 letech v podstatě nezměnila. Ing. Jaromír Hvížďala, jednatel firmy JHV – ENGINEERING, s. r. o. Očekávám, že umělá inteligence bude všude. Zejména v technické praxi, je to jen otázka času.   Ing. Petr Brynda, Business Development Manager, Mitsubishi Electric Europe B. V. Nové produkty (roboty, PLC, serva, měniče) algoritmy AI využívají zejména pro prediktivní údržbu a autodiagnostiku, optimalizaci spotřeby energie, automatické kalibrace a tak dále.   Ing. Petr Kadera, Ph.D., vedoucí skupiny inteligentních systémů pro průmysl a distribuční sítě CIIRC ČVUT v Praze Očekávaný rozvoj takzvané obecné umělé inteligence může mít tak dalekosáhlé dopady, že si vývoj ve středně- a dlouhodobém horizontu netroufám odhadovat.   Martin Peter, specia­lista na security, BI a SQL database, OSIsoft Czech Republic, s. r. o. Optimalizace celého procesu je určitě vnímána jako velká výzva v celém průmyslu. Výrobci jednotlivých prvků však často sklouzávají k mikrooptimalizacím (optimalizacím z celkového pohledu na proces zanedbatelných).   prof. Ing. Vilém Novák, DrSc., ředitel Ústavu pro výzkum a aplikace fuzzy modelování Ostravské univerzity a divize superpočítačového centra IT4Innovations v Ostravě Bohužel se setkávám s typickým problémem informatiků, kteří mají informace o existujících nástrojích, ale jejich podstatě nerozumí a pak je jen naslepo používají a doufají, „že to vyjde“. Jestliže řešení nefunguje, začnou prostě zkoušet jiný nástroj.   doc. Ing. Petr Horáček, CSc., Rockwell Automation Máme dnes mnoho platforem pro modelování a simulace s dokonalou vizualizací, možností napojení na technologické databáze, ale to jsou jen nástroje, které někdo musí parametrizovat, naladit a udržovat. Všimněme si, že výrobci těchto platforem nikdy nenabízejí realizaci projektů, protože žádný takový projekt nemůže být pro ně ziskový, a pokud by ziskový být měl, bude cena pro zákazníka neakceptovatelná. Dalším problémem je neopakovatelnost. Zdánlivě stejné technologické procesy se vždy liší v maličkostech, které ve výsledku neumožňují případnému poskytovateli služby komplexní optimalizace mít nějaký obecný generický model, který by se případ od případu jen upravoval.   doc. Dr. Ing. Vladimír Kebo, expert Technologické agentury ČR Heslo „umělá inteligence všude“ bych poopravil na „chytrá řešení všude“. Klíčová slova současnosti: simulace, modelování, virtuální realita, umělá inteligence, big data a optimalizace – jak je uchopit? Dnes a denně lze slyšet z úst zástupců dodavatelů technologií, informačních a řídicích systémů a služeb nejrůznějšího druhu slova simulace, modelování, virtuální realita, umělá inteligence, big data a optimalizace. A to nejen v průmyslu, ale také v zemědělství, stavebnictví, obchodu a mnoha dalších oborech, které pokrývají vše související s iniciativou 4.0 – od průmyslu, logistiky po společnost 4.0. Není to nic nového. Modelovalo se, simulovalo a optimalizovalo vždy. Od technologických procesů po daně. Jen postupy a přístupy se mohly lišit. Současná doba umožňuje využít obrovskou výpočetní kapacitu, v podstatě neomezené kapacity archivů a mnoho zcela nových postupů. To vše s pomocí internetu. Stále platí, že k pochopení dynamiky procesu je nutné řešit jejich popisy pomocí diferenciálních rovnic. To platí nejen pro fyzické soustavy, ale přeneseně i pro ty dosud ne­existující, které jsou pouze v návrhu, tedy pro ty virtuální. Sledování chování systémů v čase v nejrůznějších situacích, při běžném a nestandardním provozu, při náběhu, odstavování, poruše, při vyšetřování předporuchové situace, při kapacitních problémech – vyšetřování úzkých míst –, a především nacházení řešení takto odhalených problémů jsou základní úlohy simulace a modelování. Cílem by vždy měla být optimalizace, což není v podstatě nic jiného než snaha nalézt ty veličiny, které jsou příčinou nežádoucího chování procesů – nejčastěji jde o velký rozptyl veličin v čase, tyto veličiny vhodným opatřením stabilizovat a následně změnit žádanou hodnotu tak, aby se dosáhlo vyšší účinnosti. A je jedno, zda jde o spotřebu energií, úspory materiálu, lidské práce, času nebo nákladů. Princip je obdobný. K tomuto slouží mnoho metod. Od statistických modelů přes modely pravidlové po použití metod umělé inteligence. V souvislosti se skutečností, že moderní podniky generují obrovská množství dat z technologických a ostatních procesů, podnikatelských, inovačních a správních, nabízí se možnost vytvářet modely s využitím neuronových sítí. I zde je možné nalézt mnohá úskalí. Představa, že lze zpracovávat data bez elementární znalosti vztahů, co je vstup, co je výstup, jaké tam panují závislosti, souvislosti, dopravní zpoždění a které veličiny nejsou k dispozici, se jeví jako lichá. Možnosti ukládat obrovská množství dat v cloudu jak uvnitř podniku, tak u poskytovatele této služby dovolují je rozumně transformovat na smart data a pomocí analytických nástrojů vyšetřovat souvislosti a závislosti mezi jednotlivými proměnnými. Obecně se udává, že k jakýmkoliv analýzám se v současnosti využívá přibližně 15 % archivovaných dat. Je zapotřebí mít na paměti, že mnoho dat archivováno není, a jsou třeba velké znalosti a zkušenosti pro rozhodnutí, která data je nutné archivovat i pro analýzy v budoucnu, a která archivovat nemá smysl. Naproti tomu použití pravidlových modelů, včetně modelů postavených na bázi fuzzy logiky, představuje od realizátora hlubokou znalost modelovaných souvislostí. U realizátora takovýchto modelů se předpokládá multidisciplinární vzdělání. Avšak v případě, že se autor modelu orientuje pouze v oblasti modelování, vyžaduje se také vstřícnost odborníků znalých konkrétních procesů a vůle podělit se o své znalosti. Často se naráží na jejich ne­ochotu tyto znalosti předat, protože převažuje pocit ohrožení jejich pozice v podniku. A dorůstající generace – označovaná Y, mileniálové a podobně – má představu, že vše se najde na internetu. Realita bývá v konkrétních případech velmi krutá. Také snaha o přenesení znalostí dodavatele optimalizačního systému z obdobného technologického zařízení ve světě není vždy úspěšná. Konkrétní podmínky vyžadují aktuální zpracování daných pravidel. Další z metod – genetické algoritmy – je velmi užitečná především v rámci inovačního procesu, kdy se hledá vhodná kombinace pomocí přenášení nejlepších vlastností z rodičů na potomka v řadě kroků. Nejčastější je použití v potravinářství při míchání produktů z různých složek v cílovou směs, která má mít vždy stejnou kvalitu – ať je to čaj, káva, nebo blended whisky apod. S použitím genetických algoritmů je možné se setkat také v těžkém i lehkém průmyslu – míchání uhelných směsí v koksovnách, vyvíjení nových značek ocelí, míchání stavebních směsí, barev či vyvíjení nových produktů v systematických krocích. Uplatnění této metody online je poněkud problematické, nicméně lze najít příklady využití. K metodám posledních několika let lze počítat vizualizaci a rozšířenou realitu. Ve většině případů se využívají výstupy ze systémů CAD, které mohou být využity k optimalizaci provozu ještě nerealizovaných technologických zařízení – linek, skladů, pracovišť, technologických uzlů, celků i celých závodů, především pro potřeby intralogistiky, kapacitního plánování a ergonomie procesů. Reál­ný svět se setkává s online daty v rozšířené realitě. Tato kombinace se nejčastěji využívá u skladů a v logistice, ale existují příklady i z výrobních procesů. K moderním metodám zobrazení dat se řadí animace. Velmi pomáhají při instruktážích obsluhy, pracovníků servisu a údržby a při výuce personálu. Vizualizace může být řešena při vývoji produktu, například výrobní linky. Může být navržena externí firmou specializující se na tuto činnost. Propojení s rozšířenou realitou je zde namístě. Stěžejní úlohu tu ale vždy budou hrát lidé jako nositelé znalostí o procesech a o používaných technologiích. Jsou v převážné míře zdrojem informací, zkušeností a znalostí. Jsou to nositelé technické tradice nejen svými vědomostmi, ale také přístupem k řešení nejrůznějších situací, většinou těch nepředvídatelných – poruchových, personálních, zapříčiněných vyšší mocí apod. Je obtížné si představit, že by bylo možné předvídat, analyzovat, modelovat a naprogramovat 100 % možných situací. I zde bude platit pravidlo 80/20, kdy s využitím umělé inteligence bude možné efektivně řešit a řídit 80 % provozních situací a řešení zbylých 20 % bude nutně vyžadovat rozhodnutí zkušeného odborníka. Bylo by vynikající dosáhnout řízení výrobních a následně i ostatních podnikových procesů prostřednictvím simulací, modelování a s využitím umělé inteligence. Dalším krokem je logicky změna poměru 80/20 ve prospěch autonomních řídicích systémů. Věřme, že je možné tato přání v brzké době realizovat. A že nepůjde pouze o virtuální realitu. Radim Adam

Virtuální konstrukce rozváděčů dospěla do svého finále

Nová verze systému EPLAN Pro Panel 2.8 byla vydána koncem minulého roku, krátce po norimberském veletrhu SPS IPC Drives. Návštěvníci tohoto prestižního veletrhu si mohli vyzkoušet novou verzi včetně mnoha možností výměny umístěných komponent, nebo dokonce celých rozváděčů. Další novinkou je automatická migrace projektů založených na řadě rozváděčů Rittal TS 8 na nový rozsáhlý systém rozváděčů Rittal VX25. Ale to stále není všechno: společnosti EPLAN a Rittal v Norimberku společně představily širokou škálu inovací v oblasti konstrukce rozváděčů – a budou v tom pokračovat i letos v dubnu na veletrhu Hannover Messe.Obr. 1. Integrované projektování – od schématu až po kompletní systém rozváděčů Rittal VX25 Software Pro Panel 2.8 pro virtuální 3D návrh rozváděče je charakteristický svou rozšířenou flexibilitou, přičemž uživatele zaujme zcela novým uživatelským rozhraním 4 K. Firmy EPLAN a Rittal na veletrhu SPS IPC Drives v listopadu 2018 v Norimberku společně představily celou sérii inovací týkajících se konstrukce rozváděčů. Patří mezi ně vzájemně se doplňující softwarová řešení pro projektování a plánování, inovativní systémy pro rozvodné skříně, rozvody elektrické energie, klimatizační systémy, automatizační techniku, jakož i digitální asis­tenční systémy pro integrovanou automatizaci výrobních procesů. Obě firmy se tak společně dostávají do pozice poskytovatelů, kteří nabízejí pro své zákazníky integrovaná řešení pro optimalizaci procesů konstruování rozváděčů: kombinované strojní, hardwarové a softwarové řešení, doprovodné údaje o produktech a kompletní služby v oblasti integrace procesů.  Výměna komponent? Žádný problém Nová verze softwaru EPLAN Pro Panel je hlavně zaměřena na „procesy“. Stávající 3D konfigurace rozváděčů je často nutné měnit – ať už pro nedostatek místa, nebo z důvodu různých specifikací skříní, např. dveře budou mít panty na pravé místo na levé straně apod. Nová funkce „vyměnit zařízení“ umožňuje uživatelům vyměnit dříve umístěné komponenty. A co je ještě lepší: systém si zachovává všechny reference týkající se programů pro výrobní stroje NC. Varianty maker lze snadno vybrat a uložit do kmenových dat. Totéž platí i pro montážní plochy: kompletní rozmístění a tvar zařízení lze jednoduše přiřadit k jiné montážní ploše. Znamená to, že úplné rozmístění 3D sestavy je možné rychle a snadno integrovat do jiného konstruk­čního prostředí.  Změny systému jsou jednoduché Společnost Rittal nedávno představila nový systém rozváděčů VX25, takže firmy, které používají rozváděče Rittal TS 8, čelí výzvě migrace svých dosavadních projektů. Avšak EPLAN Pro Panel Professional, verze 2.8, nabízí bezchybnou podporu migrace. Jak to funguje? Pomocí podpůrného softwaru se analyzuje obsah projektu, montážní sestava ve 3D nebo individuální rozváděč. Jestliže systém zjistí, že některé komponenty pro migraci na VX25 chybějí, jsou shrnuty do objednávkového seznamu a prostřednictvím nákupního košíku v EPLAN Data Portal integrovány do rozpisky v prostředí Pro Panel.  Systematická migrace Jsou-li všechny položky přítomny, systém automaticky provede migraci. Položky TS 8 jsou vyměněny za položky VX25. Software zohledňuje stávající odkazy mezi umístěnými zařízeními a montážními úrovněmi. Totéž platí pro informace pro programy strojů NC, jako je síť tras pro směrování kabelových spojů. Nové možnosti verze 2.8 doplňují interaktivní funkce, jako jsou testovací cykly a korekce rozestupů.  (EPLAN ENGINEERING CZ, s. r. o.)    

Mobilní aplikace Danfoss Drives

Uvedením mobilních aplikací MyDrive® Portfolio, MyDrive® ecoSmart™, MyDrive® Connect vychází společnost Danfoss vstříc zákazníkům, kteří chtějí používat své smartphony a tablety k vyhledávání vhodných pohonů Danfoss a Vacon, ke stanovení jejich třídy účinnosti a také k jejich diagnostice, uvedení do provozu a servisu. Aplikace MyDrive Portfolio podává přehled o nabídce pohonů Danfoss Drives a umožňuje vyhledávat informace o konkrétním produktu a aplikaci. Zákazníci získají přístup ke komplexním materiálům a informacím souvisejícím s konkrétním odvětvím a aplikací. Seznam produktů je v aplikaci uspořádán v závislosti na instalaci a účelu produktu. Tyto informace je možné stáhnout jako soubory PDF do mobilního zařízení a mohou je sdílet. Aplikace MyDrive ecoSmart obsahuje třídy účinnosti (podle EN 50598) jednotlivých pohonů Danfoss i Vacon i třídy účinnosti systému IES u sestav pohonů Danfoss s jakýmkoliv indukčním motorem. Díky tomu má uživatel možnost zvolit pro svůj provoz optimální zařízení. Může si stáhnout certifikát obsahující technické detaily o vybraných prvcích a konfiguracích. Kromě tříd energetické účinnosti se uživatel můžete seznámit s e výkonem částečného zatížení střídavého pohonu ve standardních servisních bodech a umožňuje vypočítat efektivnost a účinnost měniče v každém provozním bodě. Mobilní aplikace MyDrive Connect je nástrojem pro rychlou a snadnou diagnostiku, uvedení do provozu a servis pohonů VLT® HVAC Drive, VLT® AQUA Drive a VLT® AutomationDrive pomocí individuálního připojení založeného na Wi-Fi (IEE802.11). Podobné řešení bude také k dispozici pro značku Vacon. Podrobnosti jsou na tomto odkazu: http://www.danfoss.cz/newsstories/drives/february-mobile-apps/?ref=17179936721#/

Vírové průtokoměry Huba Control za příznivou cenu

Vírové průtokoměry Huba Control jsou unikátním řešením pro velmi přesné měření průtoku bez vysokých nákladů. Hodí se k použití v tepelných čerpadlech, ohřívačích vody nebo v solárních systémech stejně tak jako pro kontrolu chladicích okruhů. Snímače jsou vhodné pro topnou vodu s obvyklými přísadami a mají certifikát pro pitnou vodu. Snímače jsou dodávány v řadách DN6 až DN32 pro průtok od 0,5 do 240 l/min. Jsou opatřeny impulzním, frekvenčním nebo analogovým výstupem 0 až 10 V a 4 až 20 mA. Jako alternativa jsou dostupné verze s integrovaným snímačem teploty. Přesnost měření je lepší než 1 % z měřené hodnoty. Měření vírovými průtokoměry (tzv. vortexy) je založeno na tzv. Kármánově efektu. Měřená tekutina proudí kolem rozrážecího tělesa vloženého do proudu, a tím vznikají víry. Frekvence vytvářených vírů je přímo úměrná rychlosti proudění tekutiny. Víry způsobují chvění snímacího plátku, které je přenášeno na piezoelektrický senzor. Piezoelektrický senzor převádí mechanické kmity na elektrický signál. Frekvence elektrického signálu je rovna frekvenci vírů. Hlavními výhody vírových průtokoměrů Huba Control jsou: –          nízká cena a vysoká přesnost, –          princip měření není ovlivněn teplotou, –          výborná odolnost vůči měřenému mediu, –          velmi rychlá odezva na změny rychlosti proudění, –          široký rozsah teplot, –          zanedbatelná ztráta tlaku, –          měřicí element není ovlivňován pevnými částečkami v kapalině, –          přímé měření teploty media. Další informace podá: TOP Instruments, s. r. o., obchod@topinstruments.cz, tel: 724 712 988  

Excelentní znalosti v oblasti decentralizace představí Murrelektronik na veletrhu Amper 2019

Veletrh Amper poskytuje cenné impulzy na cestě k inteligentní a digitální automatizaci. Obr. 1. Modulární systém sledování proudu Mico ProMurrelektronik přináší v tomto oboru mnoho inovací, a na veletrhu se tedy bude prezentovat jako přední firma v digitální transformaci automatizačních procesů. Představí průkopnické produkty, řešení a koncepce pro ty nejzajímavější a nejdůležitější otázky automatizační techniky. Veletržní motto Excelentní znalosti v oblasti decentralizace upozorňuje na rozsáhlé znalosti a schopnosti společnosti Murrelektronik v oblastech, jako je bezpečnost, napájení, komunikační technika, IO-Link, Industry 4.0 a decentralizované instalační systémy. Obzvláště zajímavé přitom je, že přístupy této společnosti vedou k optimalizaci mnoha procesů v celém řetězci tvorby hodnot.Obr. 2. Sběrnicové moduly MVK Metal a Impact67  Návštěvníci se seznámí s inovacemi z oblasti konektorů a také s modulárním systémem sledování proudu Mico Pro®, jenž může být nyní vybaven integrovaným napájením 5 nebo 10 A a který svým provedením výrazně šetří prostor v rozváděči. Nový je rovněž modul s certifikací NEC třídy 2. Mezi další zajímavosti patří třeba: Murrelektronik-Cloud, výkonné sběrnicové moduly MVK Metal a Impact67, jež budou v budoucnu vybaveny napájecím konektorem M12. Uživatelská organizace Profinet (PNO) doporučuje využívat právě tyto moduly v přípojných koncepcích napájení budoucnosti. Zákaznická řešení Murrelektronik jsou nejen díky tomu vysoce atraktivní pro štíhlé a efektivní instalační koncepce na bázi sběrnice Profinet.Data a fakta:– veletržní stánek Murrelektronik na velektrhu Amper 2019,– 19. až 22. 3. 2019,– hala V, stánek č. 4.04,– motto: Excelentní znalosti v oblasti decentralizace.Murrelektronik se těší na návštěvníky veletrhu Amper. Více o novinkách lze nalézt na adrese www.murrelektronik.cz.(Murrelektronik)

Osmnáctimilimetrový zdroj WAGO Epsitron Compact

Napájecí zdroj Epsitron Compact (787-1200) o šířce pouhých 18 mm od firmy Wago poskytuje na výstupu napětí 24 V DC a proud do 0,5 A. Zdroj se vyznačuje mimořádně velkou účinností. Konstruktéři společnosti WAGO navrhli tento zdroj pro montáž na lištu DIN (podle DIN 43880). Osmnáctimilimetrová varianta zdroje s označením 787-1200, vhodná pro použití v rozváděčích a rozvodných skříňkách, splňuje také bezpečnostní podmínky normy EN 60335-1 (Elektrické spotřebiče pro domácnost a podobné účely – Bezpečnost – Část 1: Obecné požadavky). Zdroj spolehlivě pracuje v rozsahu pracovních teplot −25 až +70 °C (s plným výkonem do +55 °C). Uživatelé kromě velkého výkonu rovněž ocení jednoduchost a univerzálnost montáže, buď přímo nacvaknutím na lištu DIN, nebo prostřednictvím montážní svorky a šroubů.  WAGO-Elektro, spol. s r. o., tel.: 261 090 142, e-mail: automatizace@wago.com, www.wago.cz