Aktuální vydání

celé číslo

04

2019

Plnicí a balicí stroje, výrobní logistika a správa skladových zásob

Průmyslové počítače, PLC

celé číslo
Aplikační platformy a internet věcí

Vývoj moderních cloudových aplikací a runtime platforem společně se strojovým učením a umělou inteligencí přetvářejí trh průmyslového softwaru. Firmy, které chtějí efektivně zajišťovat svou konkurenceschopnost, nemohou setrvat na starých platformách. Ovšem vyznat se na vznikajícím trhu těchto platforem není snadný úkol. Tato zpráva zkoumá klíčový strategický a technický rozdíl mezi jednotlivými aplikačními platformami využívajícími IoT.Together with machine learning and artificial intelligence, modern cloud based application development and runtime platforms are changing the industrial software marketplace. Organizations cannot remain on older platforms and still compete effectively. However making sense of the emerging platforms market is no easy task. This report examines the key strategic and technical differences among application platforms with IoT.Obr. 1. Které platformy potřebujete pro svůj digitální podnik?1. Souhrnný přehledPlatformy pro aplikace a internet věcí (IoT) se vyskytují v nabídce mnoha dodavatelů softwaru a nástrojů pro automatizaci. Kaž­dá firma má své vlastní racionální zdůvodnění, proč takové platformy nabízí, avšak prvotním a společným důvodem ke vzniku této nabídky je potřeba proniknout do prostředí efektivního vývoje a využití moderních aplikací.Na trhu stále panuje jistá nejasnost týkající se těchto platforem. Částečně je to proto, že termín „platforma“ je často užíván ve zcela odlišných významech. Mnohými předměty technických diskusí jsou výpočetní infrastruktura, operační systémy, čipové sady, chytré telefony a mnoho dalších „platforem“.Obr. 2. Dvě základní strategie platforemNejvětší zmatení způsobuje současně probíhající komerční rozvoj jak průmyslových IoT (IIoT), tak výpočetních platforem. IIoT vychází z propojení fyzických předmětů či zařízení. K propojení těchto „věcí“ se často používá vlastní platforma. Avšak bývá obtížné na první pohled rozlišovat mezi platformou pro propojení zařízení v IoT a cloudovými aplikačními platformami s funkcemi pro IoT. Je to zejména pro podobně znějící popisy a atributy, které jsou často užívány v marketingových materiálech a na webových stránkách. Při bližším pohledu je však zřejmé, že prvně jmenovaná je primárně koncová platforma, zatímco druhá je cloudová platforma. Očekává se však, že toto překrývání obou po­jmů bude i nadále pokračovat, neboť dodavatelé koncových řešení i cloudových služeb postupně rozšiřují své schopnosti zahrnout do své nabídky společně oba druhy platforem.Tento článek se primárně zaměřuje na platformy jmenované jako druhé v pořadí, tj. cloudové aplikační platformy s funkcemi pro IoT.Jedním z poznatků autorů článku je to, že kromě posunu k modernímu vývoji a runtime prostředím bude společným hnacím motorem vývoje myšlenka, že zákazníci mohou získat výhodu z rozsáhlých interoperabilních „ekosystémů“ dodavatelů aplikací a aplikací samotných.Do diskuse je zahrnuta výroba s kontinuál­ními procesy, diskrétní výroba, distribuční infrastruktura a chytrá města. 2. Platformy pro cloudové aplikacePlatformy pro cloudové aplikace představují moderní přístup k vývoji a implementaci aplikací, který postupně nahrazuje starší model klient/server, podle kterého byly vytvářeny a spouštěny rozsáhlé, komplexní monolitické aplikace. V praxi model klient/server dominoval v posledních několika desetiletích jak v oblasti informačních systémů (IT), tak v oblasti softwaru provozní techniky (OT). Avšak s tím, jak si stále více firem osvojuje moderní postoj k platformám, roste i rychlost změny z modelu klient/server k platformnímu modelu.Tato změna podnítila na trhu soutěž platforem mezi sebou. Některé velké společnosti mají snahu stát se dominantním poskytovatelem vlastního ekosystému1) pro platformy s nejširší knihovnou aplikací třetích stran, často doplněných o automatizační techniku a zařízení. Jiní dodavatelé a menší společnosti se snaží pouze najít způsob, jak konkurovat v nově se vytvářejícím prostředí. 2.1 Otevřené systémyPřechod k otevřeným systémům je možné sledovat na dvou úrovních: na úrovni cloudových aplikačních platforem a na úrovni automatizace a provozních zařízení. Na úrovni cloudových aplikačních platforem je mnoho vzájemně si konkurujících platforem založeno na společné platformě Cloud Foundry s otevřeným zdrojovým kódem. Ačkoliv jsou postaveny na otevřené platformě, samotné cloudové aplikační platformy jsou poněkud méně otevřené.Na úrovni automatizace a provozních zařízení jsou největšími hybateli v oblasti přechodu k otevřeným systémům pro automatizaci procesů společnosti ExxonMobil a Lockheed Martin. V oblasti infrastruktury a chytrých měst posunují vpřed otázku interoperability sítí a peer-to-peer (lokální) komunikace firmy jako Duke Energy. 3. Platformy a model edgePři vývoji struktury modelu platformy IIoT zohlednila poradenská skupina ARC několik důležitých bodů:vznik cloudových aplikačních platforem jako nové generace vývojového a runtime prostředí pro použití v průmyslu (a jinde),existenci platforem na úrovni koncových zařízení IIoT, jejichž hlavní role jsou poskytovat a spravovat konektivitu k zařízením edge a implementovat aplikace,uznání toho, že integrální součástí řešení IIoT musí být pokročilá analytika,skutečnost, že základem řešení IIoT jsou zařízení a systémy edge,výskyt „mlhy“ (fog) jakožto důležitého konceptu komunikačních sítí a výpočetní techniky.Obr. 3. Model platformy IIoT navržený společností ARCModel platformy IIoT navržený společností ARC má dvě části: platformu a uzly edge2) (obr. 3). Jelikož platforma může sloužit širšímu spektru účelů, bylo rozhodnuto o označení Aplikační platforma se službami IoT. Druhou část autoři označili IoT Edge. 3.1 Aplikační platforma se službami IoTAplikační platforma se službami IoT je v zásadě cloudovou aplikační platformou, licencovanou jako služba (PaaS – Platform as a Service). Může být postavena na platformě Cloud Foundry s otevřeným zdrojovým kódem nebo na některé jiné platformě, jako jsou Microsoft Azure nebo Amazon Web Services (AWS), přičemž obě jsou licencované modelem cloudová infrastruktura jako služba (IaaS).Aplikační platforma se službami IoT představuje prostředí pro vývoj aplikací a runtime. Jako taková může být použita pro aplikace používané v IoT i pro mnoho jiných aplikací. Software je sestaven v podobě mikroslužeb. Základní mikroslužba typicky vykonává jednu určitou triviální funkci. Základní mikroslužby mohou být sestaveny dohromady, aby tvořily komplexnější složené mikroslužby nebo aplikace. Poskytovatel platformy tak vytváří komerční aplikace, přičemž může povolit třetím osobám nebo zákazníkům, aby na této platformě sestavovali a používali vlastní aplikace.Cloudová aplikační platforma se dodává se základní (core) sestavou (mikro)služeb a nástroji pro vývoj, které mohou být využity k sestavení vlastní aplikace. Základní sestavu doplňuje sada analytických a datových služeb spolu se službami IoT Edge. Někteří prodejci mohou navíc rozšířit nabídku své platformy o služby třetích stran nebo svých partnerů. 3.2 IoT EdgeIoT Edge (obr. 4) se skládá ze zařízení a systémů edge, komunikačních sítí, průmyslových řídicích systémů, průmyslového softwaru a softwaru nebo platforem pro konektivitu (jako jsou ty v nabídce společnosti PTC nebo Telit). Zařízení edge může být „chytré“, tj. se svými vlastními (vestavěnými) výpočetními a komunikačními funkcemi, které zprostředkují rozhraní pro výměnu informací s lokálními senzory a které spouštějí lokální aplikace či analytické funkce. Dodatečné senzory a zařízení mohou být připojeny k tzv. němé infrastruktuře.Obr. 4. Edge IoTAplikace IoT mohou být spouštěny v zařízeních edge, v řídicích systémech a softwarových systémech technologických celků nebo v rámci sítě v zařízeních switch nebo gateway (komunikačních přepojovačích nebo komunikačních bránách). V závislosti na konkrétním obchodním modelu a požadavcích na latenci a zpracování mohou být aplikace provozovány v zařízení edge, systémech fog či cloud nebo kombinovaně. 4. Proč jsou ekosystémy důležitéEsej Marca Andreesona z roku 2011 s názvem Proč software pojídá svět (Wall Street Journal, 20. 8. 2011, dostupné na https://on.wsj.com/2v3RV6l) upozornila na stále významnější roli, kterou hraje software v produktu a nabídce služeb jakékoliv společnosti, a na skutečnost, že software má potenciál takto přebudovat nebo změnit obchodní modely a celá odvětví průmyslu. To je dáno částečně dostupností a širokou využitelností metod strojového učení a metod umožňujících zpracovávat značné množství dat (což také způsobuje exponenciální nárůst počtu vzájemně propojených zařízení, která generují data) a dále dostupností moderních cloudových aplikačních platforem.Firmy podnikající v průmyslu nebo některém ze segmentů infrastruktury či chytrých měst vykazují značnou poptávku po softwaru. Většinou nemají zájem samy vyvíjet software a namísto toho se po aplikacích poohlížejí na trhu (přestože v některých případech, spíše příležitostně, vykazují snahu vyvíjet některé aplikace samy). Aby byli tito zákazníci uspokojeni, musí aplikace splňovat určitá očekávání stran dostupnosti, kvality, rychlosti implementace, výkonu, interoperability, podpory a bezpečnosti.Tvorba, údržba a aktualizace vlastní nabídky představují pro dodavatele softwaru jednu z možností, jak držet krok s potřebami a přáními svých zákazníků. Druhou možností je to, že se dodavatel rozhodne zaměřit se na rozhodující software a vytvoří takovou platformu, na které bude moci libovolný počet partnerů z ekosystému ohraničeného touto platformou vytvářet své vlastní aplikace uspokojující potřeby trhu. V současné době se zdá rozdíl mezi těmito přístupy minimální, avšak v průběhu času, jak poroste počet a rozmanitost poskytovatelů, spíše převládne přístup založený na uzavřených ekosystémech. 5. Strategie konkurenčního boje na trhu aplikačních platforemJeden z nejnáročnějších aspektů úspěchu na trhu softwaru a služeb v období digitalizace průmyslu bude množství způsobů, kterými budou moci být průmyslové platformy v konkurenční soutěži využity. Využitím licenčních modelů IaaS a PaaS budou moci firmy rychle vyvíjet vlastní aplikace, a dokonce vytvářet celé segmenty trhu se softwarem, aniž by musely vynakládat peníze na tvorbu a údržbu softwaru a hardwaru souvisejících výpočetních prostředků. Na dané platformě jsou bariéry pro vstup nových aplikací na trh nízké, a podobné aplikace nebo mikroslužby tak mohou nabízet různí poskytovatelé. Řešení mohou být také vestavěna jako součást hardwaru, aby se tak rychle rozšířily nabízené cloudové služby s cílem zajistit dodavateli konkurenceschopnost v oblasti zařízení edge. Firmy mohou dokonce využít platformy svých konkurentů, aby tím zmenšily jejich tržní podíl. Dodavatelé řešení budou rovněž muset zvážit, jak si udržet zákazníky a přitom je převést do nových struktur cenotvorby.Jsou zde též výzvy spojené s tím, jak si uživatelé budou služby vybírat. Se službami založenými na platformách si totiž mohou uživatelé vybírat řešení z hlediska doby použití a rozsahu používaných služeb mnohem flexibilněji a snáze je implementovat. To je zcela odlišné od dosavadního modelu prodeje rozsáhlých softwarových balíků „vše v jednom“. Výsledkem je, že obrat softwarových firem bude pravděpodobně mnohem méně konzistentní než u tradičních modelů cenotvorby, alespoň do doby, než trh dospěje a plně přejde na platformní model prodeje. Tuto dynamiku může vyvážit licencování softwaru formou předplatného, které představuje pravidelný příjem, mnohem stabilnější než příjem z prodeje jednorázových licencí.Pozitivní stránkou tohoto vývoje pro dodavatele řešení je skutečnost, že se zmenší některé tržní bariéry. V minulosti někteří dodavatelé, zejména ti velcí, jednoduše o určité typy obchodních příležitostí neměli zájem, neboť byly pod jejich úroveň. Řešení založená na mikroslužbách tyto bariéry dané velikostí obchodu odstraňují. Naproti tomu schopnost dodat méně rozsáhlá řešení za nižší cenu může zvětšit celkovou velikost trhu o další malé firmy. Mezi dodavateli řešení panuje značná nejistota ohledně otázky, jaké velikosti vlastně dosáhne trh pro digitální systémy a služby v oblasti průmyslu a v oblasti infrastruktury chytrých měst. Mnozí si stále nejsou jisti, zda může obchodní model založený na platformách otevřít nové zdroje dostatečných příjmů, zejména v porovnání s tradičními modely softwaru.Dnes jsou využívány dvě konkurenční strategie, popsané v dalších kapitolách. 5.1 Otevřený operační systém pro průmysl využívající IoTProdukty jako GE Predix, Siemens MindSphere 3.0 a SAP Cloud Platform jsou považovány za „operační systémy“ pro průmysl (obr. 5). Každá ze společností soutěží o podíl na trhu cloudových platforem pro aplikace a její snahou je být vnímána jako poskytovatel preferovaného řešení. Všechny spoléhají na výhody plynoucí z vazby na partnery a svůj ekosystém zákazníků, ve kterém kdokoliv může vytvářet nové nebo užívat současné aplikace prostřednictvím určitého typu obchodu s těmito aplikacemi. Každá firma usiluje o to, učinit ze své platformy tu, která se stane dominantní v celém průmyslu, nebo alespoň v určitých sektorech. A každá vychází z konceptu výrobců zařízení, kteří využívají dodávané platformy k monitorování chytrých propojených výrobků a k vytvoření nabídky souvisejících služeb pro své vlastní a další zákazníky. A kterákoliv z nich se chce přinejmenším stát přední firmou na trhu a dodavatelem softwaru nové generace s licenčním modelem PaaS pro průmyslové společnosti a podniky zabývající se infrastrukturou.Obr. 5. Typ platformy: operační systém pro průmyslJak GE, tak Siemens využívají s velkou výhodou své průmyslové výrobky a odborné znalosti, čímž se snadno dostávají do pozice předních dodavatelů platforem a zároveň odborníků na řešení pro automatizační software ve vybraných průmyslových odvětvích. SAP více spoléhá na partnerství a standardy pro konektivitu s provozními zařízeními (OT), avšak proti firmám GE a Siemens má náskok, co se týče ekonomických systémů a integrace rozšířených dodavatelských řetězců. 5.2 Cloudová platforma IoT doplněná o nabídku dodavatelů řešení pro průmyslSpolečnosti jako Microsoft a Amazon se zaměřují na poskytování cloudových platforem IaaS a PaaS pro všechna průmyslová odvětví, nejen pro sektor infrastruktury a chytrých měst. Dodavatelé jako Schneider Electric a Honeywell svá řešení IoT staví na platformách Microsoft Azure IaaS a PaaS; jiní využívají AWS od Amazonu nebo jiné platformy. Tito dodavatelé sice také užívají pro své nabídky softwaru termín „platforma“, avšak ve skutečnosti dodavateli platforem pro aplikace nejsou. Namísto toho zaujali pozici odborníků na automatizaci a aplikace ve vybraných odvětvích, infrastruktuře a inteligentních městských provozech (Automation Solution Expert with a Cloud-based IoT). Výchozí platforma s licencí IaaS nebo PaaS (Microsoft Azure, Amazon WS, Google Cloud Platform) se tak stává základní platformou pro jejich další aplikace (obr. 6). Obr. 6. Typ platformy: nabídka řešení6. Další důležité platformy pro digitální transformaciKromě cloudových aplikačních platforem je možné se v projektech digitální transformace často setkat s mnoha dalšími druhy platforem. 6.1 Platformy IIoT na úrovni zařízeníPlatformy IIoT na úrovni zařízení (obr. 7) poskytují konektivitu k zařízením a systémům edge. Tyto platformy typicky také mají nástroje pro správu zařízení a pro vývoj a implementaci aplikací v zařízeních v cloudu. Dávají kontext propojeným datovým tokům a mohou nabídnout i nástroje pro modelování, vizualizaci a určitý typ analýz. Uvedené platformy jsou často doplněny cloudovou aplikační platformou, takže jejich součástí bývají schopnosti integrace cloud–cloud stejně jako nástroje pro integraci v podniku. Obr. 7. Platforma na úrovni zařízení6.2 Platformy analytických funkcíDonedávna byly platformy pro analýzu a business intelligence považovány za nástroj využívaný pouze úzkou skupinou odborníků. Firmy obvykle tyto aplikace zprovozňovaly na úrovni podnikových informačních systémů. Většina z nich byla drahá, monolitická a přístupná pouze specialistům, čímž byly tyto aplikace mimo dosah běžného obchodního manažera, který by je mohl využívat jako podpůrný nástroj při rozhodování. V posledních několika letech se však mnohé změnilo. Pokročilé analýzy a strojové učení jsou nyní běžně k dispozici jako služba cloudových aplikačních platforem (obr. 8). Často jsou nabízeny dodavateli platforem, avšak mohou být dodávány také třetí stranou. Příkladem služeb kognitivní analýzy v posledně jmenované kategorii je IBM Watson Services.Obr. 8. Základní stavební kameny analytických systémůPokročilá analytická řešení, obzvláště ta využívající strojové učení pro predikci výpadků výrobních prostředků, se stávají na průmyslovém trhu široce dostupnými. Předpověď výpadku výrobních prostředků může být založena na monitorování stavu nebo může být součástí komplexnějšího řešení správy výkonnosti výrobních prostředků (APM – Asset Performance Management). Techniky, na kterých jsou tato řešení založena, se mohou lišit.Statistika a analýza jednoúrovňových argumentů, jako jsou rozhodovací stromy, přinášejí podklady pro závěry v rozhodovacích problémech. Jsou v tomto ohledu velmi efektivní a mohou být díky strojovému učení využity k predikování krizového vývoje výrobních prostředků i při řešení prediktivní údržby. Uvedené metody jsou ideální pro odhalení skrytých, avšak známých poznatků tím, že se odfiltrují „zašuměná“ irelevantní data.Kognitivní analýza je vhodná v případě objemných souborů dat nebo dat náhodné povahy, obzvláště je-li požadováno učení bez ověření. Při využití pro odhad vývoje stavu výrobních prostředků může kognitivní analýza identifikovat nové vzory a odchylky vedoucí k jejich degradaci či kritickému vývoji. 6.3 Platformy pro projektování a konstruování (PLM/BIM)Správa životního cyklu produktu (PLM – Product Lifecycle Management) nebo informační modely budov (BIM – Building Information Modelling) jsou v současné době ve značné míře nabízeny jako samostatné platformy. Je možné se setkat s řešeními, která běží na cloudu (SaaS) nebo jsou realizována jako platforma cloudové infrastruktury (IaaS). Autorům tohoto textu není známa žádná významná firma na poli PLM a BIM, která by nabízela relevantní cloudovou aplikační platformu PaaS s mikroslužbami. Tyto platformy nicméně mají svou důležitost pro digitalizaci průmyslové výroby a budou vyhledávány na podporu dvou vznikajících požadavků.Prvním z nich bude poskytování funkcí digitálního návrhu, konstrukce a simulace pro podporu procesu navrhování a řízení výrobních procesů. Hledají se tedy dodavatelé „digitálního vlákna“ táhnoucího se těmito procesy. Obleky, helmy či brýle s rozšířenou realitou, mobilní přístroje, chytré nosiče, chytré obaly, chytré součástky, chytré výrobky, autonomní stroje, video, služby třetích stran, 3D tisk, ovládání hlasem, vzdálená senzorika a další se stanou aktivní součástí reálného výrobního prostředí obsahujícího množství dat. Budou doplněny nové senzory, komunikační brány a sítě. Budou se používat autonomní vozidla. Budou představeny nové roboty s vyšším stupněm inteligence. Seznam stále narůstá, avšak základem je potřeba podpory rychlých změn příslušných operací za pomoci digitalizace.Ze strany mnoha podniků s kusovou výrobou je druhým požadavkem přímá podpora aditivní výroby, tzv. 3D tisku. Aditivní výroba pokračuje v neuvěřitelném tažení s cílem stát se hlavním výrobním segmentem a zatím pokročila dále a rychleji, než kdokoliv na začátku předpovídal. S podporou vědy o materiálech a pokroku v softwaru pro návrh a konstrukci tato technologie již nyní dokáže zajistit výrobu podle mnoha kritérií optimalizace součástí, které nelze jiným způsobem vyrobit. Aditivní výroba má potenciál stát se nejpřevratnější technologií. Firmy, které se nedokážou připravit na její nástup v průmyslovém měřítku, se brzy mohou ocitnout ve značné nevýhodě. 7. Komentáře a závěrCloudové aplikační platformy jako další příklad informačních systémů (IT) migrujících do světa provozních zařízení (OT) začínají měnit provozní operace v celém průmyslu i v oblasti infrastruktury (obr. 9). PaaS jako nový a moderní přístup k vývoji a implementaci aplikací je výkonný, efektivní a flexibilní. Může jít o velmi dobrý způsob využití pokroků ve strojovém učení a konektivitě zařízení pro zdokonalení funkcí a údržby zařízení nebo pro podporu chytrých výrobků a nových služeb, které je doprovázejí.Obr. 9. Před digitalizací zvažte OT, IT a ETPři zvažování alternativ platforem je důležité promyslet, jakým způsobem bude vaše činnost platformu využívat. Předpokládáte, že budete sami vyvíjet aplikace? Je pro vás důležité mít dostupný trh s aplikacemi, který nabízí aplikace třetích stran a mikroslužby? Preferujete jediného dodavatele poskytujícího většinu potřebných funkcí?Kromě těchto úvah věnujte zvláštní pozornost vestavěným nebo dostupným funkcím strojového učení, kognitivních výpočtů a umělé inteligence a tomu, jak tyto funkce řeší vaše potřeby. To může být kritickým rozlišovacím znakem. Rovněž zvažte, zda budete pro podporu vašich aplikací potřebovat druhou platformu na úrovni zařízení edge, nebo budou dostatečné ostatní způsoby zajištění konektivity. Učiňte rozhodnutí pro konkrétní platformu na základě funkcí, které požadujete. Greg Gorbach, Mike Guilfoyle; editor: Paul Miller, překlad: Jiří HloskaTab. 1. Zkratky

Inspiromat pro výuku a Tecomat: co v učebnici automatizace nebylo

(část 3 – řízení tepelných soustav – od varné konvice k budovám, 1. díl) Dosavadní náplní seriálu bylo měření na tepelných soustavách s využitím programovatelného automatu (PLC) Tecomat Foxtrot a zobrazení časových průběhů. V první části to bylo měření teploty lidského těla, jehož teplota je po dobu měření stálá. Výsledky měření byly současně příležitostí k pochopení dynamiky senzoru, který lze považovat za soustavu prvního řádu. Její dynamika byla ilustrována i na příkladech obdobných soustav z oboru elektrotechniky a hydrauliky. Druhá část se zabývala měřením teploty soustav, jejichž teplota se pomalu mění vlivem okolního prostředí (spontánním ochlazováním nebo ohřevem). Spolu s dynamikou senzoru lze měřenou soustavu považovat za soustavu alespoň druhého řádu se dvěma vstupy. Následovalo měření teploty vody ve varné konvici. Tu lze považovat za soustavu druhého nebo vyššího řádu se dvěma vstupy – a navíc je astatická (integrační). Je možné ji považovat za model tepelných soustav v technice budov. Varnou konvicí se budeme zabývat i nadále, ale nyní z pohledu jejího řízení a regulace teploty. Ilustrováno bude řízení výkonu metodou pulzně šířkové modulace (PWM) a možností řešení nespojitého regulátoru (termostatu).Varná konvice a budovy?Elektrická rychlovarná konvice (dále jen varná konvice) je nejenom vhodná k rychlému uvaření vody na čaj nebo kávu, ale může být použita také jako laboratorní učební pomůcka k experimentování s programovatelnými automaty. Je jednoduchá a snadno dostupná. Grafická prezentace výsledků je názorná. Významná je ale skutečnost, že může sloužit jako zjednodušený a zrychlený fyzikální model tepelných procesů v budovách při vytápění v zimním období nebo při chlazení (klimatizaci) v letním období (což je podobný proces, jen s opačnými znaménky). Oba typy objektů lze považovat za soustavy se dvěma vstupy, v podstatě lineární. Obdobnou dynamiku vykazují i jiné (nejenom tepelné) soustavy v domácnosti nebo v průmyslu.Pro jednoduchost uvažujme vytápění místnosti. Prvním vstupem řízené soustavy je tok tepelné energie (tepelný tok) z topidla (tepelného zdroje). Ten je ovšem jednopolaritní – topení může být buď zapnuto (popř. s proměnným výkonem), nebo vypnuto. V terminologii teorie regulace lze situaci charakterizovat jako „razantní omezení akční veličiny“, která může mít jen kladné znaménko, a akční veličina opačné hodnoty není dostupná. Vědomě vylučujeme možnost, kdy bychom přetopenou místnost chladili, např. systémem fan-coil (je-li instalován) nebo třeba otevřením okna, což by bylo z energetického hlediska nesmyslné. Za druhý vstup lze považovat ztráty – spontánní vyrovnávání teploty v místnosti s teplotou vnějšího prostředí. Tepelné ztráty se uplatňují trvale – jak v průběhu aktivního topení, tak při jeho vypnutí. Intenzita tepelných ztrát se zvyšuje s rozdílem teplot uvnitř a vně místnosti a závisí na kvalitě izolace pláště budovy (tepelné propustnosti zdiva a oken, popř. na „tepelných můstcích“). Dynamika tepelných ztrát je určována schopností akumulace tepla v plášti budovy. Nově postavené a renovované budovy se vyznačují minimálními tepelnými ztrátami („zateplení“ bývá hlavním důvodem renovace budovy). Tepelné ztráty budovy se tím minimalizují, u „nulových domů“ se blíží k nule. Je to sice pozitivní jev, ale vyžaduje změnu přístupu k řízení procesu vytápění – případné přehřátí („přetopení“) prostoru se tak stává dlouhodobým a zhoršuje pocit tepelné pohody obyvatel. Neuvažujeme-li dodatečné chlazení prostoru, je třeba proces vytápění řídit tak, aby nedocházelo k výraznému přehřívání. Dynamice tepelných procesů je účelné přizpůsobit i časový program budovy (předstih začátku a konce vytápění). Jestliže např. známe (nebo umíme změřit) dobu, za jakou po vypnutí klesne teplota v místnosti pod tolerovanou hodnotu, můžeme vytápění ukončit přiměřeně dříve. Podobně je možné optimalizovat dobu začátku vytápění. Vědomě zde pomíjíme důsledky zateplení budovy pro kvalitu vnitřního prostředí (vlhkost a znečištění vzduchu, koncentrace CO2) a možnosti řešení (např. nucená ventilace s rekuperací).Podobnou dynamiku vykazuje i varná konvice, ovšem s jinými časovými měřítky. Ilustrují ji příklady 5 a 6 v závěru předchozí části seriálu (Automa 2018, č. 5, str. 16 až 19). Tam uvedený obr. 6 znázorňuje průběh teploty vody při zapnutí a vypnutí konvice a obr. 10 průběh teploty při přerušovaném zapínání a vypínání konvice. Na obr. 7 a obr. 8 je schéma elektrického a hydraulického obvodu, jako hrubě zjednodušeného modelu procesu soustavy se dvěma vstupy. Na obr. 13 a obr. 14 jsou uvedena doplněná schémata, která respektují tepelnou kapacitu topného tělíska. Schémata na obr. 15 a obr. 16 navíc respektují i tepelnou kapacitu pláště konvice. Obdobnou dynamiku, ovšem s jinými časovými konstantami, vykazuje i místnost vytápěná elektrickým přímotopným zdrojem tepla. Podobně se chovají i jiné tepelné soustavy v domácnosti, např. elektrické podlahové topení, elektrický nebo plynový kotel, bojler, průtokový ohřívač vody nebo plynová pečicí trouba, varná deska nebo ploténka, plynový hořák, ale i ohřev vody v pračce a jiných tepelných spotřebičích. Pro většinu uvedených soustav platí, že z tepelného zdroje proudí neměnný tepelný tok. Kdyby neexistovaly tepelné ztráty, narůstala by teplota v soustavě (teoreticky) lineárně a až do nekonečna. V důsledku tepelných ztrát (které nelze nikdy vyloučit) teplo ze soustavy uniká (většinou úměrně s rostoucím rozdílem teplot), až se teplota ustálí v rovnovážném stavu, kdy je vyrovnán tepelný tok ze zdroje a tepelný tok ztrát – např. u vláknové žárovky. U většiny tepelných soustav nedochází k takto nekontrolovanému ohřevu. Například u varné konvice se růst teploty zastaví při varu vody (jestliže se všechna voda nevypaří – pak ohřev zastaví bezpečnostní pojistka). Často je ohřev cyklicky přerušován a spouštěn termostatem při regulaci teploty (např. v pečicí troubě, automatické pračce, zavařovacím hrnci). Téměř vždy je tepelný zdroj nebo spotřebič vybaven bezpečnostní pojistkou, která zabrání překročení teploty nad nastavenou hodnotu. Někdy je ohřev ovládán ručně obsluhou, např. při přípravě jídel. Selhání bezpečnostní pojistky mívá fatální následky, obvykle destrukci přístroje, požár nebo jinou havarijní situaci. Jiná situace nastává v místnostech s kapalinovým vytápěním nebo chlazením. Zde má teplosměnné médium (nejčastěji voda) dlouhodobě stálou teplotu a tepelný tok je úměrný rozdílu teplot vody a vytápěného prostoru. Patrně nejrozšířenější je teplovodní vytápění s otopnými tělesy (radiátory). Rovněž zde se lze setkat s tepelnou soustavou se dvěma vstupy. Prvním vstupem soustavy je otopné těleso, které zprostředkuje předávání teploty z topné vody do vzduchu v prostoru vytápěné místnosti. I ten působí jednosměrně – buď je zapnut (popř. s regulovaným průtokem), nebo je vypnut. Druhým vstupem jsou zase tepelné ztráty, které působí v podstatě trvale a nezávisle na stavu topného tělesa – při jeho zapnutí i vypnutí. Oproti předchozímu případu s přímotopným topidlem zde jde o statickou soustavu. Teplota vzduchu v místnosti nemůže být vyšší, než je teplota topného tělesa (neuvažujeme-li jiné zdroje tepla). Kdybychom (teoreticky) vyloučili tepelné ztráty, ustálila by se teplota ve vytápěném prostoru na teplotě topné vody. Působením druhého vstupu (ztrát) je ovšem teplota v prostoru jiná – v závislosti na venkovní teplotě (tepelných ztrátách nebo tepelných ziscích). Zjednodušeným modelem takové soustavy v oboru elektrotechniky může být elektrický obvod podle obr. 7, obr. 16 a obr. 15 – stále se odkazujeme na minulý díl seriálu – upravený tak, že zdroj proudu v levé části schématu (ik) nahradíme zdrojem konstantního napětí. Obdobně v hydraulické analogii podle obr. 8, obr. 14 a obr. 16 by v levé části schématu bylo třeba přívod s konstantním průtokem nahradit přívodem z velké nádrže (zdroje konstantního tlaku). Ve virtuálním modelu je úprava snadná, fyzikální model by byl nesrovnatelně komplikovanější (konstrukčně pracnější a v provozu méně spolehlivý) oproti připojení varné konvice – proto u ní raději zůstaňme.Při tradičním centrálním vytápění s otopnými tělesy je pro celý objekt topná voda ohřívána na stálou teplotu (obvykle v rozmezí +40 až +80 °C) ze společného regulovaného kotle nebo z předávací stanice. Průtok vody do jednotlivých radiátorů je ovládán jejich regulačními ventily (dvoustavovými nebo spojitě řízenými). Při lokálním (etážovém) vytápění bývají ventily pevně nastaveny a podle potřeby se ovládá aktivita kotle. Při kapalinovém podlahovém vytápění protéká otopné médium (obvykle voda) meandrem z trubek v hmotě podlahy a touto cestou ohřívá vzduch ve vytápěné místnosti. Teplota vody bývá jen kolem +30 °C – bylo by nepříjemné mít „horkou půdu pod nohama“. Na podobném principu (ovšem v opačném směru) působí stropní chlazení. Obdobně pracují i jiné tekutinové systémy topení a chlazení v budovách (např. klimatizace, fan-coil, stěnové vytápění apod.), ale i v technologických procesech (např. při ohřevu nebo chlazení chemických reaktorů nebo v potravinářských zařízeních). Obdobné procesy se uplatňují i v činnosti chladniček, mrazniček a tepelných čerpadel, ale i ve velkých chladírnách a mrazírnách při výrobě, dopravě a prodeji potravin, v kuchyních restaurací a výrobnách potravin. Obrázky obr. 8, obr. 14 a obr. 16 s hydraulickými schématy byly do textu zařazeny především pro názornost výkladu – snáze si lze představit plnění nebo vyprazdňování nádrží a tok kapaliny než „přelévání tepla a elektrického náboje“. Podobná problematika se objevuje i u reálných hydraulických soustav v technologických a biologických procesech, v rybníkářství a vodním hospodářství, vodárenství a lodní dopravě – např. při řízení plavebních komor. V malém měřítku se lze s dynamikou hydraulické soustavy setkat např. při vypouštění umyvadla, vany, bazénu nebo při splachování WC.Hrátky s varnou konvicí ve ZlíněDále popsané experimenty s varnou konvicí byly realizovány v laboratoři SPŠ Zlín. Při vysvětlování pojmu „regulovaná soustava“ je vhodné uvést konkrétní příklady, se kterými se žáci již setkali nebo setkávají v běžném životě, např. elektrický bojler, ploténka elektrického sporáku, vytápění místnosti nebo splachovadlo. Tyto soustavy ale nelze umístit do laboratoře, a proto nejsou vhodné jako názorné ukázky. Varná konvice se používá snad v každé domácnosti. Má tedy smysl vyzkoušet ohřev a regulaci teploty vody pomocí tohoto běžného kuchyňského zařízení. K pokusům byla použita varná konvice o příkonu 2 000 W s topným tělískem zabudovaným do dna. Při experimentech byla vždy naplněna 1 l vody. K jejímu řízení byl použit programovatelný automat Tecomat Foxtrot, který je v laboratořích SPŠ Zlín tradičně využíván. Centrální jednotkou byl modul CP1014 s modulem C-OR-0202B připojeným na sběrnicí CIB. Obr. 1. K experimentům s varnou konvicí byl použit programovatelný automat Tecomat Foxtrot s centrální jednotkou CP1014 (vlevo) a periferní modul C-OR-0202B připojený na sběrnicí CIB (vpravo)Centrální jednotka CP1014 je vybavena osmi různě nastavitelnými vstupy a šesticí reléových výstupů. Obsahuje uživatelský displej 4 × 20 znaků. Prostřednictvím systémové sběrnice TCL2 lze připojit další moduly vstupů a výstupů. Na sběrnici CIB je možné připojit další moduly ze sortimentu stavebnice elektroinstalačních prvků CFox – v popisovaném případě již zmíněný modul C-OR-0202B (www.tecomat.cz). Je navržen pro umístění do instalační krabice a osazený dvojicí reléových vstupů s přepínacími kontakty. Trvalý proud každým výstupem může být až 16 A. Modul je zároveň opatřen dvěma univerzálními vstupy. Na každý lze připojit odporový teploměr (po vhodné volbě konfigurace). Pro laboratorní experimenty byl použit polovodičový teploměr NTC12K a odporový teploměr Pt1000. Modul C-OR-0202B byl zabudován do ploché elektroinstalační krabice na omítku. Výstupy relé byly propojeny se dvěma zásuvkami.Obr. 2. Vlevo sestava přípravku pro řízení varné konvice s polovodičovým senzorem NTC12K (nahoře uprostřed), odporovým snímačem Pt1000 (vpravo nahoře) s linkou sběrnice CIB pro připojení k systému Foxtrot, vpravo přípravek s varnou konvicí Pravá zásuvka je vyvedená jako spínací a levá jako rozpínací. K modulu je pevně ve svorkovnici připojen teploměr Pt1000, druhý se připojuje zásuvkou Jack umístěnou v krytu krabice. Toto řešení dovoluje snadno připojit různé typy odporových teploměrů a ověřit jejich funkci. Druhým konektorem Jack je připojena kroucená dvoulinka sběrnice CIB pro připojení k PLC. Přechodný děj při zapnutí a vypnutíPři prvním měření byla z bezpečnostních důvodů voda v konvici ohřívána jen na +40 °C. Cílem bylo zjistit časový průběh teploty během vypnutí konvice a po následném vypnutí konvice. Zásuvka s konvicí byla řízena jednoduchým programem (v podstatě jen příkazem volání funkčního bloku) zapsaným v jazyce strukturovaného textu (ST, Structured Text), který se při výuce běžně používá: RS_konev(S := (teplota_2 < 40),R1 := (teplota_2 > 40),Q1 => ohrev_1); Jde o funkční blok pro klopný obvod typu RS. Konvice je zapnutá, je-li teplota vody nižší než +40 °C, a vypnutá při teplotě vyšší než +40 °C (při teplotě rovné 40 °C se stav nemění). Příkaz realizuje algoritmus dvoustavového regulátoru bez hystereze. K zobrazení časových průběhů byla využita funkce Data Logger systému Tecomat Foxtrot. Ten ve zvoleném intervalu (zde po 3 s) ukládá do paměti hodnoty vybraných proměnných. Výsledný blok dat lze ve formát MS Excel přenést do počítače a tam dále zpracovávat.Obr. 3. Průběh teploty ve varné konvici (modře) a její aktivity (oranžově) Časový průběh teploty vody v konvici je na obr. 3. Časové údaje na vodorovné ose (zde a v dalších příkladech) jsou ve formátu h:m:s (hodiny:minuty:sekundy). Modře je zobrazen průběh teploty, oranžově aktivity zásuvky s konvicí. Oproti obrázkům z minulých částí seriálu má zde graf poměrně hladký průběh, bez „schůdků“ a krátkých impulzů („chlupů“), způsobených kvantovacím šumem. Důvodem je delší interval vzorkování. Rovněž je zde patrná doba průtahu – doba, než se ohřeje dno konvice a začíná ohřev vody (asi 10 s zhruba v době 9:12:12 až 9:12:22). Následuje strmý a téměř lineární nárůst teploty. Při 40 °C ohřev vypne, ale teplota ještě několik sekund strmě roste, což je způsobeno rozehřátým dnem, které předává akumulované teplo a ohřívá vodu až na 45,89 °C (zhruba v čase 9:15:22), kdy průběh kulminuje, a v čase 9:15:42 teplota začíná zvolna klesat. Průběh dokumentuje setrvačnou dynamiku konvice, která je zjevně soustavou druhého nebo vyššího řádu. Pro samotné topné těleso s hmotou dna lze odhadnout dynamiku alespoň druhého řádu. Po vylití horké vody a při novém plnění si lze všimnout, že dno ve styku s vodou zasyčí, což dokazuje, že teplota samotného dna je vyšší než teplota vroucí vody. Teplo akumulované ve hmotě dna se ještě delší čas po vypnutí předává vodě v konvici. Důsledkem je „tepelná setrvačnost“ – skutečnost, že po vypnutí vzroste teplota ještě zhruba o dalších 6 °C.Obr. 4. Průběh ohřevu s teploty vypnutí +30 °C: celkový průběh, počáteční úsek, kulminace po vypnutí a počátek chladnutí, detail v okolí vrcholu, ochlazování Skutečnost lze interpretovat i opačně: abychom vodu ohřáli na hodnotu v tolerančním pásmu v okolí hodnoty 46 °C, je třeba konvici vypnout již v předstihu při teplotě 40 °C. Této teploty bude dosaženo za dobu asi 2 min. Tyto údaje mohou být inspirací pro návrh „inteligentního termostatu“ – nejenom pro řízení konvice, ale i pro vytápění či chlazení místnosti. Časový údaj o trvání náběhu může být využit ke korigování časového programu pro řízení klimatu v místnosti. Situace je ale komplikovanější – hodnota překmitu i doba potřebného předstihu závisí na dalších vlivech, zejména na žádané hodnotě teploty, na intenzitě a dynamice ochlazování (např. na teplotě okolí, intenzitě ochlazování a na akumulační schopnosti pláště, na proudění vody v konvici a proudu vzduchu v okolí). Proto by skutečně „inteligentní“ termostat měl mít schopnost tyto hodnoty průběžně zjišťovat (adaptovat se na měnící se podmínky). Kontrolní otázky1             Je teplota varu skutečně 100 °C vždy a všude? 2             Při jaké teplotě vře voda v obvyklých nadmořských výškách, na vrcholcích Alp a v Himálaji? 3             Jaké teploty lze dosáhnout v tlakovém hrnci?   Úlohy: 1             Vyřešte program pro co nepřesnější regulaci teploty v konvici na hodnoty 30 °C, 40 °C, 50 °C, 60 °C, 70 °C tak, že ohřev přerušíte s odpovídajícím předstihem. 2             Navrhněte algoritmus a program PLC pro automatické nalezení teploty, při níž se po vypnutí zastaví její růst (teplotu kulminace), a odpovídající doby od zapnutí. 3             Navrhněte algoritmus a program PLC pro automatické změření doby, kdy růst teploty kulminuje – pro různé hodnoty teploty, např. pro 30 °C, 40 °C, 50 °C, 60 °C, 70 °C. 4             Navrhněte algoritmus a program PLC, který zajistí zapnutí konvice tak, aby teplota kulminovala ve zvoleném čase – pro různé hodnoty teploty, např. pro 30 °C, 40 °C, 50 °C, 60 °C, 70 °C. 5             Navrhněte jinou variantu tepelné soustavy pro laboratorní experimenty, která bude mít obdobné vlastnosti jako konvice, ale bude vykazovat výrazně rychlejší dynamiku. 6             Podle náběžné části časových průběhů teploty z obr. 3, obr. 4 a podle postupů z učebnic proveďte identifikaci soustav. Jak byste postupovali při identifikaci procesu ochlazování (tepelných ztrát) podle sestupné části průběhů?(dokončení v příštím čísle) Ing. Ladislav Šmejkal, CSc., Teco, a. s., a externí redaktor Automa, Ing. Josef Kovář a Ing. Zuzana Prokopová, učitelé automatizace na SPŠ Zlín 

Kognitivní snímače v digitalizované výrobě

Fraunhoferův ústav IIS představil během veletrhu Hannover Messe 2018 početnou množinu zařízení a metod v oboru kognitivní snímačové techniky, pokládané ze jeden z pilířů při zavádění konceptu Industrie 4.0 a internetu věcí ve výrobním průmyslu.  Charakteristickým znakem konceptu Industrie 4.0 a internetu věcí (IoT) je propojování strojů, výrobních zařízení a procesů i celých výrobních linek nebo závodů a vytváření rozsáhlých sítí pro výměnu specifických uživatelských údajů. Důležitou úlohu v těchto konceptech mají inteligentní kognitivní (rozpoznávací) snímače (senzory). Jejich problematice se soustavně věnují odborníci ve Fraunhoferově ústavu pro integrované obvody IIS (Institut für Integrierte Schaltun­gen) v Norimberku, kteří vyvinuli špičková zařízení a metody k identifikaci, lokalizaci a komunikaci potřebné v oboru kognitivní snímačové techniky a systémů (sensorik). Při své práci došli k tomu, že samotná elektronika v současnosti již nevede ke špičkovému výrobku, a proto účelně zkombinovali hardware a software s progresivními technikami umělé inteligence a strojového učení. Obr. 1. Nové kognitivní snímače a systémy jsou před zavedením v průmyslu zkoušeny ve zkušebním a aplikačním středisku Fraunhoferova ústavu IIS v Norimberku (foto: Fraunhofer IIS) Současný stav Momentálně plní regály v obchodních domech zejména sériově vyráběné zboží. V budoucnu však budou výrobky individuálnější, v dlouhodobém výhledu budou některá odvětví dokonce nabízet produkty vyráběné kusově – tedy ve výrobních dávkách jeden kus. V automobilové výrobě není tento cílový stav příliš vzdálen – automobily se při výrobě individuálně upravují a vybavují podle přání zákazníka již nyní. Ve výrobním procesu toto ovšem s sebou nese mnoho problémů, které lze zvládnout pouze při použití postupů kognitivní snímačové techniky. Stručně řečeno se stavební díly musí identifikovat a lokalizovat a stroje a zařízení musí být schopné komunikovat mezi sebou a také s lidmi. To vyžaduje vhodnou automatizovanou uživatelskou výrobní logistiku obstarávající řízení rozhodovacích i výrobních procesů.  Řešení pro koncept Industrie 4.0 na příkladu montáže motoru Fraunhoferův ústav IIS nabízí k řešení uvedených úloh techniku a metody, které na veletrhu Hannover Messe 2018 představil na příkladu montáže motoru. Nabízené metody sahají od lokalizace přepravních vozíků za účelem zefektivnit skladovací postupy a zajistit dodávky patřičných motorů na odpovídající montážní stanici přes podporu montáže s inteligentním sledováním nástrojů, použití inteligentních zásobníků a vychystávacích systémů až po sledování stavu strojů. Optimalizace pracovních procesů na bázi snímaných údajů dat je přitom základem zvyšování produktivity celé továrny. Prostřednictvím nástrojů prediktivní analýzy (prognostická metoda pro stanovení budoucích událostí) lze údaje nashromážděné pomocí kognitivních snímačových systémů také využít k automatizaci řízení a sledování vnějšího dodavatelského řetězce.  Nervové buňky průmyslového internetu věcí „S kognitivní snímací technikou lze skutečně dosáhnout digitalizace výroby,“ zdůrazňuje prof. Dr. Albert Heuberger, obchodní ředitel Fraunhoferova ústavu IIS. „Kognitivní snímače jsou nervovými buňkami průmyslového internetu věcí (IIoT). Hodnoty sledovaných veličin nejen snímají, nýbrž naměřené údaje přímo vyhodnocují, činí podle nich inteligentní rozhodnutí a získanou informaci postupují podle potřeby dále. Fraunhoferův ústav IIS k tomu dodává konkrétní zařízení pro bezdrátovou komunikaci a lokalizaci v prostředí IIoT a IoT jako celku. K tomu, aby se správné údaje dostaly ve správný čas k použití na správném místě se v kognitivních snímačích využívají také metody strojového učení.“  Inteligentní zásobník si samostatně objednává doplnění Při montáži je např. na jedné straně důležité, aby dělník měl vždy v dosahu všechny potřebné díly a montážní pás se z důvodu chybějících montážních dílů nemusel zastavit. Na druhé straně by se nemělo skladovat více montážních dílů, než je nutné, protože tím rostou náklady na skladování. K tomu účelu vyvinuli odborníci ústavu IIS inteligentní zásobníky, které vědí, kde přesně se nacházejí a nakolik jsou naplněny, a podle stavu naplnění v případě potřeby automaticky objednají doplnění. Zásobníky komunikují prostřednictvím snímačové komunikační sítě s-net®, také vyvinuté ve Fraunhoferově ústavu IIS. Přitom bezdrátově komunikují jak mezi sebou, tak také s infrastrukturou a vytvářejí tímto způsobem síť typu multi-hope. Na mnohoúčelovém displeji poskytují své údaje rovněž pracovníkům v závodě – informují je tak např. o tom, když dorazí dodatečně objednaný plný zásobník. Údaje snímané zásobníky se ukládají do cloudu, kde jsou jako součást Big Data k dispozici pro analýzy.  Světlo vede skladníka labyrintem regálů Dělník na montáži potřebuje nejenom malé díly jako šrouby a matice, které lze uložit v příručních zásobnících, nýbrž také větší stavební díly, které se skladují v regálech obsluhovaných regálovými zakladači. K minimalizaci potřebného skladovacího prostoru se skladovací místa využívají flexibilně. V praxi to znamená, že tytéž montážní díly jsou v regálu uloženy pokaždé na jiném místě. Skladník je pro zrychlení práce naváděn světelným signálem optického naváděcího systému na místo v regálu, kde požadovaný produkt nalezne. Standardní optické naváděcí systémy typu pick-by-light se ovšem buď musí připojit kabelem, což znamená nesnáze při instalaci, nebo jejich baterie mají příliš malou výdrž. Při řešení projektu Pick-by-Local-Light (PbLL) je v ústavu IIS vyvíjen zcela nový vychystávací systém založený na bezdrátové snímačové síti, jejímž základem je i zde technika s-net®.  Závěr Všechna zařízení a metody prezentované Fraunhoferovým ústavem IIS na veletrhu Hannover Messe 2018 již byly podrobně vyzkoušeny v laboratořích ústavu (obr. 1) a dosáhly natolik vysokého stupně zralosti, že bylo možné začít s jejich ověřováním, spojeným s další optimalizací, v pilotních projektech v průmyslu. V současnosti běží pilotní projekty v automobilce BMW a výzkumné a vývojové projekty ve společnosti Siemens AG a u dalších partnerů, kteří všichni v části své výroby a logistiky zavedli digitální techniku za účelem cíleně podporovat své pracovníky asistenčními systémy k dosažení efektivní interakce se strojem. Další informace lze nalézt na adrese https://www.fraunhofer.de/de/presse/presseinformationen/2018/Februar/kognitive-sensorik-in-der-produktion.html. [Kognitive Sensorik in der Produktion. Pressemit-teilung Fraunhofer IIS, 6. 2. 2018.]  (Kab.) Obr. 1. Nové kognitivní snímače a systémy jsou před zavedením v průmyslu zkoušeny ve zkušebním a aplikačním středisku Fraunhoferova ústavu IIS v Norimberku (foto: Fraunhofer IIS)

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

Inspiromat pro výuku a Tecomat: co v učebnici automatizace nebylo

(část 3 – řízení tepelných soustav – od varné konvice k budovám, 2. díl) Přerušovaný ohřev a pulzně šířková modulace PWM Cílem dalších experimentů bylo dokumentovat vliv přerušovaného ohřevu na průběh nárůstu teploty vody a na schopnost „samoregulace“ – dosažení ustálené teploty. K řízení příkonu by bylo možné použít analogově pracující výkonový regulátor. Ten je ale drahý a od řídicího systému by vyžadoval analogový výstup. Pro laboratorní účely je zbytečný. V podobných situacích by mělo postačit periodické přerušování příkonu na principu pulzně šířkové modulace (PWM). Při ní je řídicí signál (akční veličina) sérií dvouhodnotových impulzů se stálou frekvencí, ale s proměnnou střídou (poměrem šířky impulzů pro zapnutí a mezer po vypnutí). Ukázka je na obr. 5. Výslednou hodnotou je okamžitá střední hodnota průběhu. K jejímu získání se používá filtr typu dolní propusti. Obvykle ale postačuje setrvačná dynamika řízené soustavy. Frekvence impulzů má být dostatečně vysoká, aby se nespojitý charakter neprojevil na kvalitě řízení. Při řízení elektromotorů se používá poměrně vysoká frekvence, k řízení varné konvice vystačí frekvence podstatně nižší – a navíc hladký průběh zde není nezbytný.Obr. 5. Tři ukázky k ilustraci principu pulzně šířkové modulace PWM (Pulse Width Modulation) – výsledný výkon je určen střední hodnotou impulzního průběhu Protože příkon konvice je 2 000 W a bylo třeba rozhodnout, jakou frekvenci a střídu zvolit, provedli jsme postupně několik pokusů a na základě vyhodnocení změřených průběhů jsme postupně zkracovali dobu sepnutí a prodlužovali dobu vypnutí. Při posledním měření jsme tak dosáhli periody 30,5 s. Pro první měření jsme nastavili doby pro spínání a vypínání 10 s a 10 s. Jednoduchý program v jazyce ST vypadá takto:   PROGRAM prgMain VAR raf :int; mem :INT; END_VAR   VAR_GLOBAL sekundy AT %S16 : INT;      //využití systémového registru pro nastavení časové prodlevy END_VAR   CASE raf OF 0 : mem := sekundy + 10;     //nastavení prodlevy 10 s ohrev_1 := 1;         //zapni ohřev raf := 1;   1 : IF mem = sekundy THEN ohrev_1 := 0;         //vypni ohřev mem := sekundy + 10;          //nastavení prodlevy 10 s raf := 2; END_IF;   2 : IF mem = sekundy THEN raf := 0; END_IF;   END_CASE; END_PROGRAM Obr. 6. Průběhy teploty vody v konvici řízené PWM se střídou pulzů 1 : 30 (1 s impulz/30 s mezera – šedá křivka), 5 : 20 (oranžově) a 10 : 10 (modře)Při druhém pokusu jsme nastavili doby pro spínání a vypínání 5 s a 20 s. Při třetím na 1 s a 30 s. Protože stále rostla teplota, v posledním pokusu jsme doby nastavili na 0,5 s a 30 s. Zde jsme se konečně dočkali ustálení teploty na 64 ° C. Doba tohoto posledního měření byla ale velmi dlouhá: měření trvalo celé 4 h. Na obr. 6 je grafické znázornění prvních tří pokusů. Teploty byly periodicky snímány po 15 s. Průběhy názorně ukazují vliv PWM na ohřev vody. Pří střídání zapnuto–vypnuto v poměru 10 : 10 teplota roste nejrychleji a již za 4 min dosahuje 75 °C. Při střídě 5 : 20 se této teploty dosáhne až za 12 min. Při střídě 1 : 30 je zřejmé, že nárůst teploty je ještě podstatně pomalejší. Na obr. 7 je průběh křivky s PWM regulací v poměru 0,5 s : 30 s. Obr. 7. Dlouhodobý průběh (téměř 4 h) teploty vody v konvici řízené PWM se střídou pulzů 0,5 : 30 – při takto malém příkonu se již dosáhne rovnováhy mezi ohřevem a tepelnými ztrátamiGrafy na obr. 6 a obr. 7 ale neukazují chování soustavy v čase po zapnutí ani kolísání teploty během zapínání a vypínání napájení. Proto jsme ještě jednou proměřili ohřev vody, avšak tentokrát se snímáním a záznamem teploty po 3 s. Průběhy pro jednotlivá měření jsou uvedeny na obr. 8. Z křivek je jednoznačně vidět zpoždění, které vzniká vlivem ohřevu dna konvice. Toto zpoždění se prodlužuje s menším dodávaným příkonem. Obr. 8. Počáteční úseky (do 2 min) průběhu teploty pro PWM se střídou 10 : 10 (žlutě), 2 : 20 (šedě), 1 : 20 (oranžově – s nižší počáteční teplotou) a 0,5 : 30 (modře) Dále se budeme věnovat křivce grafu 5 : 20 z obr. 8, která názorně ukazuje chování regulované veličiny. Při řízení pomocí PWM regulátoru by teoretický průběh regulované a akční veličiny měl vypadat podle průběhů na obr. 9. Obr. 9. Teoreticky očekávaný průběh teploty vody v konvici řízené PWM při vyloučení tepelných ztrátTo je průběh pro bezkapacitní soustavu, kde při zapnutí akční veličiny regulovaná veličina roste a při vypnutí udržuje konstantní hodnotu. V praxi se s tímto průběhem s největší pravděpodobností nesetkáme. Buď bude soustava vícekapacitní, nebo budou na soustavu působit různé poruchy, jako např. chlazení, při kterém by regulovaná veličina při vypnutí akční veličiny neudržovala konstantní hodnotu. Názorně je právě na grafu 5 : 20 z obr. 8 vidět vliv zpoždění a kapacity ohřívacího dna konvice. Obr. 10. Skutečný průběh teploty vody v konvici (modře) a řídicích impulzů PWM (oranžově) – je zde nápadný zpožděný náběh teploty oproti aktivaci topidlaNa obr. 10 je ještě jednou uveden průběh regulované veličiny 5 : 20, tentokrát v závislosti na akční veličině. Na začátku průběhu je patrný velký vliv zpoždění, kdy se voda začíná ohřívat až po 15 s. Z průběhu je také zřejmé, že při vypnutí ohřevu se skutečně zpomaluje růst teploty a že vše je silně ovlivněno kapacitou topného dna konvice.   Úlohy 1.  Obdobně k úlohám 1, 2, 3, 4 řešte problémy s využitím řízení příkonu konvice metodou PWM. 2.  Navrhněte algoritmy, popř. program PLC, pro různé metody řízení konvice metodou PWM. 3.  Navrhněte algoritmy, popř. program PLC, pro řízení konvice metodou PWM ve více stupních, popř. spojitě, obdobně jako u regulátoru typu P.  Závěrem Původním účelem měření ohřevu vody bylo ověřit, zda by bylo možné varnou konvici zařadit do výuky v laboratorních cvičeních pro sledování chování regulovaných soustav. Naším cílem bylo také proměřit charakteristiku ohřevu vody v konvici v závislosti na čase, a to při různém příkonu. Z provedených měření a rozborů vyplývá, že varná konvice je vhodná pro výuku metodiky měření teploty a pro úlohy, které nevyžadují dlouhé doby, např. dynamiku počáteční fáze ohřevu a začátku chladnutí, k ilustraci základního principu PWM. Naopak pro úlohy dlouhodobého charakteru, např. regulace s uvažováním opětného zapnutí nebo samovolné ustálení teploty při malých výkonech PWM, je konvice pro příliš dlouhé doby měření – řádově v hodinách, nevhodná. Pro tyto případy je nutné najít a konstrukčně vyřešit jiné, rychlejší modely.  Ing. Ladislav Šmejkal, CSc., Teco, a. s., a externí redaktor Automa, Ing. Josef Kovář a Ing. Zuzana Prokopová, učitelé automatizace na SPŠ Zlín O čem se v učebnicích nemluví Učebnice regulační techniky se v převážné míře zabývají řízenými soustavami a regulátory, které lze označit přívlastky: lineární, s jedním vstupem (SISO – Single Input, Single Output), s konstantními parametry (časově invariantní) a bez dopravního zpoždění. Toto upřesnění se zde obvykle ani neuvádí, takže studující získává dojem, že jiné objekty snad ani neexistují nebo nejsou předmětem regulace (teorie ani praxe). Typickým příkladem takové „vzorové řízené soustavy“ je elektrický pohon. Jeho rychlost je možné spojitě měnit od zastavení k maximální hodnotě a zpět, podle potřeby lze směr pohybu reverzovat a řídit opačným směrem se stejnou dynamikou. Pro takové soustavy je vybudována elegantní matematická teorie pro exaktní popis soustavy a jejího řízení (regulace) – volbu vhodného typu regulátoru a nastavení jeho parametrů tak, aby vykazoval požadované chování, přesnost a dynamiku procesu regulace. Tradiční teorie regulace se navíc zabývá spojitě pracujícími (analogovými) regulátory a využívá matematický aparát Laplaceo­vy transformace. Analogové regulátory se ale v praxi používají výjimečně. Se současnou součástkovou základnou jsou převážně (téměř výhradně) realizovány číslicově pracující regulátory – na bázi mikroelektronických obvodů – mikroprocesorů, signálových procesorů, zákaznických obvodů, počítačů (někdy běžných PC, častěji však průmyslových IPC, nebo jiných zabudovatelných mikropočítačů) a programovatelných automatů PLC, popř. jejich periferních modulů. Číslicové regulátory sice pracují s časovou nespojitostí (která je podstatou číslicového zpracování), ale v důsledku vysoké frekvence vzorkování se chovají téměř jako spojité regulátory a pro jejich použití lze využít v podstatě stejný teoretický aparát jako pro analogové regulátory. Pro přesný popis chování číslicových systémů (nejen regulátorů, ale třeba i číslicových filtrů) je určen matematický aparát Z transformace. Pro potřebu výzkumu, vývoje a výuky jsou často používány matematické programové produkty, s kterými je možné snadno řešit i simulace soustav různých typů a jejich řízení. Je to úžasný nástroj, který urychluje a usnadňuje práci. V simulačním prostředí lze jednoduše a názorně vytvářet modely, řešit na nich simulační experimenty a názorně graficky prezentovat výsledky. To je výhodné nejenom pro výzkumnou práci, ale i pro výuku. Problémem však je skutečnost, že se nepracuje s reálnou skutečností, ale s virtuál­ní realitou. Neodpovídá-li model skutečnosti, jde jen o „hračku“ (i když zajímavou a názornou) a získané výsledky jsou fikcí. Cílem této části seriálu je ukázat, že existují a v praxi jsou rozšířené řízené soustavy, které vybočují z kategorie „učebnicových soustav“. Jsou jimi především soustavy se dvěma vstupy, řízené jedním vstupem s jednopolaritní akční veličinou. Zdaleka to není jen ojedinělý případ varné konvice. Ta je použita jen jako názorný příklad, který zastupuje širokou třídu tepelných soustav – nejenom v technice budov, ale i v průmyslových procesech. Lze odhadnout, že takových soustav je v praxi většina. Obdobnou dynamiku vykazuje rovněž široká třída hydraulických soustav. Je možná překvapující, že podobnou dynamiku vykazují i některé mechanické nebo mechatronické soustavy, např. soustavy s nespojitým řízením. Jsou obdobou situace, kdy bychom rychlost automobilu řídili jen plynovým pedálem. Nebylo cílem seriálu „znesvětit“ tradiční teorii regulace a její výuku – jen ukázat, že se v praxi vyskytují složitější typy soustav, k jejichž řízení je nutné použít jiné algoritmy regulace než regulátor PID. Jestliže absolvent vyzbrojený znalostí tradiční teo­rie použije pro vytápění v moderní budově tradiční regulátor PID a nastaví jej „podle svého nejlepšího vědomí a svědomí“, patrně se nesetká s úspěchem. Ať nastaví jeho parametry jakkoliv, výsledek nebude odpovídat jeho představám. Avšak zpětná vazba je natolik „mocná“, že soustavu „nějak ureguluje“, ale stejného nebo lepšího výsledku by asi dosáhl s intuitivním použitím termostatu. Zvládnutí tradiční teorie regulace (skutečné „hlubinné“ pochopení) poskytuje teo­retický nadhled a chápání souvislostí, které lze s výhodou uplatnit při hledání (a nacházení) intuitivního řešení. Je zřejmé, že hledání vhodného algoritmu regulace nebude snadné – předpokládá opuštění „vyšlapaných cestiček“. Pro začátek je třeba si problém alespoň uvědomit. Bezmyšlenkovité používání naučených rutinních postupů připomíná anekdotu, kdy hledáme jehlu pod lucernou, přestože jsme ji ztratili v temném koutě – ale pod lucernou je na to lépe vidět.

WAGO X-COM S-SYSTEM se zásuvnými moduly na vstupní i výstupní straně

Systém řadových svorek X-COM® S-SYSTEM od firmy WAGO se skládá z bloků upevněných na liště DIN a zásuvných svorkových modulů, do nichž jsou připojeny vodiče. Toto řešení výrazně zkracuje dobu montáže: svorkový modul s připojenými vodiči se jednoduše zasune do konektoru v bloku na liště DIN a spojení je během sekundy hotovo. Zásuvné svorkové bloky se snadno instalují do rozváděčů a jsou ideální pro konstrukci strojů nebo v dopravní technice, protože jejich velkou předností je jednoduchá instalace ve stísněných prostorech nebo na místech s komplikovaným přístupem. Není třeba na místě připojovat do svorek zvlášť každý vodič a kontrolovat, zda je připojen ve správné pozici a zda je spojení v pořádku. K připojení konektoru do modulu stačí jedna ruka, jinak není zapotřebí žádné nářadí ani speciální přípravky. Pro ještě větší pohodlí lze použít předem připravené kabelové svazky. Všechny konektory mohou být kódované a chráněné proti záměně konektorů se stejným počtem pólů. Svorkové bloky jsou chráněné proti dotyku i bez zapojených vodičů. A další výhoda: svorkové bloky X-COM S-SYSTEM jsou kompatibilní s veškerým příslušenstvím používaným pro řadové svorky TOPJOB® S, jako jsou označovací pásky nebo propojovací můstky. Moduly X-COM S-SYSTEM budou uváděny na trh postupně od června do září 2019. WAGO-Elektro, spol. s r. o., tel.: 261 090 143 e-mail: info.cz@wago.com, www.wago.cz

Vertikální pojezdové dráhy HIWIN pro kolaborativní roboty

Společnost HIWIN představila nové pojezdové dráhy typu RX pro kolaborativní roboty, které byly navržené na základě požadavku trhu. Po těchto drahách se může pohybovat robot o celkové hmotnosti 50 kg ve svislém směru, a to až do maximální výšky zdvihu 3 m. Maximální rychlost pojezdu je nastavena na 250 mm/s, což je vhodné pro efektivní spolupráci člověka s robotem. Pohyb pojezdu je realizován ozubeným řemenem, který je poháněný servomotorem s převodovkou. Volba servomotoru je na zvážení zákazníka, pojezdové dráhy HIWIN dokáží pracovat s pohonem od téměř všech výrobců. Lineární pohyb a vysokou přesnost polohování zabezpečuje lineární kuličkové vedení HIWIN. Všechny komponenty použité v konstrukci lineárního vedení jsou z produkce firmy HIWIN. Tyto komponenty jsou připraveny k instalaci a zajišťují plnohodnotnou funkčnost zařízení. „Aktuálně připravujeme vertikální pojezdovou dráhu podle požadavků zákazníka s kompletním zakrytováním osy. Dalším požadavkem jsou kompaktní rozměry, včetně malého zástavbového půdorysu a jednoduché instalace. To jsme vyřešili tak, že dráha bude dodána jako komplet. Bude instalovány do podlahy pomocí čtyř chemických kotev a jinak není třeba další speciální asistence při instalaci,“ doplňuje Tomáš Sojka, vedoucí oddělení polohovacích systémů HIWIN s. r. o. Upozorňuje na některá úskalí vertikálního řešení: „Vzhledem k působení zemské tíže je potřeba při nastavení řízení systému vyřešit všechny možné situace, při kterých by mohlo dojít k uvolnění jezdce a jeho nekontrolovatelnému uvolnění.“ Pojezdy HIWIN jsou momentálně připravené k osazení kolaborativními roboty UR10 a Techman TM12 a TM14. Je však možné upravit řešení pro jakékoli roboty s maximální hmotností 50 kg. Dle požadavků zákazníka lze pro využití mimo oblast kolaborativních podmínek navýšit i rychlost polohování. Vertikální pojezdové dráhy HIWIN prošly fází výroby a testování prototypů, kdy se odzkoušely také různé varianty pohonů, a aktuálně jsou ve výrobě již konkrétní dráhy pro konkrétní pracoviště v průmyslu. Řešení je standardizované a bude zařazeno do portfolia produktů HIWIN. HIWIN s. r. o., Medkova 888/11, 627 00 Brno, Česká republika, tel.: +420 548 528 238, fax: +420 548 220 223, e-mail: info@hiwin.cz

Fórum automatizace 2019: Perspektivy a úskalí digitalizace

Na veletrhu Amper 2019 uspořádal časopis Automa Fórum automatizace. Živý program přednášek probíhal přímo na výstavní ploše pavilonu V, stánek 4.16. Mottem pátého ročníku této přednáškové akce byly Perspektivy a úskalí digitalizace. Přednášky byly uspořádány do tematických bloků: Úterý 19. 3. 2019             Digitalizace, IoT a průmysl 4.0, digitální dvojčata 10:00 Představení konceptu digitálního dvojčete továrny Tecnomatix Souhrnné přestavení možností softwarového řešení digitální továrny Tecnomatix firmy Siemens, které propojuje všechny výrobní disciplíny s výrobním inženýrstvím. A to od návrhu a plánování přes simulaci a ověřování až po samotnou výrobu a její řízení. Digitální továrna zobrazuje reálné výrobní procesy ve virtuálním prostředí. (Lukáš Seďa, Ph.D., Axiom Tech) 10:45 Nástroje pro efektivní digitalizaci výroby Střízlivý a racionální pohled na to, co se skrývá za některými slogany a módními termíny používanými v souvislosti s digitalizací výroby a koncepcemi průmyslu 4.0. Bude ukázáno, jak může pomoci programové prostředí Control Web a jak lze efektivně realizovat digitálně propojenou automatizaci výroby. (Roman Cagaš, Moravské přístroje) 11:30 Síť NB-IoT a partnerská řešení Představení a aktuální informace o síti NB-IoT společnosti Vodafone v ČR a v zahraničí. Benefity a možnosti sítě, příklady využití NB-IoT v praxi a partnerská řešení využívající NB-IoT. (Pavlína Zemanová, Ladislav Reday, Vodafone Czech Republic) 12:45 Alquist: jak být lepší díky konverzační umělé inteligenciKonverzační AI Alquist byla dvakrát za sebou oceněna v mezinárodní soutěži Amazon Alexa Prize.(Jan Pichl, Petr Marek, FEL ČVUT v Praze) 13:30 SimONet, nástroj pro sběr, vizualizaci a analýzu dat technologiemi IoT Patří internet věcí do světa průmyslu? Dokážou mladé technologie obstát v optice průmyslového vidění a najít si své místo vedle lety ověřených systémů a technologií? (Petr Hasman, ZAT) 14:15 Nástroje pro vývoj systémů prediktivní údržby Pro spolehlivý chod technických systémů i výrobních procesů je důležitá efektivní údržba. Matlab poskytuje skupinu nástrojů pro návrh, vývoj i nasazení systémů prediktivní údržby, které se opírají o statistickou analýzu, umělou inteligenci, modelování a simulaci systémů. (Jaroslav Jirkovský, Michal Blaho, Humusoft)   Středa 20. 3. 2019            Strojové vidění a umělá inteligence 9:15 Učící se systémy při rozpoznávání obrazu v automobilovém průmyslu Na příkladu reálného nasazení šesti nezávislých konvolučních sítí pro zpracování obrazu v automobilce ukazuje prezentace výhody a problémy využití tohoto typu klasifikátoru v průmyslové praxi. (Otto Havle, FCC PS) 10:00 Zprovoznění robotické linky v digitální továrně Tecnomatix Přestavení softwarového řešení digitální továrny Tecnomatix od společnosti Siemens zaměřené na robotizaci a automatizaci výroby pomocí softwaru Process Simulate s nástroji pro návrh layoutů robotických linek, off-line programování i virtuální zprovoznění, včetně simulace práce člověka i ve spojení s robotem. (Lukáš Seďa, Ph.D., Axiom Tech) 10:45 Rozšířená realita pro programování kolaborativních robotů Co je to rozšířená realita? Jaké jsou možnosti využití této technologie v průmyslu? Proč hledáme nové možnosti spolupráce s roboty? Jak v rozšířené realitě snadno naprogramovat robot? Proč to ještě není v průmyslu běžně využívané? Co je to ARCOR a k čemu na FIT VUT slouží? (Vítězslav Beran, FIT, VUT v Brně) 11:30 Panelová diskuse: Digitalizace – a co lidé? Digitalizace v průmyslu naráží na mnoho limitujících faktorů. K těm zásadním patří lidé, jak v pozicích, kde rozhodují o strategiích podniku, tak na výkonných, provozních a operátorských místech i v dělnických profesích. Jak podpořit digitalizaci a přiblížit ji lidem, o tom se bude hovořit v odborné diskusi.(časopis Automa a jeho hosté)                 Robotizace a automatizace výroby 12:45   Mobilní kolaborativní robot – stará myšlenka – nový přístup Kolaborativní roboty Techman Robot s integrovanou chytrou kamerou se dokážou pomocí kamery velmi přesně zkalibrovat do nové roviny během pár sekund. Robot je možné na univerzálním mobilním stojanu UMS převézt na druhé pracoviště a začít používat během pár minut. (Václav Blahník, Zlín Robotics) 13:30 Pohľad na súčasnú priemyselnú robotiku Predstavenie aktuálneho stavu v priemyselnej robotike základné skupiny robotov objavujúcich sa v priemyselnej výrobe, budúce koncepty, ako aj úlohy pre výskum v priemyselnej robotike. Bližišie budú predstavené aj silovo poddajné roboty a výzvy v oblasti mobilných manipulátorov. (František Duchoň, Slovenská technická univerzita v Bratislavě) 14:15 Manipulační projekty – případové studie Trend poslední doby nahrazovat lidskou sílu automatizačními řešeními se objevuje i v segmentu obráběcích strojů. Budou uvedeny případové studie automatizovaných obráběcích procesů. Zájemci si mohou přijít pro další informace do stánku Schunk – v hale V, stánek 5.09. (Martin Tišnovský, Schunk) 15:00 CANopen & IoT; budoucnost CANopen FDNejnovější trendy a vývoj v oblasti CAN FD a praktické rady pro techniky, vývojáře a integrátory systémů (v angličtině). (Reiner Zitzmann, ředitel CiA)   Čtvrtek 21. 3. 2019          Komunikace a informační systémy v průmyslu, automatizace  10:00 Správa inženýrských dat a procesů v kontextu digitální továrny Tecnomatix Chytrá infrastruktura vytvořená pomocí Teamcenteru integruje osoby, data, procesy a ostatní systémy a díky tomu poskytuje ucelené a správné informace napříč společností. Systém pro správu životního cyklu výrobku (PLM) Teamcenter řídí procesy celého životního cyklu produktu. (Lukáš Seďa, Ph.D., Axiom Tech) 10:45 Týmová komunikace VOCOVO pro velkosklady a nekancelářské prostory Viditelným prvkem jsou lehké a odolné náhlavní soupravy. Jde ale o mnohem víc. Systém VOCOVO inovativně řeší komunikaci týmů pomocí periferií pro komunikaci se zákazníky, detailních manažerských analýz pro optimalizaci a snadnou integraci do stávajících podnikových řešení. (Petr Jarošík, Milan Zorník, Joyce) 11:30 Štruktúra a diagnostika priemyselných (OT) sietí pre I4.0 Prechod od sietí Profibus k Profinet, aktívna vs. pasívna diagnostika Profinet, uvádzanie do prevádzky a akceptačné testy, prítomnosť a budúcnosť ethernetových sietí OT. (Ján Snopko, ControlSystem)                  Chytrá infrastruktura 12:45 Průmyslové systémy v automatizaci budov Řízení technických zařízení budov je dnes dobře pokryto konvenčními systémy pro chytré domácnosti. Kromě nich je možné použít i průmyslové řídicí a sběrnicové systémy. Masově využívané průmyslové systémy mají příznivou cenu a mohou poskytnout i funkční bezpečnost na jedné sběrnici s jedním řídicím systémem. (Adam Sorokač, ifm electronic) 13:30 Chytré domy s instalací KNX Mezinárodně normalizovaný stavebnicový systém inteligentních instalací zajišťuje uživatelům maximální pohodlí při vysoké energetické efektivitě. Použití tohoto systému zaručuje spolehlivost, dlouhou životnost, snadné rozšiřování o další funkce a nejvyšší bezpečnost komunikace při přístupech na dálku. (Josef Kunc, KNX národní skupina ČR) 14:15 Předpověď výroby fotovoltaických systémů pomocí skyimageru Představení různých typů předpovědí intenzity slunečního záření používané pro stanovení produkce fotovoltaických systémů. Předpověď slunečního záření je nezbytná při řízení bateriových systémů i při obchodování s energií z fotovoltaických elektráren. Kromě obvyklých typů predikce bude představena metoda nově vyvinutá na ČVUT UCEEB využívající snímkování oblohy v reálném čase. (Vladislav Martínek, ČVUT UCEEB ) Pátek 22. 3. 2019             Odborné vzdělávání, studentské soutěže a start-upy 9:15 až 12:00 Odborné vzdělávání živě a neformálněDiskusní a prezentační blok poskytne prostor k neformálnímu setkání učitelů automatizace se zástupci firem, které potřebují kvalifikované absolventy. Firma Teco a. s. zde představí své výukové projekty EDUtec a Foxee. Učitelé odborných škol budou předvádět zajímavé učební pomůcky. (TECO)

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#/