Aktuální vydání

celé číslo

04

2019

Plnicí a balicí stroje, výrobní logistika a správa skladových zásob

Průmyslové počítače, PLC

celé číslo
Rozvoj řídicích systémů Elektrárny Opatovice

1. ÚvodElektrárna Opatovice, a. s., (EOP) je významný dodavatel tepla a elektrické energie. Je schopna poskytovat také podpůrné služby (primární regulace frekvence bloku, sekundární regulace výkonu bloku, patnáctiminutová záloha). Po roce 1998 zahájila EOP intenzifikaci řízení technologie s cílem uspořit obslužný personál. Hlavním prostředkem bylo plné využití propojených řídicích systémů a jejich nadstavby. Byla sloučena operátorská pracoviště a přemístěna do společného velínu. Aby byly obsluhy připraveny na zvládání dvou a více pracovišť, bylo rozhodnuto vytvořit výukový simulátor (learning simulator) a tréninkový simulátor (operators training simulator) pro nácvik identifikace a řešení nestandardních provozních stavů, jako je najíždění a odstavování zařízení a poruch.K tomu byl vytvořen trenažér pracoviště dvou kotlů G 250 EOP včetně ovládacích prvků „mozaika“. Jde o trenažér simulačního typu, tzn. že dva parní kotle se společnou parní sběrnou a dva turbogenerátory jsou počítačově simulovány a k nim jsou emulovány řídicí automaty Sandra od firmy ZAT. Jde o model jedné parní technologické sekce. Reál­ná teplárna zahrnuje tři takové sekce, které se liší typem zapojených parních turbín (turbíny kondenzační, odběrová a protitlaká). Monitorovací a ovládací systém na simulátorech je realizován použitím provozní aplikace systému InTouch (Wonderware), která byla rozšířena vytvořením pracoviště instruktora, z nějž je řízen a monitorován výcvik. Dále bylo vytvořeno zjednodušené pracoviště strojníka pro dva kondenzační turbogenerátory, zahrnující dvoumonitorovou operátorskou stanici InTouch.Obdobně byl realizován trenažér pracoviště operátora všech elektrárenských rozvoden EOP R110kV a R6kV, včetně vyvedení výkonu do distribuční soustavy ČEZ Distribuce (dříve VČE), který je využíván pro výcvik a přezkušování elektromanipulantů. Tento trenažér je založen na třífázovém modelu šesti generátorů a rozvoden a umožňuje modelování manipulací a poruchových stavů v distribuční rozvodně a rozvodnách vlastní spotřeby. Pracoviště sestává z operátorských stanic InTouch, projekce informačního panelu (emulace nástěnného panelu od firmy Apel) a instruktorské stanice, ze které instruktor řídí a monitoruje činnost obsluhy. Na operátorském pracovišti je paralelně připojen i systém automatické regulace napětí a jalových výkonů (ASRU) koordinovaný s dispečerským pracovištěm ČEZ Distribuce.Jako poslední byly realizovány trenažéry pro výcvik obsluh záložních kotlů, které fungují jako záložní zdroje tepla v Hradci Králové, Pardubicích a v Chrudimi. Jde o plynové kotle, pro jejichž obsluhy je povinné provozovat kotel po minimální předepsanou dobu během roku. Hlavním smyslem trenažérů je možnost zajistit tuto povinnost bez nutnosti najetí kotlů. Pracoviště přímo využívá operátorské stanice kotlů (InTouch), které se pro potřebu výcviku odpojí od sběrnice automatů a připojí se k modelu kotle a řídicího systému, který je nainstalován na přenosném notebooku. Jde o inovativní řešení výrazně snižující investiční náklady na realizaci trenažérů.Jednou z inženýrských úloh simulátorů a inženýrských trenažérů je výuka a školení metod automatizace a procesu ladění parametrů regulátorů s využitím modelu bloku elektrárny a dynamických simulací. V článku je popsán „simulační“ postup ladění regulátoru pro stavový Luenbergerův regulátor s pozorovatelem aplikovaný na regulaci teploty přehřáté páry na uhelném parním kotli. Příslušnou teorií a užitím pokročilých metod řízení, včetně stavových, citlivostních a inteligentních regulátorů, snímačů a akčních členů, se zabývá i moderní česká literatura (budou uvedeny příklady). Jako zajímavost bude popsán regulační příklad tzv. „efektu nafouknutého balonku, který je též nazýván „efekt vodní postele“ či „efekt přeházeného sněhu“. 2. Základní údaje Elektrárny OpatoviceTechnologie EOP je tvořena šesti uhelnými kotli (tepelný výkon do soustavy zásobování teplem 698 MW) a šesti turbogenerátory 60 až 65 MW (celkový elektrický výkon je 363 MW). Instalované turbogenerátory jsou poháněny třemi kondenzačními turbínami, dvěma turbínami odběrovými a jednou turbínou protitlakou.Čtyři kotle jsou retrofitované s emisí NOx pod 200 mg/Nm3 a látkovými filtry s emisí tuhých znečišťujících látek pod 10 mg/Nm3. Dva kotle jsou vybaveny původními elektrofiltry. Elektrárna má dvě odsiřovací linky.Neblokové provozy tvoří hlavní výměníková stanice, chemická úpravna vody, suchá doprava popela, míchací centrum, zauhlování, chladicí věže, distribuční rozvodna R110kV, rozvodny vlastní spotřeby 6 kV a soustava zásobování teplem pro Hradec Králové, Pardubice, Chrudim a Bohdaneč. Obr. 1. Do roku 1991 byla technologie EOP řízena sekvenčními automaty na bázi reléové techniky a regulace byly realizovány elektronkovým systémem VTI (SSSR)2.1 Řízení EOP v letech 1958 až 1991Do roku 1991 byla technologie EOP řízena sekvenčními automaty na bázi reléové techniky a regulace byly realizovány elektronkovým systémem VTI (SSSR). Modernější technologie byly regulovány za pomoci modulárního systému Modin (TG5 a K5, od roku 1985) a kompaktních regulátorů Notrik (TG6 a hlavní výměníková stanice, od roku 1978). Modin i Notrik byly tuzemské výroby (ZPA). Výcvik obsluh probíhal ad hoc metodou „otec – syn“. 2.2 Řízení EOP v letech 1991 až 1998V letech 1991 až 1998 byla EOP kompletně osazena řídicím systémem ZAT E a ZAT D s operátorskými stanicemi Geadat Z300 (AEG Schneider Automation), později, od roku 1994, InTouch (Wonderware).Řídicí systém ZAT E řídil kotle, turbogenerátory, hlavní výměníkovou stanici, odsíření, chemickou úpravnu vody, suchou dopravu popela, míchací centrum, centrální regulátor výkonu, rozvodny elektřiny 110 kV, 10 kV a 6 kV. Řídicí systém ZAT D2 řídil zauhlování a čisticí stanice chladicí vody.Tyto systémy zajišťovaly funkce regulací, sekvenčního řízení, zabezpečovacích systémů, HMI a historizace dat.Výcvik obsluh systémem „otec – syn“ byl doplněn kompletními provozními předpisy MaR popisujícími funkce řídicího systému. Vznikl také první trenažér pro výcvik v ovládání PC. Plnohodnotná grafika systému InTouch však přináší první problém: obsluhy místo řízení technologie „hrají hru technologie“. 2.3 Řízení EOP v letech 1998 až 2012Po roce 1998 zahájila EOP intenzifikaci řízení technologie s cílem uspořit obslužný personál. Hlavním prostředkem bylo plné využití propojených řídicích systémů a jejich nadstavby. Byla sloučena operátorská pracoviště (z jednoho pracoviště se řídily dva kotle nebo dva turbogenerátory) a přemístěna do společného velínu. Značně tím vzrostly požadavky na obsluhy především v nestandardních provozních stavech, které se nevyskytují často. Původní systém výcviku proto již nevyhovoval. Řešením byl pouze trenažér s plnohodnotnou grafikou operátorské stanice a funkcemi co nejvíce podobnými skutečné technologii. Komplikací se však ukázala ovládací pracoviště typu „mozaika“ – viz obr. 2.Obr. 2. V letech 1991 až 1998 byla EOP kompletně osazena řídicím systémem ZAT E a ZAT D s operátorskými stanicemi Geadat Z300, později InTouchByly instalovány nové řídicí systémy pro systémovou podporu přenosové soustavy, podpůrné služby primární regulace frekvence bloku a ostrovní provoz. 2.4 Výcvik obsluh v letech 2001 až 2012Pro požadované snížení stavu obsluh bylo nutné zavést zcela jinou koncepci výcviku. Bylo třeba vytvořit pracoviště pro výcvik činnosti obsluh při nestandardních provozních stavech, jako jsou poruchy, najíždění a odstavování, a zpracovat kompletní program výcviku obsluh s dopadem na hodnocení a odměňování pracovníků. Obr. 3. V letech 1998 až 2012 byla sloučena operátorská pracoviště (z jednoho pracoviště se řídily dva kotle nebo dva turbogenerátory) a přemístěna do společného velínu2.4.1 Trenažér kotlů a turbogenerátoruZadání pro výběrové řízení trenažéru kotlů stanovovalo rozsah požadovaných funkcí modelu kotle, turbogenerátoru a společné parní sběrny včetně funkční „mozaiky“ pro trenažér. Vybraná nabídka obsahovala tři operátorské stanice InTouch (dva kotle a jeden turbogenerátor), kompletní pracoviště „pult/mozaika“ dvou kotlů a pracoviště instruktora. Základní schéma trenažéru je na obr. 4, pracoviště trenažéru kotlů je na obr. 5. Obr. 4. Základní schéma trenažéru dvou kotlů a turbogenerátoru2.4.2 Dispečerský trenažér elektrorozvodenDispečerský trenažér elektrorozvoden byl určen pro standardní i nestandardní manipulace prováděné prostřednictvím řídicího systému ZAT nebo mimo něj (hardwarové ovládací prvky, regulace buzení). Bylo nutné nacvičit koordinaci činností se strojníkem při fázování turbogenerátoru, činnost při poruchách typu jedno-, dvou- či třífázových zkratů v různých místech rozvoden, řízení napětí v rozvodně R110kV a v rozvodnách 6 kV vlastní spotřeby, změny frekvence, ostrovní provoz a změny spotřeby v síti 110 kV dané změnou zátěžného úhlu.Obr. 5. Pracoviště trenažéru kotlůSestavu trenažéru tvořily dvě operátorské stanice PC pro manipulanta se třemi monitory, jedna stanice PC pro instruktora, dataprojektor pro projekci funkčního obrazu mozaiky od firmy Apel a hardwarové prvky pro ovládání náhradního buzení turbogenerátoru.Základní schéma trenažéru je na obr. 6, pracoviště trenažéru rozvoden je na obr. 7. 2.4.3 Trenažér záložních zdrojůTrenažér záložních zdrojů (jediný, který se dosud plně využívá) obsahuje simulační model PLC a technologie záložních zdrojů K13 Chrudim a K15 a K16 Hradec Králové. Trenažér využívá operátorskou stanici příslušného zdroje, kterou, po odpojení od provozní sběrnice, připojuje k modelu PLC a technologie instalovanému na přenosném notebooku. Na operátorské stanici se pro výcvik spouští instruktorská aplikace, výcvik probíhá při odstaveném technologickém zařízení a nahrazuje povinné hodiny obsluhy na jedoucím zařízení. Přínosem je úspora paliva kotlů při povinném výcviku obsluh a nízké investiční náklady na trenažér díky využití reálného pracoviště. Základní schéma trenažéru je na obr. 8, pracoviště trenažéru topiče je na obr. 9. Obr. 6. Základní schéma trenažéru rozvoden2.5 Současný stavSoučasný stav je ovlivněn těmito skutečnostmi:retrofit čtyř kotlů, instalace nového řídicího systému ZAT Sandra na čtyřech kotlích, hlavní výměníkové stanici a šesti turbogenerátorech,instalace nových ochran a řídicího systému na rozvodnách 110 kV, 10 kV a 6 kV,výstavba nového odsíření.Trenažér kotlů a turbogenerátorů je tedy pro výcvik nepoužitelný, protože neodpovídá nové skutečnosti. O realizaci nového trenažéru zatím nebylo rozhodnuto.Obr. 7. Pracoviště trenažéru rozvodenTrenažér rozvoden lze nyní využívat v omezeném rozsahu (jako generický – výukový, viz dále klasifikace trenažérů), neboť po rekonstrukci rozvoden neodpovídá nové realitě (není to výcvikový trenažér typu replika). Upgrade je zařazen v investičním plánu 2018 a v současnosti probíhá jeho realizace.Trenažéry záložních zdrojů jsou plně využívány ke spokojenosti provozovatele.Informace o trenažérech EOP byly průběžně publikovány v odborných článcích, v prezentacích na seminářích a konferencích. Technické údaje a popisy trenažérů EOP byly uvedeny na konferencích Poděbrady v letech 2003 až 2017 [1], [2], [3], [4], [5], [6], [7]. Obr. 8. Základní schéma trenažéru záložních kotlů3. Inženýrské využití simulátorů a trenažérů v oblasti regulace a automatizaceInženýrské porozumění technologickému procesu a jeho správné operátorské provozování jsou prostředky pro optimalizaci provozu (ekonomickou i technologickou). Domluva mezi objednatelem (provozovatelem) výrobny a dodavatelem simulátoru je však komplikovaná a zdlouhavá (zejména je-li jeden z partnerů „nováčkem“). V rámci inženýrinku si objednatel a provozovatel simulátoru (např. elektrárenská nebo teplárenská společnost) musí položit několik otázek.Otázka 1: Jaký je cíl výuky, školení a tréninku? Je to trénink všech operátorů (topičů, strojníků, manipulantů a elektrodispečerů), nebo pouze jedné skupiny operátorů? Je to trénink operátorů z více elektráren, nebo pouze operátorů jednoho bloku?Otázka 2: Jaký má být rozsah školení a tréninku? Bude simulátor pouze školicí pomůckou, nebo bude využíván v uceleném systému výuky, včetně učebnicové výuky teo­rie fyzikálně-tepelných procesů, nebo psychologických testů školených žáků? Bude využíván pouze generický zjednodušený trenažér, nebo specifický trenažér typu replika plného rozsahu?Otázka 3: Jakých výsledků chce objednatel dosáhnout školením a tréninkem? 3.1 Klasifikace simulátorů a trenažérůObecně se rozeznávají tři základní typy simulátorů a trenažérů.První jsou výukové simulátory (learning simulators). Ty jsou určeny pro výuku základních principů, provozních jevů a dynamických charakteristik typických technologických zařízení, např. uhelného parního bloku či distribuční nebo přenosové sítě. Jako výukové simulátory se mohou použít zjednodušené generické modely.Druhé jsou inženýrské simulátory (engineering simulators), které jsou určeny např. pro zjištění vlivu změny konstruk­čních parametrů na dynamiku bloku, ověření vhodných regulačních smyček a nastavení parametrů regulátorů, pro analýzu přechodových a jiných dějů apod. V tomto případě mohou být použity detailní modely celého zařízení (full scope) nebo pouze specifické detailní modely (part task) jednoho technologického zařízení. Třetí jsou výcvikové trenažéry (operatortraining simulators, OTS), určené pro periodické školení a trénink operátorů, popř. jiného provozního personálu. Pro výcvikové trenažéry se používají plnorozsahové modely s věrnou kopií pracoviště obsluhy – replikou.Obr. 10. Závislost investičních nákladů na typu simulačního trenažéruNa obr. 10 je závislost investičních nákladů na typu simulačního trenažéru. V tab. 2 je informativní cena dodávky simulačního trenažéru (v normovaných cenových jednotkách). Je třeba upozornit na to, že z metodických důvodů je použita lineární závislost. Z obr. 10 je zřejmé, že závislost lineární není, a proto údaje v tab. 2 plně neodpovídají skutečnosti.Indikativní seznam potřebných dokumentů k vývoji modelů energetických zdrojů a trenažérů či simulátorů lze specifikovat takto:provozní předpisy – obecné pochopení a scénář vývoje modelu,schéma potrubního propojení a provozních přístrojů (Process & Instrumentation Diagrams, P & ID) – specifikace měřicích prvků a regulačních obvodů,specifikace a parametry řídicích a regulačních smyček,SCADA/HMI,technologická schémata, např. kotel: voda – pára, vzduch – spaliny, palivo – struska; teplárna: teplárenské kotle – parní sběrna – turbosoustrojí; bloková: kotel – turbosoustrojí; zapojení elektrorozvoden: jednopólová schémata, detailní zapojení, vyvedení elektřiny,projekt, projektová schémata (Basic & Detail Design, tj. úvodní a prováděcí projekt), konstrukční výkresy,výpočty: energetická a hmotnostní bilance, tepelný, hydraulický a aerodynamický výpočet kotle a turbíny, elektrické výpočty generátoru a rozvodny, zkraty,provozní měření veličin s periodou měření podle časových konstant přechodových dějů, identifikace parametrů a přenosových funkcí, validace a verifikace modelů.Příklad podkladové dokumentace je na obr. 11. Obr. 11. Schéma PI & D napájení uhelného bubnového parního kotle v teplárně3.2 Inženýrské ladění parametrů regulátorůJednou z inženýrských aplikací je ladění parametrů regulátoru s využitím modelu bloku elektrárny. Základem je emulace základní úrovně řízení. Blokové emulované schéma řídicího systému ZAT je na obr. 12, následný graf na obr. 13 ukazuje jeden simulační krok ladění regulátoru podle vybraného kritéria kvality regulace.Všechny PID regulátory (bloky REG. 1, REG. 2 v obr. 12) jsou realizovány Z-transformací ze spojitého PID regulátoru, který je popsán rovnicí: vzorec (1)kde:u(t) je výstup regulátoru,r0    zesílení regulátoru,e(t) regulační odchylka,TD derivační časová konstanta,TI   integrační časová konstanta.Tato rovnice je transformována trapezoidní metodou do diskrétní verze regulátoru [20] na tvar: vzorec (2)kde T je perioda vzorkování.Obr. 12. Blokové schéma řídicího a regulačního systému regulace hladiny v bubnuNa obr. 13 je vybraný simulovaný průběh polohy hladiny v bubnu v průběhu ladění regulátoru hodnocený podle maximálního překmitu, počítáno pro kritérium optimálního modulu. Odpovídající průběh hladiny v bubnu, tak jak ho vidí operátor – topič na reálném monitoru se systémem SCADA (zde použit systém InTouch od firmy Wonderware), je na obr. 14.Dynamický simulační model může být také využit při vypracovávání návrhu řídicího systému pro regulované procesy. Řídicí schéma a regulační algoritmus musí však být stejné jako v distribuovaném řídicím systému skutečného provozu. Rozhraní HMI je realizováno v systému SCADA InTouch. Komunikace mezi systémy Matlab-Simulink a InTouch je založena na standardních protokolech DDE nebo OPC. Obr. 13. Vybraný simulovaný průběh hladiny v bubnu při ladění regulátoru hodnocený podle maximálního překmitu, počítáno pro kritérium optimálního modulu4. Pokročilé metody řízeníÚvodem k této kapitole je možné upozornit na metody řízení použitelné k řízení parních kotlů:dopředné řízení,PID regulátory,PID regulátory v kombinaci s korekčními tabulkami,využití vnitřního modelu,fuzzy logika a fuzzy regulátory,samoorganizující se Kohonenovy mapy,neuronové sítě,stavové regulátory.Mezi nejznámější spojité stavové regulátory, nazývané též stavové estimátory, patří Luendbergerův pozorovatel. Pro diskrétní stavové formulace je nejčastěji používán Kálmánův filtr, který je vhodný pro zašuměné signály. Je dobré zdůraznit, že pro oba typy regulátorů lze čerpat z původní české literatury, protože teorie a aplikace Kálmánova filtru a Luenbergerova pozorovatele byly v minulosti českými autory velmi podrobně řešeny. Problematikou Luenbergerova pozorovatele, popř. jeho rozšířeného tvaru, se v minulosti velmi důkladně věnoval zejména prof. Jan Štecha a následně i jeho žáci, např. prof. Vladimír Havlena. Autor článku má k následujícímu tvrzení osobní důvody, protože sám úspěšně použil (již před třiceti lety) rozšířený Luenbergerův pozorovatel na regulaci uhelných parních kotlů. Tento regulátor byl dokonce patentován ve společnosti Škoda Praha.Obr. 14. Monitorovaný simulovaný průběh regulovaného přechodového děje hladiny v bubnuVývoj a ověření některých pokročilých algoritmů řízení pro dynamický model je také možné, ale pouze v rámci inženýrských simulátorů. Jedním z typů stavových regulátorů je Luenbergerův stavový regulátor [8], [9], [10], [11]. Například rozšířený Luenbergerův stavový regulátor s pozorovatelem pro teplotu přehřáté páry byl vyvinut pro parní kotle na práškové uhlí v elektrárně ShenTou 500 MW v okrese Shan Si v Číně [12].Je užitečné zmínit jednu charakteristickou vlastnost regulátoru (efekt nazýván „efekt nafouknutého balonku“), která se projevila právě při přípravě regulace přehřáté páry pro blok 500 MW. Lze uvést, že v jiné literatuře ([21]) je nazýván „efekt vodní postele“ a někde „efekt přeházeného sněhu“. Jde o to, že zvětšení zesílení v určitém pásmu frekvencí vyvolá snížení zesílení na jiných frekvencích (zde při překmitu) a naopak při zvětšení zesílení regulátoru se zvětší překmit frekvenční charakteristiky a zmenší zesílení na nižších frekvencích. Tento jev nastává, je-li rozdíl řádu jmenovatele a čitatele přenosové funkce alespoň 2 nebo jestliže se v přenosové funkci vyskytují nestabilní nuly. Jde o určité omezení v požadavcích na průběh citlivostní funkce. Kvalitu regulačního pochodu negativně ovlivňují i nestabilní póly přenosu, dopravní zpoždění a omezení akční veličiny.Na základě analýzy bylo prokázáno, že regulační rozsah se zvětšil právě jen ve sledovaném a provozně důležitém frekvenčním pásmu – pásmu kritických frekvencí. S regulací bez prediktoru překmit vysoko překračoval povolený rozkmit regulované veličiny. S regulací s prediktorem se překmit posunul do vyšších frekvencí a v pásmu kritických frekvencí je regulační rozkmit menší než požadovaný.„Někde“ v parním kotli vznikaly kmity o určité frekvenci, které se přenášely až na výstup kotle, tzn. na teplotu přehřáté páry, a právě tyto kmity bylo důležité potlačit v rámci regulace. Nutno poznamenat, že na přesnou příčinu vzniku kmitů této citlivé frek­vence se nikdy nepřišlo.Zmenšení regulačního rozkmitu teploty přehřáté páry bylo provozně i ekonomicky velmi důležité, protože při zmenšení rozkmitu je možné zvýšit žádanou hodnotu teploty přehřáté páry, a každé zvýšení i jen o 1 K představuje vzhledem ke zvýšení účinnosti kotle úsporu mnoha vagonů hnědého uhlí. Bližší údaje jsou v literatuře [13].Z uvedených důvodů se hledal jiný typ regulátoru, který by kritické kmity odstranil. Na základě požadavku byl vyvinut právě rozšířený Luenbergerův stavový regulátor s pozorovatelem [10], [11]. Autor článku společně s akademickými pracovníky ČVUT FEL z katedry řízení (Jan Štecha, Vladimír Havlena) navrhli a úspěšně vyzkoušeli tento typ stavového regulátoru. Během přípravy na implementaci na blocích ShenTou 2× 500 MW v Číně byla zpracována a posléze podána patentová přihláška Zapojení regulačního obvodu se stavovým pozorovatelem regulovaného systému s přepínáním vstupu, stavovým regulátorem, sledovací integrační a dopřednou vazbou, pozorovatelem a regulátorem neměřitelné poruchy [22].Simulátory a trenažéry a jejich využití v energetice popisoval autor na mnoha tuzemských, ale také zahraničních sympoziích a kongresech [14], [15], [16], [17], [18], [19]; včetně jejich využití pro výuku automatizační techniky a regulátorů. Teorií a aplikací pokročilých metod řízení se zabývá i moderní česká literatura, včetně stavových, citlivostních a inteligentních regulátorů, snímačů a akčních členů [21]. Zájemci o podrobnější informace jsou proto odkazováni na ni. 5. Závěr a budoucnostPro všechny trenažéry EOP byla zpracována metodika využívání a začlenění do systému výcviku provozního personálu. Použití trenažérů uspořilo počet obsluh, snížilo spotřebu plynu (trenažéry záložních zdrojů) a chybovost v práci obsluh.Trenažér kotlů a turbogenerátorů je přesto v současné době odstaven, protože kotle po retrofitu se již odlišují od modelu, a také vzrostl počet monitorů pro jeden kotel na čtyři místo dřívějších dvou. Od upgradu trenažéru bylo zatím upuštěno pro nedostatek obsluh, protože výcvik na trenažéru by vedl k nárůstu přesčasové práce.Trenažér elektrárenských rozvoden je využíván v omezeném rozsahu. V minulých několika letech byly postupně rekonstruovány rozvodny 6 kV, ochrany (nyní jsou instalovány ochrany Siemens) a bezpečnostní systémy, což bylo nutně spojeno se změnami v řízení a manipulaci, a tedy i v řídicím a informačním systému a vizualizaci InTouch. Upgrade trenažéru je zařazen do investičního plánu pro rok 2018 a v současnosti probíhá jeho realizace.Trenažéry záložních zdrojů jsou v současnosti plně využívány ke spokojenosti provozovatele a je předpoklad využívat je v budoucnosti, protože není plánována žádná zásadní rekonstrukce technologie ani řídicích systémů.Tréninkové a inženýrské simulátory jsou hlavním nástrojem určeným ke školení a trénování provozního personálu elektráren a elektrizačních soustav, ale také pro inženýrské úlohy v oblasti automatizace energetiky a řízení procesů.Z pohledu koncepce průmyslu 4.0 (Industry 4.0), kam je řazena i energetika, odpovídají požadavky na modelování a simulaci elektráren a tepláren pojmu digitální dvojče. Literatura:[1] NEUMAN P. a kol. Tréninkové simulátory elektráren a tepláren pro provozní personál v České republice. In: EGÚ Praha Engineering, a. s. 8. ročník odborné konference Poděbrady. 2003.[2] NEUMAN P. a kol. Dynamické modely TG a soustav (rozvodny, distribuční a přenosové soustavy) pro DTS. In: EGÚ Praha Engineering, a. s. 11. ročník odborné konference Poděbrady. 2006.[3] NEUMAN P. Dispečerské trenažéry pro trénink manipulací v kritických stavech elektrizační soustavy. In: EGÚ Praha Engineering, a. s. 12. ročník odborné konference Poděbrady. 2007.[4] NEUMAN P. BlackStart jako speciální případ ostrovního provozu. In: EGÚ Praha Engineering, a. s. 14. ročník odborné konference Poděbrady. 2009.[5] NEUMAN P. Dispečerské trenažéry a inženýrské síťové simulátory pro SMART elektrizační soustavy. In: EGÚ Praha Engineering, a. s. 17. ročník odborné konference Poděbrady. 2012.[6] NEUMAN P. Požadavky na tréninkové a inženýrské simulátory – společný trénink provozovatelů elektrizačních soustav (PPS, PDS) a operátorů elektráren (jaderných, paroplynových, uhelných). In: EGÚ Praha Engineering, a. s. 18. ročník odborné konference Poděbrady. 2013.[7] NEUMAN P. Simulační srovnání elektromechanického modelu synchronního stroje s jeho mechanickým modelem analogovým. In: EGÚ Praha Engineering, a. s. 22. ročník odborné konference Poděbrady. 2017.[8] KUBÍK S., KOTEK Z., STREJC V. a ŠTECHA J. Teorie automatického řízení I: Lineární a nelineární systémy. Praha: SNTL, 1982.[9] ŠTĚCHA J. Obecná teorie systémů. Praha: ČVUT, 1978.[10] LUENBERGER D. Canonical forms for linear multivariable systems. In: IEEE Transactions on Automatic Control. 1967, 12(3), 290–293. DOI: 10.1109/TAC.1967.1098584. ISSN 0018-9286. Dostupné také z: http://ieeexplore.ieee.org/document/1098584/[11] LUENBERGER D. G. Introduction to dynamic systems: theory, models, and applications. New York: Wiley, c1979. ISBN 04-710-2594-1.[12] NEUMAN P, HUSTÁK P., ŠTECHA J. a HAVLENA V. STATE CONTROLLER/OBSERVER DESIGN FOR SUPERHEATER TEMPERATURE CONTROL USING “STAF­CON” CADCS SYSTEM. In: Computer Aided Design in Control Systems 1988. Elsevier, 1989, 1989, 383–389. DOI: 10.1016/B978-0-08-035738-6.50066-5. ISBN 9780080357386. Dostupné také z: https://linkinghub.elsevier.com/retrieve/pii/B9780080357386500665[13] NEUMAN P. Nové přístupy a metody řízení technologických procesů energetických bloků: Technická informace č. 6. Praha: Škoda Praha – KKPA, 1987.[14] NEUMAN P. Engineering Simulators for Fossil Power Plant. In: IFAC Proceedings Volumes. 1997, 30(17), 343–351. DOI: 10.1016/S1474-6670(17)46431-7. ISSN 14746670. Dostupné také z: https://linkinghub.elsevier.com/retrieve/pii/S1474667017464317[15] NEUMAN P., MÁSLO K., ŠULC B. a  JAROLÍMEK A.  Power System and Power Plant Dynamic Simulation. In: IFAC Proceedings Volumes. 1999, 32(2), 7294–7299. DOI: 10.1016/S1474-6670(17)57244-4. ISSN 14746670. Dostupné také z: https://linkinghub.elsevier.com/retrieve/pii/S1474667017572444[16] NEUMAN P., MAREK P., VARCOP L. a WEIGELHOFER W. Engineering and Operator Training Simulator of Coal-fired Steam Boiler. In: Technical Computing Prague. Praha: Humusoft, 2002. ISBN 80-7080-500-5.[17] NEUMAN P., MAREK P., VARCOP L. a WEIGELHOFER W. Operator Training Simulator of Coal-fired Power and Heating Plants. In: Technical Computing Prague. Praha: Humusoft, 2003. ISBN 80-7080-526-9.[18] NEUMAN P., MAREK P., VARCOP L. a WEIGELHOFER W. Operator Training and Engineering Simulator of Fossil-fired Power and Heating Plants. In: 6th Int. Conference Control of Power Systems – CPS’04. Štrbské Pleso: STU Bratislava, 2004.[19] NEUMAN P. Power Plant and Boiler Models for Operator Training Simulators. In: IFAC Proceedings Volumes. 2011, 44(1), 8259–8264. DOI: 10.3182/20110828-6-IT-1002.00403. ISSN 14746670. Dostupné také z: http://linkinghub.elsevier.com/retrieve/pii/S1474667016449372[20] BALÁTĚ J. Automatické řízení. 2., přeprac. vyd. Praha: BEN – technická literatura, 2004. ISBN 80-730-0148-9.[21] MACHÁČEK J. Pokročilé metody řízení procesů. Pardubice: Univerzita Pardubice, 2015. ISBN 978-80-7395-937-1.[22] ŠTECHA J., HAVLENA V. a NEUMANN P. Zapojení regulačního obvodu se stavovým pozorovatelem regulovaného systému s přepínáním vstupu, stavovým regulátorem, sledovací integrační a dopřednou vazbou, pozorovatelem a regulátorem neměřitelné poruchy. ČR. Autorské osvědčení 269298. Uděleno 16. 1. 1991. Ing. Petr Neuman, CSc., Ing. Pavel HrdličkaTab. 1. Hypotetické dosažitelné výsledky pro jednotlivé skupiny školených pracovníkůHodnocení1234PrůměrGenerický simulátor začátečníci ze všech elektráren zkušení pracovníci všech divizí3,0Generický simulátor a školicí středisko všichni operátoři ze všech elektráren  2,0Specifický simulátorzkušení operátoři ze specifických blokůzačátečníci ze specifických blokůzačátečníci ze všech elektráren 2,0Specifický simulátor a školicí střediskozkušení operátoři ze všech elektrárenzačátečníci ze všech elektráren  1,5 Tab. 2. Informativní cena dodávky simulačního trenažéru (v normovaných cenových jednotkách)TypBlok 200 MW nebo 100 MWDva kotle a dva turbogenerátory (60 MW)Jeden kotel a jeden turbogenerátor (60 MW)Kotel 250 t/hTurbogenerátor 60 MWgenerický model a generický systém SCADA (odpovídá realitě z 50 %)4,003,002,001,200,80generický model a specifický systém SCADA (odpovídá realitě ze 75 %)6,404,803,201,921,28specifický model a generický systém SCADA (odpovídá realitě z 90 %)7,205,403,602,161,44specifický model a specifický systém SCADA (odpovídá realitě z 99 %)8,006,004,002,401,60   

Inspiromat pro výuku a Tecomat: co v učebnici automatizace nebylo

V první části seriálu autoři uvažovali o měření teploty objektů, jejichž teplota se v průběhu měření neměnila. Nyní se zaměří na obecnější případy, kdy se teplota objektů s časem mění. Příklad 1: šálek čajeObr. 1. Průběh teploty v šálku horkého a vlažného čajeNa obr. 1 jsou uvedeny průběhy teploty v šálku čaje, tentokrát měřené senzorem Pt1000 v ponorném provedení. Na svislé ose je teplota ve stupních Celsia, na vodorovné ose systémový čas ve formátu X h:XX m:X,XX s. Na obr. 1 nahoře začíná čas s počáteční hodnotou 9 h:19 min:24,82 s (systémový čas nebyl vynulován), dole začíná od nuly. V obou případech však odpovídá rastru svislých čar interval 20 s. Oproti obr. 2 a obr. 3 v části 1, kde teplota senzoru stále mírně rostla, zde po ustálení klesá. Je to způsobeno tím, že teplota těla je dlouhodobě přibližně stálá, zatímco čaj v šálku postupně chladne. Přechodový děj na senzoru probíhá i nadále, ale současně se kombinuje s klesající teplotou čaje, takže je méně patrný – přechodový děj chladnutí čaje je výraznější. Odpovídá to přirozenému požadavku, aby senzor co možná nejméně ovlivňoval měření (nejlépe vůbec). Po vyjmutí senzoru ze šálku je opět patrný průběh ochlazování senzoru na teplotu okolního vzduchu. Z obrázků je zřejmá i mírně odlišná dynamika obou senzorů. V minulé části šlo o senzory NTC a údaj senzoru byl „použitelný“ již asi po 30 s, u senzorů Pt1000 jej lze použít až po 40 s. Senzor Pt1000 je umístěn v pouzdře, které je objemnější a hmotnější než samotný senzor NTC – má tedy větší tepelnou kapacitu.Obr. 2. Elektrický obvod jako analogie měření teploty chladnoucí kapalinyV elektrické analogii si lze děj představit tak, jako bychom nabitý kondenzátor o velké kapacitě (představující šálek s horkým čajem) přes rezistor vybíjeli zdrojem nižšího konstantního napětí a současně k vybíjenému kondenzátoru připojili RC obvod odpovídající senzoru (s podstatně menší kapacitou) – obr. 2. Při hydraulické analogii by šálku čaje odpovídala částečně naplněná nádoba (do výšky odpovídající výchozí teplotě čaje) spojená s nádrží o nižší hladině, do které kapalina postupně odtéká. K této nádobě je připojena malá nádobka, která představuje senzor.Úlohy: obdobným způsobem měřte teplotu v šálku s horkým čajem, který je: zakrytý pokličkou – položený do nádoby s teplou nebo chladnou vodou – čaj je v kovovém (nebo silnostěnném) šálku nebo v šálku s dvojitými stěnami,v průběhu měření vložte do šálku masivní lžičku – nasypte cukr a zamíchejte,čaj postupně přelévejte do různých šálků a postupně měřte teplotu,měření opakujte se senzorem NTC upraveným pro ponoření v PE sáčku – utěsněným ve zkumavce (prázdné, vyplněné pískem). Příklad 2: kalibrování při varuObr. 3. Průběhy teploty vroucí vodyNa obr. 3 jsou zobrazeny průběhy teploty měřené oběma senzory (modře Pt1000 a červeně NTC) ponořenými do vroucí vody (v právě vypnuté konvici) – a po čase vyjmutými. Rastru svislých čar odpovídá interval 1 min. Je zřejmé, že senzor Pt1000 měří teplotu varu přesněji. Každý ze senzorů vykazuje jinou dynamiku při ponoření do vody i při vyjmutí. Příklad 3: kalibrování v ledové voděObr. 4. Průběhy teploty ledové vodyNa obr. 4 jsou zobrazeny průběhy teploty měřené oběma senzory (modře Pt1000 a červeně NTC) ponořenými do vody s tajícím ledem – a po čase vyjmutými. Rastru svislých čar odpovídá interval 1 min. Je patrné, že senzor Pt1000 měří přesněji i teplotu bodu mrazu. Příklad 4: k varu, k ledu a zpětObr. 5. Průběhy teploty měřené senzory ponořenými do vřelé vody, pak do ledové, zpět do vřelé a pak vyjmutýmiNa obr. 5 jsou zobrazeny průběhy teploty měřené oběma senzory (modře Pt1000 a červeně NTC) ponořenými do vřelé vody, pak do ledové, zpět do vřelé a pak vyjmutými. Rastru svislých čar odpovídá interval 2 min. Příklad 5: vaření vody v konviciObr. 6. Průběhy teploty vody v zapnuté varné konviciNa obr. 6 jsou zobrazeny průběhy teploty měřené oběma senzory (modře Pt 1000 a červeně NTC) ponořenými do rychlovarné konvice s vodou o pokojové teplotě. Pak byla výstupem PLC konvice zapnuta (zelený obdélníkový průběh) a zhruba v okamžiku varu byla vypnuta. Potom voda samovolně vychládala. Z průběhu nelze jednoznačně rozhodnout, zda vypnutí konvice způsobil její bezpečnostní spínač, nebo výstup PLC, ale druhá varianta je pravděpodobnější. Rastru svislých čar odpovídá interval 1 min. Oba senzory měří přibližně shodně a synchronně. Drobné zvlnění průběhu teploty senzoru Pt1000 při ohřevu může být způsobeno turbulentním prouděním vody kolem senzoru. Je patrné, že po dobu asi 30 s po zapnutí konvice (sepnutí výstupu PLC) se teplota vody téměř nemění a teprve zhruba po 1 min narůstá téměř lineárně – na přechodu obou částí je průběh zaoblený (vykazuje „koleno“). I po vypnutí topidla teplota ještě mírně narůstá ke 100 °C a pak postupně klesá v důsledku chladnutí konvice. Souvislosti a analogieObr. 7. Elektrický obvod jako zjednodušená analogie měření teploty ve varné konviciPo zapnutí je voda v konvici ohřívána topným tělískem, které má konstantní elektrický příkon a způsobuje růst teploty se stálou rychlostí. Kdyby var vody neomezil nárůst teploty kolem 100 °C a kdyby byl odstraněn bezpečnostní vypínač, narůstala by teplota teoreticky nade všechny meze – až ke zničení tělíska. Zjednodušenou elektrickou analogií je obvod na obr 7. Konstantnímu příkonu konvice odpovídá ve schématu zdroj konstantního proudu. Kapacita kondenzátoru C1 spolu s rezistorem R1 modeluje tepelnou kapacitu vody v konvici při ohřevu, zatímco větev C1–R2 modeluje tepelnou kapacitu vody v konvici při ochlazování. Hydraulická analogie je na obr. 8.Obr. 8. Zjednodušená hydraulická analogie měření teploty ve varné konvici Objem první nádrže odpovídá tepelné kapacitě vody v konvici, druhá (teoreticky nekonečná) nádrž odpovídá vnějšímu prostředí. Konstantnímu příkonu konvice zde odpovídá plnění nádrže s konstantním přítokem (z vodovodu). Analogickou situací v technice budov je vytápění místnosti přímotopným zdrojem tepla. Popsaná soustava se označuje jako integrační nebo též astatická. V blokových schématech se pro ni používá schematická značka podle obr. 9. Obr. 9. Schematická značka integrační (astatické) soustavyPříklad 6: přerušovaný ohřev v konviciAbychom se vyhnuli situaci v blízkosti bodu varu (nejasnosti o důvodu vypnutí topidla a jiné dynamiky vody v blízkosti varu), je na obr. 10 zobrazen průběh teploty vody (měřené jen senzorem Pt1000) při přerušované aktivitě topidla (zelený obdélníkový průběh). Rastru svislých čar odpovídá interval 20 s.Obr. 10. Průběh teploty vody v konvici s přerušovanou aktivitouNa všech úsecích průběhu je patrné, že vždy po zapnutí topidla se teplota téměř nemění a teprve později mírně narůstá (téměř vodorovný a pak zaoblený průběh, který přechází do strmě rostoucí fáze). Ta překvapivě pokračuje i po vypnutí topidla, než přejde do klidového, téměř vodorovného úseku (krátkodobé ochlazování). Teprve po konci poslední aktivní fáze následuje konečné pomalé chladnutí. Příklad 7: ohřev se zpomaleným senzoremObr. 11. Průběh ohřevu vody se zpomaleným senzoremPro zvýraznění situace při zapnutí a vypnutí topidla byl použit senzor NTC zasunutý do prázdné skleněné zkumavky. Na obr. 11 je zobrazen celý průběh ohřevu a chladnutí vody (a v závěru samotného senzoru). Rastru svislých čar odpovídá interval 90 s (1,5 min). Detail počátečního úseku je zobrazen na obr. 12. Rastru svislých čar odpovídá interval 20 s. Obr. 12. Detail počátku průběhu z obr. 11Souvislosti a analogieObr. 13. Zjednodušená elektrická analogie varné konvice s respektováním kapacity tělískaSchémata na obr. 7 a obr. 8 jsou jen velmi zjednodušenými analogiemi, protože nerespektují tepelnou kapacitu topného tělíska. Té ve schématu na obr. 13 odpovídá další stupeň obvodu RC s kapacitou Ct (kondenzátor Ct). V hydraulickém schématu na obr. 14 odpovídá kapacitě tělíska první nádrž. Obr. 14. Zjednodušená hydraulická analogie varné konvice s respektováním kapacity tělíska Tímto uspořádáním vznikne soustava druhého řádu, která se vyznačuje určitou setrvačností. Jejím důsledkem je opožděný nárůst teploty při začátku ohřevu a pokračující nárůst teploty po skončení ohřevu. Ve skutečnosti bychom měli respektovat ještě další stupně – topnou spirálu, výplň tělíska a jeho plášť. Tím by se řád soustavy konvice ještě zvýšil a model by více odpovídal skutečnosti. Obr. 15. Elektrická analogie varné konvice s respektováním kapacity tělíska a pláště konviceObr. 16. Hydraulická analogie varné konvice s respektováním kapacity tělíska a pláště konviceSchémata na obr. 15 a obr. 16 navíc respektují tepelnou kapacitu pláště konvice, která se uplatňuje při ochlazování jejího obsahu. Toto uspořádání modeluje i situaci v místnosti vytápěné přímotopným zdrojem tepla – s přiměřeně delšími časovými konstantami. Modelu teplovodního vytápění (s topnými tělesy nebo s podlahovým vytápěním) by odpovídalo obdobné uspořádání, kde by byl zdroj proudu nahrazen zdrojem napětí. Ing. Ladislav Šmejkal, CSc., Teco, a. s., a externí redaktor Automa,Ing. Josef Černý, někdejší student Fakulty dopravní ČVUT,Ing. Josef Kovář, učitel automatizace na SPŠ ve Zlíně

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

Snímače teploty do prostředí se zvýšenými požadavky na hygienu a sanitaci

Článek doprovázející přehled trhu snímačů teploty splňujících zvýšené požadavky na hygienu a sanitaci popisuje funkční principy a uspořádání snímačů teploty, které musí vyhovovat požadavkům potravinářských a farmaceutických výrobních provozů, v nichž se používají čisticí a sanitační procesy CIP a SIP. V závěru článku jsou uvedeny hlavní zásady pro montáž snímačů teploty spolu s popisem dynamických vlastností snímačů.  Obecně o snímačích teploty Teplota je veličina, která ovlivňuje téměř všechny stavy a procesy v přírodě. Při měření teploty t se využívá vždy nepřímá metoda, při níž se přímo měří obecně jiná veličina A, která je na teplotě t závislá podle určitého vztahuA = f(t)    (1)  Vztah (1) může být více či méně složitý a z něho lze hodnotu teploty číselně vypočítat [1]. Základní jednotkou termodynamické teploty je kelvin (K). Nejčastěji se teplota měří ve stupních Celsia (°C). V USA se často používá Fahrenheitova teplotní stupnice s jednotkou stupeň Fahrenheita (°F). Pro přepočet platí vztaht(°F) = t (°C) × 1,8 + 32       (2) Snímač teploty jako konstrukční celek je tvořen několika součástmi. Základním prvkem je senzor teploty (čidlo). K měření teploty se využívá mnoho funkčních principů, které pokrývají široký rozsah měření teploty. V dalším textu je věnována pozornost senzorům teploty, které poskytují elektrický výstupní signál a jsou vhodné pro provozní měření teploty. Mezi takové senzory patří termoelektrické a odporové senzory teploty. Tyto senzory transformují teplotu na elektrický signál (napětí, proud, odpor) a jsou to nejčastěji používané senzory pro provozní měření teploty, pro čidla regulátorů při automatickém řízení teploty i pro moderní přenosné teploměry. Důležitou součástí snímače je vlastní instalační aparatura opatřená připojovací hlavicí a procesním připojením pro montáž do technologického zařízení. Elektrické analogové nebo číslicové obvody pro zpracování signálu ze senzoru se buď umisťují do hlavice snímače a tvoří pak s vlastním snímačem teploty jediný konstrukční celek, nebo jsou konstrukčně odděleny a uzpůsobeny např. pro uchycení na lištu, popř. tvoří samostatnou vyhodnocovací jednotku. Snímače mohou být vybaveny programovatelným převodníkem, digitální komunikací, obvody pro diagnostiku a bezdrátovou komunikací pro přenos dat. Senzor teploty se málokdy instaluje přímo do průmyslového technologického zařízení. Častěji je se umisťuje do teploměrové jímky, která jej chrání před nepříznivými provozními vlivy. Při umístění senzoru teploty do jímky jsou vždy ovlivněny jeho dynamické vlastnosti, jak je o tom pojednáno dále. Specifické požadavky jsou kladeny na aparatury snímačů používaných v potravinářských a farmaceutických výrobách, kde se kromě rychlé odezvy a vysoké přesnosti měření vyžaduje i pravidelné čištění a sterilizace aparatury. V těchto případech je důležitým faktorem splnění požadavků na hygienu a sanitaci výrobního zařízení.  Procesy CIP a SIP v potravinářských a farmaceutických výrobách Samozřejmým postupem v potravinářských a farmaceutických výrobních procesech je čištění a sterilizace výrobního zařízení. Proto jsou výrobní linky v mlékárnách, pivovarech, v nápojovém průmyslu a ve farmaceutických výrobách uzpůsobeny tak, aby vnitřní povrchy výrobního zařízení byly vyčištěny bez nutnosti demontáže (popř. s demontáží jen v omezeném rozsahu). Proces CIP (Clean-In-Place) je metoda čištění vnitřních povrchů potrubí, nádob, technologických zařízení, filtrů a příslušného vybavení bez demontáže. Výhodou procesu CIP je pro průmyslový podnik rychlejší čištění, méně náročné na pracovní sílu a opakovatelnější. Obsluha je při vyžití CIP méně vystavena rizikovým chemickým látkám. Zařízení pro čištění CIP se začala využívat nejprve při ručním řízení a zahrnovala např. vyrovnávací nádrž, odstředivé čerpadlo a připojení k čištěnému systému. Jednoduchá, ručně ovládaná zařízení CIP lze nalézt i dnes. Současné aparatury CIP zahrnují mnoho provozních nádrží, výměníků tepla, ventilů, snímačů, plně automatizované systémy s programovatelnými logickými řadiči, čidla pro získávání dat a speciálně navržené systémy trysek pro přívod čisticích kapalin. Čisticí operace se provádějí v řadě definovaných kroků. V závislosti na případu použití jsou čisticí kapaliny zahřáty na teplotu až 100 °C. Aby byly odstraněny všechny nečistoty, je zapotřebí turbulentní proud čisticího média, přičemž rychlosti průtoku se obvykle pohybují mezi 1,5 až 3 m/s. Proces SIP (Sterilization-In-Place), někdy nazývaný také Steam-In-Place, je rozšířením procesu CIP o dodatečnou sterilizaci bez nutnosti demontáže zařízení a měřicího zařízení. Po provedení čisticího postupu CIP se zařazuje sterilizace těch zařízení, na která jsou kladeny velké požadavky ohledně hygienické čistoty. Sterilizace je běžně vyžadována ve farmaceutickém průmyslu. Tento proces musí probíhat po dostatečně dlouhou dobu, aby byly všechny mikroorganismy usmrceny horkou vodou nebo nasycenou čistou párou při vysokých teplotách (>121 °C). Proces SIP se obvykle provádí parou dodávanou z parního generátoru. Někdy se však provádí chemická sterilizace vhodným médiem. Pro vlastní řízení postupů CIP a SIP musí být zařízení vybaveno potřebnou automatizační technikou (měření a řízení teploty a tlaku páry, popř. měření průtoku a složení čisticích médií). Parametry teploty, tlaku, průtoku, koncentrace a doby expozice musí být řízeny systémem, který lze nakonfigurovat s několika možnostmi pro zajištění parametrů čištění a sterilizace a ty provádět spolehlivým, opakovaným a ověřitelným způsobem. Pro monitorování a řízení jednotlivých fází procesů CIP a SIP se obvykle využívají vhodná PLC. Při použití materiálů, které jsou v kontaktu s potravinami, je nutné dodržovat závazná nařízení Evropského parlamentu ES--1935-2004 o materiálech a předmětech ve styku s potravinami, ES-10-2011 o materiálech z plastů a ES-2023-2006 o správné výrobní praxi. Dále existují nezávazné standardy EHEDG (Europen Hygienic Engineering and Design Group) pro zařízení a materiály ve styku s potravinami, jejichž cílem je přispět k zajišťování výroby bezpečných a kvalitních potravin.  Odporové senzory teploty U odporových senzorů teploty se využívá závislost hodnoty elektrického odporu na teplotě, přičemž vlastní senzor může být rea­lizován kovovým nebo polovodičovým rezistorem. Ve snímačích teploty pro potravinářské a farmaceutické výroby se nejčastěji využívají kovové odporové senzory vyrobené z platiny. Elektrický odpor R kovových vodičů vzrůstá s teplotou t. Pro čisté kovy je možné závislost vyjádřit polynomem se součiniteli A, B, CR = R0 (1 + A t  + B t2 + C t3 + ...)       (3)  kde R0 je odpor při vztažné teplotě 0 °C. Hodnoty součinitelů A, B, C pro platinový odporový teploměr jsou uvedeny v ČSN EN 60751. V technické praxi lze vystačit s aproximační rovnicí 2. stupně. Obr. 1. Drátový měřicí rezistor: a) schéma senzoru s přibližnými rozměry v mm, b) řez senzorem se čtyřvodičovým připojenímSenzorem odporového snímače teploty je buď měřicí rezistor vinutý z platinového drátku, nebo plošný rezistor vytvořený tenkovrstvou technologií. Drátový měřicí rezistor je tvořen spirálovitě stočeným tenkým platinovým drátkem (o průměru 0,05 mm), který je uložen do keramického tělíska (obr. 1). Základní odpor při 0 şC činí R0 = 100 Ω a prvek je obvykle označován jako Pt100. Měřicí rozsah je od –200 do 850 şC. Tenkovrstvý senzor má měřicí rezistor ve tvaru platinového meandru, který je vyroben moderní fotolitografickou metodou. Struktura senzoru je patrná z obr. 2. Platinový meandr je vytvořen na ploché korundové destičce technikou vakuového naprašování nebo napařování a iontového leptání platinové vrstvy. Elektrický odpor se přesně nastavuje laserovým trimováním. Skleněná krycí vrstva chrání citlivý platinový měřicí prvek před znečištěním a poškozením. Tenkovrstvé senzory teploty mají miniaturní rozměry a poskytují rychlejší odezvu než odpory drátové. Vyrábějí se nejen se základním odporem R0 = 100 Ω jako Pt100, ale i s větším odporem jako Pt500 či Pt1000. Měřicí rozsah bývá menší než u drátových senzorů, od –70 do 400 °C, popř. až do 600 °C [2]. Obr. 2. Tenkovrstvý odporový senzor: a) schéma senzoru, b) reálné provedení, c) přibližné rozměry v mmOproti tenkovrstvým senzorům jsou senzory s drátovým rezistorem časově stálejší, mají větší měřicí rozsah, ale horší dynamické vlastnosti a jsou náchylné na poškození při mechanických vibracích. Tenkovrstvé senzory mají zase velmi příznivé dynamické vlastnosti a vynikající odolnost proti vibracím. Provozní snímače teploty s odporovým senzorem Obr. 3. Snímače teploty pro hygienické aplikace: a) E+H iTherm TM411, b) Krohne Optitemp TRA H10, c) JUMO 90.2810Na trhu je k dispozici velké množství provozních snímačů teploty, které splňují požadavky potravinářských a farmaceutických linek na hygienu a sanitaci. Vesměs jde o snímače vybavené inteligentním převodníkem. Na obr. 3 je uvedeno několik ukázek. Modulární snímač teploty iTherm TM411 od společnosti Endress+Hauser (obr. 3a) může být osazen buď tenkovrstvým senzorem (–50 až 200 °C) s velmi rychlou odezvou (t90 = 1,5 s), nebo pro měření v širším rozsahu teplot (–200 až 600 °C) drátovým senzorem. V nabídce je více než 50 různých variant procesního připojení snímače. Snímač Optitemp TRA-H10 (obr. 3b), výrobek firmy Krohne, má odporový teplotní senzor umístěný v konci stonku, který je vyplněn teplonosnou pastou pro dosažení rychlejší odezvy a lepší odolnosti proti vibracím. V tomto provedení není senzor vyměnitelný (vyměnitelný senzor je u typu H20). Snímač pro potravinářský a farmaceutický průmysl typu 90.2810 od společnosti JUMO (obr. 3c) je možné vybavit adaptérem pro procesní připojení JUMO PEKA, který má certifikaci EHEDG. Příklady užití snímačů teploty i dalších snímačů provozních veličin spolu s názornými technologickými schématy z oblasti potravinářských a biotechnologických výrob je možné nalézt v materiálech firmy JUMO (www.jumo.de, na kartě Branchen/Industry). Další snímače spolu s vybranými technickými parametry najde čtenář v tabulce přehledu trhu na str. 30 a 31. Obr. 4. Samokalibrující se snímač TM371 (E+H): a) snímač TM371, b) schéma senzorové částiUnikátní vlastnosti vykazuje snímač iTherm TrustSens TM371 společnosti Endress+Hauser (obr. 4). Snímač je vybaven plně automatickou funkcí samokalibrace, která umožňuje monitorování teploty v hygienických a aseptických prostředích bez přerušení procesu a výrazně přispívá ke zvýšení přesnosti a spolehlivosti měření. Snímací jednotka tohoto přístroje je tvořena měřicím tenkovrstvým senzorem Pt100 spolu s vysoce přesným a dlouhodobě stabilním referenčním prvkem. Referenční prvek je vyroben z materiálu s definovanými feromagnetickými vlastnostmi, které se strmě mění při teplotě tzv. Curieho bodu. Tuto změnu lze elektronicky detekovat (např. podle změny elektrické kapacity materiálu). Referenční prvek ve snímači má teplotu Curieho bodu 118 °C. Při sterilizaci SIP je technologické zařízení vyhřáté horkou párou na teplotu vyšší než 121 °C. Poté při poklesu teploty na hodnotu 118 °C vyšle referenční prvek řídicí signál, platinový senzor současně změří aktuální teplotu. Porovnáním těchto dvou hodnot se provede kontrolní kalibrace tenkovrstvého platinového senzoru. Je-li odchylka měřené hodnoty mimo nastavené rozmezí, vyšle teploměr poruchové hlášení a současně je tento stav indikován červenou LED na hlavici snímače. Detailní popis snímače TM371 a jeho funkce je uveden v [3]. Obr. 5. Snímač teploty s diagnostickým výstupem (www.ifm.com/cz): a) schéma snímače, b) snímač řady TADLepší provozní spolehlivosti inteligentních snímačů teploty je možné dosáhnout také duál­ním provedením, tedy použitím dvou různých senzorových prvků, které se v průběhu procesu navzájem sledují. Tato diagnostická metoda zaznamená případnou odchylku senzoru. Duální provedení plní i zálohovací funkci. V případě poruchy jednoho ze senzorů může měření pokračovat s druhým senzorem. Snímač tohoto typu od firmy ifm electronic je na obr. 5 [4].  Montáž snímačů do technologické aparatury Jedním ze základních předpokladů správného měření teploty je vhodné umístění snímačů teploty do jednotlivých částí aparatury, a to tak, aby byl zajištěn správný přestup tepla a dokonalý styk s měřeným prostředím. Měřicí místo musí být voleno s ohledem na snadnou montáž, demontáž a údržbu snímače teploty. Obr. 6. Zabudování snímače teploty do potrubíPro zvýšení přestupu tepla se teploměr umisťuje do místa s vyšší rychlostí proudění, a nikoliv do koutů bez proudění. Senzor teploměru má zasahovat přibližně do osy potrubí. Do potrubí větších průměrů se umisťuje teploměr kolmo na směr proudění (obr. 6a) s odchylkou od kolmice minimálně o úhel 3°, aby se zajistilo samovypouštění kapaliny. U potrubí menších průměrů (do 200 mm) se umisťuje teploměr šikmo (pod úhlem 45o) proti směru proudění (obr. 6c), popř. do kolena potrubí proti směru proudění (obr. 6b). Při měření teploty kapalin v nádobách je třeba měřenou kapalinu míchat, aby byl zvětšen součinitel přestupu tepla a aby bylo dosaženo homogenního teplotního pole. Ztráty tepla vedením se omezí dostatečným ponorem teploměru. Obr. 7. Základní typy teploměrových jímek (upraveno podle [5])Při provozním měření je nutné velmi často umístit snímač teploty do teploměrové jímky, která chrání teploměr před mechanickými a chemickými vlivy způsobenými např. změnami tlaku či agresivními chemickými vlastnostmi média. Teploměrové jímky jsou v podstatě uzavřené kovové trubky válcového nebo kuželovitého tvaru, které jsou nainstalovány do potrubí nebo do technologických aparatur a stávají se jejich nedílnou součástí. Nejčastěji používané typy teploměro­vých jímek (přírubová, závitová a navařovací) jsou schematicky znázorněny na obr. 7, v pravé části obrázku jsou ukázky teploměrných jímek od společnosti Emerson [5]. Při volbě materiálu jímky je třeba respektovat vlastnosti provozního média, rozmezí pracovní teploty a kompatibilitu s materiálem provozní aparatury. Z teploměrové jímky lze snímač snadno vyjmout např. při kalibraci nebo jeho výměně, aniž by bylo nutné narušit výrobní proces a aparaturu vyprázdnit. Pro zvýšení ochrany proti korozi a erozi bývají kovové jímky potaženy vhodným materiálem, např. plastem nebo smaltem, což se ale projeví zhoršením dynamických vlastností. Obr. 8. Dynamické vlastnosti snímačů teploty s teploměrovou jímkou (upraveno podle [6])Umístění snímače teploty do jímky vždy značně ovlivní jeho dynamické vlastnosti. Je to způsobeno tím, že hmotnost jímky bývá mnohdy několikanásobně větší než hmotnost vlastního senzoru a je dominantním faktorem rychlosti odezvy celého snímače. Na obr. 8 je ukázáno, jak způsob instalace snímače významně ovlivní časový průběh odezvy teploměru. Odezva na skokovou změnu teploty proudící vody byla měřena a) měřicí vložkou s odporovým teploměrem Pt100 v kovovém ochranném pouzdru o průměru 6 mm, b) měřicí vložkou vloženou do kovové teploměrové jímky, c) měřicí vložkou v teploměrové jímce opatřené ještě ochrannou plastovou vrstvou zabraňující korozi snímače [6]. Pro správné vyhodnocení teploty je nutné uvažovat vzniklou dynamickou chybu.  Souhrn a závěr Nejčastěji využívaným typem senzoru ve snímačích teploty, které jsou určeny pro potravinářské a farmaceutické výrobní provozy, jsou tenkovrstvé platinové senzory. Jejich vlastnosti zaručují požadovanou přesnost měření, mají velmi příznivé dynamické vlastnosti a výborně odolávají mechanickým vibracím.  Literatura: [1] KADLEC, K. Měření teploty. Měření a řízení chemických, potravinářských a biotechnologických procesů. Ed. K. KADLEC, M. KMÍNEK, P. KADLEC. Ostrava: Key Publishing, 2017. [2] JUMO. Teplotní senzory v provedení platinových čipů s připojovacími vodiči podle DIN EN 60751. [online]. [cit. 2018-4-19]. Dostupné z: http://www.jumo.cz/produkty/teplota/platinov%C3%A1-teplotn%C3%AD-cidla/2917/tenkovrstv%C3%A1.html [3] PROKEL, D. Samokalibrující se snímač teploty iTherm TrustSens TM371. Automa. 2018, (2-3), 34–35. [4] ifm. Teplotní senzory od ifm. Katalog ifm electronic. 2015, 07. [5] ROSEMOUNT. The Engineer’s Guide to Industrial Temperature Measurement. Ed. Emerson Process Management. 2013. [6] ABB. Industrial temperature measurement. Basics and practice. Ed. ABB 03/TEMP-EN Rev. D 09.2013.   doc. Ing. Karel Kadlec, CSc., Ústav fyziky a měřicí techniky VŠCHT Praha (karel.kadlec@vscht.cz)  

Inspiromat pro výuku a Tecomat: logika (nejenom) pro programátory – Díl druhý

Předcházející díl seriálu, jehož dvě části vyšly v minulém a předminulém čísle, obsahoval řešené příklady jednoduchých programů zapsané ve třech jazycích – v textovém ST a grafických LD a CFC. Řešily základní úlohy kombinační logiky. Byly uváděny bez jakéhokoliv vysvětlení a zdůvodnění postupu, jen předkládány k uvěření a empirickému ověření správnosti – spíše jako ukázka možností programovacích jazyků a jako podklad pro nápodobu při intuitivním přístupu k řešení podobných úloh. Nyní následuje teoretická pasáž s minimální mírou teorie, která je nutná k hlubšímu pochopení a k systematickému řešení úloh kombinační logiky.  Výroková a aplikovaná logika Logika je věda, která se zabývá usuzováním, pravdivostí, dokazatelností a vyvratitelností tvrzení. V podstatě je studiem argumentace. Snaží se kodifikovat správné postupy, pomocí nichž vyvozujeme platné závěry z daných informací. Při svém uvažování obvykle dodržujeme základní logická pravidla, ale přesto je vhodné se snažit o jejich formalizaci, která nám pomáhá ve složitějších situacích, kdy je nutné se vyznat ve velkém množství logických vztahů. Používají se dvě základní úrovně klasické logiky: zde se budeme zabývat výrokovou logikou, která představuje nižší úroveň, vyšší úroveň (širší a teo­reticky náročnější) je predikátová logika. Logikou se zabývali již filozofové v antice. Nejznámější byl Aristotelés ze Sta­geiry (384–322 př. n. l), který logiku povýšil na úroveň vědecké disciplíny – jako nauku o správném myšlení, o formách a metodách myšlení (tedy nikoliv o obsahu myšlení). Logika je tak návodem, jak musíme v myšlení postupovat, abychom od daných předpokladů dospěli ke správným závěrům. Logika tehdy sloužila především filozofům, řečníkům, politikům a právníkům, a to až dodnes – kéž by ji důsledně používali všichni naši politici a novináři. Významnou osobností moderní logiky byl anglický matematik a filozof George Boole (1815–1864), který je zakladatelem algebraic­ké logiky. Navrhl postup, při kterém jsou logické problémy, výroky a věty vyjádřeny jako logické rovnice a z nich je možné analyzovat platnost logických závěrů. Booleova algebra pracuje s dvouhodnotovými (binárními, booleovskými) výroky, které mohou nabývat jen dvou hodnot (pravda – nepravda), jež jsou obvykle reprezentované logickými číslicemi 1, 0 (neoznačují žádné číslo nebo množství, ale mají pouze rozlišující funkci). S dvouhodnotovými výroky operují tři základní booleovské operátory: logického součtu, součinu a negace (OR, AND, NOT). S nimi lze realizovat jakoukoliv logickou závislost (složený výrok, logickou funkci). Tyto operátory tak tvoří úplný logický soubor a pro jejich použití platí soubor pravidel – Booleova algebra. Základní booleovské operátory lze doplnit dalšími, které jejich možnosti rozšiřují. Lze použít i jiný úplný soubor operátorů, např. NAND, NOR (negace AND a OR), s nimiž je možné vytvořit jinou algebru. V roce 1930 Claude Shannon (1916–2001, americký elektronik a matematik, „otec teorie informace“), napsal diplomovou práci, kde předvedl, jak lze aplikovat Booleovu algebru na systém elektromechanických relé. Na těchto základech vytvořil teorii logických obvodů, která se stala základem pro číslicovou techniku a informatiku. Shannonova práce měla široký vliv na návrh elektronických logických obvodů, vývoj mikroelektroniky, počítačů, řídicích systémů, jejich programů a aplikací v nejrůznějších oborech. Právě takto vytvořená metodika je předmětem aplikované (konstruktérské) logiky, které je věnován následující text. Jejím cílem není studium argumentace a vyvozování platných závěrů, ale navrhování technických systémů, které využívají pravidla Booleovy logiky a jsou řešeny pevnou logikou nebo programem. Takto vytvořené logické a číslicové systémy jsou využívány k výpočtům, automatickému řízení, technické diagnostice a komunikacím. Dnes se používají ve všech oborech našeho života.  Hardware, software a aplikovaná logika Logické systémy jsou obvykle viditelné jako počítače (PC, IPC) a řídicí systémy (např. PLC, CNC). Jejich technické vybavení (hardware) je v současné době řešeno s využitím mikroelektronických obvodů, zejména mikroprocesorů a mikrořadičů – univerzálních či specializovaných mikroelektronických obvodů s funkcí počítače. Řeší nejenom funkce centrálních modulů, ale i pomocné funkce spolupracující elektroniky, např. obvodů vstupů a výstupů, modulů pro komunikaci, měření polohy a řízení pohonů, pro obsluhu a komunikaci s operátorem nebo pro technickou diagnostiku. Jsou základem funkce přídavných zařízení, např. tiskáren, skenerů, klávesnic a operátorských panelů. Lze se s nimi setkat i ve specializovaných přístrojích, třeba ve čtečkách karet, ve snímačích biometrických údajů, senzorech pohybu osob, kvality vzduchu, koncentrace CO2 a v ostatních modulech „inteligentní elektroinstalace“. Jsou nezbytnou součástí domácích spotřebičů, komunikačních a multimediálních přístrojů, ale i dětských hraček. Na úrovni programového vybavení počítačů, řídicích systémů a mikrořadičů, popř. skrytých pevných programů jsou vytvářeny softwarové logické systémy, které „oživují“ svůj hardware a poskytují mu nové funkce a vyšší úroveň „inteligence“. Také k tvorbě softwaru a firmwaru je účelné využívat aplikovanou (konstruktérskou) logiku. Znalost pravidel Booleovy algebry a metodiky řešení logických systémů poskytuje programátorům výkonný a názorný aparát pro produktivní práci s minimem chyb a časových ztrát – tedy konkurenční výhodu. Přesto je při výuce programování její znalost opomíjena, mnohdy přímo ignorována. K úspěšnému zvládnutí profese programátora nestačí pouhá znalost programovacího jazyka, jeho příkazů a syntaxe, ale jsou potřebné především dovednosti v tvorbě algoritmů – pro logické systémy to je aplikovaná logika. Je užitečná nejenom pro produktivní tvorbu spolehlivých programů, ale i pro efektivní a bezchybnou komunikaci se zadavatelem a uživatelem systému. Ta se odehrává na slovní úrovni, v duchu výrokové logiky. Znalost aplikované logiky není pro práci programátora nezbytná, ale je výhodná. Její kurz nevnucujeme, jen nabízíme – rozhodnutí je na čtenáři.  Výroky a výroková logika Výrok je tvrzení (sdělení), o němž lze rozhodnout, zda je pravdivé, nebo nepravdivé. Má formu oznamovací věty. Výroky nejsou zvolání, rozkazy, otázky a věty, které jsou samy se sebou v rozporu, např. „kolikátého je dnes? kdybych tohle tušil! odejděte! vstupte! tato věta není pravdivá“. Výroku přiřazujeme jednu ze dvou pravdivostních hodnot: ano, pravda, true, logická 1 nebo jen 1 – ne, nepravda, false, logická 0 nebo jen 0. Výrok musí splňovat dvě základní podmínky: je buď pravdivý, nebo nepravdivý, jiná možnost neexistuje, nemůže být současně pravdivý i nepravdivý.  Jednoduchý výrok Jednoduchý (atomický) výrok nelze rozložit na více dílčích výroků, např.: „prší; svítí slunce; číslo 7 je prvočíslo; číslo 7 je liché; číslo 8 je sudé; číslo 8 je dělitelné třemi; bylo 8:30 hodin; ještě není 10 hodin; je horko; teplota je 21 °C; rameno manipulátoru je nahoře; čelisti manipulátoru jsou sevřené“. O pravdivosti některých výroků lze jednoznačně rozhodnout vždy a bez jakýchkoliv dalších podmínek, např. číslo 7 je vždy prvočíslem a je liché, 8 je vždy sudé a není nikdy dělitelné třemi. Naproti tomu pravdivost některých výroků závisí na situaci, ve které je hodnotíme, obvykle na čase a místě. Většinou předpokládáme, že pravdivost výroků je posuzována v situaci „tady a teď“ (na tomto místě a v současnosti), např. výroky o teplotě. Podobně lze předpokládat, že časové údaje platí pro dnešní den. V opačném případě by bylo nutné formulaci výroku upřesnit, aby odpověď mohla být jednoznačná. U výroku „prší“ může být potřebné uvést údaj o místě a čase vyhodnocení, popř. ještě upřesnit (kvantifikovat) intenzitu – od jaké hodnoty lze srážky již považovat za déšť, popř. jak jej odlišit od sněžení či krupobití. U výroku „svítí slunce“ může být účelné upřesnit intenzitu slunečního svitu nebo míru oblačnosti. Pro „horko“ je rovněž potřebné uvést teplotní hranice pro tento pojem. Požadavek na dvouhodnotový charakter výroku může být omezující, např. v situaci, kdy odpověď na otázku může být neznámá nebo nejednoznačná a spíše by vyhovovala hodnota „nevím“, „pravda asi z poloviny“, „pravda asi na 75 %“. Tomu by ale odpovídala vícehodnotová logika (se třemi nebo několika stupni pravdivosti), popř. fuzzy logika (se spojitým rozložením pravdivosti mezi 0 až 1) – „to už je ale jiná pohádka“, zde zůstaneme u tradiční booleovské, tedy dvouhodnotové logiky.  Složený výrok Složený výrok (logická formule) je tvořen jednoduchými výroky, které jsou spojeny slovními spojkami (logickými operátory) – booleovská logika používá jen tři: logický součet (nebo, OR), logický součin (a, současně, AND) a negace (popření, ne, není pravda, NOT). Takto je možné vytvořit např. složené výroky: „prší a současně svítí slunce; prší nebo svítí slunce; neprší a nesvítí slunce; číslo 7 je prvočíslo a současně je liché; bylo 8:30 a ještě není 10 hodin; ještě nebylo 8:30 nebo už bylo 10 hodin; číslo 8 není dělitelné třemi; číslo 8 je sudé a není dělitelné třemi“. Nad rámec booleovské logiky existují další operátory, např. buď – nebo, ani – ani.  Negace v logice a v češtině Negace ve výrokové logice znamená prostý zápor, popření pravdivosti negovaného výroku. Z toho vyplývá, že negace negovaného výroku má pravdivost původního výroku. V hovorovém vyjadřování to ale takto jednoznačné nebývá. Například český výrok „nikdo tam není“ sice obsahuje dva zápory (nikdo, není), takže striktně podle výrokové logiky bychom jej měli chápat ve významu „někdo tam je“, ale my (Češi) jej podvědomě chápeme opačně, tedy ve významu „je tam prázdno“. V němčině by stejnou situaci vyjádřili jako „niemand ist dort“ – doslovně přeloženo: „je tam nikdo“. S nejednoznačnostmi v chápání záporů se setkáváme i v jiných jazycích. Například v angličtině sloveso „must“ znamená muset, ale „must not“ znamená nesmět, nikoliv nemuset. (Pozn. red.: Nad tím se ovšem pozastaví jen český mluvčí, pro anglicky mluvícího je zcela přirozeným a logickým opakem k „muset“ „nesmět“.) V detektivním příběhu (obvykle přeloženém z angličtiny) vyšetřovatel pokládá sugestivní otázku „není pravda, že jste tam byl?“, ale ve skutečnosti otázkou myslí opak: „je pravda, že jste tam byl?“. Podobně problematická je otázka „byl jste tam, nebo ne?“. Pokud vyšetřovaný odpoví „ano“ nebo „ne“, není jasné, jak lze jeho odpověď správně chápat – jakkoliv. Jednoznačným řešením by zde byla odpověď celou větou, např. „ano, byl jsem tam“ nebo „ne, nebyl jsem tam“. Obr. 1. Příklad úrovní vstupních napětí pro logický signál v rozsahu 24 V (červeně je označena logická 1, modře logická 0) Jak třeba chápat tvrzení „nic není nemožné“ se třemi zápory? V českém jazyce podvědomě jeho význam chápeme ve významu „všechno (cokoliv) je možné“. Ale zkusme jej rozebrat po částech v duchu výrokové logiky: „nic není“ by mělo znamenat „něco je“ – takže „něco je nemožné“?, nebo snad „není nemožné“ znamená „je možné“ – takže „nic je možné“? (Pozn. red.: Takto zrádná je ovšem jen čeština, anglicky se daný výrok řekne logicky správněji: „nothing is impossible“.) S podobně nahromaděnými zápory se setkáváme často, např. v písni V+W: „nikdo nic nikdy nemá míti za definitivní“. Situaci mnohdy komplikují zápory podstatných nebo přídavných jmen, které jsou „poněkud neostré“. Často chybně ztotožňujeme negaci za protiklad k původnímu výroku. Například negací výroku „x je záporné číslo“ není výrok „x je kladné číslo“, ale „x je nezáporné číslo“ (může být i nula). Podobně negováním výroku „není vpravo“ neříkáme „je vlevo“ – může být i uprostřed nebo kdekoliv v prostoru. Není naším úkolem řešit zde problémy lingvistiky. Jen je třeba upozornit na rozpory mezi významem negace (popření) ve striktním chápání výrokové logiky a její podvědomou interpretací v hovorovém vyjadřování. Proto bychom se při popisu logických systémů (při zadávání požadavků na jejich funkci nebo při interpretaci jejich chování) měli vyhýbat formulacím se zápory nebo je alespoň používat velmi opatrně a obezřetně. V běžné mezilidské komunikaci lze případné nepochopení okamžitě rozpoznat a vysvětlit. Naproti tomu chybné porozumění požadavku zadavatele systému (na řešení hardwaru nebo softwaru) má za následek chybu ve funkci systému, kterou objevíme až při jeho uvádění do chodu nebo v průběhu jeho používání. Zjištění příčiny nebývá snadné, je spojeno se stresem, časovými ztrátami, vícenáklady, popř. ztrátou dobré pověsti – vše lze vyčíslit finančně.  Logický signál, pevná logika, hardware Jako signál je označována fyzikální veličina, která nese informaci – měronosná veličina. Může to být hodnota odporu snímače teploty nebo síly (spíše napětí na něm), napětí na vodičích termočlánku, elektrické napětí nebo proud, přiváděné na vstupní svorky řídicího systému nebo odváděné z jeho výstupních svorek. Někdy jde o spojitě se měnící veličiny – analogové signály, např. o napětí v normalizovaném rozsahu –3 až +3 V, –10 až +10 V, 0 až 10 V, proud v normalizovaném rozsahu 0 až 20 mA nebo 4 až 20 mA. Často se používají dvouhodnotové (binární) signály – poněkud nepřesně označované jako číslicové či digitální. Jejich zdrojem bývají kontakty tlačítek, relé, stykačů, spínací obvody senzorů nebo výstupní obvody řídicích systémů. Většinou jde o napěťové signály, jejichž hodnoty se mohou vyskytovat ve dvou pásmech. Například pro vstupy a výstupy programovatelných automatů (PLC) jsou obvyklé binární signály v rozsahu 24 V. Logické nule zde odpovídá nízká úroveň napětí (typicky 0 až 12 V) a logické jedničce odpovídá vyšší úroveň napětí (typicky 15 až 24 V). Mezi nimi se nachází „zakázané pásmo“ (pásmo neurčitosti, rozhodovací oblast) s hodnotami, kterých by logický signál neměl dlouhodobě nabývat – nebylo by možné mu přiřadit logickou hodnotu. Nad horní úrovní leží další „zakázané pásmo“ (pásmo destrukce). Napětí této hodnoty již může způsobit poškození vstupních obvodů řídicího systému nebo akčního členu (obr. 1). Jiné úrovně mají binární signály používané v mikroelektronických obvodech s integrovanými obvody – TTL (typicky 0 až 5 V) nebo unipolární (obvykle s nižší úrovní napětí). V logických systémech s pevnou logikou (hardwarových) odpovídají výrokům logické signály. Jsou zpracovány logickými obvody, a vytvářejí tak logické funkce. Ty jsou ekvivalentem složených výroků. Je praktické jednotlivým logickým signálům přiřadit jména, která stručně vystihují jejich význam (např. „tlačítko start“, „jeď vpravo“, „jede vpravo“, „pravý koncový spínač“). Chování systému (při zadávání nebo při vysvětlování jeho funkce) potom má podobu vyprávění příběhu podle zásad výrokové logiky, např. „stiskem tlačítka start aktivujeme pohon posuvu vpravo a po dosažení pravého koncového spínače pohyb zastavíme“. Při realizaci starších systémů byly používány soubory relé a stykačů. Logické funkce zde vznikaly propojením jejich kontaktů do kontaktní sítě. Někdy se používají i logické systémy na bázi pneumatických obvodů. V současnosti je k řešení logických systémů téměř výhradně používána mikroelektronika. Logické signály jsou zpracovávány logickými členy (hradly), které řeší dílčí logické funkce (např. AND, OR, negaci, NAND, NOR, XOR a další). Jejich propojením do sítě (mnohdy velmi rozsáhlé) vznikají požadované logické funkce. Skupiny logických členů bývají zapouzdřeny jako integrované obvody. Hustota jejich integrace postupně narůstala. První integrované obvody malé hustoty integrace (SSI – Small Scale Integration) obsahovaly jen několik logických členů, v současné době je stupeň integrace o několik řádů vyšší. Integrovanými obvody (popř. ještě dalšími součástkami) jsou osazovány desky plošných spojů. U složitějších systémů jsou desky umísťovány do rámů. S rozvíjející se technologií se zmenšují rozměry logických členů a roste hustota integrace. V pouzdru integrovaného obvodu se tak daří umístit stále větší počet logických členů. K realizaci složitých logických systémů tak postačuje jen několik pouzder, popř. jsou všechny funkce realizovány uvnitř jednoho integrovaného obvodu. Tradičně byly integrované obvody navrhovány pro konkrétně zadanou funkci – jejich vnitřní struktura a propojení logických členů byly neměnné. V současné době se převážně používají programovatelné logické obvody. Mají univerzální strukturu a uspořádání logických členů. Jejich konkrétní propojení (a tedy i výsledná logická funkce) je realizováno programováním. Používají se různé druhy programovatelných logických obvodů, např. na principu přepalovaných propojek nebo programovatelné elektrickým nábojem. Někdy je naprogramované propojení trvalé (nevratné), u některých typů lze naprogramované propojení vymazat a obvod znovu naprogramovat.  Logická proměnná, program, software Při řešení programem jsou zpracovávané signály přivedeny na vstupy programovatelného systému (PC, IPC, PLC, mikrořadiče) a jeho výstupy jsou pak připojeny k akčním členům nebo jiným prvkům výstupního charakteru. Program ale pracuje se vstupními a výstupními proměnnými, na které se vnější signály transformují. Zatímco vstupní a výstupní signály systému jsou fyzikální a měřitelné veličiny, jsou proměnné programu datové objekty charakterizované adresou, kde jsou uloženy. Syntaxe programovacího jazyka určuje typy proměnných a zásady pro jejich jména. Analogové vstupní signály jsou v analogově číslicových (A-D) převodnících převedeny do číslicové formy a uloženy v některém z formátů pro zobrazení číselných proměnných. Norma IEC EN 61131-3 definuje formáty celých čísel (integer) v rozsahu 8, 16 a 32 bitů se znaménkem nebo bez něj. Pro složitější výpočty je výhodnější formát s plovoucí řádovou čárkou (real) v rozsahu 32 nebo 64 bitů. Existují i formáty pro časové údaje. Dvouhodnotové vstupní signály jsou převedeny na logické proměnné typu (BOOLE), které mohou být používány samostatně nebo uspořádané do bitových řetězců v délce 8 (BYTE), 16 (WORD), 32 (DWORD) nebo 64 bitů (LWORD). Podobně jako u logických signálů je výhodné proměnné programu pojmenovat krátkými a výstižnými názvy (identifikátory proměnných). Je ale nutné dodržovat pravidla syntaxe pro identifikátory: mohou obsahovat číslice, malá a velká písmena z anglické abecedy (bez háčků a čárek), znak „_“ (podtržítko), nesmí obsahovat mezery, musí začínat písmenem nebo podtržítkem. Proměnné musí být deklarovány dříve, než budou použity (příklad deklarace je na obr. 5 v druhé části prvního dílu seriálu v č. 10 na str. 12). Vstupní logické proměnné jsou obvykle obrazem stavu binárních prvků z okolí řídicího systému (tlačítka, kontakty spínačů nebo stav jiných dvouhodnotových senzorů). Mohou být ale vytvářeny programem, např. jako výsledek vyhodnocení číselných proměnných. O stavu stroje obvykle informují spínače, signalizující dosažení význačné polohy jeho pohyblivých částí, např. koncových poloh, zón redukce rychlosti posuvu nebo referenční polohy. Je-li k dispozici číselný údaj o poloze, lze z něj odvodit další binární proměnné, které charakterizují důležité situace – pouhým porovnáním (operacemi rovností nebo nerovností). Podobně lze binární proměnné odvodit z číselného údaje o rychlosti pohybu, teplotě apod. Doplňkové binární proměnné mohou mít význam: „dosažena poloha výměny nástroje“, „teplota 23 °C je dosažena“, „ještě nebylo 10 h“, „počet výrobků je právě deset“. Program zpracovává jednotlivé logické proměnné a vytváří zadané logické funkce, které mají opět formát logických proměnných. Jsou uloženy jako vnitřní proměnné pro další použití nebo jsou jako výstupní proměnné převedeny na výstupní logické signály systému. Vně systému pak mohou ovládat akční členy dvouhodnotového charakteru, např. ve významu: „sepni spojku pro osu +X“, „zapni topení“, „rozsviť žlutou signálku“. Podobně jako u systémů s pevnou logikou je i zde možné popsat algoritmus logického systému jako „vyprávění příběhu podle zásad výrokové logiky“.  (Dokončení v příštím čísle.)   Ing. Ladislav Šmejkal, CSc., Teco, a. s., a externí redaktor časopisu Automa

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#/