Aktuální vydání

celé číslo

06

2018

Systémy strojového vidění

Výrobní a montážní linky

celé číslo
ROTAMASS Total Insight – když chcete mít jistotu, že měříte přesně

Věkovitý (108 let!) výrobní závod ROTA-YOKOGAWA v německém Wehru je stejně jako prudce tekoucí Rýn pod jeho okny rapidně expandujícím podnikem, zejména v posledních pěti letech. Průtokoměry na Coriolisově principu ROTA vyrábí již 24. rok, avšak s masivními investicemi (přibližně 13 milionů eur) do inovací ve výrobě a do nejmodernějšího kalibračního střediska na kontinentu byly položeny zdravé základy pro čtvrtou generaci průtokoměrů ROTAMASS TI, jež jsou na trhu od května 2016. Přesné automatické ohýbání trubic, jejich digitální párování, vakuové niklové pájení, nové odladění harmonických kmitů a mnoho dalších inovací zvýšily úroveň kvality nové řady průtokoměrů. Zavedení japonského systému řízení výroby nebylo snadné, ale minimalizace zmetkovitosti a nulová výroba na sklad přinášejí jednoznačné ekonomické výsledky. Odcházející třetí generace průtokoměrů Rotamass měla jeden typ převodníku a jednu řadu senzorů, které se lišily požadovaným procesním připojením nebo doplňkovým parním otopem. Optimálně uspokojit různorodé požadavky, zejména malou tlakovou ztrátu, nebylo v podstatě možné. Průtokoměry Rotamass TI se senzory Nano (vnitřní průměr trubic od 0,9 mm), Prime Obr. 1. Coriolisův průtokoměr Rotamass TI Prime RCUP25S 78 pro průtok do 2 300 kg/h(obr. 1: nová konstrukce s poloviční tlakovou ztrátou ve srovnání s předchozími typy), Supreme (nejpřesnější řada s inovovanými senzory), Intense (bezpečný snímač pro vysoké tlaky), Hygienic (koncept Prime se specifickými připojeními pro farmacii a potravinářství) a Giga (největší průtoky s velkou stabilitou nuly) s převodníky Essential a Ultimate s konceptem FOD (Features On Demand – vlastnosti na vyžádání) vycházejí přáním zákazníků plně vstříc. Nové převodníky mají mnoho vylepšení. Desetkrát rychlejší odečet fázového posunu (10 ms), zdokonalený digitální signálový procesor s Hilbertovou transformací a 32bitovým zákaznickým A/D převodem, zdvojené a přepínané snímání fázového posunu s automatickou kalibrací nuly v intervalu 20 ms a PI regulátor buzení s navýšením +30 % energie do budiče vedou k možnosti rychlého dávkování, větší přesnosti, stabilitě nuly a k přesnému měření i při výrazném zavzdušnění potrubí (pětkrát nižší chyba).Převodník má šest nezávislých čítačů a čtyři sady uživatelských nastavení. K měření koncentrací lze využít čtyři nezávislé sady převodních tabulek nebo je spojit do dvou velmi detailních, s možností dálkového přepínání kontaktním vstupem. Pomocí prostředí Fieldmate je možné nastavení pro měření koncentrací provést u zákazníka, bez nutnosti intervence z výrobního závodu. Převodníky nyní také umožňují dynamickou kompenzaci vlivu statického tlaku na tuhost měřicích trubic, přestože díky mimořádně robustním měřicím trubicím je vliv změn tlaku zanedbatelný a oproti přístrojům jiných výrobců přibližně 8,5krát menší. Koncepce Total InsightPrůtokoměry Yokogawa Rotamass TI (Total Insight) snižují provozní výdaje zákazníka v kaž­dé fázi svého životního cyklu (obr. 2). Obr. 2. Pohled na průtokoměr v celém životním cykluNa počátku životního cyklu stojí „zjednodušený výběr“ vhodného průtokoměru. Šest produktových řad detektorů (viz přehled trhu na str. 32) se specifickými užitnými vlastnostmi, rozmanitá procesní připojení, dva typy převodníků Essential a Ultimate s odlišnou specifikací souboru funkcí i přesnosti a sedmnáct různých variant konfigurace čtyř výstupních i vstupních kanálů poskytují prostor pro každý specifický požadavek zákazníka. Prostřednictvím uživatelsky příjemného prostředí výpočtového softwaru Flow Configurator je s využitím vstupních údajů snadné nalézt optimální rovnováhu mezi přesností měřidla ve stanoveném rozpětí, tlakovou ztrátou a světlostí, tedy pořizovací cenou.„Odborný průvodce“ napomáhá k snadnému, přívětivému a rychlému zprovoznění i při složitějších úkolech, jako je dávkování, měření koncentrace, měření podílu oleje či jiného produktu v nosném médiu apod. Nová funkce „hlídač procesu“ detekuje podmínky, které jsou třeba k tomu, aby průtokoměr měřil s určenou přesností: tlak média, jeho teplotu, vibrace potrubí, zavzdušnění, ztrátu média, zanášení, přicpání a erozi nebo korozi trubic. Obr. 3. Variabilní informativní displej s možností zobrazení trendůKontroluje posun nuly a podmínky při její kalibraci. Rozlišuje události a generuje hlášení týkající se poruch měřidla (16), abnormalit procesu (27), chybných nastavení (39) nebo jen upozornění na blížící se problém (34). Správce událostí umožňuje nastavit interpretaci a chování průtokoměru nejen podle pravidel NAMUR NE 43 (Standardisation of the Signal Level for the Failure Information of Digital Transmitters) a NE 107 (Self-Monitoring and Diagnosis of Field Devices), ale také podle zadání uživatele. Tím lze předejít zahlcení nadřízeného systému alarmovými hlášeními a umožnit předávat jen ta nezbytně nutná. Kromě trendu na displeji (obr. 3) se události podle předvolby zaznamenávají do vnitřní paměti a na kartu microSD, se zápisem tří bloků před událostí a tří bloků po události, takže následná analýza příčin problémů je velmi jednoduchá.„Manažer údržby“ za provozu periodicky kontroluje základní funkční celky průtokoměru:obvody budiče,obvody senzorů,stav (tuhost) trubic,hardware i software převodníku.Přístup k převodníku je tříúrovňový (obsluha, údržba, specialista) s nastavitelným rozsahem povolených úkonů. Při použití v úlohách s požadovanou funkční bezpečností SIL 2 je přístup k nastavením blokován. S pomocí diagnostického softwaru Fieldmate lze vytisknout nastavení přístroje i s vypočtenou očekávanou chybou měření průtoku, hustoty, koncentrace a po kontrole celkového „zdravotního“ stavu lze vytisknout protokol potvrzující spolehlivost a přesnost měření bez jeho přerušení. K převodníku je možné se připojit bez nutnosti otevírat kryty prostřednictvím sběrnice Modbus a bezdrátového servisního portu IrDA.„Mobilita dat“ je další funkce v životním cyklu průtokoměru. Zabezpečuje ji karta microSD (1 GB) pro zálohování, multiplikaci nastavení, variantní nastavení podle úlohy a zejména pro dálkovou údržbu a servis. Karta rovněž obsahuje instrukční manuály, výkresovou dokumentaci, Fieldmate Lite, soubory DD (Device Description) a DTM (Device Type Manager), komunikační nástroj pro Modbus, kalibrační a jiné certifikáty, seznam náhradních dílů a nastavení výrobce i uživatele.Protože se během užívání průtokoměru mohou požadavky a podmínky měření měnit, uživatelé u převodníku Ultimate ocení funkci „zdokonalená flexibilita“. Tato funkce umožňuje po zakoupení licencí a přidělení hesel odemykat přídavné funkce, které přístroj má interně k dispozici, ale nebyl důvod je při původní investici nakupovat (řízení dávkování, měření běžné i detailní koncentrace, výpočet množství oleje a plynné složky podle americké petrochemické normy API, kontrola netěsnosti trubic, měření viskozity, výpočet výhřevnosti – i v anglosaských jednotkách BTU, referenční hustota podle API, kontrola zdravotního stavu trubic).Koncept Total Insight dává tedy uživateli jistotu, že:jeho výběr měřidla vzhledem k zadání byl optimální a zbytečně neplatí víc, než musí,nastavení a nulování průtokoměru jsou v pořádku (ví, jakou chybu může očekávat),průtokoměr dá včasné varování, když očekávaná přesnost není vlivem provozních podmínek dosažitelná,průtokoměr dá informaci o svém zdravotním stavu, kterou lze dokladovat, a zavolá ho k údržbě, když to bude potřebovat,má všechny doklady, certifikáty i údaje k servisu a údržbě vždy k dispozici,bude-li potřebovat rozšířit soubor funkcí měřidla, nemusí kupovat nové nebo je posílat zpět výrobci.Jak zajistit nepřetržitou kvalitu měření?Svou popularitu získaly Coriolisovy průtokoměry, i přes svou nemalou pořizovací cenu, vynikající přesností, přímým měřením hmotnostního průtoku, spolehlivostí a malou tlakovou ztrátou. Ve velké míře jsou využívány v chemickém průmyslu, kde nevodivost média nebo požadovaná přesnost neumožňují použít levnější indukční průtokoměry. Stabilní kvalita produkce v chemickém průmyslu velmi těsně souvisí s dodržením konstantních výrobních podmínek, a tedy i se stabilitou použitých měřidel průtoku. Jejich periodická kalibrace poskytuje uživateli údaj o nejistotě za laboratorních podmínek, jestliže se průtokoměry kalibrují mimo provoz, nebo o celkové nejistotě za provozních podmínek při použití pojízdných kalibrátorů. V obou případech je kalibrace velmi nákladný, časově náročný a při požadavku na nepřetržitý provoz někdy těžko proveditelný úkol (obr. 4). K ceně za kalibraci je nutné připočítat také demontáž, čištění, balení, dopravu, montáž a zprovoznění.Obr. 4. Jaké jsou náklady na jednoduchou rekalibraci, je-li průtokoměr umístěn v takovéto lokalitě?Přestože Coriolisovy průtokoměry mají robustní konstrukci a Yokogawa mezi výrobci vyniká tloušťkou stěn měřicích trubic (3,9 až 12 % z vnitřního průměru), může při měření abrazivních nebo chemicky agresivních médií docházet k mírnému opotřebení a ztenčení stěny a tím i poklesu tuhosti trubic. Yokogawa intenzivně testovala vliv korozního opotřebení na přesnost a zjistila, že např. u měřidla Supreme 36 (0,5 až 10 t/h) úbytek tloušťky trubice o 0,05 mm (4 %) způsobí pokles tuhosti a tím i nárůst chyby na 3 % z okamžitého hmotnostního průtoku a přibližně 6,5 % z okamžité hustoty. Stabilní kvalitu měření Coriolisovými průtokoměry lze zajistit jen včasnou kontrolou změny tuhosti měřicích trubic. Klasická diagnostika elektrických obvodů a chodu firmwaru není pro posouzení stavu průtokoměru dostačující. Princip činnosti hmotnostního Coriolisova průtokoměruObr. 5. Princip měření Coriolisova hmotnostního průtokoměruAby bylo zřejmé, jak souvisí změna tloušťky stěny trubic s jejich kalibračním faktorem, bude užitečné si připomenout trošku teorie související s Coriolisovými průtokoměry. Na obr. 5 je ve stručnosti popsán princip funkce průtokoměru. Měřené médium prochází dvěma trubicemi ve tvaru U, které jsou pomocí budiče E rozkmitány a oscilují na vlastní rezonanční frekvenci fC s úhlovou rychlostí Ω. Pohybuje-li se hmotný bod média δm od středu rotující trubice rychlostí v, působí kolmo na jeho dráhu tzv. Coriolisova síla Fc, na obrázku F1, která se snaží brzdit rotační pohyb trubice. Naopak v případě, že se hmotný bod pohybuje ke středu otáčení trubic, je účinek síly Fc = F2 souhlasný s pohybem trubice a její výchylka při oscilacích je větší. Coriolisova síla vyjádřená vztahem (1) působí na poloměru d krouticím momentem TC (2) a způsobuje zkroucení měřicích trubic o úhelθ. vzorec (1)vzorec (2)Dosadí-li se místo hmotnosti m součin hustoty média ρ, vnitřního průřezu S a délky trubky l, kde Coriolisova síla vzniká, a 2Ω×v místo zrychlení aC, získá se vztah, ve kterém lze přeskupením činitelů v součinu osamostatnit hmotnostní průtok Qm = ρSV. Pak vychází, že zkroucení o úhel θ je úměrné krouticímu momentu, který přímo souvisí s hmotnostním průtokem (3). vzorec (3) Pohyb trubic je snímán dvojicí senzorů S1 a S2 umístěných na příčných ramenech trubic (cívka–magnet). Je-li průtok nulový, Coriolisova síla nepůsobí, trubice kmitají paralelně a signály senzorů mají identický sinusový průběh. Nenulový průtok způsobuje zakřivení trubic a signál ze senzoru S2 se proti S1 začíná zpožďovat, viz obr. 5. Vyhodnocením fázového posunu Δφ lze detekovat krouticí moment Coriolisovy síly a tím kvantifikovat hmotnostní průtok. V praxi jsou trubice namáhány nejen na krut, ale také na ohyb, uplatňuje se jejich tvar, který je odlišný od zidealizovaného tvaru U, pro který platí uvedené vztahy. Zavádí se tzv. konstanta senzoru SK (T, p, ρ), zohledňující jeho konstrukci (4). Protože rezonanční frekvence trubic a tím i úhlová rychlost Ω závisejí na hustotě média v trubicích, je tato konstanta senzoru závislá na hustotě a také na teplotě i tlaku. vzorec (4) kdeQm je hmotnostní průtok (kg/h),SK konstanta senzoru (Hz·kg/h),fr   rezonanční frekvence (Hz),φ   zkroucení trubice (rad).Pro potřeby kalibrací a srovnávání průtokoměrů byla zavedena konstanta SK20, udávající hodnotu konstanty při 20 °C, tlaku 100 kPa a hustotě vody. SK20 je přímo úměrná tuhosti trubic K. Pro zjednodušení je ve vztahu (5) uvedena tuhost přímé trubky namáhané na ohyb. vzorec (5) kdeE (T, p) je Youngův modul pružnosti,do vnější průměr trubic,di  vnitřní průměr trubic,l    délka vyložení (poloměr ohybu trubic).Ze vztahu (5), ve kterém vnitřní světlost trubky figuruje ve čtvrté mocnině, je zřejmý zásadní dopad ztenčení stěny trubky na její tuhost a tím i na měření hmotnostního průtoku. Kontrola zdravotního stavu trubicZpůsob periodické kontroly tuhosti trubic (tube health check) je patentově chráněn (JP 4952820 B2). Vychází z poznatku, že rezonanční frekvence fC je dána tuhostí trubic K a hmotností média mf a trubic mt podle vztahu (1). Zmenšující se tuhost má za následek pokles rezonanční frekvence: vzorec (6) Obr. 6. Reakce amplitudy kmitů trubic na změnu zesílení budičeDo vztahu (4) pro hmotnostní průtok Qm vstupuje rezonanční frekvence ve jmenovateli, a tedy pokles tuhosti vede ke kladné chybě průtoku. Vnitřní tvar trubic, jejich strukturu, tuhost i vnitřní objem – tedy hmotnost média v trubicích – ovlivňuje zvláště koroze či eroze. Tuhost má určitou retenční schopnost zachovat stávající amplitudu kmitů do jisté míry na původní úrovni. Zmenší-li se tuhost, je reakce na změnu amplitudy buzení rychlejší – strmost α změny amplitudy kmitů na snímané frekvenci je větší (obr. 6). Jestliže se sníží buzení o určitou hodnotu (na obr. 6 jen informativní hodnota), bude se amplituda na senzorech snižovat po dobu τ, dokud se neustálí na nové hodnotě. Na počátku kontroly se změří referenční tuhost (obr. 7). Obr. 7. Kontrola zdravotního stavu trubicNásledně lze např. s měsíční periodou provádět ověřovací měření, které trvá přibližně 90 s. Protože teplota a tlak mají na tuhost trubic podstatný vliv, doporučuje se vykonávat kontrolu v ustáleném režimu, tedy při přibližně stejné teplotě, tlaku i zavzdušnění. Ideální je měřit při uzavřeném potrubí, ale není to podmínka. Jedno měření nemá žádný význam. Je nutné vykonat několik měření, kdy převodník uchovává trend strmostí α1, α2 a skokových změn budiče G1, G2 a z nich vypočtené referenční tuhosti Kd (7). KF je kalibrační faktor zjištěný při prvotní kalibraci. Pro následné referenční vyhodnocování tuhosti trubic Kd se stanoví KF = 1.vzorec (7) kde fC20 je rezonanční frekvence trubic při 20 °C,Md = mt + mf referenční hmotnost trubice i média.Změna referenční tuhosti o 0,1 % odpovídá nárůstu chyby měření o 0,1 %. Jestliže naměřené výsledky vypadají jako na obr. 8, lze nastavením hraniční hodnoty změny tuhosti indikovat termín nutné rekalibrace, nechce-li uživatel dopustit horší přesnost. Tato funkce bezpečně vyhodnotí nárůst chyby o 0,1 % a limita je nastavitelná od 0,1 do 5 %.Obr. 8. Nastavení limitní chyby a kalibračního intervaluKontrola zdravotního stavu trubic představuje cennou doplňkovou funkci průtokoměru Rotamass TI, která dává celkem reálnou představu o dosahované přesnosti za provozu a je schopna snížit náklady na údržbu a zabránit zbytečnému zastavení výroby.Rotamass TI tak nastavil nový, nejvyšší standard užitných vlastností, robustnosti a přesnosti mezi Coriolisovými průtokoměry na trhu. Vylepšením specifikací při reálných provozních podmínkách a podporou v průběhu životního cyklu přináší novou kvalitu všem uživatelům.Tomáš Zetek, Yokogawa CZ/SK

Společnost 5.0 – japonská cesta od informační k superchytré společnosti

V Japonsku, které bylo partnerem loňského veletrhu CeBIT, odstartoval vládní program, jehož cílem je připravit na digitalizaci nejen průmysl, nýbrž celou společnost. Země se tak řadí po bok státům, ve kterých jsou již podobné programy zavedeny (Industrie 4.0 v Německu, e-Estonia v Estonsku nebo Smart Nation v Singapuru).  Společnost 5.0 na loňském veletrhu CeBIT V úvodu vládního programu Japonska s názvem Společnost 5.0 jsou zmíněny výzvy, kterým aktuálně země čelí – stárnutí populace (26,3 % japonské populace je starší 65 let), nebezpečí terorismu, přírodních katastrof a znečištění životního prostředí. Dokument japonské obchodní federace Keidan­ren vyjmenovává pět bariér, které je třeba pro zvládnutí těchto výzev překonat. Zmíněné bariéry jsou těžkopádnost administrativy, zastaralý právní řád, pomalý rozvoj technologií, nedostatek lidských zdrojů a neochota veřejnosti přijmout nutné změny. Úlohou federace Keidanren je ve spolupráci s vládou veřejně šířit myšlenky programu Společnost 5.0. Dokument Na cestě k realizaci nové ekonomiky a společnosti, vydaný federací Keidanren, představuje návrh, jak myšlenek programu Společnost 5.0 dosáhnout. Dokument byl mimo jiné představen na loňském veletrhu Cebit v Hannoveru.  Spolupráce člověka a robotů Jedním ze způsobů, jak se vypořádat s problémem nedostatku pracovní síly na trhu práce, má být podle federace Keidanren zapojení lidí ze všech sociálních vrstev společnosti a všech věkových kategorií za pomoci výukových a tréninkových iniciativ a všeobecného zavedení „inovační kultury“ do těsnějších vztahů s roboty a stroji. Rozhodující je, aby spolupráce lidí a strojů požívala ve společnosti odpovídající respekt, včetně ohledu na etickou a ekonomickou stránku problému.  Úpravy právního řádu Další kroky, kterými je třeba přispět ke změnám ve společnosti, se týkají úprav právního prostředí. S ohledem na disruptivní vývoj techniky nabude na významu otázka duševního vlastnictví. Stejně tak současné právní předpisy nesmí představovat do budoucna překážku ve využívání např. autonomních dopravních prostředků nebo kolaborativních robotů. Podcenit nelze ani otázku zabezpečení dat (informací) při jejich ukládání či předávání.  Výzkum, vývoj, vzdělání a jejich financování Japonsko plánuje investovat 1 % HDP do výzkumu a technického vývoje. Plán financování rovněž zahrnuje změny v daňovém systému v souvislosti s podporou soukromých investic. Součástí strategie je také podpora vzdělávání v oblasti informatiky již na úrovni základního a středního školství. S tím souvisí požadavek dostatečných kapacit v oboru kybernetické bezpečnosti. Jednou z možností zajištění potřebných lidských zdrojů je podpora ekonomické imi­grace řízená vládou, cílená právě na odborníky z jiných zemí. Kromě toho bude definována „oblast vyloučené konkurence“, vymezující obory, ve kterých budou spolupracovat domácí a zahraniční společnosti s cílem zajištění společné komparativní výhody Japonska. Počítá se také se start-upy i malými a středními podniky, jež společně se zahraničními subjekty vytvoří potřebnou ekonomickou základnu. Vzdělání studentů a budoucích vědců musí být opřeno o aktivity současných výzkumných pracovníků a o spolupráci průmyslu, akademické sféry a vlády obecně. Důraz je explicitně kladen na zapojení žen, stejně jako špičkových vědců z ciziny. V souladu s touto iniciativou japonští vládní zástupci vyvíjejí snahu o další prohloubení vztahů s ostatními členskými zeměmi transpacifického partnerství (TPP), které na bázi multiraterálních dohod zaručuje volný obchod mezi členskými zeměmi (kromě Japonska jsou členy Brunej, Malajsie, Vietnam, Singapur, Austrálie, Nový Zéland, Kanada, Mexiko, Chile, Peru; do roku 2017 i USA).  Reforma organizací i stylu práce Doporučení federace Keidanren se vztahují rovněž na jednání a práci se zaměstnanci. Zdůrazněn je ohled na jejich individuální potřeby. To souvisí s vizí budoucího trhu práce, na kterém již nebudou existovat mnohá z nynějších povolání, ale naopak vzniknou zcela jiné možnosti pracovního uplatnění.  Společnost 5.0 – shrnutí Lze shrnout, že japonský program Společnost 5.0 představuje nový model růstu od informační k „superchytré“ společnosti, který nabízí řešení souvisejících sociálních problémů a předkládá způsob, jak dosáhnout trvale udržitelného rozvoje společnosti. Základní principiální změna je v tom, že vývoj již není orientován na technické aspekty a na dosahování neustálého růstu zisku – do centra pozornosti se dostává člověk a jeho kvalita života. Federace Keidanren vytipovala sedmnáct cílových stavů, kterých má superchytrá společnost dosáhnout (tab. 1).  Společnost 5.0 vs. průmysl 4.0 Zatímco pojem průmysl 4.0 bude ještě určitou dobu aktuální téma v odborných i veřejných kruzích, nejen v souvislosti s programem Společnost 5.0 se objevuje nový termín, a to průmysl 5.0. Již etablovaný průmysl 4.0 se zaměřuje na využití automatizační techniky a robotů v průmyslu a postupně i v každodenním životě, ale průmysl 5.0 jde dál1). Zejména v bohatých společnostech, které budou schopné ve značné míře realizovat principy průmyslu 4.0, půjde o zabezpečení způsobu práce, resp. života obecně, pro širokou veřejnost, pro niž bude nejen trh práce, ale celý způsob života zcela změněn. Otázky průmyslu 5.0 souvisejí také s již zmíněnými klimatickými změnami. Jedním z oborů řešících otázku obnovitelných zdrojů a zdrojů obživy je bioekonomika, jež se musí stát součástí průmyslu 5.0. Příkladem aktivit v oboru bioekonomiky může být německá Národní výzkumná strategie BioEconomy 2030. Podílí se na ní mnoho renomovaných výzkumných institucí. Ty řeší pět priorit: globální zabezpečení zdrojů obživy, udržitelné zemědělství, zdravé a nezávadné potraviny, průmyslové využití obnovitelných zdrojů a vývoj zásobníků energie na bázi biomasy. Dalším souvisejícím oborem jsou průmyslové biotechnologie. Příkladem jejich využití je vývoj nových materiálů vykazujících výjimečné fyzikální či chemické vlastnosti. V souvislosti s průmyslem 5.0 je rovněž zmiňována tzv. syntetická biologie, umožňující výrazně zrychlit proces evoluce. Pomocí genového inženýrství je tak možné např. pěstovat plodiny odolávající lokálním podmínkám, vyvíjet biologické senzory a akční členy nebo získávat nové druhy bio­paliv. Seznam institucí zabývajících se syntetickou biologií obsahuje mnoho zvučných jmen (Ginkgo Bioworks, NASA, Imperial College London, DARPA a další). Výzkumné aktivity oborů blízkých myšlenkám průmyslu 5.0 s sebou přinášejí nutnost řešit etické otázky hranic, které by člověk neměl překračovat. S rozvojem průmyslu 5.0 proto musí být spojeny také výzkumné aktivity na poli etiky a filozofie. Tak jako každý vývoj, i průmysl 5.0 má dvě strany mince – potenciál dnes nepředstavitelné akcelerace vývoje techniky a jeho využití k materiálnímu zabezpečení globální populace na straně jedné, avšak nebezpečí zneužití teroristickými organizacemi či zeměmi a riziko vzniku neočekávaných efektů na straně druhé. Jedno z nebezpečí spočívá též v tom, že rozvoj bioinženýrství má a bude mít lepší podmínky v těch částech světa, které již nyní patří k těm rozvinutým. Do budoucna to může představovat impulz k ještě podstatnějšímu rozevírání nůžek mezi bohatými a zaostávajícími regiony, které mohou být příčinou sociálních a politických problémů globálních rozměrů.  Jiří HloskaPartnerství Česka a Japonska Technologická agentura ČR, Agentura pro podporu podnikání a investic Czechinvest a japonská vládní agentura pro podporu obchodu a investic JETRO uspořádaly za spolupráce Českého institutu informatiky, robotiky a kybernetiky workshop k tématu česko-japonské technologické spolupráce Czech Japan Technology Partnership Workshop. Akce se uskutečnila 20. září 2017 v budově CIIRC ČVUT za účasti japonského velvyslance v ČR, náměstka ministra průmyslu a obchodu ČR a výkonného ředitele japonské vládní agentury NEDO. Workshop byl zaměřen na současný a budoucí potenciál spolupráce České republiky a Japonska v oblasti techniky a představil příklady výzkumně-vývojových projektů v oborech laserových technologií, jaderné energetiky, průmyslu 4.0 a materiálového inženýrství. Ve dnech 30. listopadu a 1. prosince 2017 se Ing. Roman Holý, Ph.D., vedoucí Národního centra Průmyslu 4.0 v rámci CIIRC ČVUT, zúčastnil třetího ročníku mezinárodního sympozia RRI (Robot Revolution Initiative) a zároveň navštívil výstavu International Robotics Exhibition (iREX) 2017 v Tokiu v Japonsku. Sympozium se konalo pod záštitou japonského ministerstva pro ekonomiku, obchod a průmysl, jehož náměstek Kosaburo Nishime akci také zahájil. Roman Holý vystoupil se svým příspěvkem v panelu s názvem Future image of Manufacturing and Service with IIoT společně s dalšími experty z Japonska, Německa a Švédska.                                               (ed)  Tab. 1. Cíle programu Společnost 5.0 a způsoby, jak jich dosáhnout

Začlenění strojového vidění do systémů průmyslové automatizace

Zpracování obrazů z kamer a vizuální inspekce jsou stále častějšími součástmi současných systémů průmyslové automatizace. Proto má značný význam i požadavek na spolupráci systémů strojového vidění s řídicími a automatizačními systémy. Systém strojového vidění VisionLab lze přímo instalovat do programového prostředí Control Web. Integrace úloh vizuální inspekce do systémů průmyslové automatizace (obr. 1) je tedy maximálně efektivní.  Obr. 1. Strojové vidění jako součást řídicího systému: rozsah funkcí činí ze systému Control Web efektivní nástroj digitalizace průmyslu pro téměř libovolná zakázková řešeníToto propojení v jednom programovém prostředí nejenže výrazně zjednodušuje vývoj nových aplikací, ale výsledné řešení také vychází levněji než jiné koncepce. Uživatel totiž může ve většině případů použít jediný počítač, ke kterému jsou připojeny jak kamery, tak i jednotky průmyslových vstupů a výstupů a který je rovněž připojen k počítačové síti a firemnímu informačnímu systému. Na tomto počítači obvykle běží grafické uživatelské rozhraní aplikace, databázový SQL server, webový server, úlohy vizuální inspekce a strojového vidění a také celá logika automatizační aplikace. Při potřebě dalších vzdálených automatizačních rozváděčů může být každý z nich připojen pomocí Ethernetu a komunikovat prostřednictvím TCP/IP. Příklad takového vzdáleného rozváděče je na obr. 2. Efektivita řešení a výhodná cena veškerého hardwaru i softwaru jsou u takto koncipovaných systémů zřejmé.Obr. 2. Automatizační rozváděč je připojen jediným ethernetovým kabelem S novou generací prostředí Control Web 8 přibylo i několik vlastností, které možnosti integrace strojového vidění nadále zdokonalují. Do strojového vidění byl doplněn nový typ datových objektů pro přenos obecných binárních dat. Tento typ koresponduje s datovými elementy typu data v prostředí systému Control Web. Virtuální přístroje v aplikačním programu a kroky v řetězci strojového vidění si nyní mohou efektivně vyměňovat bloky libovolných dat. Typ dat a formát jejich uložení nejsou nikterak předepsány, stačí, když jim příjemce dat rozumí. V některých úlohách, jako je např. další práce s detekovanými významnými body obrazu v aplikačním programu, přináší tato technika přenosu bloků binárních dat významné zrychlení. Nové možnosti spolupráce automatizační aplikace s řetězcem kroků strojového vidění může dobře demonstrovat např. virtuální přístroj pro zobrazení prostorové scény v podobě 3D objektu (obr. 3).Obr. 3. Ukázka stereoskopického snímání prostoru venkovní scény – virtuální přístroj si vybuduje 3D model snímaného prostoru a z něj pak dokáže stanovit např. pozice automobilů a jejich vzdálenosti od kamery Obrazová data jsou snímána stereoskopickou dvojicí kamer (obr. 4). Tento virtuální přístroj má několik zvláštností. Zobrazuje sice scénu snímanou kamerami, ale sám s kamerami bezprostředně nekomunikuje. Pro svou činnost potřebuje nejen dva obrazy z kamer, ale i informace o významných bodech a jejich deskriptorech nalezených v těchto dvou obrazech. Musí proto spolupracovat se strojovým viděním, které pomocí kroku pro detekci významných bodů plní datové elementy typu data nalezenými deskriptory těchto bodů. Obdobně jako deskriptory bodů, i vlastní obraz z každé kamery je do virtuálního přístroje přenášen prostřednictvím datových elementů typu data. Virtuální přístroj může být velmi užitečný v aplikacích, kde jsou třeba informace o vzdálenostech objektů v obraze (obr. 5), když je zapotřebí nalézat objekty v různých vzdálenostech (obr. 6) nebo se při pohybu vyhýbat kolizím s objekty v prostoru. Pomocí datových elementů typu data může být rovněž libovolný obraz přenášen např. do zobrazovacích přístrojů umístěných kdekoliv v 3D prostoru scény.Obr. 4. 3D model snímané scény vytvořený ze dvou obrazů z kamer Schopnost kroků systému strojového vidění VisionLab efektivně a s maximálním využitím masivně paralelního výkonu GPU nalézat významné body obrazu a počítat deskriptory popisující jejich okolí je možné využít také k detekci obecných objektů v obrazech. Významné body jsou hledány ve stupnici několika měřítek a objekty lze potom detekovat nezávisle nejen na jejich natočení a jasu, ale i na jejich velikosti (obr. 7 a obr. 8). Množinu deskriptorů, která charakterizuje objekty, jež je třeba dále v obrazových datech identifikovat, mohou detekční kroky poskytovat jak v souborech, tak i v datových elementech typu data.Obr. 5. V modelu 3D prostoru lze měřit vzdálenosti jednotlivých povrchů od kamer Novinek je mnohem více, zmíněn byl jen malý zlomek. Systém VisionLab je neustále zdokonalován a rozvíjen a nyní obsahuje již přes dvě stovky kroků pro řešení nejrůznějších požadavků v úlohách strojového vidění.Obr. 6. Pomocí významných bodů lze v obraze z kamery identifikovat např. dopravní značky A nyní, když je k dispozici nová, osmá generace systému Control Web, jistě stojí za zmínku i to, že vývojovou verzi systému Control Web je možné volně stáhnout z webu www.moravinst.com a používat ji na neomezeném počtu instalací zdarma. Licence je potřebná jen při požadavku na trvalý běh aplikace. Stejně tak lze používat i veškeré ovladače a systém strojového vidění VisionLab. Obr. 7. Hledaný objekt stačí označit a uložit si množinu deskriptorů, která jej charakterizuje...Obr. 8. ... a poté jej lze spolehlivě ve videozáznamu detekovat (červeně jsou označeny všechny nalezené významné body aktuálního obrazu) (Moravské přístroje a. s.)

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

Bezpečnost kolaborativních robotů

Článek je záznamem a překladem přednášky Roberty Nelson Sheaové z firmy Universal Robots. Seznamuje s aktuálními standardy a specifikacemi v oblasti kolaborativních robotů a věnuje se zejména možnostem a omezením použití funkce omezení výkonu a síly. Klade důraz na to, že je vždy třeba pečlivá analýza rizik celého pracoviště vybaveného kolaborativními roboty. Jak je to vlastně s bezpečností kolaborativních robotů? Ještě před dvěma roky jsem na semináři na toto téma slyšel – nikoliv od výrobce těchto robotů, ale od odborníka na certifikaci bezpečnosti strojů a strojních zařízení: na kolaborativní roboty ve výrobním podniku zapomeňte, robot nikdy nesmí přímo spolupracovat s člověkem. Že tomu v současné době už tak není, jsme psali v technickém článku Nové přístupy k bezpečnosti robotů [1]. Tento článek uvedené informace doplňuje a dále rozvádí. Je záznamem přednášky Roberty Nelson Sheaové z firmy Universal Robots, která v prosinci loňského roku krátce navštívila Českou republiku. Představení autorky výchozí přednáškyDovolte mi nejprve představit autorku výchozí přednášky. Roberta Nelson Sheaová přišla do firmy Universal Robots teprve před krátkou dobou a pracuje zde na pozici Global Technical Compliance Officer. V oblasti bezpečnosti strojů a strojních zařízení však není žádným nováčkem, ale naopak uznávanou odbornicí. Pracovala na různých pozicích ve firmách Rockwell Automation, Symbotic LLC, Applied Manufacturing Technologies, Pilz Automation a Honeywell a Procter & Gamble. Celkem 23 let pracovala jako předsedkyně (nyní emeritní předsedkyně) výboru ANSI/RIA R15.06 Robot Safety Committee. Sama Roberta Nelson Sheaová o sobě říká: „Už více než třicet let je mou vášní robotika... Mým cílem je demystifikovat roboty a ujistit, že bariéry jejich využití postupně padají. Jsem zastáncem globální harmonizace požadavků na bezpečnost, protože ta snižuje náklady na konstrukci, výrobu a posuzování shody.“ Jsou normy povinné?Při diskusi o globalizaci standardů je nutné se nejprve soustředit na otázku, do jaké míry je jejich dodržování v různých částech světa povinné. Na tuto otázku Roberta Nel­son Sheaová odpověděla takto: „V USA, v Kanadě nebo v Japonsku jsou požadavky na bezpečnost dány zákonem, zatímco v Evropské unii evropskými směrnicemi a nařízeními. Ovšem povinnost jejich dodržování může být a je i zde stanovena zákony jednotlivých zemí. V tom tedy velký rozdíl není. Jeden ze zásadních rozdílů je v tom, že v USA je dodržování bezpečnosti práce vždy povinností koncového uživatele, zatímco v Evropě prokazuje shodu s bezpečnostními normami výrobce či prodejce při uvádění výrobku na trh a uživatel se spoléhá na jeho prohlášení.“V oblasti posuzování bezpečnosti robotů a pracovišť s roboty jsou nejdůležitější mezinárodní normy ISO 10218-1 a ISO 10218-2. Obě normy jsou akceptovány v EU i v USA a Kanadě. V Evropě k nim byl přidán doplněk ZX, aby byly v souladu se směrnicí Evropského parlamentu a Rady 2006/42/ES o strojních zařízeních. V této podobě vyšly jako EN ISO 10218-1 a EN ISO 10218-2 a byly pod stejným označením přijaty jednotlivými členskými státy EU. V České republice jde tedy o normy ČSN EN ISO 10218-1Roboty a robotická zařízení – Požadavky na bezpečnost průmyslových robotů – Část 1: Roboty a ČSN EN ISO 10218-2 Roboty a robotická zařízení – Požadavky na bezpečnost průmyslových robotů – Část 2: Systémy robotů a integrace. Obě vstoupily v platnost v roce 2012. V USA i v Kanadě existovaly normy pro bezpečnost robotů již dříve, proto zde byly normy ISO přijaty pod původním označením, v USA jako ANSI/RIA R15.06 (doplněná o předmluvu) a v Kanadě jako CAN/CSA Z434 (doplněná o předmluvu a specifické úpravy). V obou případech normy obsahují obě části ISO 10218.Bude užitečné připomenout, co je to vlastně norma a kdo je jejím autorem. Technická norma je dokument, který stanovuje důležité vlastnosti různých materiálů, výrobků, součástek nebo postupů a může definovat také používané pojmy. Autory norem jsou sami výrobci, uživatelé, integrátoři, výzkumné a vývojové instituce nebo státní orgány; jde-li o státní normy, je autoritou příslušný státní úřad, např. v Česku Úřad pro technickou normalizaci, metrologii a státní zkušebnictví. Poznamenejme, že autoři norem nemají k normám autorská práva, ta má vždy vydavatel normy. Státní normy se podřizují normám mezinárodním, zejména normám ISO. Na státní normy mohou navazovat normy oborové nebo podnikové. Je třeba podotknout, že normy, ani státní, obecně nejsou závazné. V právním řádu je však mnoho odkazů na normy, buď výlučných, kdy je dodržení normy jedinou možností, jak být v souladu se zákonem, nebo indikativních, kde je norma doporučena jako jeden z prostředků, jak splnit zákonné nařízení. Které normy se týkají robotů a pracovišť s roboty?Roberta Nelson Sheaová dále pokračovala výkladem o soustavě bezpečnostních norem ISO. Bezpečnostní normy lze rozdělit na tři typy:Normy typu A (základní bezpečnostní normy) stanovují základní pojmy a zásady pro projektování a konstrukci a obecná hlediska, která mohou být použita u všech strojů. Příkladem je ČSN EN ISO 12100 (83 3001) Bezpečnost strojních zařízení – Všeobecné zásady pro konstrukci – Posouzení rizika a snižování rizika.Normy typu B (skupina bezpečnostních norem) se zabývají jedním bezpečnostním aspektem nebo jedním typem bezpečnostního zařízení, které může být použito pro větší počet strojů. Normy typu B1 se týkají jednotlivých bezpečnostních aspektů (např. bezpečných vzdáleností, teploty povrchu, hluku apod.). Příkladem může být ČSN EN ISO 13857 (83 3212) Bezpečnost strojních zařízení – Bezpečné vzdálenosti k zamezení dosahu do nebezpečných prostor horními a dolními končetinami. Normy typu B2 se týkají příslušných bezpečnostních zařízení (např. dvouručního ovládacího zařízení, blokovacího zařízení apod.). Příkladem je ČSN EN ISO 13850 (83 3311) Bezpečnost strojních zařízení – Nouzové zastavení – Zásady pro konstrukci.Normy typu C (bezpečnostní normy pro stroje) určují detailní bezpečnostní požadavky pro jednotlivý stroj nebo skupinu strojů. Sem patří obě již zmíněné normy pro bezpečnost robotů ČSN EN ISO 10218-1 a ČSN EN ISO 10218-2.V tab. 1 jsou shrnuty bezpečnostní normy, které při konstrukci robotů respektuje společnost Universal Robots. Až na jednu jde o normy převzaté jako ČSN, proto je v tabulce uveden název jejich českého překladu. Kromě nich však Universal Robots bere v úvahu ještě tyto normy a specifikace, jež buď zatím nejsou harmonizované, nebo nejde o normy týkající se výslovně bezpečnosti: ISO/TS 15066: Robots and robotic devices – Collaborative robots. Jde o technickou specifikaci (nikoliv normu) doplňující normy ISO 10218-1 a ISO 10218-2 o části věnované speciálně kolaborativním robotům používaným v průmyslu. Specifikace byla zveřejněna v únoru 2016.ČSN EN ISO 9409-1: Manipulační průmyslové roboty – Mechanická rozhraní. ČSN EN ISO 9946: Manipulační průmyslové roboty – Uvádění charakteristických vlastnostíČSN EN ISO 9283: Manipulační průmyslové roboty – Technické parametry a souvisící zkušební metody.Nová specifikace ISO/TS 15066Autorem specifikace ISO/TS 15066: Robots and robotic devices – Collaborative robots je technická komise ISO/TC 299 (dříve TC 184/SC 2). V této komisi jsou zastoupeni všichni významní výrobci průmyslových kolaborativních robotů: Universal Robots, ABB, Rethink Robotics, Kuka, Fanuc, Denso Wave a Yaskawa. Výsledný text je konsenzem všech zúčastněných a všechny jejich nové kolaborativní roboty jsou s touto specifikací ve shodě (UR: UR3, UR5, UR10, ABB: YuMi, RR: Baxter, Sawyer, Kuka: IIWA, Fanuc: CR-35iA...).Co se změnilo v oblasti kolaborativních robotů po únoru 2016, kdy byla specifikace zveřejněna? V normách ISO 10218-1 a 10218-2 byla kolaborativním robotům věnována jedna strana. Tyto normy byly totiž poprvé publikovány v roce 2006, tedy v době, kdy obor průmyslových kolaborativních robotů ještě v podstatě neexistoval. Nová specifikace ISO/TS 15066 přináší třicet stran informací a doporučení věnovaných jen tomuto novému oboru robotiky. Technická specifikace ovšem není standard. Jde opravdu jen o soubor informací a doporučení pro konstruktéry robotů a robotizovaných pracovišť. Obvyklý postup je takový, že technická specifikace je po určitou dobu používána v praxi, sbírají se zkušenosti, které jsou použity k revizím specifikace, jež se následně může stát normou nebo součástí normy: v tomto případě se počítá s tím, že se stane součástí norem ISO 10218-1 a 10218-2.Normy ISO 10218-1 a 10218-2 rozlišují průmyslový robot, který se skládá z robotického ramene a řídicího systému, a robotický systém, jehož součástmi jsou robot, efektor (chapadlo nebo nástroj) a manipulovaný či zpracovávaný díl. Roberta Nelson Sheaová uvedla stručný přehled způsobů, jimiž je podle ISO 10218-1 zajištěna bezpečnost kolaborativních robotů: bezpečnostní monitorované zastavení, ruční navádění, sledování rychlosti a vzdálenosti a omezení rychlosti a výkonu. Naše čtenáře můžu odkázat na článek [1], kde jsou tyto způsoby popsány podrobněji. Z hlediska řízení jsou bezpečnostní funkce zajištěny takto:u bezpečnostního monitorovaného zastavení je robot řízen automaticky až do okamžiku, kdy je funkce aktivována; potom může být ovládán ručně a po deaktivací funkce, tedy když osoby opustí pracovní prostor robotu, je opět řízen automaticky (nejde tedy o bezpečnostní zastavení kategorie 0 nebo 1, jež by vyžadovalo restartování systému) – používá se zejména při údržbě, výměně nástroje apod.,u ručního navádění robotu je robot naváděn lidskou obsluhou a po ukončení funkce je opět řízen automaticky; při ručním navádění tedy obsluha a řídicí systém robotu spolupracují – typicky se tato funkce používá pro učení, při sledování rychlosti a vzdálenosti je robot řízen svým řídicím systémem tak, aby v okamžiku, kdy dojde ke kontaktu s obsluhou, zastavil nebo se pohyboval bezpečnou rychlostí a vyvozoval bezpečnou sílu – tato funkce je vhodná tam, kde obsluha spolupracuje s robotem jen po určitou dobu pracovní operace a během této doby je pohyb robotu výrazně zpomalen či zastavenpři omezení síly a výkonu je robot řízen tak, aby obsluze nemohl ublížit; je to jediná funkce, která umožňuje trvalou a plnou spolupráci řídicího systému robotu s obsluhou.Roberta Nelson Sheaová dále věnovala pozornost právě funkci omezení síly a výkonu (PFL – Power and Force Limited). Tato funkce vychází z myšlenky, že je v podstatě lhostejné, dotkne-li se člověk bezpečně stojícího ramene robotu, nebo ramene robotu, které se pohybuje bezpečnou rychlostí a vyvíjí jen bezpečnou sílu. Důležité je, že nestačí, je-li bezpečný samotný robot. Nese-li robot ve svém chapadle např. ostrý, horký nebo jinak nebezpečný předmět, musí být jeho bezpečnost zajištěna bez ohledu na to, že je schopen se pohybovat jen limitovanou rychlostí a vyvinout jen limitovanou sílu: v tomto případě musí být robot umístěn za bezpečnostní oplocení a přímá spolupráce s ním není možná.Specifikace ISO/TS 15066 ve své příloze stanovuje konzervativní limity bolestivosti při kvazistatickém a přechodném kontaktu obsluhy s robotem (kvazistatický kontakt je takový, kdy je část těla přimáčknuta mezi rameno robotu a pevnou součást robotické buňky, přechodný kontakt je takový, kdy má obsluha možnost ucuknout). Limity jsou stanoveny na základě pokusů na velkém souboru osob pro různé části těla.  Klasické a kolaborativní robotyV dalším výkladu Roberta Nelson Sheaová nastínila cestu, kterou se ubírá robotika od klasických průmyslových robotů, jež pracují obvykle v prostorech, které jsou pro člověka nebezpečné nebo nepříjemné, a kde se tedy ani nepočítá s tím, že by zde roboty spolupracovaly s lidskou obsluhou, protože je snaha přítomnost osob v takovém prostředí zcela vyloučit, ke kolaborativním robotům, jež pomáhají lidem vykonávat zejména obtížné a únavné práce. V prvním případě jde obvykle o složitá robotizovaná pracoviště a z hlediska bezpečnosti jsou zajištěna externími snímači, spínači a bezpečnostním systémem. V druhém případě jde zpravidla o jednodušší úlohy – složitější jsou výjimkou – a bezpečnost bývá zajištěna přímo robotem. Klasické průmyslové roboty, pracující v oddělených prostorech, tedy vyžadují více místa k montáži. Obvykle jsou pevně namontovány i naprogramovány: počítá se s tím, že budou po dlouhou dobu vykonávat stále stejné operace. Jejich pořizovací cena je vyšší a doba návratnosti delší.Naproti tomu kolaborativní roboty pracují na jednom pracovišti s lidskou obsluhou, jsou tedy prostorově úspornější, lze je snadno přemístit i přeprogramovat, měly by být levnější a doba jejich návratnosti je kratší. Posuzování rizikaRoboty UR jsou roboty s omezeným výkonem a silou. Protože jejich vlastní bezpečnostní funkce PFL splňuje požadavky úrovně vlastností PL d, lze tyto roboty bez dalších bezpečnostních bariér nebo spínačů používat v úlohách, kde by mohlo dojít k lehkým zraněním, ale četnost vystavení nebezpečným podmínkám je malá. Znovu je třeba připomenout, že vždy je nutné posuzovat celé pracoviště, tedy včetně chapadel, nástrojů a manipulovaných předmětů. Z hlediska implementace specifikace ISO TS 15066 je možné funkci PFL bez omezení použít v oblasti, kde obsluha ucítí dotyk robotu, ale ten jí nezpůsobí bolest. V oblasti, kde už je kolize s robotem bolestivá, ale ještě nezpůsobí žádné zranění, je možné funkci PFL použít s podmínkou malé četnosti výskytu takových situací. Může-li dojít k lehkému zranění, je nutné funkci PFL doplnit o vhodné bezpečnostní kryty nebo spínače. Hrozí-li riziko závažných zranění, nelze funkci PFL použít vůbec a bezpečnost musí být zajištěna jiným způsobem. Posuzování rizika je stejné jako u klasických průmyslových robotů. Navíc je ještě nutné podle ISO TS 15066 posoudit zamýšlené a předvídatelné kontakty robotu s obsluhou, určit typ kontaktu (přechodný, kvazistatický), část těla, na níž může dojít ke kontaktu, a četnost kontaktů. Podle přílohy A specifikace ISO TS 15066 je třeba v první řadě zabránit kontaktu robotu s částmi těla výše, než je krk. Nejde-li to jinak, je nutné používat ochrannou helmu a štít chránící oči a obličej. Konstrukce robotu, včetně chapadla nebo nástroje, musí zajistit, že při pohybu robotu nemůže dojít ke skřípnutí části těla mezi pohybující se části, a uspořádání pracoviště musí zajistit, že k tomu nemůže dojít ani mezi robotem a částmi pracoviště nebo stěnou. Pracoviště se validuje počítačovými simulacemi, zkouškami při využití snímačů síly nebo předmětů, které modelují části těla (např. zmražené párky místo prstů obsluhy). Počítá se s tím, že tato část specifikace bude dále upravována, aby validace byla ještě jednodušší a jednoznačnější.Co udělat pro to, aby u robotu mohla být uplatněna funkce PFL? Je třeba se vyvarovat všech míst, kde by mohlo dojít ke skřípnutí části těla. Konstrukčně je třeba omezit pohyb robotu tak, aby nemohl dosáhnout na citlivé části těla, zejména na krk a hlavu. Dále je výhodné konstrukčně omezit momenty setrvačnosti pohyblivých součástí robotu. Energii působící při kontaktu omezí zmenšení rychlosti pohybu robotu a vzniku zranění lze předejít zvětšením možných styčných ploch, které kontaktní sílu rozloží do větší plochy, nebo jejich změkčením (povrchovou úpravou). Opět je však třeba připomenout, že je zapotřebí posuzovat bezpečnost celého pracoviště, nikoliv robotu samotného.Možné prostředky ke snížení rizika jsou shrnuty v tab. 2. Využít lze všechny, ale doporučuje se využívat zejména ty v horních řádcích, směrem dolů jde o prostředky doplňující a pomocné, které riziko sice snižují, ale samy o sobě nikoliv dostatečně. ZávěrRoberta Nelson Sheaová konstatovala, že kolaborativní roboty jsou stále ještě poměrně nové a bezpečnostní standardy teprve vznikají. Mají-li být roboty používány v přímé interakci s člověkem bez ochranného oplocení a jiných bezpečnostních systémů, musí být samy vybaveny bezpečnostními funkcemi, spínači a systémy. Není ovšem možné tvrdit, že robot vybavený bezpečnostním systémem je vždy bezpečný. V každém případě je třeba udělat důkladnou analýzu rizik a posuzovat bezpečnost celého pracoviště. (S využitím podkladů firmy Universal Robots a záznamu přednášky Roberty Nelson Sheaové, prosinec 2016.) Literatura:[1] RETHINK ROBOTICS, INC. Nové přístupy k bezpečnosti robotů. Automa. Děčín, 2016, (6), 22–23. ISSN 1210-9592.Petr BartošíkObr. 1. Roberta Nelson Sheaová, Global Technical Compliance Officer, Universal Robots Tab. 1. Přehled norem uplatňovaných při posuzování bezpečnosti pracovišť s robotyČSN EN ISO 12100 (83 3001)Bezpečnost strojních zařízení – Všeobecné zásady pro konstrukci – Posouzení rizika a snižování rizikaČSN EN ISO 13849-1 (83 3205)Bezpečnost strojních zařízení – Bezpečnostní části ovládacích systémů – Část 1: Obecné zásady pro konstrukciČSN EN ISO 13850 (83 3311)Bezpečnost strojních zařízení – Nouzové zastavení – Zásady pro konstrukciISO 14118Safety of machinery – Prevention of unexpected start-up (neharmonizovaná; jako ČSN nepřevzata)ČSN EN ISO 13857 (83 3212)Bezpečnost strojních zařízení – Bezpečné vzdálenosti k zamezení dosahu do nebezpečných prostor horními a dolními končetinamiČSN EN ISO 13855 (83 3303)Bezpečnost strojních zařízení – Umístění ochranných zařízení s ohledem na rychlosti přiblížení částí lidského tělaČSN EN ISO 10218-1 (18 6502)Roboty a robotická zařízení – Požadavky na bezpečnost průmyslových robotů – Část 1: RobotyČSN EN ISO 10218-2 (18 6502)Roboty a robotická zařízení – Požadavky na bezpečnost průmyslových robotů – Část 2: Systémy robotů a integrace Tab. 2. Opatření pro zajištění bezpečnosti pracovišť s kolaborativními roboty OpatřeníPopis PoznámkaBezpečná konstrukce (zajišťuje výrobce robotu, chapadla, nástroje)eliminaceeliminace nebezpečí skřípnutí nebo nebezpečného dotyku; v této části je nutný také správný návrh celého pracoviště náhradaméně nebezpečné materiály, omezení energie, rychlosti, rozsahu pohybu omezení interakcívyloučení dotyku s obsluhou, zvláště dotyku s citlivými částmi těla (omezení rozsahu pohybu) Bezpečnostní prostředky a doplňující opatřeníbezpečnostní prostředkykryty, zámky, mříže, bezpečnostní spínače, funkce a systémyparametry je třeba nastavit podle konkrétních podmínekdoplňující opatřenínouzové zastavení, bezpečné odpojení momentu, zabezpečení přístupu, možnosti úniku z nebezpečné zóny, prevence pádu Opatření na straně uživatelevýstražná zařízenísignální světla, majáky, sirény, bezpečnostní tabulky a značení administrativní opatřeníSOP, školení, inspekce, kontroly bezpečnosti práce osobní ochranné prostředkyochranný oděv, boty, brýle, rukavice apod.   

EVERSWITCH – piezoelektrické spínače SML1

Piezoelektrické spínače značky EVERSWITCH firmy Baran Advanced Technologies Ltd. se používají pro manuální ovládání technologických zařízení v náročných pracovních podmínkách. Neobsahují žádné pohyblivé části, a proto jsou dlouhodobě spolehlivé. Odolávají vlhkosti, prachu i hrubému zacházení. Díky krytí IP69K je lze používat také pod vodou. Spínače řady SML1 jsou nově dodávány v pouzdře z korozivzdorné oceli AISI 316L. Tento materiál rozšiřuje oblast jejich použití i v potravinářském a chemickém průmyslu. Ke své funkci spínače nepotřebují napájecí napětí. Připojují se do externího elektronického systému, který reaguje na aktivaci piezoelektrického spínače a ovládá elektrické obvody pomocí kontaktů relé. Vestavěná RGB LED indikuje aktuální stav. Spínače jsou k dispozici s kabelem délky 2,5, 8 a 15 m. Firma INTRADIS s. r. o, která zastupuje výrobce v ČR a SR, také dodává certifikovanou řídicí elektroniku v montážních krabicích na zeď nebo k instalaci na lištu DIN. Baran Advanced Technologies Ltd., www.barantec.com, www.intradis.cz tel.: +420 604 221 919, e-mail: info@intradis.cz  

Emparro Premium Power –napájecí systém od společnosti Murrelektronik

Komponenty řady Emparro od společnosti Murrelektronik jsou cenově úsporným a spolehlivým řešením napájení strojů a zařízení. Ucelený napájecí systém složený z vysoce výkonných spínaných zdrojů, spolehlivých vyrovnávacích modulů a účinných filtrů (obr. 1) je vzájemně perfektně sladěný. Zástupci řady Emparro spolupracují nejen v rozváděči, ale i v provozním prostředí: spínané napájecí zdroje s krytím IP67 umožňují přesunutí napájení přímo ke spotřebičům.  Filtr pro maximální odolnost proti rušení Jednostupňový filtr Emparro MEF (na obr. 1 první zleva) chrání napájecí systémy proti elektromagnetickým polím a zvyšuje elektromagnetickou kompatibilitu elektrických komponent ve strojích a zařízeních. Filtr působí obousměrně: brání přenosu rušení z externí sítě do systému napájení i opačně. Obr. 1. Rodina napájecí zdrojů, filtrů a UPS od firmy Murrelektronik do rozváděče i do provozního prostředí: zleva filtr Emparro MEF, třífázový zdroj AS-Interface, jednofázový spínaný zdroj do 10 A, třífázový spínaný zdroj do 40 A, vyrovnávací modul Emparro Cap, UPS Emparro ACCUcontrol, odolný zdroj Emparro HD např. do rozváděče pohyblivých zařízení, 4A zdroj Emparro67 pro montáž na stroj, mimo rozváděč, a Emparro67 Hybrid, který má kromě zdroje také možnost monitorovat proudové zatížení Spínané napájecí zdroje Spínané napájecí zdroje Emparro (třetí modul zleva na obr. 1) pro jednofázové a trojfázové sítě jsou pozoruhodně spolehlivé. Díky širokému sortimentu s různými výkony nabízí Murrelektronik řešení pro téměř všechny oblasti použití. Při výrobě zdrojů Emparro se používají výhradně nejkvalitnější součásti. Díky tomu činí střední doba mezi poruchami MTBF až 1·106 h. Spínané zdroje mjaí účinnost až 95 % a dlouhou životnost. Pro bezproblémové spínání velkých zátěží mají zdroje Emparro funkce Boost: Power Boost dodává po dobu až pěti sekund výkon ve výši až 150 %, Hyper Boost po dobu 20 ms až 400 % jmenovitého výkonu. Díky své kompaktní konstrukci vyžadují spínané zdroje v rozváděči jen málo místa. Integrované přístrojové pojistky přispívají nejen k další úspoře prostoru, ale snižují také náročnost konstrukčních a instalačních prací.  Spínané zdroje pro AS-Interface Varianta Emparro pro AS-Interface (na obr. 1 druhý zleva) je třífázový napájecí zdroj pro provozní napětí 30,5 V. Je mimořádně kompaktní, zabere na liště DIN pouze 50 mm, a přípojné svorky push-in umožňují montáž přípojných vodičů bez nástrojů. Protože třífázové spínané zdroje Emparro pro AS-Interface oddělují data a napájení, není zapotřebí žádný samostatný oddělovací modul. Obr. 2. Spínaný zdroj Emparro HD lze využít např. v rozváděčích kontejnerových překladačů Třífázové zdroje Emparro 40 A Zdroje Emparro 40-3obr. 1 je to čtvrtý zleva) se vyznačují výstupním proudem až 40 A. Jejich vysoká účinnost, 95 %, snižuje spotřebu elektřiny, a tím šetří uživatelům peníze. Současně se tyto zdroje vyznačují malým ztrátovým teplem, proto nevyžadují tak velký rozváděč. Výstupní napětí je při přetížení regulováno tak, aby proud zůstal konstantní, a to 100 % jmenovitého proudu v běžném režimu a 150 % v režimu Power Boost. Zdroj je tak chráněn před poškozením. Zdroje jsou vybaveny také diagnostickou funkcí: kontinuálně monitorují teplotu, zatížení a počet zapnutí. Spočítá-li systém, že se blíží čas výměny zdroje, vybaví hlášení pro údržbu, která může výměnu naplánovat na následující odstávku.  UPS Emparro ACCUcontrol Záložní zdroj UPS Emparro ACCUcontrol (čtvrtý zprava na obr. 1) překlenuje výpadky proudu. Externí akumulátory s kapacitou až 40 A·h zajišťují dlouhodobé překlenutí výpadku napájení. Modul UPS je k dispozici ve variantách pro 20 nebo 40 A. Emparro ACCUcontrol lze montovat bez použití nástrojů a je bezúdržbový. Varianta 20 A zabírá v rozvaděči se svou šířkou pouhých 65 milimetrů mimořádně málo místa. Pro řízené vypnutí strojů a řídicích jednotek je vhodný vyrovnávací modul Emparro Cap (na obr. 1 pátý zleva). Jeho  ultrakondenzátory poskytují potřebné napětí pro cílené uvedení zařízení do stabilního stavu – při 20 A po dobu 0,1 s. Emparro Cap je po celou dobu životnosti bezúdržbový.  Emparro HD – ideální pro náročná prostředí Emparro HD (Heavy Duty, na obr. 1 třetí zprava) je koncipován pro úlohy, v nichž je spínaný zdroj sice umístěn v rozváděči, přesto je však vystaven rozmanitým vnějším vlivům, např. na pohyblivých částech jeřábů nebo jiných zařízení provozní manipulační techniky. Zdroje jsou zde vystaveny velké elektromagnetické indukci a vlivům počasí – extrémním teplotám a velké vlhkosti. Jsou proto navržené tak, aby odolaly velkému přepětí, např. i při úderu blesku v blízkém okolí, a rozsah pracovních teplot je od −40 do +80 °C.  Emparro67 – napájení přímo u spotřebiče Zdroje Emparro67 (na obr. 1 druhá zprava) se používají přímo v prostoru průmyslového zařízení. Robustní a plně zalité spínané zdroje v krytí IP67 odolávají extrémním okolním podmínkám. Napětí z 230 V AC na 24 V DC se mění přímo u spotřebiče. Tím se snižují na minimum ztráty ve vedení a redukují náklady na elektřinu. Protože ztrátové teplo za provozu je minimální (účinnost dosahuje téměř 94 %), je možné se zdroje dotknout holou rukou. Zdroje pracují spolehlivě do okolní teploty +85 °C. Přesunutím napájení do prostoru zařízení se ušetří prostor v rozvaděči. Činnost zdrojů Emparro67 neovlivňují ani nečistoty, vlhkost, chladicí kapaliny nebo maziva.  Emparro67 Hybrid – napájení, jištění a komunikace v provozním prostředí Inovativní spínaný zdroj Emparro67 Hybrid (na obr. 1 první zprava) je „multitalent“ s mnoha přednostmi. Jeho výhodou není jen přesun elektrického napájení z rozváděče do prostoru zařízení, ale pomocí dvou integrovaných kanálů Mico pro kontrolu zátěžových obvodů 24 V DC navíc sleduje proud, a pomáhá tak zajišťovat vysokou provozní spolehlivost. Samostatně s ním lze kontrolovat jak napájení senzorů a modulů, tak i napájení akčních členů připojených sběrnicových systémů. V obou kanálech lze hodnotu sledovaného proudu nastavit samostatně. Komunikaci umožňuje rozhraní IO-Link (konektor M12). Díky tomu je možné Emparro67 Hybrid použít v propojených inteligentních zařízeních. Konkrétním příkladem je sledování životnosti zařízení.  Proč klade Murrelektronik velký důraz na umístění komponent do provozního prostředí? Na tuto otázku odpovídají experti společnosti Murrelektronik pro oblast napájení Dennis Braun a Florian Holzmann: „Sledujeme myšlenku „nulového rozváděče“ a přesouváme funkce z rozváděče přímo do zařízení. Naši zákazníci mohou dimenzovat rozvaděče menší a někdy je zcela vynechat. Umístění spínaných zdrojů mimo rozváděč znamená, že odpadá jeden zdroj tepla a chlazení může být méně výkonné. Kromě toho se tak snižuje i náročnost instalace kabelů. Převod napětí probíhá přímo v místě spotřebiče, což má pozitivní vliv na energetickou bilanci. Myšlenka nabízet spínané zdroje určené přímo do zařízení je progresivní, ale také logická, neboť jdeme vždy důsledně cestou decentralizace. Máme celý sortiment komponent přímo pro zařízení, od roviny senzorů a akčních členů až po rovinu řízení. Schopnost vyrábět produkty pro použití v drsném průmyslovém prostředí byla využita i při vývoji spínaných zdrojů.“  (Podle tiskové zprávy Murrelektronik. Úprava a doplnění: redakce. Foto: Murrelektronik) Bk

Nové řídicí jednotky Rockwell Automation pro různé úrovně funkční bezpečnosti

Řídicí jednotky Allen-Bradley GuardLogix 5580 a Compact GuardLogix 5380 lze nastavit na různé úrovně funkční bezpečnosti: SIL 2/PL d až SIL 3/PL e. Tato škálovatelnost přispívá k optimální konstrukci bezpečnostního systému a ke snížení nákladů při dodržení příslušných předpisů na bezpečnost strojů. Řídicí jednotky mají lepší výpočetní výkon, a dosahují tak kratších časů odezvy a menších bezpečných vzdáleností. Díky tomu lze konstruovat menší stroje, ušetřit cenný prostor ve výrobní hale a zvýšit efektivitu obsluhy strojů.Obr. 1. Řídicí jednotky GuardLogix 5580 a Compact GuardLogix 5380 mají certifikát TÜV pro funkční bezpečnost „Mnozí inženýři konstruují bezpečnostní systémy na vyšší úroveň bezpečnosti, než daná aplikace vyžaduje,“ řekl Dave Sullivan, produktový manažer pro oblast bezpečnostních systémů společnosti Rockwell Automation. „V konečném důsledku takové systémy obsahují více komponent, než kolik potřebují, což vede k větší složitosti systémů a navýšení nákladů nad nezbytnou úroveň. Naše nové řídicí jednotky inženýrům umožňují správně dimenzovat bezpečnostní systém včetně souvisejících nákladů tak, aby současně splňoval příslušné úrovně bezpečnosti bez nadbytečné rezervy.“   Jediná řídicí jednotka pro standardní i bezpečnostní řízení Užití nových řídicích jednotek umožní inženýrům použít jen jedinou řídicí jednotku pro standardní i bezpečnostní řízení. Výsledkem je jednodušší a méně nákladný řídicí systém, který nezabírá mnoho místa v rozváděči, a přitom se díky velkému výkonu zlepší produktivita.   Lepší komunikační schopnosti GuardLogix 5580 a Compact GuardLogix 5380 mají rozhraní pro gigabitový Ethernet. To inženýrům pomáhá plnit požadavky inteligentní výroby na intenzivní datový provoz, aniž by bylo třeba doplňovat další hardware. Stroje s těmito řídicími jednotkami jsou připraveny na případné budoucí požadavky koncových uživatelů na shromažďování a sdílení větších objemů dat.   Produktivnější stroje Nové řídicí jednotky lze používat s integrovaným vývojovým prostředím Studio 5000 a servoměničem Kinetix 5700, a proto mohou zajistit funkce bezpečného zastavení, bezpečné rychlosti, bezpečné polohy a další funkce bezpečnostního sledování. Tyto funkce vedou k pružnějšímu bezpečnostnímu systému. Stroj se např. může pouze zpomalit, a nikoliv úplně zastavit, když se k němu přiblíží pracovník obsluhy. Tím je možné zvýšit produktivitu stroje při zachování požadované úrovně funkční bezpečnosti. Bezpečnostní funkce jsou nastaveny tak, aby vyhovovaly např. spolupracujícím robotům. Systém dokáže detekovat přítomnost přibližující se osoby a pohyb robotu buď zpomalí, nebo zcela zastaví.  (ed)

Integrace: EPLAN a Melsoft iQ Works

Integrace mezi softwarem EPLAN Electric P8 a prostředím Melsoft iQ Works je možná díky použití otevřeného a univerzálního nástroje AutomationML. Nové řešení integrace dat mezi softwarem EPLAN Electric P8 a Melsoft iQ Works od Mitsubishi Electric propojuje světy elektrotechniky a automatizace. Data, jako např. symbolické adresy, mohou být nyní mezi oběma stávajícími softwarovými systémy přenášena oboustranně. Výsledek v softwaru EPLAN Electric P8 je přesvědčivý: uživatelům jsou k dispozici platná schémata včetně zapojení sběrnic pro jednotlivé části PLC a hardwarové konfigurace. Obousměrná výměna dat pro PLC pomáhá optimalizovat procesy projektování a přispívá k automatizaci konstruování. Novou integrací mezi EPLAN Electric P8 a Melsoft iQ Works tak učinily firmy Eplan a Mitsubishi Electric další krok vpřed. Obr. 1. Rack PLC Mitsubishi v softwaru Eplan Electric P8 Základem integrace je AutomationML, tedy systém, který svou neutralitou a otevřeností pro výměnu dat připravuje cestu pro Industry 4.0. Soubor dat vytvořených v prostředí EPLAN je základem pro návrh hardwaru PLC (sestavy v racku, obr. 1) a programování jeho softwaru. A co je jedinečná vlastnost: data jsou přenášena po celou dobu vývoje produktu z jednotného ověřeného zdroje. Potřebná data s informacemi o komponentách totiž poskytuje databáze EPLAN Data Portal. Dohromady se tím urychluje konfigurace komponent a veškeré konstrukční práce. Melsoft iQ Works je integrovaná softwarová sada, která zahrnuje softwarová řešení potřebná k programování automatizačních produktů Mitsubishi Electric. S novou integrací do současné verze platformy EPLAN 2.7 mohou uživatelé obousměrně vyměňovat, později editovat a synchronizovat kompletní data ve všech fázích projektu. Uživatelé tak už nemusí data zadávat více než jednou, což jim pomáhá vyvarovat se chyb. Usnadňuje to také spolupráci mezi elektrokonstruktéry a vývojáři softwaru. Uživatelé z oblasti elektrokonstrukce získávají ještě další výhodu: výběr komponent PLC je nyní zcela transparentní. Prostřednictvím systémové podpory je možné sestavy PLC editovat rychleji, změny na poslední chvíli jsou mnohem snazší a jejich implementace je univerzální v celém projektu. AutomationML Technology AutomationML jako univerzální a standardizovaný formát dat založený na XML může nést konstrukční informace o topologii, struktuře, prostorovém rozmístění a logických funkcích systému. Pro zobrazení informací o struktuře a topologii používá AutomationML formát CAEX (Computer Aided Engineering Exchange), mezinárodně uznávaný datový formát standardizovaný podle IEC 62424 a IEC 62714. To nabízí základní objektově orientovaný koncept, který je možné použít k reprezentaci provozních zařízení a struktury systému. AutomationML dále umožňuje přenášet celé struktury systému, např. sestavu zařízení v racku. Tak lze vytvořit plně strukturovanou dokumentaci pro všechny části procesu, včetně servisu a údržby. A data z různých softwarových nástrojů, např. informace o provozních přístrojích, je možné snadno přenášet mezi výrobci a zákazníky a bez potíží je začlenit do dokumentace.  Melsoft iQ Works Obr. 2. Melsoft Navigator umí integrovat data z prostředí Eplan Melsoft iQ Works je integrovaná softwarová sada obsahující nástroje potřebné pro programování automatizačních produktů od firmy Mitsubishi Electric – GX Works3, MT Works2, GT Works3, RT ToolBox2 a FR Configurator2. Integrace softwaru je podporována nástrojem Navigator, grafickým, snadno použitelným rozhraním mezi uživatelem a konfigurací centrálního systému (obr. 2). Dalšího zjednodušení se dosahuje jednotným použitím označení a parametrů v celém projektu. Výhody této výkonné softwarové sady zahrnují zjednodušení vývoje systému díky tomu, že pro opakované úkoly je vyžadováno mnohem méně času, dále minimalizaci zdroje chyb a snížení celkových provozních nákladů spojených s jejich odstraňováním. Pozadí spolupráce EPLAN a Mitsubishi Electric spolupracují v rámci strategického partnerství již mnoho let. Dodavatel řešení EPLAN je členem sdružení e-F@ctory Alliance; naopak Mitsubishi Electric poskytuje svá data do databáze EPLAN Data Portal. Cíl obou firem je s ohledem na jejich zákazníky a uživatele jasný: zvyšovat kvalitu dat, urychlovat inženýrské a výrobní procesy a zvyšovat produktivitu.  (EPLAN Software & Service)Eplan Efficiency Days V minulých dnech se konal postupně v Ostravě, Praze, Bratislavě a v Košicích seminář Eplan Efficiency Days (článek o semináři bude v příštím čísle). Osobně jsem měl možnost zúčastnit se bohatě navštívené a informačně zajímavé akce v Praze. V jedné z diskusí zazněla otázka, jak jsou softwarové prostředky Eplan integrovány s konstrukčním a programovacím prostředím různých výrobců řídicích systémů, neboť prezentace na semináři uváděla jako příklad u nás pravděpodobně nejrozšířenější prostředí firmy Siemens: TIA Portal a Step7. Konkrétně se účastník ptal právě na řídicí systémy Mitsubishi. V tomto článku tedy najde odpověď na svou otázku. Petr Bartošík

Kabelové svazky pro systémy sledování letového provozu

Letecký provoz je stále častější způsob dopravy. Bezpečnost letového provozu je na prvním místě. Také proto si pardubická společnost ERA vybrala firmu LAPP jako silného a spolehlivého partnera. Společnost ERA se zaměřuje na výzkum, vývoj a výrobu pasivních sledovacích systémů jak pro sledování letového provozu, tak pro úkoly ohledně obrany vzdušného prostoru. Radarové systémy dodává civilnímu i vojenskému sektoru. Je výrobcem vojenského radiolokátoru Věra, jeho předchůdci nesli název Tamara, Ramona a Kopáč. Věra je pro letadla neviditelná, ale dokáže sledovat až 250 letounů najednou a určit jejich typ. Společnost ERA si u firmy LAPP objednala konfekcionované kabelové svazky určené pro systém lokalizace letadel ve vzduchu i na zemi. Konfekcionovaný kabelový svazek tvořil např. kabel ÖLFLEX® ROBUST 215C, který byl na jedné straně zakončený hranatým konektorem podle specifikace zákazníka a kabelovou vývodkou SKINTOP® MS-SC-M s možností připojit stínění kabelu. Na druhé straně byly jednotlivé žíly chráněné smršťovacími hadicemi a ukončené kabelovými oky z nabídky LAPP. Pro tento projekt firma vyrobila celkem 1 200 kabelových svazků ve čtyřiceti různých provedeních. Pro výrobu bylo použito padesát druhů materiálů. A vše bylo vyrobeno a dodáno během 50 dní, a to včetně nabídkového procesu. LAPP KABEL s. r. o., tel.: +420 573 501 086, e-mail: info@lappgroup.com, http://www.lappgroup.cz