AI ve výrobě: Prediktivní údržba, plánování a kontrola kvality v praxi

1) Prediktivní údržba s AI: principy, data, metriky a ROI

Prediktivní údržba (PdM) posouvá údržbu ze „slepého“ režimu (reaktivní po poruše / časová preventivní) do režimu datově řízeného. Cílem je odhalit časné příznaky degradace, odhadnout zbývající životnost (RUL) a naplánovat zásah v nejvýhodnějším okně – tak, aby se minimalizovaly neplánované odstávky, náklady a rizika bezpečnosti. V praxi to znamená:

• využít IoT senzory (vibrace, akustika, teplota, proud, tlak, průtok, obraz),
• sbírat a synchronizovat časové řady a události ze SCADA/MES/PLC,
• propojit s CMMS/EAM (historie poruch, zásahů, výměn),
• trénovat ML/DL modely na detekci anomálií a predikci RUL,
• řídit workflow a parts management na základě dat (just-in-time zásah).

1.1 Sběr dat a infrastruktura (IoT, SCADA, MES, CMMS)

Dobrá prediktivní údržba stojí na kvalitních datech. Minimalistické řešení často selže: jeden senzor a Excel nestačí. Doporučená architektura pro AI ve výrobě kombinuje edge sběr, streaming a data lakehouse.

Klíčové zdroje dat

• Senzory vibrací (accelerometry) – ložiska, převodovky, rotory; spektrální analýza, envelope.
• Akustika/ultrazvuk – úniky, kavitace, elektrické výboje; signálová diagnostika.
• Teplota/proud/napětí – přetížení motorů, třecí ztráty, zhoršené mazání.
• Tlak/průtok – čerpadla, kompresory; trendové anomálie.
• Počítačové vidění – vizuální opotřebení, netěsnosti, indikátory stavu.
• Události a počitadla – SCADA/MES, cykly, identifikace dílů, zastavení.
• CMMS/EAM – poruchy, PM/CM zásahy, výměny dílů, náklady, lead-times.

Infrastruktura: edge → cloud/on-prem

• Edge gateway (OPC UA/MQTT) – lokální předzpracování, filtrace, downsampling.
• Stream – sběr telemetrie (např. Kafka/MQTT broker), time-series úložiště.
• Lakehouse – historická data, feature store, tréninky modelů.
• API/serving – online inference, alerty, integrace do CMMS a MES.
• Governance – verze dat, katalog, přístupová práva, audit, kyberbezpečnost.

1.2 Modely, metriky a náklady falešných alarmů

Volba modelu závisí na typu dat, rychlosti a požadovaném lead time. V praxi se osvědčuje kombinovat detekci anomálií s RUL predikcí. U komponent s jasnými vzorci opotřebení (ložiska) bývá užitečné jít až na spektra a obálky signálu.

Typy modelů

• Anomálie bez učitele – Isolation Forest, One-Class SVM, autoenkodéry. Výhoda: nepotřebují labely poruch, hodí se na „nezmapované“ chování.
• S učitelem (klasifikace/regrese) – gradient boosting, random forest, XGBoost; pro RUL také survival modely (Cox), případně hazardní modely.
• Deep learning pro časové řady – LSTM/GRU, TCN; pro spektra 1D-CNN; pro obrazové vstupy (vizuální opotřebení) 2D-CNN/Vision Transformers.

Metriky kvality a business dopady

• Precision/Recall u alarmů – false positives (zbytečné zásahy) vs. false negatives (prošvihnutá porucha). Každý omyl má jinou cenu.
• Mean Time Between Failures (MTBF), Mean Time To Repair (MTTR) – cílem je MTBF ↑, MTTR ↓.
• Lead time varování – jak dlouho před poruchou systém hlásí riziko (např. 7–21 dní).
• OEE – dostupnost (dostupnost × výkon × kvalita). Prediktivní údržba cílí hlavně na dostupnost.

Tip pro praxi: Začněte na cost-sensitive metrikách: definujte cenu falešného poplachu a cenu prošvihnuté poruchy. Optimalizujte práh alarmu na minimální očekávaný náklad, ne na „co nejvyšší accuracy“.

1.3 Implementace krok za krokem (Discovery → POC → Pilot → Produkce)

1. Discovery a data audit – vyberte 1–2 kritická aktiva (Pareto), zmapujte senzory, historii poruch, dostupnost dat a byznysové cíle (KPI).
2. POC (6–10 týdnů) – rychlé připojení dat, baseline model (např. autoencoder + jednoduchá pravidla), prvotní alerty v „shadow“ režimu.
3. Pilot – zapojení údržby, nastavení prahů, integrace do CMMS (automatická tvorba pracovních příkazů, check-listy, plánování dílů).
4. Produkce a MLOps – monitoring driftu, pravidelný re-training, verzování modelů, SLA pro latenci a dostupnost.
5. Škálování – rozšíření na další stroje/linie, přidání senzorů (např. ultrazvuk), unifikace dashboardů (Power BI/Grafana).

Změnové řízení (change management) je klíč: zkušenosti mechaniků + AI spolupracují, nikoli bojují. Vytvořte feedback loop – každý zásah označte jako užitečný/neužitečný pro budoucí ladění modelu.

1.4 ROI kalkulace a business case (OEE, MTBF, odstávky)

Dobře postavený business case u AI ve výrobě stojí na měřitelných dopadech. Základní rámec:

Zjednodušený výpočet ROI

• Škody bez PdM = (průměrná neplánovaná odstávka [h] × hodnota hodiny linky [Kč/h] × počet incidentů/rok) + (sekundární škody, zmetkovitost, expresní expedice dílů).
• Úspora s PdM = redukce incidentů (%) × škody bez PdM – (náklady na PdM provoz: senzory, data, licence, provoz modelů, školení).
• ROI = (Úspora s PdM – Náklady implementace a provozu) / Náklady implementace a provozu.

Rychlý scénář: linka stojí 120 000 Kč/h, průměrný incident trvá 3 h, máte 10 incidentů/rok → roční ztráta 3,6 mil. Kč. S PdM snížíte incidenty o 40 % a zkrátíte zásah o 20 %: ztráta klesne na ~2,16 mil. Kč (úspora 1,44 mil.). Pokud roční náklady PdM (senzory, licence, provoz) činí 550 000 Kč, čistý přínos ~890 000 Kč/rok, payback < 12 měsíců.

1.5 Mini case-study: ložiska, kompresory a predikce RUL

Problém: Ložiska hlavní rotační jednotky odcházejí nečekaně 6–8× ročně, každá odstávka ~2,5 h. Řešení: doplnění 3osých akcelerometrů, teplotních čidel, proudových sond; edge gateway s FFT a obálkovou detekcí; modely 1D-CNN + autoencoder pro anomálie a regresní RUL.

• Kalibrace prahů na cost-sensitive funkci (vyšší penalizace false negative).
• Integrace do CMMS: automatické WO, kontrolní seznam (výměna maziva, utažení, vyvážení).
• Lead time varování 10–21 dní, snížení incidentů o 45 %, zkrácení MTTR o 15 %.

Výsledek: MTBF +55 %, roční úspora ~1,2 mil. Kč, zvýšená predikovatelnost náhradních dílů a menší expediční náklady.

2) AI v plánování výroby: poptávka, APS/MRP, zásoby a digital twin

Plánování výroby s AI spojuje forecasting poptávky (S&OP/IBP), pokročilé plánování a rozvrhování (APS), řízení zásob (MRP, bezpečnostní zásoba) a simulace (Digital Twin). Cíle: stabilnější takt a průtok, nižší WIP a zásoby, vyšší OTD (on-time delivery) a menší počet přestaveb mimo optimální okna.

2.1 Forecasting poptávky (MAPE/WAPE, promo, sezónnost)

Bez kvalitní prognózy poptávky plánujete „do mlhy“. AI modely (od gradient boosting po neuronové sítě) přidávají k tradičním metodám (ARIMA/ETS) práci s exogenními proměnnými (promo akce, ceny vstupů, makro indikátory, počasí) a hierarchické rozpadání (SKU → rodina → závod → region).

Proces

1. Čištění a kalendáře – svátky, celozávodní dovolené, odstávky.
2. Feature engineering – lagy, klouzavé průměry, promo flagy, cenová elasticita.
3. Modelový ansámbl – více modelů, vážené kombinace podle výkonnosti.
4. Re-forecasting – rolling okna, měsíční/ týdenní update, nowcasting.

Metriky a nastavení cílů

• WAPE/MAPE – sledujte hodnoty po segmentech (ABC/XYZ); u „X“ (stabilní) cíl mírnější než u „Z“ (nestabilní) je nesmysl – naopak.
• Bias – systematická pod/ nadhodnocení; řízení podle nákladů na stockout vs. přebytek.
• Service level – cíle dle kritičnosti zákazníků a marže.

SEO tip: „AI v plánování výroby“ a „forecasting poptávky“ patří mezi často hledané výrazy. V obsahu používejte i synonyma: prognóza, predikce, odhad poptávky.

2.2 APS: omezení, cílové funkce, přestavby a prioritizace

APS (Advanced Planning & Scheduling) optimálně rozvrhuje zakázky na strojích při respektování omezení: kapacity, směny, kvalifikace, setup časy, due-date, materiálová dostupnost (MRP), údržbové okna a kvalifikační matice operátorů.

Jak o APS uvažovat

• Omezení – „tvrdá“ (nesmí se porušit) vs. „měkká“ (může, ale s penalizací).
• Cílová funkce – minimalizace tardiness, setupů, WIP, nebo maximalizace průtoku/ marže.
• Heuristiky a AI – pravidla (EDD, SPT), metaheuristiky (GA, tabu), RL pro dynamické prostředí.

Přestavby a sekvenování

AI dokáže navrhovat sekvence s minimem přestaveb (barevné řady, materiály, teploty). Přidáním prediktivních informací (dostupnost materiálu, plánované odstávky z PdM) snížíte počet rozdělaných jednotek a zrychlíte průtok.

2.3 Zásoby a MRP: bezpečnostní zásoba, ROP, EOQ, ABC/XYZ

Spojení MRP s AI forecastingem přináší realističtější reorder point (ROP) a bezpečnostní zásobu (SS) podle variability poptávky a dodacích lhůt.

Základní vzorce (intuice)

• ROP ≈ průměrná poptávka v dodací době + z-score × σ (poptávka během dodací doby).
• SS roste s variabilitou (σ) a cílovou úrovní služby; „A“ položky nemusí mít stejně vysoké SL jako „C“.
• EOQ (ekonomická velikost objednávky) – trade-off mezi náklady na objednání a držením zásob.

ABC/XYZ matice

Kombinujte ABC (podle obratu/ marže) a XYZ (podle volatility). „AX“ = kritické a stabilní (ambiciózní SL, časté menší objednávky), „CZ“ = nízká priorita, vyšší dávky, tolerantnější SL.

2.4 Simulace & Digital Twin: what-if a stabilita toku

Digital Twin virtuálně zrcadlí vaši linku či závod. Lze simulovat what-if scénáře: změna směn, nový stroj, jiné sekvenování, delší setup, výpadek dodavatele, různé varianty forecastu. AI pomáhá rychleji vybrat varianty s nejlepším dopadem na průtok, WIP a OTD.

• Kde začít – vyberte úzké hrdlo (TOC), naměřte reálné rozdělení časů (ne „katalog“ hodnoty).
• Validace – twin musí reprodukovat aktuální výsledky (baseline), jinak jsou scénáře „kosmetika“.
• Rozšíření – propojte twin s PdM (plánované údržbové okno) a s APS (přestavby).

2.5 Integrace s ERP/MES: datový model, governance, změnové řízení

AI ve výrobě má smysl jen tehdy, když žije v procesech. Integrace s ERP/MES/CMMS je nutností:

• ERP – objednávky, BOM, receptury, nákup materiálu, kalkulace.
• MES – rozpis operací, odvádění výroby, kvalita, traceability.
• CMMS/EAM – pracovní příkazy, plánování zásahů, evidence dílů.

Data governance

• Katalog dat (konzistentní definice: OEE, WIP, OTD, setup, downtime).
• Role a přístupy – výrobní inženýr, plánovač, údržba, kvalita, IT/OT.
• Audit a bezpečnost – OT sítě, segmentace, šifrování, zálohování.

Změnové řízení

Lidé jsou součást systému. Zajistěte školení, vizualizaci (jednoduché dashboardy), work-instruction pro operátory a SOP pro plánovače/údržbu. Zaveďte týdenní rituály: review KPI, alarmů a plánů.

2.6 KPI, roadmapa na 90 dní a checklist

Minimální KPI sada

• OTD (on-time delivery), WIP, OEE – dostupnost, Počet přestaveb, MTBF/MTTR.
• Forecast WAPE po segmentech (AX, BY, CZ), zásoba v dnech, stockout incidenty.
• Náklady na údržbu (materiál, práce, expresní dopravy), počet falešných alarmů.

Roadmapa 0–90 dní

1. Dny 0–15: vyberte 1–2 linie/aktiva; sběr dat (rychlý audit), definice KPI a cost modelu; přístup k ERP/MES/CMMS.
2. Dny 16–45: POC PdM (1 senzorický balíček), baseline forecasting (ansámbl), jednoduchý APS experiment na historických datech.
3. Dny 46–75: pilot – alerty do CMMS, review seřiditelnosti prahů, APS scénáře s due-dates; propojení s plánem údržby.
4. Dny 76–90: rozhodnutí o produkci; MLOps základ (monitoring driftu), školení týmů, governance dokumentace.

Checklist pro start

• ✔ Definované byznys cíle a cost of failure.
• ✔ Přístup k datům (SCADA/MES/ERP/CMMS) a alespoň 6–12 měsíců historie.
• ✔ Kritická aktiva dle Pareto (20 % = 80 % rizika/ hodnoty).
• ✔ Zodpovědnosti: IT/OT, výroba, údržba, kvalita, data/AI.
• ✔ Plán komunikace a feedback loop s údržbou a plánovači.

Co si odnést a co bude dál

V prvním kroku se vyplatí začít malým, ale měřitelným POC: jedno aktivum pro prediktivní údržbu a jeden produkt/segment pro forecasting a APS scénáře. Jakmile uvidíte dopad na OEE, OTD, WIP a náklady, škálujte. V druhém pokračování se zaměříme na AI v kontrole kvality (počítačové vidění, vizuální inspekce, SPC, Six Sigma) a na praktické architektury, které drží výrobu, plánování i kvalitu pohromadě.

Potřebujete nezávazně probrat, kde začít? Připravíme krátký assessment, navrhneme POC a do 90 dní ukážeme měřitelný dopad.