Stroje se dnes dokážou „ozvat“ dřív, než se něco pokazí. Chytré senzory, průmyslový internet věcí a algoritmy strojového učení transformují tradiční správu mazání z rutinní, plánové činnosti na dynamický, datově řízený proces. Co za touto revolucí stojí a co to přináší výrobním podnikům v praxi?
Desítky let platilo v průmyslu jednoduché pravidlo: olej se vymění po uplynutí stanoveného počtu provozních hodin — bez ohledu na to, v jakém je skutečném stavu. Tento přístup sice zajišťoval jistou míru ochrany, zároveň však vedl ke zbytečným výměnám, plýtvání mazivem a v nejhorším případě paradoxně také k poruchám — protože plánovaná výměna nemusela zachytit náhlé zhoršení stavu oleje mezi cykly. Dnes se toto paradigma zásadně mění. Prediktivní monitorování maziv využívá kontinuální tok dat ze senzorů k tomu, aby přesně určil, kdy a proč je zásah skutečně potřeba — a kdy naopak není.
Co senzory skutečně měří
Moderní senzory instalované přímo do mazacích okruhů strojů dokážou v reálném čase sledovat celou řadu klíčových parametrů: viskozitu — základní ukazatel schopnosti maziva tvořit ochranný film, dielektrickou konstantu — indikátor oxidace a degradace základového oleje, obsah vody a vlhkost — signál možného průniku chladicí kapaliny nebo kondenzátu, hustotu — odraz chemických změn v mazivu, počty a velikosti částic (dle normy ISO 4406) — ukazatel mechanického opotřebení nebo kontaminace, teplotu — provozní parametr ovlivňující vše ostatní. Zatímco tradiční odběr vzorků oleje do laboratoře probíhal v týdenních či měsíčních intervalech, kontinuální IIoT senzory zkracují detekční okno z měsíců na minuty. To zásadně zkracuje tzv. FDP (failure development period) — čas mezi vznikem závady a jejím projevem — a umožňuje zásah ještě před vznikem škody.
Kde nastupuje umělá inteligence
Surová data ze senzorů jsou cenná, ale sama o sobě nestačí. Smysl jim dává teprve algoritmické zpracování. Výzkumné práce publikované v prestižním časopise Lubricants v roce 2025 dokládají, jak různé architektury neuronových sítí zvládají úkoly, které by manuální analýza nikdy nezvládla v požadované rychlosti ani přesnosti.
Predikce stavu maziva pomocí fúze více senzorů
Studie z roku 2025 (Multi-Sensor Fusion and Deep Learning for Predictive Lubricant Health Assessment, MDPI Lubricants) představila model FAN— TCN—Informer [využívá frequency-aware network pro rozklad signálu na nízko- a vysokofrekvenční složky, temporal convolutional network pro zachycení dlouhodobého závislosti a Informer, vylepšený Transformer model, pro efektivní zpracování dlouhých posloupností (někdy uváděn jako SFTI nebo FT-Informer) — jde o pokročilou hybridní architekturu hlubokého učení navrženou pro analýzu časových řad a predikci, zejména v komplexních systémech s vysokou mírou šumu a nestacionárními daty — pozn. red.], který kombinuje výstupy z teplotních, viskozitních, vlhkostních a částicových senzorů do jediného predikčního výstupu. Výsledkem je přesná kvantifikace nejistoty prognózy — model nejen předpovídá degradaci, ale udává i míru spolehlivosti své předpovědi.
Identifikace stavu mazání z vibračních signálů
Čínský výzkumný tým publikoval v Scientific Reports (2025) metodu kombinující CWT (continuous wavelet transform) a konvoluční neuronové sítě (CNN) pro rozlišení tří stavů mazání: normální, nedostatečné a kontaminované. Dosažená přesnost klasifikace dosáhla 99,8 % na trénovacích datech a 100 % na testovací sadě, tedy výsledek, který tradičními metodami (analýza RMS signálu, spektrální hustota výkonu) není dosažitelný.
Predikce opotřebení pomocí CNN—LSTM—Attention
Architektura kombinující konvoluční síť, dlouhodobě-krátkodobou paměť (LSTM) a mechanismus pozornosti (attention) se ukázala jako mimořádně účinná pro predikci stavu opotřebení na základě dat z monitorování oleje. Model zachycuje nejen lokální vzory v časové řadě (CNN), ale také dlouhodobé trendy (LSTM) a dynamicky zvýrazňuje nejdůležitější části vstupního signálu (attention). Ve srovnání s klasickými metodami dosahoval výrazně nižší průměrné absolutní procentuální chyby (MAPE).
AIoT pro automatické mazání
Publikace Smart Autolube (Applied Computer Science, 2026) pak prezentuje systém predikce tlaku v automatických mazacích systémech pomocí optimalizovaného strojového učení. Systém kombinuje senzorická data z mazacích okruhů s modely predikce tlaku, čímž optimalizuje dávkování maziva a předchází jak podmazání, tak přemazání — oba stavy jsou zdrojem poruch.
Průmyslová praxe: co nabízejí velcí hráči
Technologický posun se nepromítá jen do akademických studií — globální výrobci maziv a průmyslových systémů jej aktivně komercializují.
Castrol SmartOil a SmartMonitor
Společnost Castrol uvedla na trh platformu Castrol Intelligent Lubrication Solutions, která v roce 2025 získala prestižní IoT Emerging Technology Award od organizace IoThinkTank. Jádro tvoří dva produkty: SmartOil — pokročilý senzorový systém pro monitoring stavu čistého oleje s analytickým backendem, SmartMonitor — hardwarově agnostická platforma pro přístup k datům o stavu maziva a zasílání včasných upozornění. Reálné nasazení v americkém závodě přineslo návratnost investice již za 1,5 měsíce a úspory přesahující 1 mil. USD. V ocelářském a automobilovém průmyslu systémy prokázaly schopnost snížit neplánované prostoje o desítky procent. „Naše řešení poskytují monitoring téměř v reálném čase a přeměňují reaktivní údržbu na prediktivní,“ tvrdí Cassandra Highamová, průmyslová ředitelka firmy Castrol.
Mobil Serv IIoT Insights
ExxonMobil nabízí platformu Mobil Serv IIoT Insights, která bezdrátově propojuje průmyslové stroje, automaticky sbírá data a prostřednictvím AI algoritmů generuje doporučení pro obsluhu. Sleduje hodnoty NAS (kontaminace), vlhkost, OEE strojů i spotřebu energie. Podle výrobce může implementace přinést zlepšení produktivity a energetické účinnosti až o 6 %.
TruVu360 Fluid IQ od Spectro Scientific
Platforma využívá historická data z rozborů oleje k optimalizaci frekvence odběrů vzorků, predikci degradace maziva a výpočtu optimálních intervalů výměn. AI transformuje analýzu oleje z reaktivního monitoringu na skutečné prediktivní prognózování.
Čtyřvrstvá architektura prediktivní údržby mazání
Moderní průmyslový přístup k prediktivní údržbě mazání lze popsat jako čtyřvrstvý ekosystém: vrstva senzorů — inline senzory viskozity, částic, teploty, vlhkosti; akustické emise (AE) pro detekci opotřebení ložisek, vrstva přenosu dat — průmyslové brány s protokoly MQTT, LoRaWAN nebo 5G; edge computing pro lokální předpracování dat, vrstva analytiky — cloudové AI/ ML platformy s modely pro detekci anomálií, predikci trendů a klasifikaci stavů, vrstva akcí — automatické generování pracovních příkazů v CMMS, upozornění obsluze, optimalizace mazacích cyklů. Klíčovým poznatkem z praxe je, že samotná data nestačí. Teprve jejich integrace s CMMS (computerized maintenance management system) a provazba s vibračními a teplotními daty vytváří skutečně prediktivní, nikoli jen monitorovací systém.
Větrná energetika: speciální případ
Zvláštní pozornost si zaslouží aplikace prediktivního monitorování mazání v převodovkách větrných turbín. Německá studie (Springer Nature, 2025) představila metodu povrchových akustických vln (SAW) pro detekci kontaminace maziva a výpadku mazání v kluzných ložiscích větrných turbín. Metoda je odolnější vůči rušivým vibracím než konvenční akcelerometry a v kombinaci s ML klasifikátorem umožňuje online monitoring s minimální latencí — kriticky důležité pro offshore instalace, kde servisní zásah trvá dny.
Co přináší přechod na prediktivní mazání
Implementace IoT a AI v oblasti mazání není jen technologickým cvičením — přináší měřitelné provozní a ekonomické výsledky (viz tabulka). Podniky, které přijaly strategii mazání na základě stavu (condition-based maintenance), hlásí průměrně 20—35% snížení neplánovaných prostojů oproti plánované údržbě. Přes veškerý optimismus je třeba zmínit i reálné výzvy: Integrace do starších provozů vyžaduje retrofit senzorů a nákladné síťové infrastruktury. Datová kvalita — modely jsou jen tak dobré jako data, na nichž jsou trénovány. Zašuměná nebo nekompletní data vedou k falešným alarmům. Odbornost obsluhy — systémy generují doporučení, ale stále je potřeba personál schopný je interpretovat a jednat na jejich základě. Kybernetická bezpečnost — připojená průmyslová zařízení jsou potenciálním vektorem útoku.
Mazání jako strategická výhoda
Prediktivní mazání poháněné AI a IoT přestává být výsadou velkých korporací. Klesající ceny senzorů, dostupnost cloudových analytických platforem a rostoucí ekosystém průmyslových řešení (od Castrol po ExxonMobil) zpřístupňují tuto technologii i středně velkým výrobním podnikům. Olej přestal být jen spotřebním materiálem. Stal se datovým zdrojem — a firmy, které to pochopí jako první, získají měřitelnou konkurenční výhodu v podobě vyšší dostupnosti strojů, nižších provozních nákladů a delší životnosti aktiv.
/Michael Málek/
Zdroje: MDPI Lubricants (2025), Scientific Reports (2025), Springer Nature Engineering Research (2025), Applied Computer Science (2026), Castrol Intelligent Lubrication Solutions, Mobil Serv IIoT Insights, f7i.ai Predictive Maintenance Guide (2026)