Už jsme na toto téma několik článků publikovali: pohon se nezastaví bez varování — vždy dává signály, jenže lidské ucho je často zachytí až tehdy, když už je zpravidla pozdě. Co když ale každý motor, každé ložisko i každý frekvenční měnič budou mít svého neúnavného digitálního strážce, který data nejen bez ustání sleduje, ale navíc rozumí fyzice toho, co se uvnitř děje? Průmysl 4.0 přechází od senzorů ke skutečné strojové inteligenci — a výsledky jsou měřitelné v milionech ušetřených korun i zachráněných výrobních hodinách.
Proč nestačí jen senzory
Vibrační čidla, teplotní senzory, analyzátory proudu — to vše průmysl zná desítky let. Jenže samotný tok dat nestačí. Klíčový posun posledních dvou let spočívá v tom, že AI přestává být pouhým alarmovým systémem a stává se diagnostikem schopným rozlišit, proč se ložisko chová nestandardně — a co přesně se v něm děje. Přesně to ilustruje případ z uhelného dolu, kde byl nasazen systém DataMind AI pro monitoring pohonů dopravníkových pásů. Zatímco konvenční monitoring zachytil generický signál poškození ložiska, AI analyzovala jeho obálkové spektrum a odhalila specifický vzorec elektrického žlábkování (electrical fluting) — poškození způsobeného únikem elektrického proudu přes ložiskové oběžné dráhy. Bez tohoto rozlišení by údržbáři vyměnili ložisko, aniž by odstranili příčinu — a nové ložisko by selhalo znovu, tentokrát, možná, dokonce v kratším intervalu.
Fyzikálně informovaná AI
Klasické modely strojového učení (machine learning) se učí z dat. V tom je jejich síla i slabina. Potřebují velké množství historických dat o poruchách, a když se změní provozní podmínky (otáčky, zatížení, teplota), jejich spolehlivost klesá. Nová generace modelů jde však dále: kombinuje datový přístup s fyzikálními rovnicemi. Firma NSK ve spolupráci s Výzkumným centrem pro ozubená kola (FZG — Forschungsstelle für Zahnräder und Getriebebau) na Technické univerzitě v Mnichově (TUM) vyvinula AI model pro diagnostiku ozubených kol větrných turbín, který se učí nejen z naměřených vibrací, ale i z fyzikálních zákonitostí vibračního chování při různých otáčkách hřídele. Díky tomu model spolehlivě diagnostikuje poruchy i v provozních podmínkách, které nikdy předtím „neviděl“ — což je pro proměnlivé zatížení větrných elektráren klíčová vlastnost. Podobně výzkumný tým publikující v roce 2025 v Advanced Engineering Informatics představil metodu předpovědi zbytkové životnosti ložisek (RUL — remaining useful life) pomocí dvoustupňového aktualizovaného digitálního dvojčete a sítě DC-DGCN (dual-correlation dynamic graph convolutional network). Digitální dvojče průběžně synchronizuje virtuální model s reálnými daty ze stroje a zpřesňuje predikci degradace v reálném čase — oproti tradičním metodám snížilo průměrnou relativní chybu predikce o 5,4 %.
Digitální a reálná dvojčata stárnou spolu
Koncept digitálního dvojčete (digital twin) přestal být akademickou abstrakcí. V praxi jde o virtuální repliku konkrétního zařízení — motoru, pohonu, ložiskového uzlu, která je průběžně aktualizována reálnými provozními daty a slouží jako výpočetní prostředí pro predikci budoucích stavů. Výzkum publikovaný v Scientific Reports (2025) demonstroval framework digitálního dvojčete pro valivá ložiska čerpadel. Model kombinuje „finite element“ korekci (korekce metody konečných prvků) pomocí SAE- -LSTM sítě s přímou extrakcí příznaků z frekvenčních vibračních dat. Validace na veřejném datasetu PHM2012 potvrdila snížení průměrné relativní chyby predikce RUL o 5,4 % oproti konvenčním metodám. Ještě ambicióznější je projekt studie z roku 2025 publikované v SAE Mobilus, která vyvinula kompletní digitální dvojče asynchronního motoru (squirrel cage induction motor, 2,2 kW) v prostředí MATLAB Simulink se souběžnou simulací (dSPACE MicroLabBox). Systém dokáže predikovat zbývající životnost i diagnostikovat poruchy s vysokou přesností při nízkém výpočetním zatížení — otevírá tak cestu k nasazení na edge zařízeních přímo u strojů.
Kde se rozhoduje o úspěchu
Prediktivní systémy pro pohony narážejí na zásadní otázku: zpracovávat data centrálně (SCADA/cloud), lokálně (edge), nebo kombinovat oboje? Studie publikovaná v American Journal of Interdisciplinary Studies (duben 2025) přináší dosud nejkomplexnější srovnání těchto přístupů. Výzkum analyzoval 48 pohonů motorů monitorovaných po dobu 16 týdnů (18 720 provozních hodin, přes 12,6 milionu SCADA záznamů). Výsledky jsou jednoznačné (viz tabulka). Hybridní architektura nabídla nejdelší předstih varování (téměř 38 hodin před poruchou!), nejvyšší přesnost a nejnižší počet falešných poplachů — za cenu mírně vyšší latence, která je v kontextu prediktivní (nikoliv reaktivní) údržby zcela akceptovatelná.
Od statistiky k agentic AI
Na poli diagnostiky valivých ložisek se v posledních dvou letech odehrál dramatický posun. Ještě donedávna dominovaly metody zpracování signálu (FFT, obálková analýza) kombinované s klasickými ML klasifikátory. Dnes nastupuje sofistikovanější přístup. Schaeffler ve spolupráci s SAE International představil v květnu 2025 agentic AI systém (umělé systémy schopné autonomně dosahovat konkrétních cílů s minimálním dohledem) pro diagnostiku ložiskových vad, který funguje jako autonomní virtuální technik. Systém využívá velké jazykové modely (LLM) v kombinaci s počítačovým viděním a databází znalostí pro analýzu obrazů defektů, zodpovídání dotazů obsluhy a generování detailních zpráv s doporučenými kroky. Validace na základě zpráv živých techniků dosáhla skóre RAGAS 0,72, což představuje slibný základ pro automatizaci časově náročné diagnostiky. Paralelně výzkum z konference STAAAR 2025 (publikováno na EPJ Web of Conferences, 2026) prokázal, že Support Vector Machine model trénovaný na statistických příznacích vibrací [RMS (efektivní hodnota charakterizující celkovou energii signálu), kurtóza (ukazuje na ostré špičky nebo tlusté „ocasy“), šikmost (odhaluje asymetrii), crest factor (poměr vrcholu k RMS odhalující výskyty extrémních hodnot) — pozn. red.] z ložiska SKF 6206 spolehlivě klasifikuje jeho „zdravotní“ stav při různých otáčkách i velikostech defektů — s přesností rozlišení zdravého a poškozeného ložiska potvrzenou experimentálně. Ještě radikálnější přístup nabídla studie z roku 2025 (ArXiv): systém 6G-enabled digital twin framework pro detekci poruch ložisek dosáhl klasifikační přesnosti 97,7 % s latencí pouhých 0,8 ms, tedy v průměru 15,6× rychleji než Wi-Fi 6 a 5,25× rychleji než v současnosti opěvované sítě 5G. Pro autonomní průmyslové systémy vyžadující milisekundové reakce to otevírá zcela nové možnosti.
Vyčíslení v penězích a v hodinách
Studie nasazení AI prediktivní údržby realizovaná v loňském roce u globálního výrobce těžkého zařízení s využitím Ademero Manufacturing (softwarová platforma zaměřená na inteligentní správu dokumentů a automatizaci pracovních postupů) dokumentuje nasazení více než 25 000 IoT senzorů na kritických zařízeních napříč výrobními závody. Výsledky po plném zavedení jsou ohromující: 70% snížení počtu poruch zařízení, 65% snížení neplánovaných prostojů, 45% snížení nákladů na údržbu a 4,2 mil. USD ročních úspor oproti stavu před implementací (dříve ztráty 850 tis. USD/měsíc). Také nasazení Siemens Drive Train Analytics v americké tepelné elektrárně z 60. let (zásobující elektřinou přes 4 miliony zákazníků) potvrzuje vysokou přínosnost takovýchto systémů. Zde údajně přineslo 80% snížení doby odezvy na poruchy VFD a motorů prostřednictvím cloudové diagnostiky a prediktivních přehledů o zdravotním stavu zařízení. A případ z těžebního průmyslu (Razor Labs, DataMind AI), realizace na nákladním voze Komatsu 930E, rovněž doplňuje ilustraci ekonomiky přesné predikce: AI identifikovala zrychlující se trend železitých částic v oleji levého kola (nárůst z 205 na 331 ppm za 45 dní), diagnostikovala progresivní pittingové poškození nízkootáčkových ložisek a umožnila cílený zásah — čímž zabránila potenciálnímu katastrofálnímu selhání pohonu a ušetřila odhadem 150 000 USD a zpravidla pět dnů trvání neplánované odstávky, jež v takových případech nastává.
Od výrobce komponent k poskytovateli inteligence
Charakteristickým rysem současného vývoje je transformace tradičních výrobců ložisek a pohonů v poskytovatele komplexních datových ekosystémů. Společnost NSK dnes provozuje přes 40 000 instalovaných jednotek „condition monitoring“ systémů ve větrných elektrárnách a dalších 10 000 v petrochemickém průmyslu. V červnu 2025 spustila interní aplikaci generativní AI pro správu kvalitativních znalostí, využívanou 5 000 zaměstnanci, postavenou na databázi 4 000 záznamů o kvalitě. Jde o systém BKV Beyond kombinující bezdrátový monitoring AI-driven s ověřováním varovných signálů experty. SKF ve spolupráci s Luleå University of Technology vyvíjí generativní AI pro monitoring kondice papírenských strojů — strojů s tisíci senzory, kde objem dat doslova zahltí i zkušené analytiky. Cílem je odfiltrovat falešné poplachy a přesměrovat lidské experty výhradně na hodnotné diagnostické činnosti. A třeba Schaeffler v rámci platformy Predictive Maintenance 4.0 integruje fyzikálně informované AI modely, agentní diagnostiku a digitální dvojčata do jednoho ekosystému — od čidla na ložisku po doporučení pro plánovač údržby.
Velká inteligence v malém čipu
Paralelní výzkumný proud, který si zaslouží pozornost, je nasazení TinyML (tiny machine learning) — inference přímo na mikroprocesorech připojených k motoru, bez potřeby cloudového přenosu. Společnost ITR vyvinula APM (advancing predictive maintenance) systém detekce anomálií bez dozoru využívající vibrační a proudová data, kde algoritmy běží přímo na jednodeskových počítačích připevněných k motoru. Výhodou je eliminace latence sítě, zachování soukromí dat a provoz i v podmínkách omezené konektivity.
Prediktivní údržba — strategická kompetence
Průmyslové pohony a ložiska přestávají být „němými“ mechanickými komponentami. Kombinace fyzikálně informovaných AI modelů, digitálních dvojčat, hybridní edge-cloud architektury a agentic diagnostiky vytváří novou vrstvu průmyslové inteligence, jejíž hodnota se měří nikoliv v parametrech komponent, ale v dostupnosti výroby, přesnosti plánování a eliminaci nepředvídatelných prostojů. Klíčové poselství pro průmyslové podniky zní: nestačí instalovat senzory. Rozhodující je, zda za nimi stojí model, který rozumí fyzice vašeho zařízení, učí se z jeho konkrétního provozního profilu a dokáže s dostatečným předstihem říct: Tento stroj potřebuje pozornost! A dodá i proč.
/Michael Málek/
