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.
(Kompletní článek naleznete v aktuálním vydání Technického týdeníku)