Fabrika, ktorá predvída spotrebu skôr, než príde špička
Najväčšou zmenou nie je ďalší dashboard. AI dokáže odhadnúť tepelnú záťaž, výrobný režim alebo odber elektriny a pripraviť rozhodnutie skôr, než sa náklad prejaví na faktúre. Riadenie však musí zostať ohraničené fyzikou, PLC a bezpečnostnými limitmi.
Klasický energetický manažment sa pozerá dozadu: elektromer zaznamená odber, historian uloží trend a tím neskôr hľadá príčinu. Prediktívne riadenie pridáva krok dopredu. Z aktuálneho stavu, počasia, výroby a ceny energie vypočíta, čo sa pravdepodobne stane v nasledujúcich minútach alebo hodinách, a hľadá najlacnejší dovolený spôsob prevádzky.
Od pevného harmonogramu k modelovo prediktívnemu riadeniu
Ventilácia, chladiaci okruh alebo kompresorovňa sa tradične riadia pevnými časmi, lokálnymi PID slučkami a konzervatívnymi rezervami. Takéto riadenie je stabilné, ale často nevie, že sa výroba oneskorila, vonkajší vzduch je vhodný na voľné chladenie alebo že o pätnásť minút vznikne súbeh veľkých odberov.
Modelovo prediktívny regulátor počíta viacero budúcich priebehov. V každom rešpektuje limity tlaku, teploty, kvality ovzdušia, výkonu zariadení a povoleného počtu štartov. Výsledkom nie je voľná veta pre PLC, ale obmedzený setpoint, harmonogram alebo odporúčanie v rozsahu, ktorý schválil technológ.
PLC a BMS ďalej držia lokálne slučky, blokovania a bezpečný stav.
Časovo zladené dáta vysvetlia, či odber patrí výrobe, prestávke alebo nábehu.
Edge alebo privátny cloud vypočíta varianty a ich energetickú cenu.
Gateway a PLC prijmú iba povolený typ príkazu; pri chybe sa vrátia k základnej stratégii.
Úspora sa porovná pri rovnakom výrobnom objeme, počasí a kvalite.
Stellantis: viac než 60 % na ventilácii, nie na celej fabrike
V lakovni závodu Stellantis v Rüsselsheime nasadila spoločnosť etalytics platformu etaONE. Podľa zverejnenej prípadovej štúdie prispôsobuje prietok čerstvého a recirkulovaného vzduchu výrobnému zaťaženiu a vonkajším podmienkam, využíva tepelnú zotrvačnosť a pri nízkom zaťažení umožňuje bezpečné odstavenie ventilácie. Dodávateľ uvádza zníženie elektriny spotrebovanej ventiláciou o viac než 60 % a nižšiu potrebu kompresného chladenia.
Toto číslo nemožno rozšíriť na celé HVAC, lakovňu alebo závod. Verejný zdroj navyše nepotvrdzuje spotové ceny elektriny ani konkrétne napojenie na MES, hoci tieto vstupy sú technicky možné. Pôvodné zadanie nesprávne priraďovalo prípad aj článku v Journal of Cleaner Production. Ten opisuje desať iných tovární a Stellantis neobsahuje.
ABB Finland: predikcia špičky skôr než automatický zásah
ABB Finland začalo v novembri 2024 pilotovať predikciu spotreby a energetických nákladov nad ABB Ability Energy Manager. Model používa historické energetické dáta a procesné parametre, napríklad teplotu alebo produktovú triedu, a má fungovať aj bez detailného výrobného plánu. ABB uvádza, že predbežné testovanie na historických dátach ukázalo potenciál presnosti nad 95 %.
Presnosť forecastu sama osebe faktúru nezníži. Hodnota vznikne až vtedy, keď podnik vie presunúť flexibilnú záťaž, spustiť akumuláciu, upraviť sekvenciu zariadení alebo včas upozorniť operátora. Pred publikovaním ekonomického výsledku treba oddeliť chybu predikcie od skutočne zníženého maxima a od ceny za rezervovanú kapacitu.
Stlačený vzduch: AI prichádza až po základnej disciplíne
Pri kompresorovni zostáva prvým krokom oprava únikov, zníženie zbytočne vysokého tlaku a správne dimenzovanie. AI má zmysel, keď viac kompresorov s rozdielnou účinnosťou pokrýva premenlivý odber. Nadriadený regulátor potom rozhoduje, ktorý stroj ponesie základ a ktorý špičku, bez neustáleho prepínania.
Atlas Copco pri anonymnej potravinárskej fabrike v Malajzii uvádza, že zníženie tlaku o 0,5 bar prinieslo okamžitú úsporu 3–4 % a optimalizácia rozdelenia záťaže za tri mesiace 14,73 MWh. Ide o dodávateľskú prípadovú štúdiu bez zverejnenej kompletnej baseline, preto ju nemožno považovať za univerzálny benchmark.
Procesná výroba: AI môže optimalizovať, safety systém zostáva oddelený
Pri peci, reaktore alebo jednotke na čistenie plynu je energetická optimalizácia previazaná s kvalitou a bezpečnosťou procesu. Yokogawa a Aramco v roku 2025 oznámili koordinované reinforcement-learning agenty v jednotke odstraňovania kyslých plynov vo Fadhili. Predbežné výsledky uvádzajú 10–15 % nižšiu spotrebu amínu a pary a približne 5 % nižšiu spotrebu elektriny. Hodnotenie konkrétnej jednotky v čase oznámenia pokračovalo.
Takéto riešenie nesmie nahradiť safety instrumented system. AI optimalizuje v normálnom pracovnom obale, distribuovaný riadiaci systém vykonáva ohraničené setpointy a ochranná vrstva zasiahne nezávisle. Pri nedostupnom modeli musí proces pokračovať na poslednej schválenej alebo základnej stratégii.
Edge verzus cloud: rozhoduje latencia, vlastníctvo dát a fallback
| Vrstva | Typické úlohy | Prevádzková hranica |
|---|---|---|
| PLC / BMS / DCS | PID slučky, sekvencie, blokovania, alarmy, bezpečný stav | Deterministické riadenie zostáva lokálne a funguje aj bez AI. |
| Priemyselný edge | Zber a čistenie dát, krátkodobý forecast, inferencia, optimalizácia setpointov | Nízka latencia, lokálna dostupnosť a presne definované rozhranie do riadenia. |
| Privátny cloud / dátové centrum | Trénovanie, dlhodobé scenáre, fleet analytics, porovnanie viacerých závodov | Výpadok spojenia nesmie odstaviť výrobu; citlivé receptúry a topológia potrebujú správu prístupov. |
| Energetický trh | Tarify, predpoveď ceny, demand response, rezervovaná kapacita | Cena je optimalizačný vstup, nie povolenie porušiť výrobný alebo bezpečnostný limit. |
ROI sa počíta proti normalizovanej baseline
Jednoduché porovnanie tohto a minulého mesiaca nestačí. Nižšia spotreba môže byť dôsledkom menšej výroby, chladnejšieho počasia alebo odstávky. Baseline má preto používať rovnaký produktový mix, počet dobrých kusov, prevádzkové hodiny, vonkajšiu teplotu a kvalitu. Pri špičkách treba oddeliť úsporu energie v MWh od úspory výkonovej rezervy v kW.
IEA odhaduje v scenári širokého rozšírenia existujúcich riešení do roku 2035 potenciál úspory 8 % v ľahkom priemysle. V aktualizácii z roku 2026 uvádza pri energeticky náročných odvetviach možnosť znížiť energetické náklady o 3–10 percentuálnych bodov. Obe hodnoty sú modelované potenciály pri odstránení bariér, nie garancia pre jeden závod.
Bezpečný prvý projekt v ôsmich krokoch
- Vybrať podsystém.Začať chladiacim okruhom, ventiláciou alebo kompresorovňou, nie celou fabrikou naraz.
- Definovať baseline.Určiť energiu, výkon, kvalitu, počasie, výrobu a náklady, voči ktorým sa výsledok porovná.
- Zmerať kvalitu dát.Overiť kalibráciu, časové značky, výpadky a správne priradenie meradiel k zariadeniam.
- Zapísať limity.Teplota, tlak, hygienické podmienky, počet štartov, kvalita a bezpečnostné hranice musia byť strojovo kontrolovateľné.
- Spustiť shadow mode.Model najprv iba odporúča a jeho návrhy sa porovnajú s rozhodnutím obsluhy.
- Ohraničiť príkazy.Gateway prijme iba schválené setpointy a PLC ich ešte kontroluje proti lokálnym limitom.
- Otestovať fallback.Výpadok siete, modelu, senzora alebo nepravdepodobný návrh musí viesť k známemu bezpečnému režimu.
- Overiť úsporu.Po skúšobnom období porovnať normalizovanú spotrebu aj vplyv na výrobu, kvalitu a údržbu.
Najlepšia energetická AI nepresviedča obsluhu jedným veľkým percentom. Ukáže konkrétny ventilátor, tlak, čas štartu alebo setpoint — a zároveň vie dokázať, že výroba a kvalita zostali zachované.
Pramene a hranice tvrdení
Zdroje použité v článku
- Etalytics — Stellantis Rüsselsheim, 11. 3. 2025 ↗
- Journal of Cleaner Production — Universal AI workflow for factory energy saving ↗
- ABB Finland — EMS forecasting pilot ↗
- Atlas Copco — optimalizácia kompresorovne v Malajzii ↗
- Yokogawa — reinforcement-learning riadenie vo Fadhili ↗
- IEA — Energy and AI, 2025 ↗
- IEA — Key Questions on Energy and AI, 2026 ↗