SVĚTOVÝ, EVROPSKÝ A ČESKÝ AUTOMOBILOVÝ PRŮMYSL A TRH S AUTOMOBILY :: Šaroch a kol.

8.2.3 Prediktivní údržba Prediktivní údržba, také známá jako předpovídaná údržba, představuje formu údržby, která se provádí na základě prognóz odvozených z analýzy a vyhodnocení dů ležitých faktorů degradace objektu (ČSN EN 13306 (010660), 2018). Tato metoda využívá časově závislých dat a znalostí k určení okamžiku poruchy s cílem minimalizovat následky poruchy a předpovědět zbývající životnost objektu (Zonta et al., 2020). Prediktivní údržba je důležitým nástrojem pro průmyslové odvětví, které se snaží minimalizovat následky poruchy a předpovědět zbývající životnost objektu. Tato me toda využívá časově závislých dat a znalostí k určení okamžiku poruchy. Díky tomu je možné plánovat údržbu v předstihu, což vede k efektivnějšímu využití zdrojů a snížení provozních nákladů. V rámci metod prediktivní údržby došlo k intenzivnímu rozvoji výzkumu díky pokroku v moderních technologiích, což otevřelo nové možnosti pro objevování a ino vace v implementaci této údržby v různých oblastech. Moderní technologie, jako je umělá inteligence, internet věcí, cloudové platformy, schopnosti zpracování velkého množství dat (Big data), strojového učení, umělých neuronových sítí a obecně většího výpočetního výkonu, spolu s dalšími technologiemi spojenými především s Průmyslem 4.0, robotikou a nanotechnologiemi, umožňují vědcům a výzkumníkům provádět po kročilé experimenty, sbírat a analyzovat obrovské množství dat a vytvářet inovativní řešení pro komplexní problémy prediktivní údržby (Zonta et al., 2020; Silvestri et al., 2020; Ran et al., 2019; Dalzochio et al., 2020). Prediktivní údržba je spojována s konceptem PHM (Prognostics and Systems Health Management), což je komplexní proces průmyslového řízení. Tento proces zahr nuje tři hlavní fáze – monitorování, analýzu a opatření (Zonta et al., 2020; Kwon et al., 2016; Atamuradov, 2017). Někteří autoři spojují prediktivní údržbu pouze s fází moni torování a využívání inteligentních prognostických metod (Zonta et al., 2020; Carvalho et al., 2019), zatímco jiní ji považují za nedílnou součást všech prvků PHM (Iskandar, 2015). Podle výzkumu Kwona a kolegů (2016) je možné Predictive Health Management (PHM) rozdělit do čtyř úrovní: snímání, diagnóza, prognóza a management. Snímání vhodných veličin pomocí senzorů umístěných na strategických místech je klíčové pro detekci neobvyklých jevů a sběr informací o postupné degradaci objektu v čase. Tato technologie umožňuje systematickou diagnostiku a získání informací o po ruchách způsobených anomáliemi. Díky tomu lze efektivně plánovat údržbu a opravy objektu na základě přesných dat a monitorování stavu. Tato analýza a monitorování je významná pro zajištění bezpečnosti a dlouhodobé efektivity infrastruktury a zařízení. Anomálie v technických systémech mohou vzniknout z různých důvodů, včetně degradace objektu nebo změny provozních podmínek. Diagnostika těchto anomálií je důležitá pro identifikaci odchylek od očekávaného stavu a spojení těchto odchylek s me chanismy poruch. Tento proces umožňuje určit rozsah škod a navrhnout vhodná opat ření pro opravu či prevenci. Prognóza, na druhé straně, využívá algoritmů k predikci vývoje konkrétního mechanismu poruchy od jeho začátku. Díky diagnostice a prognóze

169