Umělá inteligence ve službách tribotechniky

Strojové učení a umělé inteligence přímo souvisí s dostupností i množstvím kvalitních dat. Lze je obecně rozdělit na dva základní typy: modely s dohledem a modely bez dohledu. Verze s dohledem obvykle zahrnují statistické (regresní) modely, které vztahují vstupní data k výstupním, a poskytují tak nová vstupní data, která jsou pokryta trénovací sadou dat. 
Modely bez dohledu zpravidla používají neuronové sítě, označované také jako hluboké učení – soubor algoritmů volně modelovaných na lidském mozku, určených k rozpoznávání vzorců. Tyto modely si dokáží efektivně „vypracovat“ nejlepší model, i když není vždy zřejmé, proč funguje, a základní algoritmus, který model strojového učení nalezl, není snadné rozluštit. Existuje však už mnoho příkladů, kde se AI a strojové učení již uplatňují v komunitě mazání/tribologie:

- Monitorování stavu – Stroje jsou často dodávány již se senzory, které mohou hlásit provozní podmínky (otáčky, zatížení, teploty maziva) výrobci originálního vybavení (OEM) i majiteli stroje. Mohou být osazeny i různými dalšími senzory, které monitorují vibrace a elektrické proudy vstupující do a ze stroje, nebo mohou detekovat částice opotřebení nebo monitorovat degradaci maziva (např. senzory na bázi dielektrika).
Monitorováním velkého počtu strojů lze předvídat varovné signály pravděpodobné budoucí poruchy na základě předchozích poruch a korelace těchto údajů s daty z různých senzorů. Umožňují doporučit servis stroje nebo výměnu konkrétní komponenty, jakmile jsou zjištěny včasné známky poruchy, dokonce i odhalit základní příčiny dříve, než povedou k příznakům poruchy. Na obr. 2 je ukázán typ signálů, které lze zachytit předtím, než dojde k poruše.
Nejčastěji používanými technikami pro monitorování stavu jsou monitoring vibrací a termografie (hledání horkých míst). V dnešní době je k dispozici již řada těchto monitorovacích řešení s AI a strojovým učením od společností SKF, GE, Siemens nebo Bosch. Existuje také řada startupových firem, které využívají specializovanější techniky, jako je ultrazvuk (britská Tribosonics, americká UE Systems apod.). U vysoce hodnotných strojů lze použít i další specializované techniky, jako je monitorování maziv pomocí infračervených senzorů a senzorů částic opotřebení. Tyto techniky se obecně používají k informování o strojích, které mohou potřebovat servis nebo výměnu komponent, ale lze je použít i k monitorování spotřeby energie a k poradenství, jak spotřebu snížit.
- Chatboti pro linky pomoci s mazivy – Tyto systémy, jako např. online chatbot Lubechat firmy Shell, dokáže odpovídat na jednoduché dotazy a poskytovat technické údaje o mazivech. Otázky, na které virtuální asistent nedokáže odpovědět, jsou pak předávány lidským expertům. Jedná se o nonstop službu, která je k dispozici ve vybraných zemích.

- Telematika vozového parku – Existují komerční firmy, které dálkově z elektronických řídicích jednotek těžkých nákladních vozidel extrahují data obsahující údaje o rychlosti, zatížení, teplotě, trase i spotřebě paliva. Analýzou a kombinací dat z mnoha nákladních vozidel lze identifikovat nejefektivnější trasy mezi dvěma nebo více místy, což pomáhá plánovat zlepšení v efektivitě logistiky a také zjistit řidiče s vysokou spotřebou paliva (ti pak mohou být proškoleni, jak spotřebu snížit).

- Vizualizace a klasifikace částic opotřebení – Techniky AI a strojového učení jsou obzvláště účinné pro identifikaci a klasifikaci obrazu a řada výzkumníků je použila na částice opotřebení. Velikost, textura, tvar a barva jsou parametry, které obsahují informace o mechanizmu opotřebení a o tom, kde k němu dochází. K identifikaci, zda je částice opotřebení kovová nebo oxidová, a zda je opotřebení způsobeno únavou nebo silným prokluzováním, byly použity algoritmy neuronových sítí.

- Návrh nových materiálů – Ke snížení opotřebení se obvykle používají tvrdé povlaky a podobně jako u kovových slitin se vědci snaží optimalizovat vlastnosti, jako je hustota, tvrdost, Youngův modul pružnosti a únavová životnost, které u povlaků přispívají k tribologickému výkonu. Řada výzkumníků využívá k optimalizaci vlastností kovových slitin a tvrdých povlaků nanášených napařováním strojové učení.

- Předpověď vlastností maziva – Maziva jsou často komplexní směsí dvou nebo tří různých základových olejů a aditiv, a v některých aplikacích i modifikátorů viskozity. Předpověď různých viskozit maziva pro různé teploty a smykové rychlosti není přímočará, tyto vlastnosti byly experimentálně měřeny na řadě mírně odlišných směsí k nalezení optimálních hodnot. 
Tento typ problému je přístupný AI i strojovému učení, protože existuje pouze omezený počet široce používaných základových olejů, aditiv a modifikátorů viskozity, a takovéto techniky by byly užitečné pro firmy zabývající se mazivy i aditivy ke zlepšení efektivity a procesu jejich navrhování. 
Tyto společnosti také pravděpodobně mají dobré viskozimetrické údaje o široké škále formulací maziv, na nichž by mohly testovat své modely AI, ovšem vzhledem k tomu, že složení maziv bývá přísně střeženým tajemstvím nebo se může bez varování změnit, jsou tyto techniky zpravidla uchovávány „interně“ a výrobci maziv je používají jen pro své vlastní produkty.

- Předpověď mazacího režimu – V poslední době vědci využívají strojové učení k predikci mazacího režimu radiálního ložiska. Byly zaznamenány klíčové parametry, jako jsou rychlost, zatížení, teploty oleje a povrchu, kontaktní podmínky i koeficient tření a nalezeny charakteristické frekvence pro různé mazací režimy. Vyvinutý model byl pak schopen rozlišovat mezi hydrodynamickým, smíšeným nebo hraničním režimem mazání.
Řada výzkumů se rovněž pokusila využít AI a strojové učení k predikci tření a opotřebení. Jde však o mnohem složitější problém, protože tření a opotřebení jsou vlastnostmi celého systému, nikoli jeho jednotlivých součástí – např. i u jednoduchého mazaného kontaktu jde o komplikovaný proces, kdy „záběh“ často probíhá po dobu několika hodin, během nichž se mění kontaktní podmínky, které mohou vyvolat strukturální a další změny, ovlivňující tření a opotřebení.
Existují i složité olejové filmy, jejichž složení a další vlastnosti nejsou přesně známy. Kontaktní podmínky mazání (hydrodynamické, smíšené nebo mezní) jsou určeny provozními podmínkami (rychlost, zatížení, teplota maziva, drsnost povrchu) a pokud dojde k opotřebení, kriticky závisí na zatížení a rychlostech, o jaký typ jde (abrazivní nebo adhezivní). Pro charakterizaci celého systému je zapotřebí velké množství dat, která však obvykle nejsou ve výzkumných pracích uváděna dostatečně podrobně pro aplikaci strojového učení. Složení maziv je navíc chráněno a je známo pouze dodavatelům maziv a aditiv.
Výzkumníci se proto snaží vyvinout digitální dvojče tribologického kontaktu, ale v tomto případě půjde o dlouhodobý projekt, který vyžaduje pokrok v řadě klíčových oblastí (modelování opotřebení, tribochemie maziv, změny materiálu během kluzu atd.). Kromě toho bude muset jakýkoli úspěšný model strojového učení rozlišovat mezi tzv. dobrým opotřebením, ke kterému dochází během „záběhu“, a špatným opotřebením, ke kterému dochází ke konci životnosti součásti.
Vědci z University of Central Lancashire pracující v oblasti tribotroniky mohou díky monitorování jednotlivých tribologických systémů měnit kontaktní podmínky v závislosti na datech ze senzorů. Například u dvoutaktního lodního motoru mohou díky kapacitnímu senzoru zvyšovat nebo snižovat přívod oleje do válce v závislosti na tloušťce olejového filmu. Takové systémy by mohly těžit právě z algoritmů strojového učení.
Algoritmy AI a strojového učení se již používají v mnoha tribologických aplikacích. Pro další pokrok bude však nutné vyvinout i efektivní a bezpečné způsoby, jak sdílet velké množství dat, která takové modely potřebují. Většina tribologických testů dosud generuje relativně malé množství dat a klíčové údaje o materiálu, drsnosti povrchu a vlastnostech maziva nejsou obecně k dispozici pro pozdější analýzu.

Ian Farrell
Foto: Shutterstock, Noria

Publikováno: 14. 1. 2026 | Počet zobrazení: 203 42