Zapojení AI do analýzy olejů a faktory ovlivňující vyhodnocení výsledků analýzy

Počátky zájmu lidí o používání strojové inteligence sahají už do období před 2. světovou válkou. Od té doby se technika výrazně vylepšila, a i lidstvo začalo počítače využívat v čím dál větší míře. Stačí uvést příklad z našeho oboru. Před 20 lety se standardně k měření hodnoty čísla kyselosti používaly tužka, papír a lidský zrak (bylo to v době, kdy se během týdne provedl rozbor zhruba 50 vzorků). Pomocí toho se zaznamenávaly hodnoty napětí a v bodě, který vykazoval největší změnu napětí, se odečetl objem titračního roztoku. Tato hodnota se použila pro výpočet čísla kyselosti. V dnešní době, kdy je počet vzorků až dvacetkrát vyšší, je tato ruční práce nahrazena automatickým systémem a softwarem, který je několikanásobně efektivnější než člověk, tužka a papír. 

V oblasti diagnostiky výsledků je vývoj velmi podobný a vlastně je zcela logické, že kopíruje cestu automatizace jako u samotných analýz. K tomu, aby diagnostik mohl vynést správný závěr, je nutné mít k dispozici dostatečné množství informaci (viz obr. 2).
Bez informace, o jaký typ zařízení se jedná, jaký typ a viskozita oleje se používá, jak dlouho je olej v systému, nebo zda došlo během provozu k doplnění oleje, případně jaký problém se u stroje objevuje, bez toho všeho jsou závěry diagnostika pouze odhady a jeho vyhodnocení nemusí být zcela přesné. S tím samozřejmě souvisí i možné doporučení, co s takovým olejem ve stroji udělat, protože většinou je na výběr více možností, co doporučit, a diagnostik uvádí to, které by mělo být nejefektivnější. Nakonec ale koncový uživatel stroje provede opatření, které mu může více vyhovovat z hlediska šetření nákladů nebo času. Ve chvíli, kdy jsou všechny informace k dispozici, je možné tato data použít k vytvoření algoritmů a vět, které mohou usnadnit práci diagnostika a vytvořit hodnocení a doporučení, která diagnostik pak už jen kontroluje a případně může upravit nebo také odmítnout, protože se ukáže, že pro správné vyhodnocení chybí jedna důležitá informace. 
Aby však mohly být věty a algoritmy sestaveny, je nutné mít širokou databázi strojů, jejich limitních hodnot, výsledků a i doporučení, které se budou generovat. Kde takové informace získat? K vytvoření databáze strojů často slouží podklady zákazníka podle toho, jaké typy stroje používá. Limitní hodnoty jsou buď dodány výrobcem strojů, nebo si je vytvoří zákazník na základě historických výsledků, případně mohou být dodány i samotnou laboratoří, která má dostatečné množství výsledků pro daný typ stroje a dokáže podle toho nastavit limitní hodnoty. Jak takové limitní hodnoty mohou vypadat, je možné se podívat na obr. 3, kde jsou uvedeny limitní obsahy otěrových prvků pro určitý typ převodu. Je zde také patrné, jakým způsobem se označují jednotlivé úrovně závažnosti i s variantou „zvláštní“, která se objevuje v případě neobvyklých obsahů některých prvků. V tabulce 3 je také vidět, že zdaleka ne všechny parametry, které se sledují, mají limitní hodnoty. Některé parametry jsou závislé na používaném typu oleje. Jelikož není možné tímto způsobem podchytit jednoduše všechny typy olejů, které se v takovém převodu mohou používat, nejsou tyto parametry zahrnuty do vyhodnocení zařízení systémem, ale zůstává pak na diagnostikovi, aby posoudil, zda nevyhodnocené parametry odpovídají použitému typu oleje (viskozita, obsah aditivních prvků apod.). 

I v případě olejů je ale možné vytvořit parametry, které se budou používat pro vyhodnocení (viz obr. 4). Pro získání parametrů oleje je nutná analýza nového oleje, alespoň co se týká obsahu prvků nebo hodnoty TAN. Některé parametry je možné získat z technického listu produktu, ale ne vždy jsou tyto hodnoty dostačující a je lepší, např. v případě čísla kyselosti nebo viskozity, naměřit aktuální hodnotu, ze které je možné pak nastavit limitní hodnoty. 
Takže pokud máme k dispozici limity pro převod a nový převodový olej, můžeme tyto informace použít k vyhodnocení analýz oleje i stavu stroje. Umělá inteligence označí zelenou barvou všechny parametry, které odpovídají limitním hodnotám stroje i oleje a pak příslušné nevyhovující hodnoty označí příslušnou barvou podle toho, jak moc jsou mimo standardní hodnoty. 
V případě, že všechny parametry mají limitní hodnotu, která je vyhovující, doplní systém věty, které jsou nastaveny pro případ, že je vše v pořádku a může odeslat výsledky zákazníkovi nebo je před odesláním ještě zkontroluje diagnostik. Pokud se objeví parametr, který je mimo standardní hodnotu, systém ho označí příslušnou barvou závažnosti a ponechá ho diagnostikovi k posouzení, zda je tento parametr opravdu mimo limit, nebo existuje nějaká příčina, která umožňuje označený parametr vrátit do normálního hodnocení. Takovým případem může být, pokud zákazník chybně označí název oleje, a tedy některé aditivní prvky jsou potom označeny například žlutou barvou, protože jejich obsah nevyhovuje standardním hodnotám. 
Diagnostik tedy posoudí, jestli jde skutečně o jiný olej nebo změnu aditivace a je na jeho posouzení, zda označí parametry jako vyhovující nebo varovné s doplněním, že se jedná o jinou aditivaci. Jiným příkladem může být varovné označení otěrových prvků, kde systém může doplnit i příslušné věty, které navrhují, co v takovém případě udělat. Systém opět ponechá vzorek s výsledky k posouzení diagnostika, který buď navrhované doporučení schválí, nebo doplní o svoje další vyhodnocení a doporučení.
S příchodem stále dokonalejší techniky a narůstajícího množství vzorků se používání umělé inteligence jeví jako velmi užitečný nástroj pro zrychlení a zjednodušení práce v laboratoři. Je nutné připomenout, že je důležité používat k vytvoření algoritmů a limitních hodnot jen opravdu ověřené hodnoty. Umělá inteligence může být užitečná jen v případě, že dodané podklady jsou založeny na pravdivých hodnotách, a nikoli na hodnotách vymyšlených. 
Pokud se podaří vyplnit bílá místa, která dotvoří celkových obrázek o parametrech stroje a oleje, pak takový nástroj umožní spolehlivě nahradit práci diagnostika v jednoduchých případech a umožní mu věnovat se případům, které vyžadují více času na vyhodnocení.

Tomáš Turan, ALS Czech republic
Foto: ALS Czech republic

Publikováno: 14. 1. 2026 | Počet zobrazení: 216 46