Jak se dnes řídí průmyslové procesy — a proč to nestačí

Základem moderní optimalizace ve složitých procesních odvětvích — rafinériích, petrochemii nebo cementárnách — je modelování procesů. Cílem je popsat vzájemné působení stovek proměnných (teplota, tlak, průtoky, složení surovin) a najít jejich optimální kombinaci pro maximální zisk při dodržení bezpečnostních a ekologických limitů.

Tradiční nástroje pro pokročilé řízení procesů (APC) tento problém řeší zjednodušením. Technici provedou takzvané skokové testy — cíleně mění jednu proměnnou a sledují, jak reagují ostatní. Z nasbíraných dat (obvykle za 1–2 týdny provozu) sestaví matici zesílení, která popisuje vztahy mezi proměnnými. Tento model pak slouží jako základ pro automatické řízení.

Problém je v tom, že APC modely jsou ze své podstaty lineární. Předpokládají, že vztah mezi teplotou a výtěžností je přímka — což v reálné chemii téměř nikdy neplatí. „Je to, jako byste chtěli předpovídat počasí jen podle toho, co jste viděli minulý týden," popisuje Greg White, specialista technického poradenství společnosti Imubit. Reálné procesy jsou nelineární, dynamické a ovlivněné faktory, které skokové testy nezachytí.

AIO: Když neuronové sítě čtou data místo učebnic

Nová generace nástrojů pro optimalizaci s uzavřenou smyčkou na bázi AI (AIO) přichází s opačným přístupem. Místo aby začínala u teoretických předpokladů o tom, jak by proces měl fungovat, začíná u samotných dat — měsíců až let provozní historie s minutovým rozlišením. Hluboké neuronové sítě pak samy odhalují skutečné vztahy v datech, včetně těch, které by technika podle učebnic vůbec nenapadlo hledat.

Teprve ve druhém kroku nastupují oboroví experti, kteří výsledky interpretují, ověřují a doplňují mantinely vycházející ze základních fyzikálních zákonů. Toto pořadí — nejprve data, pak fyzika — je klíčové. Umožňuje modelu odhalit neočekávané interakce, aniž by je předem „zaškrtily" teoretické předpoklady.

„Pokud neuronovým sítím umožníme pracovat mimo rámec základních fyzikálních zákonů v počáteční fázi, odstraní se zbytečné zkreslení a modely mohou odhalit reálně existující vztahy, které tradiční modelování přehlíží," vysvětluje White.

Zásadní je, že modely AIO nefungují jako černá skříňka. Úsudek technických odborníků zůstává ústřední — od nastavení očekávání v maticích zesílení až po kontrolu výstupů. Technologie funguje jako zesilovač lidské expertizy, ne její náhrada.

Hydrokrakování: Když AI odhalí, co technici přehlédli

Reálný příklad z praxe ukazuje sílu — i limity — přístupu AIO. Hydrokrakovací jednotka je jedním z nejsložitějších zařízení v rafinérii. Za vysokého tlaku a teploty štěpí těžké uhlovodíky na lehčí, hodnotnější produkty jako naftu a letecké palivo.

U jedné konkrétní jednotky se očekávalo, že model na bázi AI odhalí takzvané nadměrné krakování — jev, kdy s rostoucí teplotou nejprve roste výtěžnost nafty, ale za určitou hranicí začnou molekuly nafty samy praskat na méně hodnotné plyny (butan, propan). Tradiční APC se tomuto bodu zvratu vyhýbají, protože porušuje lineární předpoklady. AIO model by ho měl identifikovat a bezpečně se v něm navigovat.

Jenže realita byla jiná. Výstup modelu ukazoval všechna zesílení jako kladná — bez viditelného bodu zvratu. Po hlubší analýze se ukázalo, že problém nebyl v modelu, ale v kvalitě historických dat. Provoz používal kompresi dat, která vynechávala mezilehlé vzorky a zastírala tak dynamické odezvy. Současně chyběla korekce hranic destilačních frakcí u produktových průtoků.

I přes tato omezení ale model prokázal svou hodnotu. Když technici segmentovali historická data podle cenových režimů (kdy je dražší nafta a kdy letecké palivo), model odhalil, že stávající provoz neúmyslně zvýhodňoval letecké palivo na úkor nafty — což v režimu drahé nafty znamenalo ztrátu příležitostí v řádu desítek tisíc dolarů denně.

Proč důvěra operátorů rozhoduje o úspěchu

I sebelepší AI model je k ničemu, pokud ho operátoři vypnou a vrátí se k ručnímu řízení. To je podle společnosti Imubit, která za sebou má již 100+ nasazení uzavřené smyčky, klíčová lekce. Její platformu dnes využívají rafinérie společností jako Chevron, CITGO, Marathon, Preem, Hunt Refining nebo cementárny Ash Grove a Eagle Materials.

„Asi 50–60 % našich seniorních operátorů řídicích center odejde v příštích letech do důchodu," říká Bryan Cook, seniorní automatizační inženýr Ash Grove Cement. „Je pro nás obrovské, že můžeme nové lidi trénovat v otevřené smyčce a nechat je zkoušet a dělat chyby bez reálných následků."

Klíčovým nástrojem pro budování důvěry jsou simulace „co kdyby". Operátoři si mohou s modelem hrát — posouvat omezení, přepínat cenové sady, simulovat změny manipulovaných veličin — a okamžitě vidět dopad na cílovou funkci jednotky. Když simulace ukáže, že snížení teploty WABT reaktoru přinese o 10 000 dolarů denně vyšší marži, operátor tomu věří mnohem víc, než když dostane tabulku s čísly.

Český a evropský kontext

Pro český průmysl jsou tato témata mimořádně relevantní. Česká republika má jednu z nejvyšších koncentrací zpracovatelského průmyslu v EU — rafinérie v Litvínově a Kralupech, chemičky v Lovosicích a Neratovicích, cementárny po celé republice. Všechny tyto provozy řeší stejné výzvy jako jejich americké protějšky: odchody zkušených operátorů do důchodu, tlak na marže a potřebu snižovat emise.

Evropská unie navíc prostřednictvím AI Act a směrnice o průmyslových emisích (IED) vytváří regulatorní tlak na transparentnost a optimalizaci procesů. Řešení jako AIO, která kombinují hluboké učení s transparentním ověřováním výstupů, mohou českým firmám pomoci splnit přísnější požadavky bez ztráty konkurenceschopnosti.

České podniky se do digitalizace průmyslu aktivně zapojují — Czech AI Factory v Ostravě, spuštěná v roce 2026, je jedním z uzlů evropské sítě AI superpočítačů a může sloužit i jako technologická základna pro průmyslové AI aplikace. První české firmy už experimentují s prediktivní údržbou na bázi strojového učení, ale komplexní optimalizace procesů pomocí hlubokých neuronových sítí je u nás zatím v počátcích.

Co čísla říkají

Společnost Imubit reportuje konkrétní výsledky ze svých nasazení: snížení spotřeby zemního plynu o 15–30 %, zlepšení marží o 0,25 USD na barel a zvýšení výtěžnosti o 1–3 %. V odvětví s maržemi v jednotkách procent to znamená rozdíl mezi ziskem a ztrátou.

Pro představu: středně velká rafinérie zpracovávající 100 000 barelů denně může při zlepšení marže o 0,25 USD/barel získat přes 9 milionů dolarů ročně navíc. A to pouze z jednoho optimalizačního zásahu — bez investice do nového hardwaru.

Nejde přitom o futuristickou vizi. Imubit má za sebou 7 let modelového provozu a nasazení v reálných provozech napříč Severní Amerikou i Evropou. Jejich zákazníci reportují nejen ekonomické přínosy, ale i kulturní změnu — operátoři, kteří si osvojili nástroje AIO, podle společnosti Big West Oil „začali přemýšlet mimo svou komfortní zónu" a soutěžit mezi sebou o lepší ekonomické výsledky.

Data jako nové aktivum — s výhradami

Přechod na AIO ovšem není zadarmo. Vyžaduje kvalitní data bez komprese a s dostatečným rozlišením — což může u starších provozů znamenat investici do modernizace historizačních systémů. Jak ukázal případ hydrokrakovací jednotky, komprese dat používaná kvůli úspoře úložiště v minulé dekádě dnes aktivně škodí přesnosti modelů.

Dobrou zprávou je, že s dnešními cenami úložišť je vypnutí komprese a archivace surových dat ekonomicky triviální krok, který se mnohonásobně vrátí v lepších predikcích. Doporučený postup zní: vypněte kompresi, archivujte data v původním rozlišení. Budoucí AI modely vám poděkují.