AI a ESG reporting v kalírně

Využití AI v provozu tepelného zpracování může zcela zásadně měnit pohled na náš obor. Již jsem nastínil model, který umožňuje počítat nabídkové, plánované a skutečné náklady na výrobní zakázku. Jde ten samý princip aplikovat i na emise a na ESG reporting?  Nákladový model je na této infografice.

Základem správné kalkulace nákladů je ERP systém a jeho nastavení. Nebudu tady popisovat detaily, možná se k tomu v budoucnu dostaneme, rozhodující ale je, že každou operaci musím ocenit náklady. Přímými a režijními. Přímé náklady jsou vázány na čas cyklu/operace, nepřímé jsou pak roztříděny na labour, assets a floor, přes stejně pojmenované korekční faktory.

Náklady by měl systém umět počítat 3x, jako nabídkové náklady, jako plánované náklady v okamžiku přijetí zakázky na nabídku, a jako skutečné náklady, plynoucí z výroby. A že to nejde? Opak je pravdou, jde to, a dosti elegantně.  Jakou mám oporu pro toto tvrzení? Posledních 5 let v Bodycote jsem byl administrátor systému BCM pro východní Evropu. Zkratka BCM znamená Bodycote Costing Model. Tento model byl vyvinut skupinou IT v Edinburgu a zcela změnil můj pohled na svět ERP systémů a účetnictví v kalírně. Představa, že v okamžiku, kdy uzavřu výrobní zakázku budu vědět jaký mám z ní zisk, je reálná.

Proč se o tom zmiňuji? Na stejném principu totiž mohu mít i ESG reporting. Tedy informaci, kolik kgCO2 jsem zpracováním zakázky vyprodukoval. Ve výsledku budu mít informaci o nabídkových emisích, plánovaných a skutečných emisích.

V okamžiku, kdy výrobní zakázku uzavřu, obvykle tiskem dodacího listu, mám přesnou informaci jak o nákladech, tak i o emisích. Názorný příklad ocenění nákladů a emisí podle jednotlivých operací postupu je na této infografice. Výsledek pak může být na manažerském zobrazení stavu výrobních objednávek.

A jak mi s tím může pomoci AI? Tuto pomoc lze vidět v několika úrovních, nicméně samotný výpočet bude zcela deterministický, a bude jej provádět ERP.

1. AI při nabídkové kalkulaci 

V okamžiku nabídky zpravidla známe:

• zákazníka a díl,
• materiál,
• hmotnost,
• požadovaný proces,
• požadované vlastnosti,
• předpokládané zařízení,
• případně podobné dřívější zakázky.

Neznáme ale přesně:

• skutečnou pec,
• skutečnou skladbu vsázky,
• skutečný čas cyklu,
• skutečnou spotřebu energie a médií.

Zde může AI vyhledat například deset až dvacet nejpodobnějších historických objednávek a z nich navrhnout:

• očekávaný čas cyklu,
• očekávanou spotřebu elektřiny nebo plynu,
• spotřebu dusíku, argonu, amoniaku či acetylenu,
• standardní pracovní časy jednotlivých operací,
• pravděpodobný LoadFillRate,
• očekávané kg CO₂e na cyklus a kilogram dílů.

Výstup by mohl vypadat například:

• Pro zakázku byly nalezeny čtyři obdobné postupy na peci TAV_1.
• Odhadovaný čas cyklu je 355–375 minut.
• Očekávaná spotřeba je 1 180–1 280 kWh.
• Nabídková hodnota emisí je 245 kg CO₂e na dá
• Spolehlivost odhadu: 87 %.

AI by tedy nevytvářela číslo libovolně, ale vysvětlila by, z jakých zakázek a parametrů odhad vychází.

2. AI při plánování zakázky

Po přijetí zakázky už znáte konkrétnější podmínky:

• vybranou pec,
• aktuální recepturu,
• plánovanou dávku,
• počet výrobních objednávek ve vsázce,
• jejich hmotnosti,
• skutečný plánovaný začátek,
• případně stav pece.

AI může původní nabídkovou kalkulaci zpřesnit.

Například může rozpoznat, že:

• plánovaná pec má vyšší spotřebu než pec použitá v nabídce,
• vsázka bude pouze z 60 % zaplněná,
• konkrétní geometrie dílů prodlouží ohřev,
• dlouhá výdrž zvýší spotřebu více než samotná hmotnost,
• současné složení vsázky není energeticky optimální.

Plánovaný model pak může navrhnout:  Přesunutím zakázky z pece A na pec B lze snížit očekávané emise o 12 %, ale cyklus bude o 35 minut delší.

Nebo:  Přidáním další objednávky do stejné vsázky se emise cyklu zvýší pouze o 4 %, ale emise na kilogram dílů se sníží o 21 %.

Toto je velmi hodnotné, protože AI může optimalizovat současně:

• termín,
• náklady,
• využití kapacity,
• emise,
• riziko nedodržení technologického postupu.

3. AI při odhadu času cyklu

Čas cyklu je pro kalkulaci klíčovou informací. Současně historická data ukazují poměrně široké rozdíly mezi minimálním, průměrným a maximálním časem cyklu. AI může čas cyklu odhadovat podle kombinace:

• materiálu,
• počáteční a cílové teploty,
• hmotnosti vsázky,
• hmotnosti přípravků,
• geometrie dílů,
• typu pece,
• požadované atmosféry,
• tlaku kalicího plynu,
• počtu výdrží,
• požadované rychlosti ohřevu a ochlazování,
• historického chování konkrétní pece.

Model pak nemusí pracovat jen s jedním průměrem, ale například:

AI může zároveň uvést interval:

To je pro nabídku podstatně bezpečnější než jediná pevná hodnota.

4. AI při odhadu spotřeby energie

Čas cyklu sám o sobě nemusí spotřebu přesně vystihnout. Dva šestihodinové cykly mohou mít různou spotřebu podle:

• cílové teploty,
• počáteční teploty pece,
• hmotnosti vsázky,
• hmotnosti přípravků,
• počtu ohřevových stupňů,
• vakua nebo atmosféry,
• režimu chlazení,
• stavu izolace,
• stáří topných těles.

AI může vytvořit samostatný predikční model:

Pro nabídkovou kalkulaci by predikovala spotřebu. Pro plánovanou kalkulaci by ji aktualizovala podle konkrétní vsázky. Pro skutečnost by se předpověď nahradila měřenými hodnotami. Vhodné by bylo uchovávat obě hodnoty:

5. AI při pracovních operacích

U operací typu Labour může AI analyzovat skutečné historické časy:

• příprava vsázky,
• přípravkování,
• založení,
• vyložení,
• kontrola,
• balení,
• interní logistika.

Může zohlednit:

• počet kusů,
• hmotnost,
• složitost přípravkování,
• počet vrstev ve vsázce,
• potřebu maskování,
• požadované kontroly,
• typ obalu,
• zkušenost provozu s obdobným dílem.

Výstupem může být doporučený čas operace:

AI může také odhalit, že určitá operace je systematicky podhodnocená nebo nadhodnocená.

Například:  Nabídkový čas přípravy vsázky je 20 minut, ale průměr posledních 18 obdobných objednávek je 31 minut.

To zlepší současně nákladový i emisní model, protože obě kalkulace používají stejné množství práce.

6. AI při vyhodnocení skutečného cyklu

Po ukončení cyklu bude mít AI přístup k:

• skutečnému času,
• průběhu teplot,
• skutečným kWh,
• spotřebě plynu a médií,
• tlaku,
• údajům z vakuového systému,
• alarmům,
• hmotnosti skutečné vsázky,
• výsledkům kontroly jakosti.

AI zde může provádět tři úlohy.

Kontrola správnosti dat

Například:

• chybějící údaj elektroměru,
• nesmyslně nízká spotřeba,
• duplicitní cyklus,
• nesoulad času mezi ERP a SCADA,
• nulová spotřeba plynu u plynové pece,
• chybný emisní faktor.

Detekce anomálií

Například:  Spotřeba tohoto cyklu byla o 18 % vyšší než u srovnatelných dávek.

Podpora hledání příčiny

AI může porovnat průběh s historií a navrhnout pravděpodobné příčiny:

• nízké zaplnění pece,
• delší náběh teploty,
• opakované vakuování,
• netěsnost,
• zhoršený stav izolace,
• delší kalení plynem,
• prodloužená výdrž,
• chyba měření.

Důležité je používat formulaci pravděpodobná příčina, nikoliv automaticky prohlásit, že byla příčina potvrzena.

7. AI při rozdělení emisí dávky

Základní rozdělení by mělo zůstat matematicky pevné:

AI ale může pomoci rozhodnout, zda je hmotnost pro daný proces opravdu nejlepší alokační klíč. Může například zjistit, že pro určitou skupinu dílů lépe odpovídá:

• hmotnost,
• obsazený objem,
• plocha roštu,
• počet kusů,
• tepelná kapacita,
• kombinace hmotnosti a objemu.

Základní metodika by se ale neměnila automaticky. AI by pouze upozornila: U tohoto typu dílu může čistě hmotnostní alokace podhodnocovat jeho podíl, protože díly zabírají 65 % užitečného prostoru pece, ale jen 30 % hmotnosti dávky.

Změnu alokační metody musí schválit odpovědný pracovník.

8. AI při ESG reportingu

AI může automaticky připravit:

• součet emisí podle provozu,
• rozdělení Scope 1, Scope 2 a Scope 3,
• emise podle zařízení,
• emise podle zákazníka,
• emise podle procesu,
• emise na kilogram,
• emise na výrobní objednávku,
• porovnání nabídky, plánu a skutečnosti,
• měsíční a roční trendy,
• komentář k významným změnám.

Například: Celkové emise provozu se v červenci zvýšily o 7,2 %. Hlavní příčinou byl vyšší počet plynových cyklů a pokles průměrného LoadFillRate ze 74 % na 63 %. Emisní intenzita elektrických vakuových pecí se naopak snížila o 4,5 %.

AI může také automaticky vytvářet textovou část reportu, ale čísla musí přebírat z řízeného zdroje.

9. Automatická kontrola konzistence ESG dat

AI může před uzavřením měsíce provést kontrolní bilanci:

Může upozornit například:

• 8 % elektřiny nebylo přiřazeno žádnému zařízení,
• dvě pece nemají aktualizovaný emisní faktor,
• skutečná spotřeba plynu je o 12 % vyšší než součet cyklů,
• u 34 objednávek chybí hmotnost dávky,
• některé cykly jsou vykázány současně jako planned i actual,
• market-based a location-based hodnoty byly zaměněny.

Tato kontrolní funkce může být pro audit důležitější než samotná predikce.

10. Co by AI dělat neměla

AI by neměla bez kontroly:

• měnit emisní faktory,
• měnit klasifikaci Scope 1, 2 nebo 3,
• nahrazovat změřenou spotřebu odhadem,
• rozhodovat o oficiální metodice alokace,
• přepisovat data z ERP, MES nebo SCADA,
• automaticky potvrzovat ESG report,
• zakrývat chybějící data vypočtenými hodnotami.

Musí být vždy jasně označeno:

Value Type                                                              

• Measured
• Calculated from fixed formula
• Estimated AI
• Manually Adjusted

=======================================================================================================
Are you solving a similar problem? I will help you with the analysis…
 40+ years of experience in the field
 30+ years of experience… HT-PROGRES, Bodycote, Galvamet
 cooperation… VŠB, Czechimplant, ECM Technologies, TAV Vacuum Furnaces, GHC Invest
 12+ years of expert activity
Want to ask for a solution or want a non-binding consultation? Click on this link, I will usually respond within 24 hours. Contact email
========================================================================================================
Jiří Stanislav, Ing. CSc.
Consultant and forensic expert
========================================================================================================

5/8/2026