Jak na AI v praxi, díl VI, SQ plant

Další otázkou je, kolik dat potřebuji abych dal AI prostor pro její aktivity. Zkusil jsem s ChatGPT pracovat se dvěma typy kalíren.

Tou první je klasická kalírna se 3 víceúčelovými pecemi, se 100 až 200 opakovanými produkty, se SQ pecemi na 750 Kg, s pracovním režimem 24/7 a se dvěma ročními odstávkami, každá v délce 14 dnů (Léto, Zima). Jako model jsem navrhnul kalení oceli C45, dávky po 500 kg, cyklus 4 hodiny.

Otázka je kolik a jaká data musím připravit do datové skladu tak, aby AI mohla začít pracovat?  V tomto režimu pece vykonají 6 066 cyklů a zpracují hmotnost 3 033 tun dílů ročně.

Rozhodující není celkový počet záznamů, ale hlavně:

• zda jsou záznamy úplné a správně označené,
• zda představují skutečně nezávislé šarže nebo cykly,
• zda pokrývají potřebné materiály, geometrie, pece a procesní varianty,
• kolik vstupních parametrů má model používat,
• zda predikujete spojitou hodnotu, například CHD, nebo vzácnou událost, například trhlinu.

Počtem záznamů v tabulce níže jsou myšleny jednotlivé dokončené a identifikované šarže nebo cykly, nikoli jednotlivé sekundové záznamy teploty.

Nejlepší postup je vytvořit model na počátečním souboru a následně sledovat learning curve: přesnost modelu se vyhodnotí při 50, 100, 200, 400 a dalších záznamech. Křivka ukáže, zda další data stále zlepšují výsledek, nebo už nastává saturace.

Model, který se pro takovouto kalírnu použije bude model produktový. Budeme tedy sbírat data vztažená k produktu, obsahující vše, co týká materiálu a cyklu, údajů o jakosti. Bude dobré, když si vytvoříme procesní rodinu, kam sdružíme i podobné procesy materiály, a pak později do této rodiny zahrneme i podobné materiály a podobné produkty.

Z datové sady musí být jasné propojení: RFQ a nabídky, materiálu a stav materiálu, základní geometrie a hmotnosti, počet kusů a návrh počtu kusů ve vsázce, přípravek a rozmístění dílů na přípravku, receptura, požadované parametry cyklu (teplota, tlak, typ plynu), AI navrhovaný čas cyklu SPT, AI  vypočtená spotřeba na cyklus, predikce výsledků CHD, NHD, tvrdosti a deformací, nabídkové náklady, rizika odchylek a přepracování.

S 300-500 kvalitními případy lze zpravidla:

• vyhledávat historické analogy,
• odhadovat počet šarží,
• vytvořit první model času a nákladů,
• porovnat nabídku se skutečností,
• vytvořit learning curve a zjistit skutečnou potřebu dalších dat.

Pro širší produkční model pokrývající více technologií bych mířil nejméně na: 1 000–3 000 úplných cyklů, rozdělených podle procesních rodin.

Vybraný model by měl být nejprve omezen například na:

• Process family: SQ Oil hardening
• Material family: Carbon steel C45, C60
• Furnace group: SQ TQ10
• Quench medium: Oil Durixol W72
• Result as quench: Hardness
• Result as temper: Hardness

Praktický cíl tedy není získat stovky záznamů na každý výrobek. Rozumným cílem je vytvořit společný model z několika tisíc cyklů C45 a ke každému pravidelnému výrobku získat přibližně 30–50 dobře popsaných referenčních cyklů.

Pokud je proces stabilní a známý:

Po jednom roce by datový sklad mohl obsahovat například: 3 000–5 000 použitelných cyklů C45, data ze všech tří pecí, různé rozměry, různá přípravkování, různé tavby, různé stavy oleje, výsledné tvrdosti a deformace, náklady.

Model se neučí celý proces znovu. Pouze zjistí například: Tento výrobek má při stejných podmínkách v průměru o 1,5 HRC nižší tvrdost než obecný model C45. Nebo: Při zaplnění nad 85 % roste u tohoto výrobku deformace o 0,04 mm.

Samozřejmě, že do datového skladu v prvním případě musím ukládat i měření tvrdosti, ve druhém případě měření deformací.

Jenomže na začátku jsme řekli, že takováto kalírna má 100 až 200 výrobků. U takovéto kalírny to tedy znamená od 200* 30 až do 200*100 cyklů, nebo dat vázaných na cyklus kalení, tedy od 6 000 do 20 000 strukturovaných datových záznamů. To je obrovské množství dat a na to nestačí jen administrátor AI vrstvy. Na to se musí jinak. Protože všechny ERP systémy jsou založeny na relačních tabulkách, výše uvedená data by neměla být problém připravit, pokud je ERP systém zná. Jenže jsme zase zpět u kvality ERP.

Abychom mohli začít, musíme se postarat, aby nám ERP systém dal základní strukturu dat pro export do AI vrstvy. Tento historický backfill musí ale obsahovat data, která skutečně potřebujeme z ERP získat – viz infografika. Zkratka ETL znamená Extract-Transform-Load. Po zpracování dat v middleware se data přesunou do datového skladu.

Jakmile se systém uvede do života, nové záznamy se již přidávají automaticky. Pokud tedy u tohoto modelu kalírny importujeme 2 roky, máme 12 000 záznamů o cyklech. Počáteční data připravuje ERP konzultant, datový inženýr, integrátor a technolog, který vysvětlí význam polí. To, že nemáme v tomto okamžiku procesní data cyklů – průběhy teplot, tlaků, průtoků, rosný bod, Cp, není rozhodující. Rozhodující je, aby byl ten zbytek. A tady jsme zase zpátky u Cyklů. Pokud v ERP nemáme řízení cyklů, pokud v ERP nemáme deterministický model výpočtu nákladů, nemáme ani data pro AI. V tomto případě vznáším domněnku, že to prostě nemá vůbec cenu. Chybějící data ani AI za nás nevyřeší. I když ?

=======================================================================================================
Použité zkratky:

AI:                    Artificial Intelligence
API:                 Application Programming Interface: definované rozhraní a soubor pravidel, podle kterých si dva systémy předávají data a příkazy. Webové API může být dostupné prostřednictvím jedné nebo více URL adres, označovaných jako endpoints.
JSON:             JavaScript Object Notation: textový formát pro strukturovaný přenos dat. Vznikl v prostředí JavaScriptu, ale dnes je nezávislý na programovacím jazyce.
Middleware:   integrační vrstva, která propojuje systémy, transformuje data, řídí komunikaci, zabezpečení a auditní záznamy.
AI model:       matematický nebo statistický model, který provádí klasifikaci, predikci, detekci odchylek nebo doporučení.
OPC UA:         Open Platform Communications nebo OPC Unified Architecture
AI vrstva:       řešení sestavené ze standardních platforem, konektorů, pravidel a individuálně nakonfigurovaných nebo vyvinutých modelů.
Document AI: Technologie využívaná k extrakci využívá k extrakci informací z tištěných i digitálních dokumentů, jako jsou obrázky, texty, znaky
DMS:               Document Management System
FQ:                   Request For Quotation
APQP:              Advanced Product Quality Planning
PPAP:              Production Part Approval Process
ERP:                 Enterprise Resource Planning

=======================================================================================================
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
========================================================================================================

01/8/2026