Aktuální vydání

celé číslo

07

2020

Řízení distribučních soustav a chytrá města

Měření a monitorování prostředí v budovách a venkovním prostředí

celé číslo

Trendy v komplexní automatizaci

Automa 7/2000

prof. Ing. Vladimír MAŘÍK, DrSc.
marik@labe.felk.cvut.cz

Trendy v komplexní automatizaci

Příspěvek se zabývá rostoucím významem metod a technik umělé inteligence v oblasti komplexní automatizace. Zdůrazňován je především význam multiagentních technologií pro rozvoj technik diagnostiky, pro softwarové architektury, komunikační prostředky i pro dynamické plánování.

1. Úvod
Soudobé trendy v průmyslové automatizaci vycházejí z aktuálních požadavků uživatelů automatizační techniky. Jde především o požadavky zaměřené na:

  • flexibilitu výroby, kdy se požaduje schopnost výrobních úseků reagovat na požadavky spojené s variabilitou konfigurace produktu, s velikostí sérií a s průběžnými modifikacemi a inovacemi produktu;
  • kontinuální růst produktivity, přičemž se požaduje možnost postupného nárůstu výroby ve výrobních úsecích bez větších přírůstků pracovních sil, nebo dokonce s klesajícími počty pracovníků;
  • zlepšování jakosti výrobků, jež se čím dál tím více stává rozhodujícím faktorem při uplatňování produkce na světových trzích;
  • snižování celkových nákladů, ať již investičních nebo provozních.

Naštěstí se současně s požadavky postupně objevují, či dokonce prudce rozvíjejí nové metody a prostředky, bez nichž si nelze splnění zmíněných požadavků vůbec představit. Mezi nejdůležitější rozvíjející se technologické předpoklady patří:

  • obecné softwarové technologie všeho druhu;
  • komunikační a síťové technologie;
  • metody diagnostiky;
  • softwarové nástroje pro simulaci, analýzu a optimalizace;
  • nástroje pro plánování a rozhodování a znalostní systémy.

V soudobých trendech průmyslové automatizace se odráží skutečnost, že teorie automatického řízení v mnoha směrech daleko předběhla požadavky a možnosti současné průmyslové praxe a poskytuje relativně dostatek (až nadbytek) obecných i speciálních řídicích algoritmů. Nicméně tyto algoritmy jsou vhodné pro řízení spíše izolovaných subsystémů a mnohé z nich se jen velmi zvolna a ztěžka prosazují v praxi. Je tomu tak v důsledku působení mnoha faktorů, např. pro jejich teoretickou náročnost a existenci silných omezujících podmínek, pro úzké, speciální zaměření, malé schopnosti uživatelů jednotlivé algoritmy kombinovat atd. Úkolem komplexní automatizace v moderním pojetí je především poskytovat koncepce, nástroje a techniky pro integraci dílčích, mnohdy teoreticky velmi náročných řešení do velmi flexibilních a efektivních celků. Je proto zcela přirozené, že se komplexní automatizace v čím dál tím větší míře opírá o výsledky výzkumu v oblasti informatiky a zvláště v oblastech umělé inteligence a znalostního inženýrství. Pronikání metod umělé inteligence do sféry komplexní automatizace je jedním z klíčových trendů v rozvoji efektivity průmyslové výroby.

2. Technologické předpoklady

2.1 Vývoj softwarových technologií
Tak jako v ostatních oblastech kybernetiky, je i v oboru průmyslové automatizace, zejména při tvorbě programového vybavení automatizačních prostředků, patrná orientace na objektově orientované metody programování, které umožňují vytvářet knihovny opakovaně použitelných komponent.

V popředí zájmu zůstávají distribuované řídicí a informační systémy, přestože spíše než snahy o rozložení a optimalizaci výkonu jednotlivých uzlů se významně prosazuje trend specializace jednotlivých dílčí procesorových jednotek a procesů tak, aby jejich vzájemná komunikace kladla co nejmenší požadavky na přenosy dat.

Uvážíme-li, že do popředí vystupují objektově orientované technologie v kombinaci s funkční specializací modulů distribuovaného rozhodování a řízení, je zcela přirozené, že stále více hraje významnou roli technologie multiagentních systémů [3]. Multiagentním systémem se rozumí komunita autonomně fungujících jednotek schopných koordinovat svoji činnost a popř. cílevědomě kooperovat. Každá z těchto jednotek – agent – je schopna řešit podstatnou část svých úloh autonomně, s využitím vlastních znalostí o svých schopnostech i o schopnostech ostatních agentů, včetně znalostí o eventuálním sociálním chování celé komunity. V „klasických“ multiagentních systémech neexistuje centrální rozhodovací element; globální strategie celé komunity je po částech „vlastněna“ jednotlivými agenty. Dostatečné znalosti o předpokládaném chování členů komunity i o celkové strategii umožňují agentům komunikovat s ostatními jen tehdy, je-li to skutečně nezbytně nutné.

Multiagentní systémy se v současné době opírají především o čistě softwarovou podobu agentů. Uplatňují se především v oblasti plánování a rozhodování, ale lze je nalézt i v systémech technické diagnostiky a operativního řízení výroby. Postupně jsou vyvíjeny i vhodné hardwarové platformy pro diskrétní řízení založené na principu multiagentních systémů. Jde zejména o malé diskrétní regulátory schopné vysílat a přijímat zprávy meziagentové komunikace ve zvolených jazycích typu ACL (Agent Communication Language), které dovedou nejen reagovat na měnící se situaci, ale i v rámci vlastních úvah založených na znalostech přispívat k rozumnému, tj. cílově orientovanému chování komunity regulátorů. Takovéto relativně jednoduché a přitom dostatečně obecné regulátory jsou často nazývany holony. V rámci konsorcia HMS (Holonic Manufacturing Systems) mezinárodní organizace IMS (Intelligent Manufacturing Systems) byl vytvořen první mezinárodně uznávaný standard pro komunikaci mezi agenty (IEC 1499) a připravuje se první demonstrace několika tzv. pilotních aplikací holonických systémů v automatizaci v říjnu 2000 v japonském městě Kitakjúšu. Tyto systémy jsou rozpracovány např. firmami Daimler-Chrysler, Toshiba, Rockwell Automation a Softing.

Technologie multiagentních systémů se upltňuje ještě v jedné velmi významné aplikační oblasti, a to v softwarové integraci zděděných (legacy) systémů. Jde v podstatě o problematiku vnořování již existujících a dobře fungujících softwarových modulů do nových, globálnějších systémů [1]. Nejrůznější metodologie tzv. agentifikace zděděných modulů, tj. doplňování modulů vhodným „obalem“, jenž obsahuje jistou znalost o zbytku komunity a zabezpečuje komunikaci s ostatními moduly (tj. agenty) ve zvoleném jazyce, se jeví jako dostatečně účinný nástroj pro integraci i poměrně rozsáhlých softwarových celků. Významná je i ta skutečnost, že mezinárodní odborná veřejnost je schopna se dohodnout na standardech jazyků pro komunikaci mezi agenty. V nejbližší době vstoupí v platnost standardy připravené mezinárodní zájmovou neziskovou organizací FIPA (Foundation for Intelligent Physical Agents), které vycházejí ze zkušeností s  formalizací jazyka KQML (Knowledge and Query Manipulation Language), vyvinutého počátkem 90. let na univerzitě v Marylandu.

Větší uplatnění holonických a multiagentních systémů v průmyslové praxi bude vyžadovat dosti podstatnou změnu v uvažování návrhářů i uživatelů – půjde vlastně o odklon od klasického řízení založeného na transakcích (transaction-driven) k řízení prostřednictvím událostí (event-driven). Jde o způsob uvažování, který se přirozenou cestou vyvinul paralelně (a téměř nezávisle) v oblasti objektově orientovaného programování, v oblasti silně distribuovaných řídicích systémů, v rámci umělé inteligence i v aplikační oblasti elektronického obchodování (e-commerce) [2]. Teorie multiagentních systémů, vyvinutá v rámci umělé inteligence, poskytuje dosud jedinou jednotící teorii vhodnou i pro systémy e-commerce.

Lze očekávat, že během deseti let bude řízení prostřednictvím událostí a koncepce multiagentních systémů, představující svým způsobem zásadní koncepční zvrat, v systémech průmyslové automatizace (ale nejenom tam) bezkonkurečně dominovat.

2.2 Komunikační a síťové technologie

V oblasti komunikací a sítí je patrná pokračující snaha o zvyšování rychlosti přenosu dat, a to zejména v souvislosti s rozvojem multimediálních technologií, technologií spojených s webovými aplikacemi a s elektronickým obchodem. Pro vysokorychlostní přenos dat se nyní jako nejperspektivnější jeví gigabitový Ethernet, přičemž sítě ATM (Asynchronnous Transfer Mode) postupně ztrácejí pozice. Dalším cílem, na nějž útočí mnoho výrobců, je dosáhnout v průběhu několika příštích let přenosových rychlostí kolem 1 Tb/s (tj. 1 000 Gb/s). Počítá se se širším využíváním časově synchronizovaných sítí, často s využitím satelitů.

Paralelně s rozvojem multiagentních systémů se prudce rozvíjejí i vhodné bezdrátové technologie, jako např. technologie standardizované v rámci konsorcia Blue-tooth nebo bezdrátové komunikační technologie umožňující realizovat přenos dat obdobným způsobem jako v celulárních sítích (např. komunikační systémy mezi uzly typu WINS firmy Rockwell).

Typickým cílem snah v oblasti komunikací je mít k dispozici jen několik málo široce používaných otevřených standardů. Problémem je, že každý větší výrobce se snaží, aby jím preferovaný, nebo dokonce vyvinutý standard byl chápán jako ten nejsprávnější, ne-li jediný. Na této skutečnosti ztroskotávají standardizační snahy. Nelze proto ani v nejbližších letech očekávat, že bude podstatně omezen počet používaných standardů – spíše se ještě zostří boj mezi vlastníky jednotlivých technologií.

Zvláštní pozornost je věnována otázkám spolehlivosti síťových přenosů pro kritické průmyslové aplikace. Zejména na žádost evropských firem jsou proto vyvíjeny speciální softwarové i hardwarové modifikace existujících komunikačních prostředků. Například firma Rockwell vyvíjí SafeDeviceNet, Siemens SafeProfiBus atd. Jde v podstatě o účinné zdvojování či ztrojování přenosů jako rozšíření stávajících standardů.

Ve větší míře je v blízké budoucnosti třeba počítat se zlepšováním zabezpečení přenosů proti zneužití dat, zejména v (geograficky) distribuovaných řídicích a informačních systémech a tam, kde jsou přenosy uskutečňovány bezdrátově. Jsou vyvíjeny a postupně se uplatňují velmi účinné systémy kódování dat pro průmyslové účely. V souvislosti s holonickými řídicími systémy lze využívat některých znalostně orientovaných technik umělé inteligence (např. modelů twin-base nebo tri-base pro reprezentaci znalostí v „obalech“ agentů nebo technik meta-usuzování na úrovni meta-agentů [4]) k odhalování nepovolaných či podezřelých zásahů do komunikační sítě.

2.3 Diagnostika
Diagnostické systémy jednak pomáhají zvyšovat kvalitu výroby, jednak přispívají k prodlužování životnosti výrobních zařízení a ke zvyšování efektivity výroby.

Diagnostiku lze podle úrovně obsahu výstupní informace dělit na:

  • detekci poruchy;
  • získání diagnózy, tj. informací o příčině poruchy;
  • prediktivní diagnostiku, kdy lze na základě současných měření usuzovat o potenciálních závadách v budoucnosti.

V průmyslové praxi zatím převažují systémy detekce poruch, přičemž je věnována mimořádná pozornost přechodu k vyšším formám diagnostiky on-line. Teoretický a experimentální základ vyšších forem diagnostiky představují metody a techniky umělé inteligence. Používají se především:

  • Metody rozpoznávání, ať již příznakové, zpracovávající numerické hodnoty metodami stochastického rozhodování, nebo strukturální, které se opírají o analýzu nenumerického popisu reálných jevů a situací. Základním problémem je obvykle volba informativních příznaků neboli tzv. primitiv strukturálního popisu a relací mezi nimi. I poměrně jednoduché techniky rozpoznávání (lineární nebo po částech lineární klasifikátory) mnohdy slaví značný úspěch v úlohách lokální diagnostiky.
  • Neuronové sítě jako silně adaptivní a učící se formalismy modelující činnost nervové soustavy. Hlavním problémem zde je – kromě volby příznaků – též volba architektury sítě (počet vrstev, počet neuronů ve vrstvě atd.), volba algoritmu učení a nastavení počátečních podmínek procesu učení. Významnou překážkou širšího používání neuronových sítí v reálných úlohách je nedostatečná možnost fyzikální interpretace dílčích i celkových výsledků tak, aby si uživatel mohl ponechat kontrolu nad smysluplností rozhodování. Proto jsou systémy na bázi neuronových sítí v praxi zařazovány pouze s nejvyšším stupněm opatrnosti a rozsah jejich nynějšího využívání neodpovídá úrovni teoretických výsledků.
  • Fuzzy logika se v mnoha aplikacích jeví jako účinný nástroj nejen pro diagnostické rozhodování, ale i pro identifikaci systémů a situací jako základ diagnostiky založené na modelech, popř. jako základ prediktivní diagnostiky nebo prediktivního řízení. Základním problémem zde je volba fuzzy modelu a získání kvalitních fuzzy pravidel. Volba fuzzy modelu vyžaduje – kromě teoretických znalostí – též značnou zkušenost z praxe. Totéž platí o získávání a zejména ladění souborů fuzzy pravidel. Tyto skutečnosti mnohdy odrazují od aplikací v praxi.
  • Případové uvažování (Case-Based Reasoning – CBR) a uvažování založené na kvalitativních modelech (model-based reasoning) patří k moderním metodám vhodným především ke stanovování diagnostických závěrů ve složitých, ale do značné míry stereotypně se opakujících situacích a k prediktivní diagnostice.
  • Metody strojového učení jsou obecným nástrojem pro získávání znalostí z rozsáhlých souborů dat, a to jak v metodách rozpoznávání, v neuronových sítích, ve fuzzy logice (zvláště účinným se jeví neuro-fuzzy model strojového učení, jenž umožňuje jistou fyzikální interpretaci ve vícevrstvé neuronové síti) či v CBR nebo kvalitativním modelování.
  • Prudce se vyvíjející metody diagnostiky softwaru jsou též chápány jako specifické diagnostické metody. V této oblasti nejde jen o testování nebo automatické testování softwaru, nýbrž především o ovlivňování architektury softwarových modulů již ve fázi jejich návrhu a vývoje tak, aby pozdější testování bylo možné realizovat co nejefektivněji. Testování a diagnostika softwaru, zejména v souvislosti s trvalým trendem přesouvání funkčního jádra automatizačních prostředků z hardwaru do softwaru, se stávají klíčovými prostředky zlepšování kvality a zvyšování robustnosti řešení průmyslové automatizace.

2.4 Nástroje pro simulaci, analýzu a optimalizaci
Nástroje pro simulaci, analýzu a pro optimalizaci se v návaznosti na překotný vývoj výpočetní techniky a programových prostředků velmi rychle zdokonalují. Jsou stále častěji přímo integrovány s řídicími a informačními systémy a mnohdy již nelze přesně rozeznat, kde je rozhraní mezi řídicím a simulačním subsystémem.

Velmi perspektivní se jeví komplexní, graficky velmi dobře vybavené nástroje simulace celých výrobních úseků nebo větších výrobních celků, nazývané virtual enterprise [1]. Takovéto systémy umožňují simulovat veškeré informační a materiálové toky a odhalovat „slabá místa“ daného výrobního záměru, aniž výrobní úsek fyzicky existuje. Systémy typu virtual enterprise bývají obvykle realizovány s využitím myšlenek multiagentních systémů.

2.5 Nástroje pro plánování a rozhodování, znalostní systémy
Mimo diagnostiku se k nejdůležitějším aktivitám ovlivňujícím ekonomickou efektivitu výroby řadí kvalitní plánování a rozvrhování.

Přes obrovské úsilí v oblasti teorie plánování a rozvrhování dosud neexistuje jednotící obecná teorie plánování. Průmyslové plánovací systémy všech úrovní (od rozvrhování vytížení jednoho stroje po globální plánování ekonomického chodu podniku) se vyvíjejí v podstatě ad hoc s využitím dostupných softwarových nástrojů (např. produkty firem SAP, Microstrategy atd.) a příslušných technik na bázi umělé inteligence.

Moderní plánovací systémy jsou koncipovány jako systémy multiagentní. Jeden agent obvykle odpovídá jedné organizační složce podniku (oddělení přípravy výroby, dílna, sklad, fakturační oddělení atd.). Vzhledem k poměrně fixní struktuře podniku je možné obaly agentů vybavit dobře strukturovanými a poměrně rozsáhlými znalostními modely o možnostech a kapacitách jiných agentů (acquaintance models) a výrazně redukovat komunikaci mezi agenty (díky performativům subscribe/advertise v jazyce KQML, popř. FIPA). Navíc lze při tvorbě plánů jednotlivými agenty a při jejich vzájemné interakci používat nejrůznější techniky optimalizace.

Mezi nejprogresivnější optimalizační techniky používané při řešení plánovacích systémů patří evoluční algoritmy, a to zejména genetické algoritmy a algoritmy modelující genetickou informaci uloženou v desoxyribonukleové kyselině (DNA). Při použití genetických algoritmů se s řetězci symbolů nakládá jako s genovou informací: generují se nové generace s použitím algoritmů křížení a spontánní mutace, nová generace se ohodnocuje s použitím zvolené hodnotící funkce a nejlepší řešení se vyberou jako „rodiče“ pro novou generaci. Hlavním problémem při tvorbě aplikace je nalézt vhodný způsob zakódování plánu do řetězců symbolů (mnohdy nestejné délky) a dále volba vhodného optimalizačního kritéria.

Při tvorbě plánů i při jiných rozhodovacích činnostech (např. při ladění regulátorů při náběhu výroby) hrají stále větší roli expertní systémy [5], často realizované jako uzavřené (embedded) aplikace. Nástroje pro podporu rozhodování, v poslední době silně podporované technikami tzv. datových skladů, se v čím dál tím větší míře opírají o znalosti explicitně vyjádřené např. v podobě produkčních pravidel. Firmy postupně budují své vlastní katalogy podnikových znalostí a věnují řízenému využívání znalostí (knowledge management) značnou pozornost.

3. Strategie a trendy

3.1 Flexibilita výroby
Jedním z hlavních nástrojů zvětšování flexibility výroby je přístup nazývaný integrace/distribuce funkcí. Cílem je přesouvat řízení a rozhodování co nejblíže k vlastním řízeným procesům a k co nejmenším lokálním zařízením. Přední firmy začínají nabízet tzv. inteligentní komponenty a zařízení schopné fungovat relativně samostatně v distribuovaném režimu (např. Smart Sensor Interface či Smart Motor Protector firmy Rockwell Automation). Současně je věnována pozornost zásadní miniaturizaci. Vznikají zařízení, v nichž jsou prostředky řízení a prostředky komunikace integrovány na jednom kousku křemíku. V pohonu 1436 firmy Allen-Bradley bylo poprvé použito umístění výkonových usměrňovačů a řídicího obvodu na jedné křemíkové desce (v roce 1997).

Velmi důležitým předpokladem k dosažení vysoké flexibility průmyslové výroby je systémový přístup k návrhu, realizaci a údržbě systémů. Investiční celky jsou vybavovány automatizační technikou pod řízením jednoho hlavního dodavatele, jemuž je de facto svěřeno i rozhodování o použitých standardech, o metodikách údržby i o dlouhodobé koncepci rozvoje automatizovaného úseku. Výrobci se tak stále více stávají nejen producenty komponent, ale i dodavateli celých zařízení. Jak bude ještě zmíněno dále, takovémuto dodavateli bývá čím dál tím častěji svěřována i servisní služba celého automatizovaného zařízení (formou označovanou jako outsourcing).

3.2 Kontinuální růst objemu výroby
Hlavním trendem zde je propojování a doslovná integrace řídicích a informačních subsystémů na všech úrovních s využíváním nejnovějších metod dynamického plánování a rozvrhování a moderních prostředků rozhodování. Důraz je kladen na rozšiřování možnosti sjednocovat komponenty a na bezprostřední opakovanou využitelnost a přenositelnost programového kódu.

Mimořádné úsilí je věnováno zkracování náběhových režimů při změně výrobního programu za podpory znalostních a expertních systémů. Bylo totiž prokázáno, že zkrácení doby náběhu výroby přináší mnohonásobně vyšší zisk než zkrácení vývoje výrobku. K tomuto cíli směřuje i poměrně ambiciózní projekt zvaný Enterprise Control – společná aktivita firem Rockwell, Daimler-Chrysler, Pico a Dessault. Cílem projektu, koordinovaného firmou Rockwell Software, je vytvořit obecné programové prostředí pro plně automatizovanou transformaci výkresů produktu a popisu výrobního úseku do podoby řídicích programů pro programovatelné automaty. První prototyp, předvedený v květnu 1998 v Detroitu, vyvolal mimořádný zájem představitelů automobilového průmyslu. V současné době je za již nezanedbatelného finančního přispění dalších firem – potenciálních velkých uživatelů – dokončován druhý, mnohem vyzrálejší prototyp. Očekává se, že průměrnou dobu nutnou na přípravu a realizaci nového výrobního programu lze zkrátit z měsíců na týdny.

V souvislosti s požadavky na vysokou produktivitu výroby se velké firmy trvale snaží zlepšovat kvalitu služeb, včetně služeb typu hot-line. Tyto se ve stále větší míře opírají o metody získávání, využívání a údržby znalostí – tedy o principy znalostního inženýrství. Intenzivněji začínají být využívány i metody rozpoznávání mluvené řeči, využívané „automatickými odpovídači“, schopnými pokrýt nejběžnější dotazy zákazníků.

3.3 Zlepšování kvality
Zlepšování kvality výroby se musí opírat především o kvalitní a včasnou diagnostiku, zejména – pokud možno – predikční. Nyní se tato diagnostika zaměřuje na klíčové systémy (motory, čerpadla, řídicí systémy, spínače) a klíčové procesy. Ukazuje se však, že v brzké budoucnosti bude rozhodující především komplexní diagnostika automatizovaných úseků založená na komplexním vyhodnocování lokálních diagnostických údajů získaných z přístrojů, jež jsou založeny na nejrůznějších principech a zhotoveny různými výrobci. Jde v podstatě o umožnění monitorování a vyhodnocování stavu rozsáhlejšího automatizovaného zařízení (loď, letadlo, výrobní úsek), tedy o řešení úlohy nazývané condition-based monitoring. Konsorcium několika firem a univerzit, vedené firmou Boeing, se snaží vytvořit jednotné prostředí pro přenos a centrální zpracování diagnostických dat s využitím standardů konsorcia MIMOSA. Očekává se, že do roku 2001 bude tento standard pro diagnostická data v ověřování na experimentální platformě. Významná je především otevřenost uvažovaného standardu, který umožňuje dalším výrobcům zapojovat své produkty jako součásti globálního řešení.

Zvláštní kapitolu tvoří, jak již bylo naznačeno, diagnostika softwaru. Té je zatím věnována ze strany výrobců automatizační techniky i softwarových firem zaměřených na automatizaci relativně malá a zcela nedostatečná pozornost. Navíc mnohé – i renomované – firmy ve snaze překotně uvádět na trh novinky neúměrně zkracují fázi vývoje a nabízejí pouze trochu vylepšené výzkumné prototypy. Přitom o kvalitě a stabilitě průmyslových řešení – vlivem všeobecnému trendu přenášet stále více funkcí z hardwaru na software – bude v blízké budoucnosti rozhodovat právě kvalita softwaru. Bez plného automatizování testů a zejména bez přípravy programů na diagnostiku již ve fázi návrhu architektury programového modulu nelze počítat s bezpečným a robustním programovým vybavením. Kvalitní automatizované testování softwaru si nelze představit bez aplikace metod umělé inteligence, zejména ve fázi návrhu testu tak, aby byl optimálně „pokryt“ prostor možných situací. Začínají se objevovat první dostatečně robustní nástroje pro diagnostiku softwaru, z nichž k předním patří např. produkty firmy RationalRose. Očekává se, že – obdobně jako v jiných oblastech tvorby softwaru – bude třeba vybudovat diagnostické týmy zhruba stejně velké jako vlastní týmy vývojové.

3.4 Nižší celkové náklady
3.4 Nižší celkové náklady Objektivním požadavkům zákazníků na snižování celkových nákladů při zavádění a provozování automatizační techniky vycházejí přední výrobci vstříc širokou nabídkou produktů, tj. rozsáhlým počtem položek v katalozích, z nichž lze vytvářet skutečně řešení „šitá na míru“ z hlediska potřebné kapacity, výkonů, zálohování apod.

Co se týče softwaru, je patrná jednoznačná orientace na komerčně dostupné technologie (např. produkty Microsoft, Mathworks atd.), které díky masovosti používání přispívají jistou měrou ke standardizaci, ale které jsou z téhož důvodu i produkty relativně levnými, se širokou technickou podporou.

Pro oblast automatizace je – možná ještě více než pro jiné oblasti – důležitý zcela nový pohled na služby, které výrobce, ať již sám nebo prostřednictvím sítě systémových integrátorů, poskytuje. Významný je zejména přechod od základních služeb „instalace + údržba“ k službám vyššího typu, tedy k tzv. službám přidávajícím hodnotu (value-added services).

Při zavádění automatizace v nových výrobních úsecích dává např. firma Rockwell přednost přístupu nazývanému single point of responsibility. Například v nových projektech firmy Daimler-Chrysler je firma Rockwell Automation chápána jako tzv. integrální partner při řešení všech problémů výrobních procesů a její představitelé jsou organickými členy všech příslušných týmů. Dosahuje se tak jediného a jednotného řízení procesu zavádění výroby nebo procesů změnových, je zaváděna jednotná koncepce řídicích systémů, jednotná specifikace, jednotné standardy apod. Poměrně jednoduše se dosahuje integrace informačních a řídicích systémů na všech úrovních. Vyhodnocení prvního společného projektu Rockwell – Daimler-Chrysler prokázalo významnou redukci počtu variant návrhů všeho druhu, podstatnou redukci náběhových časů a významný přínos jednotného systému časových plánů, dokumentace, průběhu zkoušek atd.

Obvyklá začíná být i strategická spolupráce s jinými – mnohdy konkurenčními – firmami v určitých segmentech trhu (zmiňme se zde např. o strategické spolupráci Rockwell Automation s firmou Honeywell v oblasti spojitých regulací, jež je v přímém protikladu k nesmiřitelné konkurenci těchto firem v oblasti diskrétního řízení).

Dalším nezanedbatelným trendem je snaha velkých světových firem o globalizaci. Takovéto firmy nejen prodávají, ale vyrábějí a v některých případech i vyvíjejí automatizační techniku v lokalitách co nejblíže umístěných k jejich potenciálním trhům. Globalizace automatizačních firem ve svém důsledku přináší levnější, lokálněji dostupnou automatizační techniku, snáze dostupný servis a cílenější poradenské služby.

4. Závěr
Trendy v komplexní automatizaci jsou zásadním způsobem ovlivňovány požadavky zákazníků a podporovány technickým pokrokem v mnoha oblastech. Je zajímavé, že v diskrétní automatizaci se trendy mnohem více opírají o pokroky v informačních technologiích, o výsledky bádání v oblasti umělé inteligence a o změny v koncepcích vztahů výrobce-dodavatel než o další vývoj a zkvalitňování řídicích algoritmů samotných. Koncepční změny v přístupech totiž otevírají prostor pro mnohem větší ekonomické efekty v porovnání s pouhým vylepšováním algoritmů řízení. Aspektem, který neustále více vystupuje do popředí, je kvalita diskrétních a spojitých výrobních procesů, jejíž dosažení je ve většině případů závislé na včasném diagnostikování poruch. Je zde tak vytvářen prostor pro stále širší využívání metod umělé inteligence, jejichž význam pro praxi tak nebývale roste.

Nesporný trend prorůstání informačních a automatizačních technologií se projevuje systematickým delegováním čím dál tím složitějších automatizačních funkcí do prostředků fyzicky umístěných co nejblíže řízeným systémům a procesům. Snad vůbec nejmarkantněji je toto prorůstání patrné v oblasti distribuovaného, multi-agentního nebo holonického řízení. Právě v souvislosti s holonickým řízením je však třeba očekávat dosti podstatné změny v koncepcích a realizacích plně automatizovaných zařízení, neboť se jedná o přechod od řízení sekvenčního k řízení organizovanému tokem dat a událostí.

Jak je patrné, je oblast komplexní automatizace stále živým a intenzivně zkoumaným polem. Již od řešení některých dílčích otázek lze totiž očekávat poměrně značné ekonomické efekty.

Literatura:

[1] Camarinha-Matos, L. – Afsarmanesh, H. – Mařík, V. (eds.): Intelligent Systems for Manufacturing. Boston, Kluwer Academic Publishers, 1998.

[2] Chesher, M. – Kaura, R.: Electronic Commerce and Business Communications. Berlin, Springer Verlag, 1998.

[3] Fischer, K. – Oliveira, E. – Štěpánková, O.: Multi-Agent Systems: Which Research for Which Applications. Robotics and Autonomous Systems, vol. 27, 1999, No. 1-2, pp. 91-106.

[4] Pěchouček, M. – Mařík, V. – Štěpánková, O.: Role of Acquaintance Models in Agent-Based Production Planning Systems. In: Cooperative Information Agents IV (editors: Klusch, M. – Kerschberger, L.). Berlin, Springer Verlag, 2000. Pp. 179-190.

[5] Torsun, I.S.: Foundations of Intelligent Knowledge-Based Systems. London, Academic Press, 1995.